湖南硼矿提硼方法的研究

<正> 目前,我国大多数硼砂(酸)厂都以东北硼镁矿为原料。生产硼砂的主要方法是碳碱法,其次还有加压碱解法。生产硼酸的主要方法是硼砂与硫酸进行反应的复分解法,其次有个别工厂采用盐酸法、硫酸法、碳酸法和碳氨法。经扩试证明对品位比较低的矿石效果好的有亚硫酸法。东北硼镁矿一般含13%B_2O_3,硅酸盐和镁的含量高(含 MgO35～40%)含钙量低。     

复方新诺明在罗氏沼虾中的药代动力学和组织分布

研究了单剂量肌肉注射给药[甲氧苄氨嘧啶(SMZ)0 60 mg/kg]、口灌给药[磺胺甲基异噁唑(SMZ)100 mg/kg]和复方口灌给药(SMZ 100 mg/kg和TMP 20 mg/kg)三种给药方式下,SMZ和TMP在罗氏沼虾中的代谢动力学,分析了SMZ和TMP血淋巴、肌肉和肝胰腺中的分布特征。结果表明,SMZ以肌肉注射方式给药后的血淋巴中,药物经时浓度曲线符合二室开放房室模型,而SMZ&TMP口灌给药后却不能用房室模型拟合。肌注给药后,SMZ的消除半衰期(t1/2β)为24.92 h,单方和复方口灌给药后SMZ的消除半衰期(t1/2β)分别为40.70和47.197 h。复方口灌给药后TMP的消除半衰期(t1/2β)为28.77 h,TMP对SMZ的药代动力学并无显著影响。口灌给药后,SMZ和TMP在肝胰腺中的药物浓度高于同时间肌肉中的药物浓度,但肌肉和肝胰腺中的SMZ消除速度基本一致。     

基于地形单元分区的BP神经网络反演海底地形

海底地形和海洋重力场在一定波段频率域上存在相关性,传统海底地形反演方法主要考虑海底地形与重力数据之间的线性关系,而忽略非线性项作用对反演结果的影响。基于此,提出了基于海底地形单元分区的BP神经网络反演方法,改善海底地形反演精度。选取东印度洋北部东经90°海岭附近海域(83°E～92°E,10°S～10°N)为实验区,利用船测水深、卫星测高重力等数据,根据地形特征将实验区分为海盆区和海岭区,使用BP神经网络方法分别进行海底地形反演,构建了实验区1′×1′局部海底地形模型。结果表明,基于地形单元分区的反演结果模型平均相对误差精度可达1.45%,比未分区的反演结果均方根误差降低了42 m,验证了本文方法的有效性和可行性。     

RTK GPS在超短基线声学定位系统安装校准中的应用

超短基线（uhra short base line,USBL）声学定位系统的换能器安装是具有一定方向性的,但是,在安装过程中,不能保证换能器方向与船艏方向严格一致,必然存在不可忽视的系统误差,影响了测量精度;因此,必须通过校准消除系统误差。本文应用高精度RTKGPS实现了换能器安装方向的校准,取得了满意的结果。     

结合遗传算法的LVQ神经网络在声学底质分类中的应用

学习向量量化（Learning Vector Quantization,LVQ）神经网络在声学底质分类中具有广泛应用. 常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度. 本文提出采用遗传算法（Genetic Algorithms,GA）优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别. 将其应用于青岛胶州湾海区底质分类识别研究中,通过与标准的LVQ神经网络的分类结果进行比较表明,该方法在分类速度以及精度上都有了较大提高.     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

陆架边缘的多波束测量

大陆架边缘和大陆坡的水深变化较快，在中国东海陆架边缘水深从100m左右快速地变化到陆坡的几千米。从系统的测程和精度考虑，在陆架边缘和陆坡区同时使用浅水型和深水型多波束系统进行测量是一种合理的作业模式。深、浅水多波束系统在i作频率、发射更新率、信号取样率以及波束宽度上都有较大的不同，这些因素直接影响到海底地形测量成果。对用Simrad EM950浅水型多波束系统和SeaBeam2112深水型多波束系统在同一陆架边缘的测量结果进行了比较。     

EM950多波束测深系统及其在海底光缆路由调查中的应用

与传统的单波束回声测深仪相比,多波束测深系统采用条带测量方式,可对海底进行全覆盖无遗漏扫测,在测量自动化、效率和精度等方面都具有极大的优点。本文介绍了Simrad EM950浅水型多波束测深声纳系统及其在亚欧海底光缆路由调查中的应用。     

动态卷积YOLOv5的视频火焰检测算法

针对传统火灾检测系统容易受地理空间的影响,且现有的深度学习方法对动态火灾的检测能力较弱等问题,该文提出了一种动态卷积YOLOv5视频火焰多尺度目标检测算法。采用K-means++算法优化了anchor box聚类,降低了分类结果的误差。基于动态卷积思想,采用剪枝方法对YOLOv5 Neck和Head的网络头进行了剪枝,降低了模型大小,实现了视频火灾的动态实时准确检测。基于不同火灾监控视频的实验结果表明,该文方法不仅可以有效地对地面监控视频中的火灾点进行检测,还能够对无人机上监控视频中的火灾点进行检测。研究结果可以应用于基于视频的不同场景的火灾检测,从而达到对现有火灾检测系统补充的作用。