微形貌观测镜变焦系统的设计

提出的微型变倍微形貌观测镜光学系统是以微型内窥观测系统作为整个系统的前固定组、以变倍组和补偿组构成双组元全动型变倍系统,以CCD作为固定像平面的观测系统。利用高斯光学计算公式建立了系统的数学模型,计算了变焦透镜组的运动曲线。选定了该系统初始结构,进行了像差优化计算,给出了像差曲线和最终的设计数据,符合像差要求。该系统具有3种应用形式,整个系统是连续变倍内窥式微形貌观测镜,其前固定组是内窥式微形貌观测镜,其变倍系统是连续变倍微形貌观测镜。变焦范围6×～16×,分辨最小细节可达2.5μm左右。     

基于新型分子距边矢量ν与多元统计方法对于烷烃13C NMR化学位移和(CSS)估计与预测的深入研究

基于本实验室提出一种新型以势能形式表达的分子距边矢量, 深入地系统研究了核磁共振碳-13谱化学位移和(CSS)规律以及分子拓扑指数矢量在定量结构波谱关系(QSSR)中的应用. 借助多种计量化学方法包括多元线性回归、逐步多元回归、主成分回归、主筛选回归等进行分子拟模和定量相关研究, 发现烷烃¹³C NMR 化学位移和(CSS)与其分子距边矢量及路径长度指数有良好线性相关性, 回归方程及其统计参数为:CSS=bν+cp₃=∑_^mj=0b_jν_j+b₁₁p₃=b₀ν+b₁ν₁+b₂ν₂+b₃ν₃+b₄ν₄+b₅ν₅+b₆ν₆+b₇ν₇+b₈ν₈+b₉ν₉+b₁₀ν₁₀+b₁₁p₃=-13.576+22.179ν₁+28.407ν₂+25 .950ν₃+26.690ν₄+14.498ν₅+5.726ν₆-5.379ν₇-3.214ν₈-15.021ν₉ -25.710ν₁₀+12.278p₃ n=63, R=0.997, EV=99.68%, RMS=3.7348, SD=4.1 18, F= 773.116, U=144228.844, Q=864.938; CV: R²_CV=0.980, EV=98.83%, RMS=7.126 1, SD_CV=7.634, F_CV=221.720, U_CV=142121.891, Q_CV=2971 .896.结果良好.     

关注细节以确保Bluetooth+WiFi的服务质量

蓝牙和802.11b/g WiFi都是重要的无线技术,常被应用于笔记本电脑、PDA、个人多媒体播放器(PMP)以及手机等设备中.     

一种简单的自适应中值滤波方法

提出了一种简单的自适应中值滤波方法.该方法先将整幅图像划分成多个子图像,然后对每一个子图像进行扫描并统计出各子图像中的噪声点个数,最后对每个子图像自动选用合适的滤波窗口进行滤波操作.     

GPS GDOP度量分析

本文回顾了在GPS系统中所使用的GDOP的计算，分析了不同导航卫星分布情况下GDOP的取值范围，并对取值范围进行了计算机仿真验证。     

用时域反射仪对先进BGA封装中供封装故障隔离

集成电路封装技术变得越来越复杂，其制造的故障分析（FA）十分复杂。介绍了用时域反射仪对先进封装中的故障隔离技术，这种尝试是通过比较法进行研究的。通过在球栅阵列倒装一芯片（fcBGA）和低外形细节距球栅阵列堆叠芯片（stacked—die LFBGA）封装中采用时域反射仪并在分析中卓越的实施证明了这种方法是可行的，其中包括信号质量改善以及范围选择。并使用软件模拟来观测在各种故障模式下的时域反射仪信号，以便以不同的故障模式研究时域反射仪性能。得到的观测结果有助于在封装中用时域反射仪进行故障分析隔离．     

基于深度卷积神经网络的自适应图像去雾算法

室外拍摄图像由于受雾气、雾霾、沙尘等大气颗粒杂质的影响呈现出图像灰白化,而现有的图像去雾算法存在过度依赖先验信息、透射率计算不精确的问题。针对上述问题,文中提出了一种基于深度卷积神经网络的自适应图像去雾算法。该算法基于大气散射模型实现了有雾图像的去雾,设计浅层提取、并行提取和深度融合共3个全卷积网络实现图像浅层特征与深层特征的融合,大幅提高了透射率图的准确性。去雾实验测试结果表明,文中所提出的算法对室外露天雾图具有良好的去雾效果,且去雾细节效果更加理想。     

佳能EOS C100试用手记（四）细节设计凸显品质影像

从初次见到佳能CINEMA EOS系列摄像机,我就对它产生了浓厚的兴趣,从它独特的模块化设计到它相对亲民的定价,使得EOS C100能够凭借它自身的新技术进入更广泛的影像创作领域。     

以新型分子距边矢量ν估计和预测烷烃核磁共振碳谱(13C NMR)化学位移和(CSS)

系统研究了核磁共振碳谱与化学位移和规律,以及分子拓扑指数在定量[结]构[波]谱关系（QSSR）中的应用.本文基于矢量路径长度矢量p=（P₁, P₂, P₃,…, P_m）与分子中原子相互作用,提出了一种新型分子距边矢量并发现它与烷烃¹³C NMR 化学位移和有良好线性相关性, 回归方程及其统计参数为:
CSS=bν+p₃=Σ^m_j=0b_jν_j+b₁₀p₃=b₀ν+b₁ν₁+b₂ν₂+b₃ν₃+b₄ν₄+b₅ν₅+b₆ν₆+b₇ν₇+b₈ν₈+b₉ν9_ν+b₁₀P₃ =-13.6011+22.2133 ν₁+28.4121 ν₂+25.9416 ν₃+26.6709 ν₄+14.4976 ν₅+5.7240 ν₆-5.3830 ν₇-3.2152 ν₈-15.0213 ν₉-25.7099 ν₁₀+12.2786P₃ (n=63, R=0.9970, EV=99.68%, RMS=3.7348, F=2418.2; 交互校验CV为: R=0.9893, EV=98.83%, RMS=7.1261, F=664.046); 结果良好.