摘要：本发明公开了一种最小缓冲层厚度的计算方法，其特征在于，包括以下步骤：a、测算获得土石中值粒径D、土石颗粒不均匀系数Cu和土石缓冲层密实度S；b、计算土石缓冲层密实度S；c、根据土石的特征参数计算土石缓冲层弹性模量M；d、测算获得冲击物弹性模量M₁，计算综合弹性模量E；e、估量冲击物动能E_k和冲击夹角θ，计算作用在土石缓冲层上的冲击力F；f、根据冲击力F和土石缓冲层弹性模量M，计算土石缓冲层最小厚度H。本发明充分考虑了土石缓冲层最小厚度的极限值，不仅能够有效避免小于该极限值所引起的防护失效，而且减小了大于该极限值所造成的工程和造价上的浪费，极大的提高了防灾减灾适用性。

摘要：本发明公开了一种移动支付安全态势感知系统，该系统从上下文感知开始，通过对上下文融合、聚类，接着进行基于人工智能的安全态势推理得到当前存在的风险等级，通过一系列的安全规则及策略产生相应的措施对用户进行预警。其通过移动应用的形式部署于移动设备中进行安全态势感知，同时也可以联合安全公司，联合打造智能终端安全平台，实现功能更强、性能更好的安全态势感知与预警，降低了移动支付安全风险，保障了人民财产安全。

摘要：本发明公开了一种团块异性岩体相似材料的制作方法，属于岩石勘测技术领域。本发明采用普通的水泥、河砂、水等原材料在模具中浇注成模，制作出团块异性岩体相似材料，再切割成国际标准圆柱试样来进行三轴试验，其制作方法简单、快捷，材料来源广泛，成本低廉，成型效果好，便于调节岩体参数。

摘要：本发明公开了一种层状异性岩体相似材料的制作方法，属于岩石勘测技术领域。本发明采用普通的水泥、河砂、水等原材料在模具中浇注成模，制作出层状异性岩体相似材料，再切割成国际标准圆柱试样来进行三轴试验，其制作方法简单、快捷，材料来源广泛，成本低廉，成型效果好，便于调节岩体参数。

摘要：本发明公开了一种基于复合型结构元素数学形态学的中子‑伽马甄别方法，包括P10、获取中子‑伽马脉冲数据；P20、对获取的中子‑伽马脉冲数据进行预处理；P30、构建用于数学形态学变换的复合型结构元素；P40、对预处理后的中子‑伽马脉冲数据进行数学形态学开运算处理；P50、对P40步骤开运算后的结果进行积分，计算得出甄别因子；P60、利用该得到的甄别因子对中子‑伽马脉冲数据进行甄别。本发明具有较好的甄别性能，同时能够表现出很好的抗噪能力，在混合辐射场测量及其数据处理技术领域具有很好的应用价值。

摘要：本发明公开了一种基于形态学与优化灰色模型的脉冲堆积校正方法，包括对堆积脉冲数据进行预处理；之后将数学形态学与灰色模型相结合先分别对脉冲上升段和下降段进行校正处理，再将其整合为完整脉冲信号，实现对整个脉冲信号堆积的校正。并且根据传统灰色模型的不足，巧妙利用双曲正切变换函数对灰色模型进行优化。本发明利用数学形态学变换与优化后的灰色模型分别对堆积脉冲信号的上升段与下降段进行校正，从图像处理方面出发结合数学预测模型较准确的甄别出单脉冲堆积以及重建双峰脉冲堆积信号，提高核信号分析处理能力，为核技术等安全应用领域提供保障。

摘要：本发明公开了一种基于脉冲发放皮层的塑料闪烁体中子‑伽马甄别方法，包括获取辐射混合场的中子‑伽马脉冲信号；基于中子‑伽马脉冲信号建立脉冲发放皮层模型；将滤波处理后的中子‑伽马脉冲信号输入脉冲发放皮层模型中，生成包含脉冲信号的每个采样点的点火计数的点火图；根据点火图提取下降沿和延迟荧光信息的相应部分，计算出甄别因子；使用甄别因子对中子‑伽马脉冲数据进行甄别。本发明采用脉冲发放皮层模型在提取辐射脉冲信号内部动态信息方面性能突出，提高了甄别准确性，降低了计算复杂度，使得该方法在耗时短的同时展现优异的中子‑伽马甄别性能。

摘要：本发明公开了一种基于阶梯梯度法的中子‑伽马甄别方法，包括针对辐射混合场脉冲信号进行滤波处理；将滤波处理后的中子‑伽马脉冲信号导入准连续脉冲发放皮层模型中，提取出包含动态信息的点火映射图；根据中子‑伽马的点火映射图计算出阶梯梯度值R；将阶梯梯度值R作为甄别因子对中子‑伽马脉冲数据进行甄别。本发明通过提出准连续脉冲发放皮层模型来生成阶梯梯度计算过程所需的点火映射图，并由此计算获得阶梯梯度值，将其作为甄别因子进行中子‑伽马甄别，相比现有的脉冲耦合神经网络，本发明可以实现更好的细节信息提取性能和噪声处理能力，具有更少的点火和人工调参需求，性能更优。

摘要：本发明公开了一种基于1‑D AlexNet模型的中子‑伽马甄别方法，包括获取中子‑伽马脉冲数据；基于中子‑伽马脉冲信号建立1‑D AlexNet模型；将中子‑伽马脉冲信号导入1‑D AlexNet模型并采用SGDM算法对模型进行优化；根据1‑D AlexNet模型输出的分类结果计算出甄别因子；利用该得到的甄别因子对中子‑伽马脉冲数据进行甄别。本发明巧妙地采用1‑D AlexNet模型进行中子‑伽马甄别，简化的数据处理过程，提高了甄别能力，相比传统的电荷比较法进行中子‑伽马甄别明显提高了性能。

摘要：本发明公开了一种基于MLP模型的中子‑伽马甄别方法，包括获取中子‑伽马脉冲数据，并滤波处理得到中子‑伽马脉冲信号；基于中子‑伽马脉冲信号建立MLP模型，将滤波处理后的中子‑伽马脉冲信号导入所述MLP模型中，采用Adam优化器基于训练数据迭代更新网络权重，对模型进行优化，得到服从相似分布的特征向量，根据特征向量得到中子和伽马射线的概率值，通过该概率值对中子和伽马射线进行二分类，最后将二分类结果作为甄别因子对中子‑伽马数据进行甄别。本发明巧妙地采用MLP模型进行中子‑伽马甄别，实现更好的细节信息提取性能，具有更少的人工调参需求，提高了甄别能力，且不需要对原始脉冲数据进行归一化处理，简化的数据处理过程。