新葡京娱乐场-大陆娱乐场开户注册

本發明公開了一種八邊形和四邊形管片環向交替拼裝的隧道管片襯砌結構，包括四邊形管片和八邊形管片，八邊形管片的兩側為兩個長邊，八邊形管片的兩端邊緣分別形成無底邊的等腰梯形，每一個八邊形管片兩側的兩個側面分別用于與相鄰的四邊形管片兩側的長端面連接，每一個八邊形管片兩端的四個斜端面分別用于與另外的八邊形管片兩端的斜端面連接，每一個八邊形管片兩端的正端面分別用于與相鄰的四邊形管片兩端的短端面連接。本發明采用特定形狀的八邊形管片與四邊形管片相結合的管片襯砌結構，能夠實現盾構機掘進和管片快速拼裝同步進行的目的，顯著提高了施工效率，拼裝的隧道管片襯砌的整體剛度明顯增強，管片預制所需模板類型較少。

聚集誘導發光（Aggregation-induced-emission, AIE）現象指的是分子在聚集態下光致發光遠高于分散態下的光致發光現象，已經被廣泛應用于各類發光材料的構筑中。

本發明公開了一種基于開槽結構的四分之一模基片集成波導濾波器，包括四分之一模基片集成波導弧形腔，四分之一模基片集成波導弧形腔通過基片集成波導圓形腔沿任意兩條相互垂直的磁壁分割得到，四分之一模基片集成波導弧形腔包括介質基片，介質基片的上表面設有上金屬層，介質基片的下表面設有下金屬層，介質基片中沿四分之一模基片集成波導弧形腔的周向均勻分布有貫穿上金屬層和下金屬層的金屬通孔。本發明相對于傳統的基片集成波導圓形腔有效實現了小型化。并且，相對于傳統的多層結構，本發明結構簡單，加工方便。此外，相對于傳統的微帶結構，本發明的濾波器品質因數高，損耗小。

本發明涉及一種四氧化三鈷納米線陣列、其制備方法以及作為鋰離子電池負極的用途。該四氧化三鈷納米線陣列，其形貌為菱形結構，菱形的邊長為100nm~500nm，菱形內角的銳角為30°~60°，陣列長度為5μm~20μm。本發明還提供了制備該四氧化三鈷納米線陣列的方法，以一定摩爾比的鈷鹽、化學結合劑、堿性反應物和水在常溫下進行混合攪拌，將混合均勻的溶液移入反應釜中，并將干凈的襯底置于溶液中進行水熱反應后取出沖洗，再在惰性氣氛中熱處理，得到四氧化三鈷納米線陣列。本發明的四氧化三鈷納米線陣列可直接作為鋰離子電池負極，能明顯提高電池的比容量和循環性能，放電容量高達1000mAh/g以上，是一種理想的鋰離子電池電極材料。

導讀東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法，以對運動想象(MI)任務進行分類。ESI技術采用邊界元法(BEM)和加權最小范數估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創建十個scout來選擇感興趣的區域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務進行分類。實驗結果:在Physionet數據庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發現總體平均準確率為92.5%。此外，全局分類器適應單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。系統框架圖1 系統框架圖系統框架如圖1所示。原始數據來自國際10-10系統的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據國際10-10系統從64個通道采集原始腦電圖，并使用BCI2000系統進行記錄。記錄的數據被分為四個獨立MI任務包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉化為源空間的活動。接下來，創建scout并提取特征。研究者在運動皮層中創建了10個scout，因為我們只關心與運動相關的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數據集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執行了不同的運動想象任務。每個受試者針對以下四個任務中的每一個執行了3輪21試驗：當目標出現在屏幕左側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕的右側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統一數據維數，研究者選擇了4s的數據，因為每次想象任務的執行時間都在4s左右。此外，腦電圖任務是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區域對應40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創建了十個scout，如圖3所示。圖3 創建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(T1、T2、T3、T4)的源。對于這四項任務中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構，該網絡模型由一個六層卷積網絡組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數據庫，研究者首先采用Deep ConvNet架構，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據經驗使用兩個最大池化層。并嘗試了不同數量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯合分布信息，清晰地描述了信號頻率與時間的關系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務只對特定的頻率和時間敏感。由于圖的數量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務的學習表示，如圖7所示。圖7為了獲得有效的結果，將數據集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數據集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數據集以增加數據集的規模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統計結果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務的組級統計結果及其標準差。一般來說，R5表現的要比其他的好，而L2在迭代2000中表現最差。標準差較小，說明這些精度更接近平均值且穩定。圖9 統計結果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個MI任務中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結果表明，該方法對scout R5的分類效果較好。從以上結果可以清楚地看出，R5 scout在四種MI任務的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發現，該研究提出的模型可以達到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結論東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法。該方法可以對運動想象(MI)任務進行分類。實驗結果表明，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

【發 明 人】劉曉；蔡皓；蔡寶昌；張科衛；裴科【摘要】本發明涉及一種HPLC-DAD法同時測定四物湯中10種化學成分含量的方法。屬于中藥成分分析領域。其步驟如下：(1)混合對照品溶液的配制。(2)供試品溶液的配制。(3)測定法：采用HPLC-DAD法測定混合對照品及供試品的濃度。色譜條件：色譜柱：elit?C18(250mm×4.6mm，5μm)；檢測波長：280nm；流速：0.8mL·min-1；柱溫：30℃；進樣量：20μL；梯度洗脫條件：0~2.0min，體積分數為2%的甲醇等度洗脫，2.0~15.0min線性增加至20%的甲醇，15.0~25.0min為體積分數20%的甲醇等度洗脫，25.0~42.0min線性增加至100%的甲醇，42.0~45.0min為100%的甲醇等度洗脫。本發明所建立同時測定四物湯煎劑中10種化學成分的分析方法簡單方便、重復性好，準確可靠，可為四物湯煎劑質量控制提供依據。

本發明公開了一種大流量插裝式三位四通電液伺服閥，包括控 制單元和四個插裝式二通伺服閥；控制單元的四個信號輸出口分別與 四個插裝式二通伺服閥的控制信號輸入口連接；控制單元的四個信號 輸入口分別與四個插裝式二通伺服閥的閥芯位移信號輸出口連接；四 個插裝式二通伺服閥兩兩串聯，一個閥的出油口與另一個閥的進油口 相連接，形成兩組串聯雙閥；兩組串聯雙閥的出油口均用于與油箱相 連接，兩組串聯雙閥的進油口均用于與液壓油源相連接；相當于兩組 串聯雙閥并聯，構成橋式回路，形成具有三位四通功能的大流量插裝 式電液伺服閥；

本發明涉及一種超高壓同塔四回交流/雙回雙極直流線路零序參數測量法，通過建立基于分布參數的 超高壓同塔四回/雙回雙極輸電線路模型，利用全球衛星定位系統技術(GPS)，同時測量四回/四極輸電 線路首末兩端的零序電壓和零序電流，實現對零序電壓和零序電流的同步采樣;再通過本專利給出的測 量與計算方法得到超高壓同塔四回/雙回雙極輸電線路的零序電阻、零序電感、零序電容參數。本發明方 法基于分布參數模型和傳輸線方程，極大提高了測量精度，可滿足實際工程測量的需要。