本章重点是二端口网络的定义及参数，难点是二端口网络参数矩阵的求法。 1. 二端口的概念、方程及参数； 2. 各参数方程形式，参数的含义及求法； 3. 二端口转移函数及求法； 4. 特性阻抗的定义及求法； 5. 二端口等效电路的概念，等效电路的结构及参数； 6. 二端口级联、串联、并联的条件与等效参数的求法； 7. 回转器、负阻变换器的定义与特性

电子科技大学：《现代网络理论与综合 Theory and Synthesize of Electric Network》研究生课程教学资源（课件讲稿）第16讲 贝塞尔函数（贝塞尔逼近）和频率变换

电子科技大学：《现代网络理论与综合 Theory and Synthesize of Electric Network》课程教学资源（课件讲稿）第16讲 贝塞尔函数和频率变换

1.逻辑代数的基本概念与基本运算 2.逻辑函数及其表示方法 3.逻辑代数的基本运算的定律、定理和重要规则 4.逻辑代数的简化

一、了解和掌握CGI的基本概念和程序处理过程; 二、理解PHP程序设计的基本要素 PHP基本元素 PHP程序流程控制 PHP函数

针对梯度功能材料(FGM)制备过程的复杂性,提出了利用神经网络信息处理机制进行制备材料的特性预估;实例分析表明,这一方法是有效的.同时,针对BP学习算法速度较慢,易陷入局部极小的缺点,改用函数型连接网络来提高学习速度.试验表明学习速度提高显著

第十六章二端口网络 16-1二端口网络 16-2二端口的方程和参数 16-3二端口的等效电路 16-4二端口的转移函数 16-5二端口的联接 16-6回转器与负阻抗变换器

第16章二端口网络 本章重点 16.1二端口网络 16.2二端口的方程和参数 163二端口的等效电路 16.4二端口的转移函数 16.5二端口的连接 16.6回转器和负阻抗转换器

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

人工神经网络为学习实数值和向量值函数提供了一种实际的方法，对于连续值和离散值的属性都可以使用，并且对训练数据中的噪声具有很好的健壮性。反向传播算法是最常见的网络学习算法。反向传播算法考虑的假设空间是固定连接的有权网络所能表示的所有函数的空间。包含3层单元的前馈网络能够以任意精度逼近任意函数，只要每一层有足够数量的单元。即使是一个实际大小的网络也能够表示很大范围的高度非线性函数。反向传播算法使用梯度下降方法搜索可能假设的空间，迭代减小网络的误差以拟合训练数据