|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
藥大學(xué).jpg){kind=logo}
中藥液體制劑的陶瓷膜分高在線耦合超聲方法
【發(fā) 明 人】潘林梅；郭立瑋；黃敏燕；朱華旭【技術(shù)領(lǐng)域】本發(fā)明涉及一種陶瓷膜分離的技術(shù)，特別涉及一種適用于陶瓷膜微濾中藥液體制劑的膜分離方法。【摘要】 本發(fā)明公開(kāi)了一種中藥液體制劑的陶瓷膜分離在線耦合超聲方法，步驟為：藥液加壓至膜組件中，調(diào)節(jié)陶瓷膜工作壓力與溫度，打開(kāi)滲透液閥門，測(cè)定單位時(shí)間內(nèi)滲透液流出量，截留液循環(huán)流回原料罐，陶瓷膜管處于功率為5～20W的超聲中，工作壓差為0.1～0.5MPa，藥液溫度范圍為5～85℃。所述的超聲由探頭式超聲發(fā)生器發(fā)生，超聲探頭進(jìn)入陶瓷膜管的深度占陶瓷膜管總長(zhǎng)的10～90％。藥液為中藥酒類液體制劑或以水為溶劑的中藥液體制劑。可以在線控制膜污染、降低清洗頻率、顯著提高膜的分離效率。
南京中醫(yī)藥大學(xué)
2021-04-13
.jpg){kind=logo}
超聲波改變濕藻細(xì)胞分形結(jié)構(gòu)促進(jìn)油脂萃取的方法
本發(fā)明涉及生物質(zhì)能利用技術(shù)，旨在提供一種超聲波改變濕藻細(xì)胞分形結(jié)構(gòu)促進(jìn)油脂萃取的方法。該方法包括：收獲分形維數(shù)為1.21～1.24、細(xì)胞壁厚度為0.07～0.08μm的濕藻，然后進(jìn)行超聲波輻照改性，控制超聲波輻照功率和時(shí)間使?jié)裨逯屑?xì)胞的分形維數(shù)上升為1.46～1.51，細(xì)胞壁厚度減小為0.04～0.06μm；向處理后的濕藻中加入萃取劑，進(jìn)行油脂萃取；所述濕藻細(xì)胞是指含水率在10～90％的微藻細(xì)胞的集合體。本發(fā)明利用超聲波改變濕藻細(xì)胞分形結(jié)構(gòu)促進(jìn)油脂萃取，省去了傳統(tǒng)方法中濕藻細(xì)胞的脫水干燥等高能耗步驟，通過(guò)提高藻細(xì)胞分形維數(shù)和降低細(xì)胞壁厚度，使萃取劑對(duì)細(xì)胞內(nèi)油脂的萃取效率提高到85-90％。
浙江大學(xué)
2021-04-13
.jpg){kind=logo}
基于光譜擬合與差分算法的光纖傳感動(dòng)態(tài)信號(hào)解調(diào)方法
本發(fā)明公開(kāi)了一種基于光譜擬合與差分算法的光纖傳感動(dòng)態(tài)信 號(hào)解調(diào)方法，包括：掃描得到光譜紋波；對(duì)光譜紋波進(jìn)行擬合獲得靜 態(tài)光譜；將光譜紋波與靜態(tài)光譜進(jìn)行差分處理獲得差值信號(hào)；對(duì)光譜 紋波的極值點(diǎn)進(jìn)行擬合獲得上下邊緣包絡(luò)曲線；對(duì)上下邊緣包絡(luò)曲線 進(jìn)行差分處理獲得光譜變化函數(shù)，將差值信號(hào)與光譜變化函數(shù)進(jìn)行歸 一化處理，獲得去包絡(luò)后差值信號(hào)，根據(jù)掃描速度和初始波長(zhǎng)將波長(zhǎng) 換算為時(shí)間，獲得去包絡(luò)后時(shí)域動(dòng)態(tài)信號(hào)。本方法對(duì)紋波光譜及其擬 合曲線進(jìn)行差分獲得動(dòng)態(tài)信號(hào)，可以消除諸如溫度、濕度等環(huán)境干擾， 且恢復(fù)的動(dòng)態(tài)
華中科技大學(xué)
2021-04-14
基于分形彈簧結(jié)構(gòu)的 RFID 電子標(biāo)簽、射頻天線及制備方法
本發(fā)明公開(kāi)了一種基于平面分形彈簧結(jié)構(gòu)的 RFID 電子標(biāo)簽射頻天線，其為由多個(gè)呈分形彈簧結(jié)構(gòu)的線圈段依次首尾相連形成的閉合線圈。本發(fā)明還提供了基于所述射頻天線的 RFID 電子標(biāo)簽，射頻天線附著于基板上，線圈段的彈簧伸縮方向與其處的基板區(qū)域受到的拉伸方向一致。本發(fā)明還提供了制備所述 RFID 電子標(biāo)簽的方法。本發(fā)明 RFID 電子標(biāo)簽在基板橫向和縱向分別布置有與基板拉伸方向一致的多級(jí)彈簧分形結(jié)構(gòu)的射頻天線，存在較大的變形冗余，能夠承受軸向和橫向拉伸與壓縮，具有很大的彎曲變形能力，從而使其可以貼在人體
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
基于差分熵和結(jié)構(gòu)相似性的圖像編碼質(zhì)量預(yù)測(cè)方法
本發(fā)明公開(kāi)了一種基于差分熵和結(jié)構(gòu)相似性的圖像編碼質(zhì)量預(yù)測(cè)方法，包括步驟：步驟 1，獲取樣本圖 像序列中各樣本圖像的圖像差分熵及不同壓縮倍數(shù)下的圖像結(jié)構(gòu)相似性；步驟 2，基于步驟 1 獲取的數(shù)據(jù)， 采用線性擬合方式構(gòu)建不同壓縮倍數(shù)下圖像差分熵與圖像結(jié)構(gòu)相似性間的線性關(guān)系，即圖像編碼質(zhì)量預(yù)測(cè)模 型；步驟 3，根據(jù)待預(yù)測(cè)圖像的圖像差分熵，采用圖像編碼質(zhì)量預(yù)測(cè)模型即可獲得待預(yù)測(cè)圖像在不同壓縮倍 數(shù)下的圖像結(jié)構(gòu)相似性。本發(fā)明簡(jiǎn)單，高效，無(wú)需消耗較大的硬件
武漢大學(xué)
2021-04-14
.jpg){kind=logo}
基于空譜差分輔助核聯(lián)合稀疏表示的高光譜圖像分類
該成果提出了一種基于空譜差分輔助核聯(lián)合稀疏表示分類的高光譜圖像分類方法。本章方法的主要?jiǎng)?chuàng)新性在于：1）能夠?qū)⒐庾V的差分輔助信息和原光譜特征信息有效結(jié)合。2）能夠考慮不同光譜屬性間的高階空間相關(guān)信息。3）原空譜和差分空譜核特征字典的信息通過(guò)具有混合正則的核聯(lián)合稀疏表示分類方法得到充分利用。通過(guò)在真實(shí)高光譜圖像數(shù)據(jù)上的實(shí)驗(yàn)表明，該成果提出的方法能夠有效地提高高光譜遙感圖像的分類效果。
主要技術(shù)指標(biāo)
不同數(shù)據(jù)集下的訓(xùn)練樣本與測(cè)試樣本數(shù)參閱表 1. 在該訓(xùn)練樣本集數(shù)量下的分類結(jié)果表現(xiàn)參見(jiàn)表 2. 相比于傳統(tǒng)分類器 SVM，OA 提高了約 20%；相比于 SOMP，OA 提高了約20%。
該成果無(wú)需使用 GPU 資源在保證精度的同時(shí)有效提升了分類的精度和效果，同時(shí)在較少訓(xùn)練樣本條件下仍能得到較好的分類精度和分類效果。
表 1. 不同數(shù)據(jù)集下的訓(xùn)練樣本選取數(shù)量
表 2. PaviaU 大學(xué)數(shù)據(jù)下不同方法的正確率比較
西安電子科技大學(xué)
2023-03-22
一種低噪聲差分前置放大電路及放大器
本發(fā)明公開(kāi)了一種低噪聲差分前置放大電路及放大器，低噪聲差分前置放大電路采用差分輸入輸出電路，對(duì)整體電路的噪聲性能起主導(dǎo)作用。由 Q1、Q2、Q3、Q4 四個(gè)并聯(lián)的 NPN 型晶體管對(duì)管和 Q5組成共射—共基放大電路。在 Q1、Q2、Q3、Q4 的基極引入無(wú)噪聲偏置電路。由電阻 R11、R16 和電容 C5 組成的電路為 Q5 提供基極偏置電壓。儀用放大器 U1、U2 對(duì)差分信號(hào)進(jìn)行放大。通過(guò)電阻 R2L(R2R)和
華中科技大學(xué)
2021-04-14
一種電容分壓器的誤差測(cè)量方法、系統(tǒng)及應(yīng)用
本發(fā)明提供一種電容分壓器的誤差校驗(yàn)方法，通過(guò)測(cè)量其比差 和角差實(shí)現(xiàn)對(duì)該電容分壓器的誤差校驗(yàn)，其特征在于，該方法具體步 驟為：將被測(cè)高電壓由標(biāo)準(zhǔn)電壓互感器變?yōu)檫m于數(shù)據(jù)采集的第一低電 壓（U1）；將被測(cè)的電容分壓器（4）所分出的電壓轉(zhuǎn)換為適合于數(shù)據(jù) 采集的第二低電壓（U2）；將所述第一低電壓（U1）和第二低電壓（U2） 同時(shí)送入信號(hào)處理電路進(jìn)行模擬和數(shù)字信號(hào)處理，獲得比差和角差， 即可完成誤差校驗(yàn)。本發(fā)明還公開(kāi)一種誤差校驗(yàn)系統(tǒng)以及其在電子式 互感器中的應(yīng)用。本發(fā)明的方法和系統(tǒng)可以對(duì)電容分壓器的比差和角
華中科技大學(xué)
2021-04-14
一種基于多尺度梯度差分熵的圖像質(zhì)量評(píng)價(jià)方法
本發(fā)明公開(kāi)了一種基于多尺度梯度差分熵的圖像質(zhì)量評(píng)價(jià)方法，包括如下步驟：步驟 1，將原始圖 像和失真圖像均轉(zhuǎn)換成灰度圖像；步驟 2，基于步驟 1 的結(jié)果，計(jì)算不同尺度空間內(nèi)的梯度差分熵，并 將不同尺度空間內(nèi)的梯度差分熵進(jìn)行加權(quán)平均；步驟 3，計(jì)算原始圖像和失真圖像對(duì)應(yīng)的灰度圖像均值 的比值；步驟 4，計(jì)算原始圖像和失真圖像對(duì)應(yīng)的灰度圖像方差的比值；步驟 5，基于步驟 2，步驟 3 和步驟 4 的結(jié)果，進(jìn)行綜合評(píng)價(jià)。本發(fā)明引入尺度空間的基本思想，基于人在不同距離下目標(biāo)在視網(wǎng)膜 上的形成過(guò)程，通過(guò)提取尺度空間下的輪廓特征，并通過(guò)熵來(lái)反映原始圖像和失真圖像在尺度空間下輪 廓特征的差異，與主觀評(píng)價(jià)結(jié)果具有較好的一致性。
武漢大學(xué)
2021-04-13
高級(jí)氧化水處理設(shè)備處理高濃度染料10分鐘的變化
高級(jí)氧化水處理設(shè)備處理高濃度染料10分鐘的變化
科利爾（青島）環(huán)境技術(shù)有限公司
2023-03-03