对实验演示系统的系统架构、系统设计、体系结构进行了论述，创新性的采用RIA技术作为系统的表现层。首先论述了RIA技术的特点及优势，系统架构采用浏览器/服务器结构，系统设计中分析了系统模块的组成、系统安全性等。在体系结构中论述了系统的分层设计以及数据交换的方式。通过系统的实际使用，提高了学生自主学习能力，同时也提高了学习兴趣，减少了教师的工作量。对学生自主学习以及数字化教学方法改革做了关键的一步

在第一章中已经介绍过,C源程序是由函数组成的。虽然 前面各章的程序中都只有一个主函数main(,但实用程序住往由多 个函数组成。函数是C源程序的基本模埉,通过对函数模块的调用 实现特定的功能。C语言中的函数相当于其它高级语言的子程序。 C语言不仅提供了极为丰富的库函数(如 Turbo C,MSC都提供了三 了多个库函数),还允许用户建立自己定义的函数。用户可把自己的 算法编成一个个相对独立的函数模块,然后用调用的方法来使用函 数

编译程序工作的过程中, 需要不断收集、 记录和使用源程序中一些语法符号的类 型和特征等相关信息. 这些信息一般以表格形式存储于系统中. 如常数表、变量名表、数组名表、过程 名表、标号表等等，统称为符号表。 符号表组织、构造和管理方法的好坏会 直接影响编译系统的运行效率

shell 变量的设置、查看和清除 局部变量与作用域 环境变量及其设置 内置命令 declare和 printf 变量测试与赋值 位置变量与变量的间接引用 命令替换的两种方式 整型变量的算术运算和算术扩展 数组变量及其引用方法

第7章函数与预处理命令 7.1概述 7.2函数的定义与调用 7.3数组作函数参数 74函数的嵌套调用和递归调用 7.5局部变量和全局变量及其作用域 7.6变量的存储类别及变量的生存期 7.7函数的存储分类 7.8编译预处理 7.9多文件程序的调试方法

通用串行总线(USB)是PC体系中的一套全新的工业标准,它支持单 个主机与多个外设同时进行数据交换。 论文首先会介绍USB的体系结构和特点包括总线特征、协议定义、 传输方式和电源管理等等。这部分内容会使USB开发者和用户对USB有一 个整体的认识。 接下来论文会讨论USB系统的一般开发方法和技术特点,分设备端硬 件、设备端软件和主机端软件三个部分

程序设计语言很多,各有特点。本课程不试图 介绍某种具体的语言,而是抽象出程序设计语 言的共同特点,力图系统讲述程序设计语言的 语法、语义和编译实现之间的关系,介绍数据 结构、顺序控制、子程序、封装、继承等概念 。 及其实现技术,涉及函数式语言、逻辑式语言 、命令式语言和面向对象的语言。讨论程序设 计语言的一般设计和实现方法。本课程分为12 章

根据变厚度轧制特点和前滑定义，推导了一种变厚度轧制的前滑值的理论模型.用MARC软件建立变厚度轧制的有限元模型，针对四种不同变厚度区形状的轧件在轧制摩擦因数为0.08和0.1工况条件下的轧制过程进行了数值模拟.此外，采用轧制试验方法实测了总前滑量.对比分析结果表明：前滑理论模型的计算值与有限元数值模拟结果接近，两种方法计算所得前滑值的差值小于0.005.与常规恒厚度轧制中稳定前滑值不同，在变厚度区轧制时，前滑值在0.02～0.10波动.变厚度区的压下率越大，其前滑值也越大；较小变厚度区斜度设计和低的摩擦因数会使变厚度轧制有更好的轧制稳定性和小的前滑波动范围.TRB变厚度轧制试验也验证了前滑理论模型的精度.减薄轧制实测前滑值和计算值偏差大与变形区应变状态及增加的打滑趋势有关

为解决W型辐射管NOx排放过高的状况，运用数值计算的方法，研究了具有两级空气分级的W型辐射管NOx排放情况，经验证，模型可靠.探讨了不同稀释剂、分级稀释以及高温稀释情况下对NOx排放的影响规律.分析以N2和CO2作为稀释剂的区别，发现以CO2作为稀释剂更能抑制NOx生成，在保证火焰稳定的情况下适当增加稀释体积分数可以使出口NOx降低到4×10-5以下.通过采用分级稀释，发现二级风与一级风相比，更能减少NOx排放.通过高温预热空气添加稀释剂的模拟，发现即使空气预热温度达到1000℃以上，也可以通过增加稀释体积分数将出口NOx控制排放在1×10-4以下

建立快速有效的针对大规模文本数据的聚类分析方法是当前数据挖掘研究和应用领域中的一个热点问题.为了同时保证聚类效果和提高聚类效率，提出基于\互为最小相似度文本对\搜索的文本聚类算法及分布式并行计算模型.首先利用向量空间模型提出一种文本相似度计算方法；其次，基于\互为最小相似度文本对\搜索选择二分簇中心，提出通过一次划分实现簇质心寻优的二分K-means聚类算法；最后，基于MapReduce框架设计面向云计算应用的大规模文本并行聚类模型.在Hadoop平台上运用真实文本数据的实验表明：提出的聚类算法与原始二分K-means相比，在获得相当聚类效果的同时，具有明显效率优势；并行聚类模型在不同数据规模和计算节点数目上具有良好的扩展性