活跃在中考题中的动点问题分类探究

动点问题是近年来中考中的一个热点题型,也是教学中的一个难点,这类题综合性强、开放度高,要求学生能从"运动、变化"的角度去思考问题.解答这类题目除了要牢固掌握相关的数学知识外,还要综合运用数形结合、分类讨论、方程、函数、转化等数学思想方法去探索解题的思路;它考查面广,涉及的知识点众多,留给学生很大的思维空间和思维量,需要我们在运动中分析,在变化中求解.本文以2011年全国各地的中考动点类问题为例进行分析,以供参考.     

激光诱导击穿光谱在塑料分类中的应用

利用波长为266 nm紫外激光器获得四大类塑料样品(HDPE,LDPE,PET,NYLON)的诱导击穿等离子光谱(波长范围652～780 nmn),以NIST原子发射谱线数据库作为参考,对其中的主要元素特征谱线进行标定.采用化学计量学中的主成分分析法对光谱数据进行处理,并通过交互验证法建立样品的主成分分析模型,分析主成...     

一种基于拉曼光谱的石油产品快速分类方法

提出了一种基于拉曼光谱的石油产品快速分类方法.首先,利用经过谱图预处理的石油产品训练样本拉曼谱图构建模型知识库,计算各类别的特征拉曼谱图和类内阈值;其次,将石油产品测试样本的拉曼谱图经过相同的预处理,再计算其与各类别特征拉曼谱图的线性相关系数,若最大相关系数大于或等于最大相关系数对应类别的类内阈值,则该样本属于此类别....     

公告

PACC(Physics Abstracts,Classification and Contents)专业代码是英国科学文摘(INSPEC)用于物理学文摘的分类代码,而 PACS(Physics and Astronomy Classification Scheme)专业代码是由美国物理学会提供的物理     

公告

PACC(Physics Abstracts,Classification and Contents)专业代码是英国科学文摘(INSPEC)用于物理学文摘的分类代码,而PACS((Physics and Astronomy Classification Scheme)专业代码是由美国物理学会提供的物理     

饮水添加钒对SD大鼠白细胞分类的影响

为探讨钒对大鼠白细胞分类的影响,将健康SD大鼠150只,随机分为对照组和试验Ⅰ组、试验Ⅱ组、试验Ⅲ组和试验Ⅳ组,每组30只,在基础日饮水中分别添加钒0、10、20、40、60 mg/kg,连续饲喂10周,每两周进行一次眼眶取血,制作血涂片,观察了在饮水中饲喂钒后大鼠外周血白细胞分类计数的变化.结果表明,嗜中性粒细胞饮饲...     

基于高光谱数据季相特征的山地草甸植被分类识别

新疆天山北坡山地草甸是天山山区草地生产力最高的草地类型,草地退化情况较为严重。对草地植被进行分类与识别,监测草地生态系统本底状况,可以快速、准确、有效的评价草地退化动态与程度,是进行生态重建的关键。为了探索适合草地植被的分类方法,选择天山北坡中段山地草甸植被作为研究对象,利用高光谱成像光谱仪（SOC710VP）获取了典型植被多季相（4个关键生育期）的原始反射光谱数据,通过多项式卷积平滑（S-G）及最小噪声分离（MNF）变换对光谱数据进行平滑去噪及降维处理,分别采用支持向量机（SVM）、BP人工神经网络（BP-ANN）及波谱角填图（SAM）三种方法建立分类模型,并对分类结果进行了对比分析。结果表明：使用S-G滤波及MNF变换预处理方法可以有效的对草地植被高光谱数据进行降维除噪,获得较平滑的光谱曲线,减少了数据的冗余程度并缩短了分类时间。不同季相山地草甸植被的“绿峰”、“红谷”及“红边”等参数差异较大,在植被生长旺盛期（4月—5月）的光谱曲线特征比黄枯期的光谱曲线特征更容易区分,这个时期分类精度较高。SVM分类模型在返青期（4月）和分蘖（枝）期（5月）总体分类精度均超过了90%,Kappa系数也超过了0.9;利用SVM方法进行分类时,在植物生长旺盛期（4月—5月）Polynomial核函数分类精度较高,植物成熟期（6月—9月）径向基核（RBF）函数分类精度较高。BP-ANN在分蘖（枝）期分类精度较高,总体分类精度为91.07%,Kappa系数为0.89,其他时期分类效果一般,虽然在MNF变换降维后能极大的缩短数据处理时间,但分类时间还是较SVM时间要长。SAM分类速度最快,但在各生育期的分类精度都较低,最高值为分蘖（枝）期的总体分类精度77.80%,Kappa系数为0.73。因此,利用Polynomial核函数的SVM分类模型适合对山地草甸植被进行分类识别,分类结果类别完整,准确度高,误分、错分现象相对较少,相比BP-ANN及SAM等高光谱数据分类方法具有较大的优势。     

基于高光谱成像的纸质文物“狐斑”检测方法研究

受保存条件影响,很多纸质文物表面会形成狐斑（foxing）,如果不能进行有效监测和科学判断,会进而影响纸质文物安全。纸质文物狐斑病害检测存在滞后性、主观性等问题,对于书画藏品被墨色、颜料及印章等覆盖的区域更是难以通过肉眼进行识别,因此,基于文物的预防性保护理念,亟待开发对于狐斑高效、精确识别的无损检测技术。可见光-近红外高光谱图像结合了光谱和图像,包含丰富的空间信息与光谱信息,可以实现无损批量地平面采集样本光谱信息。该研究提出一种基于高光谱成像技术检测纸质文物狐斑的快速识别方法,获取模拟纸质文物在360～970 nm的高光谱图像,因360～450 nm受噪声影响过大,所以选择剔除这部分光谱数据;选取感兴趣区域并获取相应的平均光谱反射率,比较健康区域与被狐斑感染区域,发现两者的光谱曲线存在差异;在450～600 nm附近,受狐斑影响区域比健康区域的光谱反射率偏高,并在600 nm附近出现波峰形态;而在600～900 nm范围内,被感染区域与健康区域的光谱都趋于平稳,两者之间差异逐渐减小。选取从特征波长对应的图像中提取的特征信息建立图像识别模型,运用波段运算观察狐斑图像特征,狐斑的大小和分布情况都能清晰地显示,但与印章和墨迹重叠部分,狐斑被印章和墨迹遮盖,难以识别;利用最小噪声分离,虽然不同部分有重叠,但能发现仅凭肉眼难以识别的隐藏的狐斑;180条高光谱数据（450～970 nm）建立狐斑判别模型,随机地分为120条数据为训练集,60条数据为测试集,应用K-近邻法与BP神经网络建立纸质文物狐斑光谱判别模型,总体上两种方法对狐斑判别率分别达到73.3%和85%;BP神经网络相较于K-近邻模型,总体判别率更高,识别效果也更好。结果表明,利用高光谱成像可高效准确识别纸质文物狐斑,为后续研究狐斑分布发展提供可靠的技术手段,也为博物馆馆藏文物的保存提供指导意见。     

基于Mask RCNN的桥梁裂缝检测方法设计及研究北大核心CSCD

裂缝是桥梁道路上常见的一种病害,针对其检测准确率有待提高的问题,提出了基于Mask RCNN(region-based convolutional neural networks)的桥梁裂缝检测算法,设计了语义增强模块(semantic enhancement module,SEM),将该模块与特征金字塔网络(feature pyramid network,FPN)相结合,通过特征融合Add计算得到新的多尺度特征图feature maps。针对裂缝形态复杂多样存在识别困难的问题,将裂缝做了两类划分进行检测,并制定了两种策略进行对比实验。实验结果表明:该文中改进的方法可以得到更好的检测结果,检测准确率Accuracy可达99.8%,平均检测精度(mean average precision,mAP)提高了12.6%。