摘要：本发明公开了无刷电机转子铁芯浇铸装置，涉及到铁芯浇铸领域，包括模具，所述模具的内部设置有内模，模具的上方开口，开口处可升降的设置有模具盖，内模与模具盖之间可拆卸式的连接，所述内模与模具内壁之间形成成型腔，模具盖上设置有与成型腔内部连通的浇铸管。本发明中基于活塞板的设置，能够实现浇铸的过程中空气与熔融材料的隔离，减少熔融材料中的气体含量，降低气泡和气孔的形成，从而减少缺陷，提高产品的质量和表面质量，且减少熔融材料过度氧化等问题。

摘要：本发明涉及电机转子铁芯生产设备技术领域，且公开了无刷电机转子铁芯浇铸装置，包括承载机构，承载机构的外部设置有升降空间，升降空间用于对工件模具进行挤压稳定，移动机构，移动机构位于承载机构的内部，用于对后续结构进行运转，浇铸机构，浇铸机构安装在移动机构的外部，用于对工件进行浇铸，将金属液倒入溶液槽的内部，随后将组装好的模具壳放置在承载台的顶部，使模具壳底部的开口与锥形管的顶部进行对接，启动电动伸缩杆，电动伸缩杆带动升降台进行下降，升降台带动弹性挤压架进行下降，弹性挤压架下降的过程中会与模具壳的顶部发生接触，对模具壳进行夹持，防止浇铸过程中模具壳发生变形。

摘要：本发明属于骨肉瘤预后预测技术领域，涉及一种基于Dirichlet分布的多视图TSK深度学习模型及其应用，模型中的多视图数据模块将视图特征传递给多视图TSK模糊系统模块，多视图TSK模糊系统模块将输入的视图特征映射为Dirichlet证据参数并传递给Dirichlet分布模块；Dirichlet分布模块根据Di richlet证据参数建立分类概率表征空间，并传递给不确定性量化模块，不确定性量化模块通过动态证据聚合引擎将分类概率量化为视图决策置信度，并通过组合规则对视图决策置信度进行自适应加权融合，以形成多视图模糊推理决策，并将多视图TSK深度学习模型应用于骨肉瘤预后预测，以提高预测的准确率。

摘要：本发明公开了一种基于0阶稀疏学习TSK模糊模型的白酒酒龄检测方法，包括以下步骤：1）、应用电子鼻对已知酒龄的待测白酒进行白酒挥发物质的检测，获得原始频率信号；2）、采用基于模糊子空间聚类的0阶稀疏学习TSK模糊模型对步骤1）所得的频率信号进行处理，建立白酒的鉴别模型；3）、采用电子鼻对待测的白酒进行白酒挥发物质的检测，然后采用步骤2）中得到的基于0阶稀疏学习TSK模糊模型的鉴别模型做出酒龄的判断。采用本发明的基于0阶稀疏学习TSK模糊模型的白酒酒龄检测方法可以快速、方便、准确的评判白酒的酒龄，检测灵敏度高

摘要：本发明公开了一种基于单向数据传输的医疗系统状态监测方法，包括：数据采集；数据预处理并加密；跨平台兼容的单向数据传输协议；数据传输与接收；数据完整性校验；数据分析与应用。本发明通过提高了数据的安全性和隐私性的保护，该方案中所采用的加密公式利用高等数学函数的组合，实现了对医疗数据的复杂加密，该公式具有较高的非线性和复杂性，确保数据加密的安全性和创新性；同时解密公式同样利用高等数学函数的组合，实现了对医疗数据的有效还原，该公式具有较高的非线性和复杂性，确保数据解密的准确性和创新性。

摘要：本发明公开了一种具备迁移学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为研究对象，针对模糊C均值算法在面对带噪声的图像时抗噪声能力弱的缺陷，提出了一种具备迁移学习能力的模糊聚类图像分割方法。此图像分割方法在处理新的图像时，特别针对含噪声污染的图像，该方法能够有效地学习利用以往大量的相似图像通过模糊C均值算法所总结得到的可靠的聚类知识，该类知识一般被描述为聚类中心，通过将上述可靠知识引入到当前的新图像分割任务中可以有效地引导当前的聚类任务的完成并起到抗噪的效果，进而获取更为精准的聚类中心及更为精确的图像分割结果。

摘要：本发明公开了全表示半监督快速谱聚类的医学图像分割方法及系统。方法步骤包括：获取等待处理的医学图像；通过触摸屏在该医学图像中圈画；对全幅医学图像进行像素灰度、空间位置及Gabor纹理特征提取，进行特征归一化和特征降维处理；进行圈画区域参照信息的All-In-One形式表示；生成基于全表示半监督机制的图论松弛聚类模型；聚类模型二次项重新整理成新的正定矩阵；改写为约束型最小包含球形式；基于核心集最小包含球快速逼近策略估算最终解；图示化聚类指示向量决定聚类分割的实际类别数；根据类别数基于K均值算法将聚类指示分量划分成不同子集。系统包括一个FPGA模块及外接设备。本发明方法及系统，操作简单，实时性好，准确性高。

摘要：本发明公开了一种具备多视角学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为基础方法，针对经典模糊C均值算法对一个具体事物在多个视角下获取的图像进行分割最终获取最终分割结果时无法全面的利用图像信息而造成分割效果不佳的问题，提出了一种具备多视角学习能力的模糊聚类图像分割方法。该图像分割方法在处理某一事物的多视角图像分割任务时，能够有效地保有各视角图像的独立信息，同时挖掘出各视角下图像的共性信息。此外，还将引入一种视角加权技术增强分割效果。在上述机制的共同作用下首先可获取各个视角下的聚类结果，然后依靠上述获取的各视角下的聚类结果通过一个集成决策方法最终获取更为可靠的图像分割结果。

摘要：本发明公开了一种具备迁移学习能力的脑电信号识别模糊系统方法。传统智能识别方法都假设模型的训练集和测试集服从相同的数据分布，因而仅在训练域和测试域数据服从相同分布时方可获取良好的分类性能。本发明所提方法利用迁移学习策略来帮助迁移学习环境下的癫痫脑电信号识别。基于模糊系统构建具备直推式迁移学习能力的0阶TSK型模糊系统建模技术。此技术因具备了迁移学习能力而不再局限于训练域和测试域数据分布一致的假设，允许两者之间存在一定的差异性，不仅在训练域与测试域数据分布相同的场景下保持良好的性能，也大大提高了最终所获模型在多样化的脑电信号识别问题下的识别效果。

摘要：一种面向癫痫脑电信号迁移环境的自适应识别方法，本发明的优点是：本发明与现有技术相比，本发明方法选用具备邻域适应能力的迁移学习策略来克服训练域和测试域之间因数据分布差异所造成的智能模型分类性能急剧下降之难题。针对癫痫检测中的脑电信号分析，选用具有邻域适应能力的主成分特征迁移(子空间性度量)及大间隔直推式迁移学习方法来构成脑电信号识别系统，构建了具体的脑电信号自适应工作框架。该方法在缺少目标域信息的情况下，采用源域中与目标域中相似的有用特征来构建智能分类系统。由于本技术在特征提取阶段即融入了迁移学习策略，因此相较于单纯的迁移分类建模技术及传统智能识别方法，泛化能力更强，性能更好。