排序方式: 共有7条查询结果,搜索用时 32 毫秒
1
1.
为了提高固态体积式真三维立体显示器的显示亮度,根据方棒照明系统的特点,设计了一种基于直流驱动、平行光出射的双灯照明系统。该设计根据光学扩展量守恒原理,提出了一种通过延长投影光源汇聚距离的方法以实现双灯照明。通过光学仿真分析,对设计的双灯方棒照明系统进行优化,提高方棒照明系统的光能利用率和照明均匀性。搭建实际系统,并进行了测试。测试结果表明:采用双灯直流汞灯照明后,2层散射态光阀后的成像亮度为41 711 cd/m2,是单灯的1.4倍,有效提高了固态体积式真三维显示器的成像质量。 相似文献
2.
给出二阶常系数线性非齐次微分方程y〃+py′+qy=f(x)特解的积分形式公式,并借助实例加以说明. 相似文献
3.
4.
中学生的空间想象能力比较薄弱,因此难以想象空间中的点线面的关系,这制约了立体几何教学的效果.充分发挥信息技术融“声、图、文”于一体的优势,使原本抽象的数学知识形象化、生动化、直观化,有助于培养学生的空间想象能力,提高教学效果.
一、旋转
由于受平面几何思维定势的影响,给空间概念的形成带来了认知上的障碍,加之学生缺乏思维的变通性,难以想象空间图形的各种位置关系,运用信息技术将空间图形进行旋转,有助于学生观察各种位置关系. 相似文献
5.
6.
7.
研究集成学习方法在有机物红外光谱定量分析中的应用及特征波长选取方法对红外光谱集成学习建模效率和预测精度的影响。以柴油红外光谱的十六烷和总芳香烃含量为研究对象,首先采用极端随机森林(ERT)、线性核支持向量机(LinearSVM)、径向基核支持向量机(RBFSVM)和多项式核支持向量机(polySVM)作为基学习器,LinearSVM作为元学习器建立两层Stacking集成学习框架,分析比较单个基学习器与集成学习对柴油红外光谱的定量回归预测精度,与偏最小二乘(PLS)定量回归模型相比,Stacking集成学习模型对柴油光谱的两种有机物含量的预测精度均有提升,其中十六烷含量的ERT模型预测结果最优(r=0.848, RMSEP=1.603, RDP=2.627),总芳香烃含量的Stacking模型预测结果最优(r=0.991, RMSEP=0.526, RDP=9.243);进一步利用组合偏最小二乘(SiPLS)和连续投影算法(SPA)对红外光谱进行特征波长选取,利用优选出的红外光谱特征波长建立集成学习定量回归模型,其中十六烷含量的SiPLS-ERT模型预测结果最优(r=0.893, RMSEP=1.013, RDP=3.051),芳香烃含量的SiPLS-Stacking模型预测结果最优(r=0.998, RMSEP=0.354, RDP=11.475),且模型平均训练时间较全光谱训练时间减少50%以上,建模速度明显提高。研究结果表明,特征波长结合集成学习定量回归建模能够用于有机物红外光谱的定量分析中,与传统定量回归方法相比,该方法的建模效率和预测精度均有较大提高,为进一步研究机器学习在光谱定量分析中的应用提供相关方法支持。 相似文献
1