1掌握同步时序电路的一般分析方法 2掌握同步计数器的一般分析方法 3会用反馈归零法、反馈置数法和级联法将集成芯片构成任意进制计数器 4根据功能表会用大、中规模集成芯片构成给定功能的电路  第1、2学时： 时序逻辑电路的分析方法  第3、4学时： 时序逻辑电路的设计方法  第5、6学时： 同步计数器  第7、8学时： 集成同步计数器及其应用  第9、10学时：数据寄存器和移位寄存器

超重力显著增大两相间的重力差，可用于加速固?液、液?液、液?气高温黏稠混和体的相分离速度；超重力具有定向性，避免搅拌等技术产生的熔体湍流返混，可用于深度脱除金属液中细小夹杂物；超重力条件下固?液界面张力微不足道，可容易实现微孔渗流；超重力条件下进行结晶凝固，按结晶顺序实现固?液分离，可用于制备梯度材料；超重力加速固?液分离，可细化凝固组织晶粒，但对非共晶熔体也易产生宏观偏析。将超重力技术应用于冶金及材料生产过程中，有望解决高温冶金和材料制备的一些难题，如复杂矿冶金渣有价组分的分离提取、冶炼渣中金属液的分离回收、多金属的熔析结晶分离、复杂矿直接还原铁的渣?金分离；在高端金属材料方面，应用超重力技术，有望解决近零夹物金属材料的精炼除杂难题，提高梯度功能材料、金属?陶瓷复合材料、多孔金属材料、器件材料表面电沉积修饰的制造水平。此外，在材料科学研究方面，超重力凝固可作为一种材料基因组高通量制备方法

光谱分析方法(Spectrometry)是基于电磁辐射 与物质相互作用产生的特征光谱波长与强度进行 物质分析的方法。 ·它涉及物质的能量状态、状态跃迁以及跃迁强度 等方面。通过物质的组成、结构及内部运动规律 的研究,可以解释光谱学的规律;通过光谱学规 律的研究,可以揭示物质的组成、结构及内部运 动的规律。 ·光谱分析方法包括各种吸收光谱分析和发射光谱 分析法以及散射光谱(拉曼散射谱)分析法(本 书未介绍拉曼光谱)

本章教学目的和对学生的要求 本章主要讲述财务报告的种类、结构、编制依据和编制方法。通过本章的授课,要求同学们: 1.了解财务报告的定义、种类和编制要求 2.熟练掌握资产负债表的编制方法 3.熟练掌握利润表的编制方法 4.熟练掌握现金流量表的编制方法 5.掌握财务报告附注中应披露的相关内容

1.使用销售成本公式 2.使用各种存货计价方法:个别计价法,加权平均法,先进先出法和后进先出法 3.分析存货计价方法对收益和负税的影响 4.计算存货计价错误对销售成本和净收益的影响 5.使用毛利率和存货周转率 6.存货业务的核算 7.用毛利率方法方法估计存货

1.掌握甾体结构类药物的结构特点与分析方法之间的关系。 2.掌握甾体类药物的鉴别原理与方法。 3.掌握甾体类药物的含量原理与方法。 4.熟悉甾体类药物杂质检查的方法

近年来,为实现汽车车身轻量化,大量的铝合金材料被用于汽车车身制造,由于6016铝合金具有良好的烘烤性能,被大量使用.但是传统的冷成形技术并不能成形复杂零件,因此热冲压-冷模具淬火成形技术被用到铝合金的成形过程中,板材成形领域中一个重要的性能指标是成形极限.本论文使用理论预测和试验两种方法对6016铝合金成形极限曲线进行了研究.首先,建立了考虑应变强化和应变速率强化的Fields-Bachofen本构方程,并将此本构方程引入到成形极限理论推导过程中;然后,基于M-K凹槽理论,对6016铝合金成形极限曲线进行了理论预测,并且采用Nakazima试验方法对预测结果进行了验证.结果显示,随着初始厚度不均度的增加,预测曲线向纵坐标的正方向移动;通过实验值和预测值的对比发现M-K凹槽理论对成形极限曲线的预测是可行的、准确的

一、掌握水扬酸类、苯甲酸类药物的鉴别和含量测定的基本原理与方法。 二、熟悉其他方酸类药物鉴别和含量测定的基本原理与方法。。 三、了解本类药物的体内分析方法

针对多目标粒子群优化算法的研究进展进行综述。首先，回顾了多目标优化和粒子群算法等基本理论；其次，分析了多目标优化所涉及的难点问题；再次，从最优粒子选择策略，多样性保持机制，收敛性提高手段，多样性与收敛性平衡方法，迭代公式、参数、拓扑结构的改进方案5个方面综述了近年来的最新成果；最后，指出多目标粒子群算法有待进一步解决的问题及未来的研究方向

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度