稻枯磷的合成研究

一、前言稻枯磷的结构式为:称为双[0,0-二乙基硫代磷酰)二硫醚,简称二硫物,分子量370.4,沸点170-2°/2毫米汞柱,熔点22-3℃,折光率n_D~(2(?))1.5545,比重d_4~(20)1.2540。纯品近于无色透明液体,稍呈粘稠,无气味,低温时为固体。不溶于水,在醇、醚     

基于K-L距离的两步固定音频检索方法

根据音频文件数据量大、数据间存在一定相关性的特点,提出一种基于K-L距离的两步固定音频检索方法。该方法采用基于可变门限的直方图检索方法快速筛选出相似度较高的语音文件,利用特征矩阵的K-L距离对剩余语音进行精确比较,取得较好的效果。实验结果证明,该方法能使检索准确率达到90%左右。     

局域网组网及常见网络故障的维护

为搭建一个安全实用的计算机网络平台,提出了局域网组网的网络要求和网络环境,分析了几种常见的网络故障的类型及其判断处理方法,并对如何进行计算机网络的日常维护进行了阐述,确保了网络的平稳运行,减少了网络故障率。     

核磁共振成像在脑连接方面的研究

大脑是人体最复杂的器官,担负着对所有高级认知活动的管理。而脑连接技术则是一种研究人脑结构和功能的最常用的、非常有效的手段。基于核磁共振成像技术获得的数据,介绍脑连接的研究进展。     

医用物理学案例式教学法实践思考

结合医学各专业的案例式教学法教学实践,介绍在成都医学院实施案例式教学的一些经验与体会,分析《医用物理学》案例式教学法所起的主要作用,提出与传统讲授法的互补作用。针对案例式教学法中存在的一些问题,提出思考和解决方案,旨在今后的教学中进一步地提高和完善。     

采用多路图注意力网络的情绪脑电信号识别方法

情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法(multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-IV数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。     

基于韦伯局部算子和颜色特征的行人再识别

在视频监控中,行人再识别有着重要作用。针对当前识别精度高的行人再识别特征数值复杂、提取困难的问题,提出一种数值简单、提取速度快的融合特征。在分析韦伯局部算子差分激励和方向分量的基础上,用圆形邻域的差分激励表现图像的纹理特性,然后用Local Binary Pattern编码的方向分量表现图像边缘方向,再用HSV颜色空间直方图表现图像颜色信息,最后串联特征。实验结果表明在ETHZ、VIPeR行人再识别数据集上,该特征提取速度快,对姿态、视角、光照、身体部分被遮挡变化有强鲁棒性。     

电化学浸渍镍电极结构的研究

采用镍电极电化学浸渍工艺,取代目前一直使用的真空化学浸渍工艺,用于氢镍电池、镉镍电池和锌镍电池的制造,可提高电池的工作性能和寿命.介绍了用现代物理测试手段对电化学浸渍镍电极结构的研究,探讨了其性能优越的原因.     

基于非负矩阵分解的半监督动态社团检测

如何有效融合不同时刻的网络结构信息,是影响复杂网络中动态社团检测算法检测性能的关键和难点。基于此,提出了一种基于非负矩阵分解的半监督动态社团检测方法SDCD-NMF,该方法首先有效提取了历史时刻所包含的稳定结构单元,然后将其作为正则化监督项,指导当前时刻的网络社团检测。在真实网络数据集上的实验表明,所提方法与已有方法相比具备更高的社团划分质量,更有利于探索网络的演变与发展规律。     

基于迭代K-shell和改进信息熵的节点重要性排序算法

复杂网络中对节点重要性排序算法的研究具有重要的现实意义。传统的K-shell算法排序结果分辨率不高,根据节点信息熵的排序算法时间复杂度又过高。针对这一问题,提出基于迭代K-shell和改进信息熵的节点重要性排序算法。首先,通过分析K-shell分解过程中的迭代信息得到节点在网络中的全局信息;其次,提出改进的节点信息熵来得到节点的局部信息;最后,综合节点的全局和局部信息对节点重要性进行排序。通过将该算法在4个真实数据集上与其他6个算法进行实验,该算法与现有方法相比排序结果的分辨率更高、节点信息传播能力更强且时间复杂较低,更适用于大规模网络。