本发明公开了一种生成多对抗网络结构的遥感图像空谱融合方法与系统，涉及卫星遥感图像融合技术领域，包括：卫星遥感图像数据集进行插值预处理使得遥感图像满足生成多对抗网络所需尺寸；构建生成对抗网络的生成器，从生成器产生的生成图像中选择适用于多对抗判别器；构建生成对抗网络的判别器，获取低分辨率多光谱图像(LRMS)与高分辨率全色图像(PAN)的融合图像；本发明通过结合多对抗思想与遥感图像专业领域知识，本发明提出了一种创新的生成多对抗网络，该框架将生成对抗网络扩展到多个判别器。多个判别器可以使生成器更好的综合光谱信息和结构信息，从而得到高质量的高分辨率多光谱图像。

本发明涉及一种基于宽带毫米波系统的全双工中继鲁棒自干扰消除方法，属于通信技术领域。首先通过正交频分多路复用技术将一个频率选择性衰落信道分解为多个平坦衰落信道，并且利用自干扰信道的零空间性质来设计一个自干扰消除矩阵，抑制全双工中继带来的自干扰。随后利用信道的容量的上界作为优化目标，通过交替优化求解出每一个子载波的全数字预编码器，并且将自干扰消除矩阵整合到中继端的全数字预编码器中。最后使用具有闭式解的迭代分解方法将全数字收发机分解为混合收发机。

本发明公开了一种具有双向三电平的混合储能系统及其中性点电压平衡方法，包括三电平转换电路和混合储能装置，混合储能装置包括超级电容、蓄电池控制电路和蓄电池；三电平转换电路一侧并联直流侧，另一侧依次并联超级电容单元、蓄电池控制电路和蓄电池单元；三电平转换电路用于将直流侧的输入电平转换为三电平输入混合储能装置，或将混合储能装置的输出电平转换为三电平由直流侧输出；蓄电池控制电路，用于控制蓄电池单元的充放电。两个储能器件共用一个三电平转换器，减小整个混合储能系统的体积和成本，根据电流的需求选择不同的工作电压水平，实现超级电容和蓄电池的充放电独立控制，此电路还可利用三电平特性平衡中性点电压。

本发明属于文本标注领域，具体涉及一种基于主动学习的中文电子病历命名实体识别方法，包括：获取已标记实体的初始训练集和未标记实体的待打标数据；以该训练集，训练基于深度学习的命名实体识别模型，得到中间命名实体识别模型，该中间命名实体识别模型评估该未标记数据中每个实例的价值，将该未标记数据中价值最高的实例进行命名实体标注后加入该训练集；重复训练直到满足预设条件，将待命名实体识别的文本数据输入该最终命名实体识别模型，得到命名实体识别结果。本发明通过让模型预测自己的损失，从而找到能让自己改变最大的样本，满足了中文电子病历这一场景下对于句子级的命名实体识别准确率的高要求，提高了识别的准确率。

本发明属于认知障碍领域，具体涉及一种基于深度展开神经网络的孤独症谱系障碍识别系统，该系统的构建过程包括：使用近端梯度下降法求解带有空间信息的脑功能网络优化问题的可微部分，对不可微部分定义一个近端算子将优化问题转换为迭代公式；用深度展开算法将迭代公式中的近端算子替换为双层卷积层，则迭代公式重建为迭代网络，得到迭代网路模块；将卷积神经网络分类器融入原型学习，得到基于原型学习的卷积神经网络分类器；将迭代网路模块和基于原型学习的卷积神经网络分类器组合，得到障碍识别系统；训练系统并测试系统性能，得到最优的障碍识别系统；本发明提高了网络系统的拟合能力和泛化能力，进一步提高了识别疾病的准确率。

本发明属于遥感影像智能化分析领域，具体涉及一种基于时空2D卷积神经网络的航拍视频分析方法，该方法包括实时获取航拍视频数据，对获取的航拍视频数据进行预处理；将预处理后的航拍视频数据输入到训练好的航拍视频识别模型中进行识别分析处理；对识别结果进行统计分析；所述航拍视频识别模型包括2D卷积神经网络、长时序特征提取模块LTFE、短期运动特征提取模块SMFE以及特征融合模块FFM，所述长时序特征提取模块LTFE、短期运动特征提取模块SMFE和特征融合模块FFM设置在2D卷积神经网络中；本发明采用改进的2D卷积神经网络模型并结合长时序特征提取模块、短期运动特征提取模块和特征融合模块，提高了计算效率以及航拍视频的识别准确率。

本发明公开了一种抗菌肽蛋白泡腾片，包括如下重量百分比的组分：抗菌肽蛋白粉10‑20%，食用酸10‑20%，食用碱10‑15%，乳糖20‑30%，食用香精1‑4%，甜味剂0.5‑2%，聚乙烯吡咯烷酮2‑4%，聚乙二醇1.5‑4%；本发明还提供上述抗菌肽蛋白泡腾片制备方法，包括如下步骤：将抗菌肽蛋白粉及所有辅料干燥后分别过100目筛备用；将抗菌肽蛋白粉与乳糖粉碎过筛后以等量递加法均匀混合；将混合物均分为两份，一份加入食用酸和食用香精，另一份加入甜味剂和食用碱；将两份混合物分别加入粘合剂，制粒后干燥；将颗粒混匀，通过16目筛整粒，然后加入润滑剂后压片成型。本发明在提高抗菌肽泡腾片活性蛋白含量的前提下，显著性克服在崩解期间出现的黏冲、崩解时间长、易产生泡沫等性状不稳定的缺陷。

本发明请求保护一种基于新词扩展与复杂句式扩展的文本情感分析方法，包括步骤：S1，首先根据已有的情感词典构建基础词典，对已有词典进行清理和筛选；S2，对导入的中文语料进行数据清理，并根据基础情感词典对特定领域的情感词进行扩充；S3，在已有的方法的基础上，综合词频、词性和相似度计算，发现特定领域的新词并添加到基础词典中；S4，对中文句式结构进行分析，总结归纳出句式模型，并通过不同的模型来判断句子情感极性；S5，得出适合本方法的算法选择器，综合词典和句式模型得出句子极性结果。本发明相较于传统的情感词典+机器学习方法，专注于在特定领域的短文本句子情感识别，无论是准确率还是召回率都得到明显提高。

本发明公开一种基于生成对抗网络的红外图像小目标检测方法，该方法针对包含小目标的目标图像块重构出虚假背景图像块，将虚假背景图像块与目标图像块进行配对得到第一配对数据，用该数据对生成对抗网络进行训练，然后将图像序列块中未包含小目标的两个原始背景图像块进行配对得到第二配对数据，并使用该数据继续进行训练得到目标生成对抗网络模型，将待检测的图像块序列输入目标生成对抗网络模型得到检测序列结果，将检测序列结果按待检测的原始红外图像的尺寸进行拼接，并将拼接后的图像与待检测的原始红外图像作残差，对作残差后的图像进行滤波得到检测结果。通过本发明提供的方法，可以在保证较快的检测速率的同时，极大地抑制背景干扰。

本发明涉及计算机领域，尤其涉及一种基于改进互信息函数的科技文本分类方法，包括构建科技文本数据库，对数据库中的科技文本进行数据融合，通过对目标文本进行分词，通过word2vec模型得出词向量；构建文本特征提取模型，并为每个词向量根据TF‑ATF模型计算权值，根据权值更新词向量的表示；构建改进互信息函数计算词向量的互信函数值，根据该函数更新词向量的表示；构建合并同义词或近义词的语义距离模型，剔除其中权值较小的词，将合并后的词向量进行正则化，得到最终的文本特征向量；利用LSTM模型对文本特征向量进行训练，利用训练好的模型对科技文本进行分类；本发明可以通过科技文本分类对主题进行分类，优化资讯浏览体验。