网络最大流部分割矩阵算法

网络最大流问题是图论研究中一个经典的模块。首先,利用粗糙集属性约简的差别矩阵算法思想,定义网络的一个部分割容量矩阵。其次,通过集合的交和并运算,找出网络的所有割集,从而得到最小容量割集。之后,在最大流最小割定理的基础上,得到网络的最大流。

^(60)钴治疗机鼻咽癌颈部分割野剂量计算的实验研究

目的：颈部分割野是鼻咽癌放疗设计常用的照射野。目前常规的剂量计算方法计算结果误差很大，特别是大野照射时，误差可达１０％以上，本文是为了寻求一种能减少误差的计算方法。方法：通过实验导出一种处方剂量计算的近似方法。结果：经实验推导出的公式为：Ｄｆ＝Ｄｏａ·ｆＤａ·（ｆｏ／（ｆｏ＋ｄ））２·Ｓｃ·ＴＡＲｆ。其中，Ｄｆ为颈模参考点的剂量，ＤＯａ为空气中１０ｃｍ×１０ｃｍ野的输出剂量，（ｆｏ／（ｆｏ＋ｄ））２为距离平方反比因子，ｆＤａ为分割野的空气中输出剂量修正因子，Ｓｃ为空野的准直器散射校正因子，ＴＡＲｆ为分割野的组织空气比。结论：采用此公式，可减少颈部分割野的剂量计算误差，除ｆＤａ外，不用再额外测量其它数据。

交流潮流约束机组组合的部分代理割方法

交流潮流约束下的机组组合问题（AC power flow constrained unit commitment,ACUC）是一个非凸的混合整数非线性规划问题,包含大规模的离散变量,极难求解。该文建立了ACUC的分离式模型,引入部分代理割方法,提出了一种新的求解UC问题的分解式算法。并在原始部分代理割（partial surrogate cuts,PSC）法的基础上,为避免在问题规模扩大时过早陷入局部最优解,结合电力系统特征,提出了引入直流潮流相关约束的改进PSC算法,改善解的质量。通过对6节点、IEEE 39节点和118节点系统的仿真计算验证了方法的有效性和适用性,在与其他算法的对比中突显了速度和精度上的优势。

湖州100—15联合收割机割台部分的调整和保养

湖州100—15联合收割机是目前我省推广使用较多的机型之一。由于收割机使用季节性强,机具结构较复杂,技术要求较高,为使机具不出故障或少出故障,须随时进行调整和保养。

改进的Mask R-CNN算法在人额部区域实例分割任务的应用研究

针对遮盖区域卷积神经网络(Mask Regional Convolutional neural network,Mask R-CNN)在人额部区域分割任务中丢失部分目标的问题,本文改进了Mask R-CNN算法原有的特征金字塔网络(Feature Pyramid Networks,FPN)结构。为了更好地利用图像中反映出的特征信息,首先将原Mask R-CNN中的高维特征信息进行融合,其次,进行ROI Align操作生成人额部的Mask;最后,仿照COCO数据集,从“LIPCIHPinstance-level_human_parsing”数据集中选取带有人脸额部区域的随机场景照片,自建人额部数据集。实验结果表明改进后的FPN网络模型有着更好的目标分割能力,实验效果更好。

水稻联合收割机改装油菜籽收割装置

对全喂入履带式水稻联合收割机改装油菜籽收割装置,可满足油菜籽收割的农艺要求。改进设计的重点是:加装立刀分禾装置、更换脱粒机的凹板筛、更换螺旋输送器的输送搅龙、重新设计清选装置。

联合收割机割台故障浅析

经过近几年的随机实践总结，笔者就联合收割机割台部分常见故障做简要剖析，以供广大农机作业者在实际故障的排除中参照使用。

4LD-2B背负式收割机的调整与常见故障分析

1 割台部分容易出现的故障与调整 （1）割刀无法割断作物和夹草.原因：①动刀和定刀重合度不够.松开刀头和刀条弹片连接螺栓,把割刀摆臂转到极限位置,然后把动刀调到刀片中心线与护刃器中心线重合位置（一般偏差2～3 mm）,再拧紧连接螺栓即可.

小麦联合收割机作业前检修

一、割台部分的检修 割台部分主要包括拨禾轮、切割器、推运器、倾斜输送器等。 1．拔禾轮的检修：首先检查每根弹齿轴是否弯曲变形，弹齿是否有丢失或损坏，若有应调整和补上。④检查拨禾轮的高低位置。将拨禾轮放到最低位置。

福田谷神-2型联合收割机的正确调整

一、割台部分的正确调整 1.割台高低的调整福田谷神-2型联合收割机配备有2.1m和2.6m两种割台。割台左下端被割台升降油缸支撑并控制升降,以适应割茬高度和地隙要求(作业时必须打开割台油缸安全卡)。割茬高度直接影响工作质量和效率,应根据用户要求和田间作业的负荷情况进行调整,一般不低于100mm。割茬也不能过高,以免造成漏穗或影响耕地作业和下茬种植。

如何减少联合收割机作业中谷物的损失

一、联合收割机作业中谷物的损失形式及部位 联合收割机作业中谷物的损失是以粒损失、穗损失和脱不净三种形式表现出来的。造成联合收割机作业中谷物损失的主要部位有: 1.割台部分

自动驾驶中的疲劳预测模型

疲劳驾驶己成为导致交通事故的重要原因之一,对自动驾驶中的疲劳预测研究已变成现阶段的重要课题。本文就驾驶员的嘴部图像检测来判断驾驶员的疲劳状态。首先,采用Adaboost算法通过人脸分类器检测出人脸部区域,并粗检嘴部区域;其次,分割出嘴部二值图像;最后,利用神经网络对二值嘴部图像进行训练以预测是否疲劳。实验结果表明,对嘴部分割的方法可以有效避免光照对图像分割的不利影响,提高预精度。

基于N-Range的新型可穿戴疲劳监测眼镜

现行的疲劳监测设备造价昂贵,便携性差且有效性不高,正面疲劳监测方案极大地影响了使用者的工作效率,因此进行实用且准确的疲劳监测方案研究十分有意义。提出了新型的侧眼眼动疲劳监测眼镜并结合N-Range图像处理算法提高眼部定位的鲁棒性与疲劳监测的准确率。在侧眼图像处理过程中,用NN的卷积核及Sigmoid函数计算激活图,采用OTSU阈值分割法对激活图进行阈值分割,将小于阈值的像素点激活值置于0。据此计算水平方向与垂直方向的标准差投影,从投影图中通过平均阈值法定位出人眼区域,随后通过计算人眼高宽比表征眼部闭合度,采用基于PERCLOS的P80疲劳评测方法为设备的使用者进行实时的疲劳分析。实验结果表明现行设备所存在的问题,通过我们的方案得到了很好的解决,即使在复杂的环境中,本文的方法仍然表现出色,疲劳判决准确度达到了94%。疲劳监测眼镜与N-Range算法可以实现在不影响使用者作业效率的前提下,仍然保持着较高的疲劳监测精度,具有较高的实用价值。