实验爆闪灯电路

笔者在《电子制作》论坛 http：／／bbselel69．com／viewthreadphp？tid=21152＆extra=page％3D2）上看见这样一个求助贴：     

浅谈快速排序算法的改进

快速排序是冒泡排序经改进之后的一种新的排序方法。拥有速度快,原地排序等特点,本文主要探讨了对原始的快速排序的一些改进的想法,提高其效率。     

基于ROI的动态FMO视频抗差错算法研究

本文提出了一种基于感兴趣区域(ROI)的动态FMO(DFMO)的视频抗差错算法,该算法采用分层编码的思想,对于ROI区域采用抗差错性能好的FMO模式,而非ROI区域则采用抗差错性能次之的FMO模式,以此达到抗差错性能和编码效率的平衡。仿真结果表明,相比于传统FMO模式,本文提出的DFMO算法在保证较低额外比特开销的情况下,可以有效地提高重建视频的主客观质量。     

适用于紧急医学救援的注射泵设计与实现

目的本研究研制一种注射泵,旨在精确控制输液剂量和速度,实现输液过程的自动化和智能化,并适应紧急医学救援需求.方法注射泵采用双CPU结构,利用微处理器对精密步进电机的精确控制,经机械传动装置产生平动推力,并采用传感检测系统进行监测反馈,当注射完毕或出现异常时,可通过声光及文字显示三重报警.结果研制的注射泵的输液精度、电源电池安全性等达到预期设计和技术指标.结论该注射泵可以实现对输液的精准控制,除了可以在医院等场所配备该设备,同时适用于直升机等空中救援项目,可以用于急救医疗服务,提高患者生存率.     

稀疏差分网络和多监督哈希用于高效图像检索

针对基于深度哈希的图像检索中卷积神经网络（CNN）特征提取效率较低和特征相关性利用不充分的问题,提出一种融合稀疏差分网络和多监督哈希的新方法SDNMSH（sparse difference networks and multi-supervised hashing）,并将其用于高效图像检索。SDNMSH以成对的图像作为训练输入,通过精心设计的稀疏差分卷积神经网络和一个监督哈希函数来指导哈希码学习。稀疏差分卷积神经网络由稀疏差分卷积层和普通卷积层组成。稀疏差分卷积层能够快速提取丰富的特征信息,从而实现整个网络的高效特征提取。同时,为了更加充分地利用语义信息和特征的成对相关性,以促进网络提取的特征信息能够更加有效地转换为具有区分性的哈希码、进而实现SDNMSH的高效图像检索,采用一种多监督哈希（MSH）函数,并为此设计了一个目标函数。在MNIST、CIFAR-10和NUS-WIDE三个广泛使用的数据集上进行了大量的对比实验,实验结果表明,与其他先进的深度哈希方法相比,SDNMSH取得了较好的检索性能。     

考虑中长期水文预报的北方水库综合运用经济效益分析

本文论述了北方水库常用的中长期水文预报方法,结合水库的防洪和兴利功能,对综合运用经济指标进行经济评价分析,根据中长期水文预报来水情况及各需水用户的年度蓄水预测情况,制定科学的年度收入计划,采用多方法进行订正中长期预报结果,适时调整计划指标,从而更为科学、充分地发挥水库的综合效益.     

基于神经网络的基坑紧邻环境多因素预测

随着高层建筑的增多与地下空间的大范围开发,基坑工程不断增加的深度与规模都对紧邻环境造成了巨大挑战,而有效预测能提前发现工程的安全隐患。为了预测深基坑工程开挖时地表沉降、地铁结构位移、坑外土体测斜三类紧邻环境的监测数据,同时降低数据在获取过程中受到的噪声影响,提出了小波分析－长短时记忆神经网络（ＷＡ-ＬＳＴＭ）模型。该模型使用排列熵算法选择最优预测天数,同时以皮尔逊相关性分析结果为依据选用不同的输入组合,考虑了输入项之间的相关性大小。实验使用上海徐家汇中心深基坑工程的监测数据进行验证,结果表明,ＷＡ-ＬＳＴＭ（双因素）模型对原数据的趋势性上还原程度较高,是一种高精度、高时效、更符合理论变化趋势的环境预测模型。     

基于SWMM模型模拟的海绵城市建设效果评估——以北京市房山区为例

为定量评估房山区现状海绵建设情况,支撑2020年海绵城市达标考核工作,采用资料收集结合现场调研的方式获取各类海绵建设项目信息并进行校核,借助ArcGIS软件将海绵设施数字化,并以排水分区为单元完成落图.基于暴雨径流管理模型SWMM软件构建全区数值模型,将调研的海绵设施概化到模型中开展模拟评估.结果表明:截至2020年底,房山全区有效海绵项目418个,主要分布在拱辰及西潞街道、长阳镇、良乡镇、窦店镇、阎村镇、城关街道及燕山地区.模拟结果表明城市建成区达标面积为13.73 km2,达标比例20.46％.本项目研究方法可为全市其他区的海绵现状评估提供参考.     

多频段脑功能网络融合的阿尔茨海默病分类

将图论与机器学习方法相结合的阿尔茨海默病计算机辅助中,脑网络的构建大多是基于滤波去噪后的全频段BOLD信号匹配,忽略了不同脑活动信息的差异.因此,本文提出了一种多频段脑功能网络融合模型.首先将离散小波变换应用于BOLD信号中,得到不同频域下的体素信号,而后计算同频信号的相关性,获取不同频段下相关矩阵.而后计算所有矩阵的网络特征,在特征选择后基于SVM对患者进行分类.从实验结果可以看出,分频下的脑功能网络特征与未分频网络相比能在一定程度上提高分类的准确性;体素级网络由于可以更加详细的表达脑网络的变化,其分类效果要优于脑区级.