摘要：用改进后的质量弹簧简化系统,分析了桥式起重机主要动态性能及结构参数的影响,并对桥式起重机动态指标进行了优化设计。

摘要：培养具有综合音乐能力的复合型音乐人才是时代的需要，也是双排键电子琴专业教学的特色所在。本文从培养双排键电子琴复合型音乐人才的现实意义、双排键电子琴复合型音乐人才应具备的能力和实施方案三个方面阐述了培养双排键电子琴复合型人才的构想。

摘要：毋庸置疑，当下流行的乐器少不了电子琴，学电子琴的琴童数量几乎和学钢琴的一样多。在乐器家族中，双排键电子琴是一名年轻的成员，同时也是最有生命力和最有音乐表现力的乐器之一，在一定意义上讲，双排键电子琴就像一座乐器博物馆，更具有提升空间，是音乐表演艺术与现代电子科技的完美结合体。

摘要：为保证汽车起重机安全工作，避免由于超载而引起的倾翻、折臂等现象，限制汽车起重机工作力矩是其中有效方法之一．汽车起重机的工作力矩随着起升角度及吊臂的伸长量变化．文章介绍了所设计的单片汽车起重机力矩限制器的工作原理．测出起重量。主臂长度和起升角度，然后计算出工作力矩与给定值比较．当工作力矩超过设定值时，声光报警并自动采取措施．

摘要：论述了采用８０３１单片微型计算机提高奶粉包装机计量精度的方法．在现行容量法喂料方式的基础上采用单片机控制检测系统，将包装计量精度提高到±０．１％．文章对所编制的软件及硬件系统均作了介绍．经过论证和模拟实验，文章得出结论，该控制检测系统对于改变目前我国粉类包装机械计量精度的现状，是一种十分经济有效的方法．

摘要：目的:实现陈醋酿造年限的快速检测。方法:采用电子舌(ET)和电子鼻(EN)结合密集卷积网络—极限学习机(DenseNet-ELM)模型对陈醋酿造年限进行快速检测,设计两种不同结构的密集卷积神经网络模型ET-DenseNet和EN-DenseNet,分别提取电子舌和电子鼻信号的特征信息,进而采用特征级信息融合方法,获得两种人工感官设备的融合特征向量,然后采用极限学习机(ELM)对融合的特征向量进行分类识别。结果:DenseNet能够有效提取到电子舌和电子鼻信号中深层特征,其特征提取能力优于离散小波变换(DWT)和卷积神经网络(CNN);相比于单独使用电子舌或者电子鼻,信息融合方法对不同年限陈醋检测的准确性和鲁棒性更优,其测试集准确率、查准率、召回率、F1-Score分别达到99.1%,0.98,0.99和0.99。结论:采用密集卷积网络缓解了深度学习模型由于深度增加导致的模型退化、泛化能力弱等问题,可对7种不同酿造年限的陈醋进行有效分类。

摘要：准确识别并防治病害对提高苹果产量和质量具有重要意义。针对苹果病害图像因病斑区域小且易受背景干扰而导致识别准确率低的问题,设计一种基于混合注意力机制的残差网络(Convolutional Block Attention Module-Residual Network,CBAM-ResNet)模型。该模型在残差网络中嵌入串联的通道注意力模块和空间注意力模块,使模型将注意力集中于图像特征的病害区域,提高识别准确率。针对模型训练数据集样本数量不足且数据不均衡问题,提出基于Wasserstein距离的生成对抗网络(Wasserstein Generative Adversarial Networks,WGAN)对数据集进行扩充的方法。通过生成器与判别器的对抗训练生成10000张苹果病害图像,对CBAM-ResNet进行训练和测试,提高模型的泛化能力和鲁棒性。试验结果表明:与CNN、VGG-16、ResNet-50、Inception-V3等传统模型相比,CBAM-ResNet对苹果病害的识别效果更优,其识别准确率、精确率、召回率和F1-Score参数分别达到95.50%、95.40%、95.40%和0.95。该方法能够为苹果病害图像准确识别和实时监测提供技术支撑。

摘要：文章论述了采用８０５１单片机对工程机械车辆司机座椅动态参数进行控制以实现减振的方法与设计。在分析了座椅悬架系统工作特性之后，设置单片机控制的动态参数一阻尼系统ζ在０－１之间接０。６１８法优化，确定其最优值。文章还对所编制的控制程序作了介绍。

摘要：为了实现对不同贮存年限陈化小麦的快速检测,提出一种伏安电子舌结合卷积神经网络(convolutional neural network, CNN)和基于Wasserstein距离的生成对抗网络(wasserstein generative adversarial nets, WGAN)组合的模式识别模型。使用伏安电子舌对6种不同贮存时间小麦采集电子舌信号。针对电子舌信号信息量大、特征提取困难等问题,设计了一种基于CNN结构的电子舌信号特征自动提取和分类识别模型。为解决CNN模型因训练样本不足而导致泛化能力差等问题,使用WGAN构建电子舌信号样本集,通过对生成信号集的学习,提高了CNN模型对电子舌信号的识别能力。实验结果表明,与AlexNet、VGG16等深度学习模型和随机森林(RM)、极限学习机(ELM)等传统机器学习模型相比,WGAN-CNN模型对电子舌信号的分辨能力更强,其测试集准确率、精确率、召回率和F1-Score分别达到0.98、0.98、0.977和0.988。研究表明电子舌结合WGAN-CNN模型可实现对小麦贮存年限的快速检测,该研究为基于人工智能的感官识别技术提供了一种新的研究思路。