设备信息自动录入解决方

研讨批量设备有用信息自动录入的智能系统,由于很多厂家和公司会进入大批量的设备,但是对于每个设备的信息手动录入比较麻烦,本文叙述了一种可以自动录入信息的智能系统,具有自动性强大,可以实时录入的特点,可以算是智能化领域的有效利用。     

基于LMC058的运动控制器的研究

运动控制器随着控制技术的不断发展受到了越来越多的关注。本文首先介绍了运动控制器的发展和应用,随后详细介绍了施耐德的一款运动控制器LMC058,并给出了LMC058控制多轴电机同步的程序。     

TSP求解问题的各种方案比较

本文论述TSP解决的各种方法,并且用各种方法求解了TSP问题,最后随着城市数目的增加,越来越显示出各种方法的优缺点,其中人工鱼算法运行速度快,遗传算法精度更高。     

白酒酿造窖泥未培养微生物菌群的可培养化策略

窖泥是厌氧微生物的重要栖息地,厌氧微生物菌群的代谢活动对浓香型白酒的香气和风味形成起着重要作用。但大多数窖泥厌氧微生物尚未能在人工实验室培养条件下培养,这严重阻碍了对窖泥厌氧菌群功能的解析。采用CGM、NBM和MCI三种营养成分丰富度不同的培养基,以典型窖泥作为菌群接种源,探索富集菌群的种类与动力学变化。扩增子测序分析表明,寡营养的MCI培养基对于富集窖泥主体菌群是较为有效的,可以同时富集得到产甲烷菌群和细菌菌群,主要包括古菌的广古菌门(Euyarchaeota)、细菌的拟杆菌门(Bacteroidetes)和厚壁菌门(Firmicutes)。使用基于MCI培养基的寡营养技术能有效富集窖泥中高丰度和低丰度厌氧菌,如普雷沃氏菌科(Prevotellaceae)、理研菌科(Rikenellaceae)、Dysgonomonadaceae、太阳杆菌科(Heliobacteriaceae)、瘤胃菌科(Ruminococcaceae)和甲烷八叠球菌科(Methanosarcinaceae)等;同时对扩增子测序无法检测的稀有微生物,包括甲烷鬃菌科(Methanosaetaceae)、消化链球菌科(...     

橡胶工业专业图书陆续出版

2012年2月以来,化学工业出版社已陆续出版现代橡胶技术丛书和橡胶工业手册(第3版)。这两套丛书可供橡胶工业从事科研、设计、生产、应用、管理的人员使用,也可供高等院校相关专业的教师、研究生、本科生阅读和参考,简介如下。(1)现代橡胶技术丛书。本套丛书包括10个分册,目前已出版橡胶压延与挤出、轮胎、橡胶硫     

AHP-Elman算法的城市轨道交通绿色站点技术体系及评价研究

为了确定绿色地铁站点的评价指标,在遵从全面、合理、有效、可行的原则下,制定了7个一级指标、27个二级指标,并进行指标评价算法研究,得出了绿色度的得分。对于指标评价,应用AHP-Elman算法。AHP算法主要确定一级指标的权重,Elman算法主要应用二级指标作为输入,对一级指标作为输出,得出一级指标的预测值。对权重和指标的预测值进行乘积处理,得到绿色度的最后得分。     

基于动画头像的特征提取和识别研究

本文从动画头像入手,将头像进行灰度变换,然后进行了三种图像压缩方法,从而进行特征提取,应用2DPCA,2DLDA,PCA.最后对图像进行识别操作,采用SVM和最近邻法操作,从结果中可以看出2DLDA,2DPCA的正确率很高,2DLDA算法的计算速度更快。     

基于施耐德LXM32A的伺服控制系统

伺服控制器已经广泛的用于我们的工业生活中,施耐德的Lexium32A是一款大功率、高性能的伺臆控制器。本文主要介绍了Lexium32A的软件控制,即somove控制和通过HMI的控制,旨在掌习和应用Lexium32A的原理,去做出更多的相关层次的开发和应用,加强对伺服控制领域的学习和深入研究。     

传统发酵豆酱中产脂肪酶菌株的筛选

脂肪酶属于羧基酯水解酶类,能将甘油三酯逐步地水解成甘油和脂肪酸。该研究从东北三省传统的家庭自制豆酱上获得纯培养真菌389株,通过三丁酸甘油酯平板法初筛获得具有脂肪酶活性的菌株41株,其中青霉属的真菌27株、曲霉5株、毛霉3株、犁头霉2株、酵母菌1株、镰孢菌2株、帚霉菌1株。结果表明,青霉属的真菌无论从数量还是酶活都高于其他属的真菌,其中橘灰青霉（Penicillium aurantiogriseum）数量最多。在分离到的菌株中,毛霉属的卷枝毛霉（Mucor circinelloides）酶活最高,是具有生物催化潜力的功能菌株。     

基于变分自编码器的视频异常事件检测方法

异常事件检测由于其在视频监控场景中的重要性而引起了广泛的关注。但是由于缺乏异常标注样本,使得这个问题较难解决。提出了一种新的部分监督学习方法,仅采用正常样本训练检测模型以进行视频异常事件检测和定位。假设所有正常样本的分布符合一个高斯分布,那么异常样本在这个高斯分布中将以较低的概率出现。该方法基于变分自编码器(VAE),通过端对端的深度学习技术,将正常样本的隐层表示约束成一个高斯分布。给定测试样本,通过变分自编码器获得其隐层表示,计算其隐层表示属于高斯分布的概率,并根据检测门限判断其是否异常。在两个公开的数据集(UCSD dataset和avenue dataset)上的实验结果表明,所提出的方法达到了92.3%的帧级AUC和82.1%的帧级AUC,以及571 fps的检测速度,在性能和效率上明显高于现有检测方法。