摘要：文章介绍了电焊防护服市场情况,从市场环境、消费者购买行为和产品设计方面,总结了市场上电焊服的发展情况和穿着者的需求,给服装企业设计、生产、营销提出了建议。

摘要：针对低信噪比(Signal to Noise Ratio,SNR)下电磁信号的调制识别效果不佳、调制识别算法复杂度高的问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元的高、低SNR分级降噪方法,同时设计了一种基于SNR分级降噪和卷积长短期神经网络的低复杂度调制识别框架。采用中值滤波对低SNR数据降噪,高SNR数据不做降噪处理,使用卷积长短期神经网络结构提取分级降噪后电磁信号的时间相关性和空间特征。实验结果表明,基于分级降噪的调制识别方法在低SNR下的识别准确率有3%的提升,在高SNR下的识别准确率达到了94.3%,实现了11种调制方式的高精度识别。

摘要：针对YOLOv4-Tiny算法复杂度高、计算量和参数量大以及不易在资源较少嵌入式平台部署等问题,提出了一种软硬件联合优化方案。在算法上采用GhostNet残差结构替换原算法残差部分所构建的主干网络,再对网络通道剪枝以对算法进行压缩,改进后的网络相较于YOLOv4-Tiny压缩了97%。为了提高硬件资源效率,对权值和偏置采用16 bit动态定点数量化;增加总线数据读写突发长度提高带宽;设计高度并行流水化的传统卷积、通道卷积、池化和上采样等算子以提高网络效率。实验表明,改进算法在PYNQ-Z2上获得4.04 GOP/s的性能。相较于YOLOv4-Tiny在ARM Cortex-A9,改进的网络在FPGA上实现35.2倍加速。因此,软硬件结合优化能够更好地加速算法运算。

摘要：针对如何实现一个控制器控制两种不同参数的被控对象,提出基于一阶Sugeno型模糊神经网络训练的双模控制器方法。采取一个网络训练两种被控对象模型,将训练好的网络作为控制器,使其在控制双模型时,具有良好的控制性能。Matlab仿真结果表明一阶Sugeno型模糊神经网络训练的双模控制器,在控制两种被控模型时,都具有最低的超调量和最短的调节时间,稳定性最强,综合性能指标最好,能实现双模自适应,满足控制要求。

摘要：目的:为提高临床药学本科实习生(以下简称"实习生")的实习效果提供参考。方法:以从参考书、带教老师结合日常工作设计、历届培训学员收集总结、数据库检索等途径获得的案例中选择具有代表性的案例,以案例联合问题导入(PBL)的方式进行教学;并在课程结束后采用三重评价的方式进行教学评价。结果与结论:实习生普遍接受该教学方法,且实习成绩均合格。以多途径遴选案例,以案例联合PBL的新案例教学法,规避了传统案例教学法的案例来源渠道窄、内容单一、学生学习兴趣低、参与感不强的弊端,充分调动了实习生的主观能动性,加快了实习生临床思维能力的培养,且该教学法也有利于促进带教老师从"被动教学"到"主动教学"的转变,不断提高带教老师的带教意识、带教水平。