简介：饲料样品用适当浓度的酸、碱溶液处理,经水洗,中和及静置沉积后,用简单的倾倒法使粗纤维与沙子等杂质分离,所得粗纤维置130℃中烘干2小时,即可直接定量测定饲料中的粗纤维含量.本方法无需纤维测定仪、真空抽滤装置及高温炉等设备;方法的相对标准偏差为2.7%,双试平行差在0.03%～0.08%之间,极差为0.39%;t检验表明,本法与GB/T6434-94法之间无显著性差异.方法简便、快速、准确,易于推广.

简介：神经毒气是化学战武库中的主要成员,已经在实际战争中得到使用。例如,在两伊战争及伊拉克与反叛的库尔德少数民族的战斗中,就使用了神经毒气塔崩(Tabun)。近年来,一种称为沙林(Sarin)的神经毒气被用来对付手无寸铁的广大民众,在松本和东京引起严重的人员伤亡事件。这是首次在非战争状态下被恐怖分子利用的化学武器。有关神经毒气方面的信息不多,广大民众对此均感生疏,象本文这样系统地介绍神经毒气的文章将对公众有所帮助。本文将首先对有毒气体作一简单介绍,然后叙述神经毒气的各有关方面,包括神经毒气的化学结构,制造原理,毒性机理,中毒治疗,检测方法及去污技术等有关内容。

简介：采用干燥器法、气候箱法、气体分析法对棕纤维弹性床垫中的甲醛进行收集，并用酚试剂分光光度法对收集的甲醛进行检测。检测结果表明，不同方法收集的棕纤维弹性床垫甲醛释放量具有一定的相关性，不同收集方法间呈线性关系。

简介：本文以Tencel、棉、粘胶、铜氨的近红外指纹光谱作为分析对象,采用判别分析、主成分分析和Mahalanobis距离对Tencel、棉、粘胶、铜氨等纤维进行快速鉴别。分析结果表明：该方法为Tencel、棉、粘胶、铜氨进行归类提供一种可靠、简便的手段,盲样检测的准确率可达97%。

简介：行人重识别在视频监控领域是一个非常具有挑战性的问题,不同的摄像头位置角度、光照等因素会使同一行人的图像差异较大.文章提出一种DGD（DomainGuidedDropout）卷积神经网络（CNN）与样本相对距离结合的行人重识别算法：首先,通过卷积神经网络来提取来自多个域的数据中具有一般性及鲁棒性的特征;其次,通过计算各个特征样本之间的相对距离来筛选出更具有一般性及鲁棒性的特征;最后,比较筛选出的特征间的欧氏距离进行重识别.实验结果表明,该算法能够提高行人重识别的效率.

简介：行人检测在智能监控、自动驾驶、辅助驾驶、智能机器人等研究领域有着广泛的应用.传统的行人检测方法大多使用滑动窗口遍历图片的方式,导致计算量大,检测速度受到限制.目前基于深度学习的行人检测方法进入了一个快速的发展阶段,但是还存在例如小尺寸行人漏检等很多问题.现提出基于卷积神经网络的多尺度行人检测方法,分析了增加检测层、并联卷积层与改变卷积核尺寸对行人检测性能的影响.在KITTI数据集上的实验结果表明,该方法可以实现较好的行人检测效果.

简介：人脸关键点定位是计算机视觉的一部分,在人脸识别、人脸表情识别、人脸动作捕捉等工作中有重要的作用.非约束条件下人脸关键点定位,其难点在于人脸关键点位置在复杂环境下呈现非线性变化,影响人脸关键点定位的精准性.现提出基于级联卷积神经网络的人脸关键点定位方法,分析了级联深度模型全局回归阶段多尺度特征融合对人脸关键点定位的影响;同时提出了一种具有可学习参数的人脸关键点定位损失函数.经过大量实验表明,这里提出的人脸关键点定位算法能够有效的提高针对非约束条件下人脸关键点定位精确度.

简介：单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.

简介：绘画作品的数字化对有效使用绘画资源具有重要意义，传统图像分类方法并未考虑绘画作品主观特性，且大部分特征需要人工提取，存在细节特征丢失等问题．在此提出基于卷积神经网络的绘画图像分类方法，分析了卷积核大小、卷积神经网络结构宽度、训练样本数量对分类结果的影响，以优化网络结构和参数．实验结果表明，该方法对绘画图像分类的有效性，在不同绘画图像数据集的分类实验上也得到了较好的分类结果．

简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.

简介：深度学习是人工智能领域发展的一个不可或缺的部分,并且广泛应用于图像识别方面.为了进一步降低宫颈癌细胞图像的识别错误率,本文提出了一种基于卷积神经网络的改进算法.该算法通过搭建卷积神经网络框架,对下采样过程中特征提取阶段的池化模型进行改进,在下采样过程中对池化域内的每个元素分配合适的权值得到下采样特征图.实验结果表明,我们所提出的基于卷积神经网络的改进算法降低了对宫颈癌细胞图像的识别错误率.