新新人类的交流传播风

新新人类通过新的符号表达方式构建了一种新的传播方式,从而形成了一种新的文化现象。把这种现象视为洪水猛兽或是普罗米修斯都是存在偏颇的。理性的看待这种交流传播方式,它只是在当下的环境产生的一种符号表达方式,有其利也有其弊。     

包络法螺纹车削及其仿真分析

对包络法螺纹车削的原理方案进行了分析,得出了指导包络法螺纹车削切削参数选择的指导原则,提出了包络法螺纹车削仿真分析方案并进行了软件实现,对包络法螺纹车削加工具有实际的指导意义。     

泸州市茶叶质量安全研究概况与启示

泸州市有悠久的种茶、制茶历史。目前茶叶年种植面积11.38万亩,其中优质茶占59%,无性系良种早茶基地6.48万亩。现有产茶县区5个,主要分布在南部山区的叙永县、古蔺县、纳溪     

基于改进指数平滑法的岩体边坡变形预测

结合VisualBasic.NET编程技术提出了二次和三次指数平滑预测模型参数α的优化改进方法,建立了参数最优的二次和三次指数平滑法预测模型.基于锦屏一级水电站左岸高边坡工程部分监测数据,应用指数平滑法基本原理建立二次指数平滑法和三次指数平滑法预测模型,并应用该模型对左岸高边坡某工程部位监测位移等变形物理量进行预测预报分析,结果表明,改进的预测模型预测结果准确有效,与后期实际监测位移比较误差较小.     

改进型自抗扰控制在 DC / DC 变换器中的应用

针对 DC / DC 变换器在实际应用中不断扩大,对输入波动、响应速度、稳定性等要求越来越高,而传统的 PID 控制算法无法在复杂的变换器控制系统中获得理想的控制效果,以 Buck 变换器为研究对象,提出了一种改进型自 抗扰控制策略。 在基于传统的线性自抗扰控制的基础上,对其进行广义数学分析,在传递函数中引入自定义的零 点,同时,对输入通道和测量的干扰,设计了测量滤波器,并设计了二阶自抗扰控制器。 最后,搭建以 DSP28377 为 控制器的硬件试验平台,对比分析传统 PI 控制和改进型自抗扰控制受干扰情况下的动态性能,验证了改进型自抗 扰控制的方案可行性,所提出的改进型控制策略不仅将传统的 PID 控制具有的缺点克服,又将其结构简单的特点 保留。 实验结果表明:较传统的 PID 算法而言,加载过程中,调节时间减少 125 μs,超调量较少 0. 8%;减载过程中, 调节时间减少 165 μs,超调量减少 2. 8%。 可以得出改进型自抗扰控制策略不但具备快速和高精度特点,还具有更 好的鲁棒性和抗扰动性能。     

极端气候条件下南京附近黏土冻融强度试验

针对极端气候下南方地区黏土的冻融强度与含水率、最低气温和冻融循环次数密切相关的特点，对不同初始含水率的黏土在不同冻结箱温度下经历不同冻融循环次数后的试样进行不固结不排水三轴压缩试验。试验结果表明:同一冻结箱内温度下，冻融试样在开始1～4次冻融循环期间黏聚力和内摩擦角变化显著，随着冻融循环次数的增加，黏聚力减小，内摩擦角增加；同一冻融循环次数下，随着冻结箱内温度降低，冻融试样黏聚力增加，内摩擦角减小。总结了冻融循环冻土损伤的特征。     

基于深度学习的军事目标识别算法综述

目标识别作为深度学习中最受欢迎的领域之一，已广泛应用于民用的各个方面，如人脸识别、行人重识别、车牌识别、车辆识别等；而在军事应用领域，由于军事目标数据集较少，但识别要求精度高实时性强，所以还在发展阶段。本文首先阐述了基于深度学习的军事目标识别发展现状；然后介绍了六种目前主流的基于深度学习的军事目标识别算法（包括Mask R-CNN、GAN与深度森林、DRFCN、E-MobileNet、SSD300、YOLO）及相关网络结构、改进方法与实际应用；最后对主流方法进行总结，并探讨了未来的发展趋势。     

融合大核注意力机制的土壤种类识别网络

【目的】为解决因土壤图像纹理复杂、没有结构性特征导致的传统卷积神经网络模型难以提取其中关键性特征、识别准确率低的问题，提出了一种大核注意力(large kernel attention，LKA)机制模块与ResNet模型融合的土壤种类识别网络模型VAR(visual attention ResNet)，以解决土壤种类样本不平衡和难分类样本造成的模型泛化能力弱的问题。【方法】以ResNet为主干网络，在主干中引入LKA机制，减少其中的残差块，构建土壤种类识别网络VAR，并改进网络的焦点损失函数(Focal Loss)。【结果】1) 与传统模型ResNet18、ResNet34、VGG、GooleNet、VAN等相比，VAR模型在特定模型参数下对紫色土土壤图像数据集中土壤种类的识别精度更高；2) 用3种不同大小VAR模型之一的VAR_small与以ResNet18为主干并嵌入传统注意力机制SE、CBAM、ECA和SK的网络进行对比，实验结果显示LKA机制在土壤识别方面更加优秀；3) 改进的Focal Loss可让VAR更能注意到难分类的土壤图像样本。【结论】将LKA机制模块与ResNet模型融合的土壤种类识别网络模型VAR增强了网络提取土壤图像中关键性结构特征能力，同时还减少了网络参数，能更加有效地识别土壤种类。