排序方式: 共有52条查询结果,搜索用时 0 毫秒
31.
应用壳聚糖-海藻酸盐微囊技术制备了一系列胰岛素微囊,并研究了不同反应条件如海藻酸钠浓度、壳聚糖浓度、壳聚糖分子量及壳聚糖溶液pH值对微囊的胰岛素包封率及其释放性能的影响。结果表明,海藻酸钠浓度越高,微囊对胰岛素的包封率越高,在模拟小肠液中释放速率越低;壳聚糖浓度越大,微囊的胰岛素包封率及其在模拟胃液中释放率越高,在模拟肠液中释放达最大值所需时间越长;而随壳聚糖分子量减小,微囊在胃液中释放率增高;壳聚糖溶液pH值的变化对微囊的胰岛素包封率未造成明显影响。 相似文献
32.
以252Cf中子源驱动噪声分析测量法为依据,利用中子脉冲信号自相关函数与被测核材料(252U)质量的关系,设计了一种基于神经网络的核材料质量识别方法,探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响,利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别,并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验,结果表明:在理想实验条件下,平稳小波变换抑制了统计涨落对信号自相关函数的影响;分布式Elman神经网络能够较好地识别自相关函数的特征,分辨不同质量的核材料,平均识别误差小于0.1。 相似文献
33.
针对核武器/核材料识别系统中核材料浓度识别的关键技术问题,采用Monte Carlo方法,通过建立252Cf源驱动核材料裂变中子信号样本库,模拟分析了随探测器距离和角度及核材料浓度变化的裂变脉冲中子信号特点,基于深度学习之卷积神经网络,构建了一种252Cf源驱动核材料浓度识别方法,实现了对测试样本浓度的识别,且还与BP神经网络和K最近邻方法进行了对比试验研究。结果表明,卷积神经网络算法进行核材料浓度识别,得到了高达92.05%识别准确率,不仅解决了因探测器距离和角度变化时对核材料浓度识别准确率影响的难题,而且还获得了优于BP神经网络和K最近邻算法对核材料浓度识别的认识,这为252Cf源驱动核材料浓度识别提供了一种新的途径。 相似文献
34.
35.
36.
由于受CCD相机、中子散射及控制电路等因素的影响,数字中子照相系统所获图像常被噪音污染,抑制噪音对于提高数字中子照相系统图像质量具有重要意义.利用多尺度几何分析能捕获图像几何结构的特性,提出一种新颖的基于contourlet变换的图像去噪方法通过计算方差一致性测度(VHM),确定局部自适应窗口,从而最优估计contourlet系数的阈值萎缩因子,对contourlet系数进行萎缩,实现降噪功能.该方法将阈值去噪法与基于子带相关的图像去噪法相结合,充分利用在同一方向子带中沿边缘或轮廓contourlet系数的相关性,它能实现"去噪"和"保留信号"之间的平衡.实验结果表明,该方法在峰值信噪比指标上优于传统的contourlet系数硬阈值处理方法及维纳滤波方法,能有效地抑制图像噪音,同时适合于中子辐射图像的处理. 相似文献
37.
利用1 GHz超高速A/D转换单元和现场可编程逻辑门阵列高速处理单元,实现了一种对快反应随机事件转换得到的快逻辑窄脉冲序列进行在线检测的系统。设计了PeakTDC滞回峰值检测算法以求取脉冲的峰值位置,并以峰值位置标定序列中的脉冲时间,进而形成脉冲序列的时间编码及峰值幅度。用实际生成的脉冲序列对系统进行了验证测试,脉冲检测的时间间隔误差为1 ns,峰值幅度误差为2个量化单位,脉冲对的分辨时间为10 ns。算法理论和实验结果表明,系统可以获得在有限长时间仓轴上的随机脉冲序列的ns级时间数字转换,同时可以获得脉冲的峰值。 相似文献
38.
39.
为解决基于PC机平台、高达1 GHz采样率下之相关计算和频谱分析对实时性要求的关键技术问题,针对中子脉冲序列核信号本身所具有的特殊的“0,1”结构特点,采用快速移动的方法,借助于内存管理及SSE优化设计,创建了优化频谱分析的流程,构造了高速、实时的相关计算和功率谱分析算法,实现了1 GHz采样率下的中子脉冲序列核信号的实时相关计算和频谱分析。性能测试结果表明,在计数率为3×106 s-1,单个块(长度为1 024)时,研究的相关算法的计算时间为0.29 μs,相应的英特尔数学内核库的相关计算时间为129.95 μs。现场实际试验表明,该算法达到了对中子脉冲序列核信号进行相关计算和频谱分析的实时性要求。 相似文献
40.
利用1 GHz超高速A/D转换单元和现场可编程逻辑门阵列高速处理单元,实现了一种对快反应随机事件转换得到的快逻辑窄脉冲序列进行在线检测的系统。设计了PeakTDC滞回峰值检测算法以求取脉冲的峰值位置,并以峰值位置标定序列中的脉冲时间,进而形成脉冲序列的时间编码及峰值幅度。用实际生成的脉冲序列对系统进行了验证测试,脉冲检测的时间间隔误差为1 ns,峰值幅度误差为2个量化单位,脉冲对的分辨时间为10 ns。算法理论和实验结果表明,系统可以获得在有限长时间仓轴上的随机脉冲序列的ns级时间数字转换,同时可以获得脉冲的峰值。 相似文献