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

(1)根据被控对象的传递函数G(s),按连续系统的分析与设计方法设计D(s) 稳(稳定性):稳定裕度(幅值裕度和相角裕度) 准(稳态误差):位置、速度和加速度误差系数 快(动态性能指标):谐振峰值、谐振频率、通频带、阻尼比 最小拍:在离散系统中,调节时间的长短以采样周期个数表示,一个采样周期称一拍

针对由一阶智能体和二阶智能体组成的离散异质多智能体系统,研究其一致性问题.设计无通信时延和具有有界通信时延时的分布式一致性协议,通过将系统转化为自治的离散时间线性时不变系统,运用矩阵理论和代数图论方法,分析得到系统实现一致性的充分条件.获得的充分条件与采样周期、控制参数和系统的拓扑结构有关.证明了系统的一致性不受有界通信时延影响.数值仿真结果验证了理论结果的正确性

制备了一种仿生层状人工软骨/骨复合植入体,可将软骨植入体与宿主软骨的连接转变为骨-骨的界面结合,提高植入软骨固定效果.采用数字散斑等方法对仿生层状人工关节软骨/骨复合植入体的生物力学性能进行研究,比较了松质骨,PVA/骨复合体以及PVA-BG复合体在不同载荷作用下的位移变化,并从微观变形角度探讨了人工软骨/骨复合植入体中软骨层厚度对缓冲内部应力的作用

为探究新型混凝土受硫酸盐侵蚀后的力学性能，采用质量分数为5%的硫酸盐溶液全浸泡加速侵蚀法，对11组聚丙烯纤维混凝土（PC）试块、11组聚丙烯纤维锂渣混凝土（PLiC）试块、8根PC大偏心受压柱和8根PLiC大偏心受压柱进行侵蚀试验，得到了不同侵蚀时间下混凝土的力学性能。基于分形理论分析了试块及构件破坏时表面裂缝分布的分形特征，详细讨论了试块及构件表面裂缝分形维数与其侵蚀时间、抗压强度、极限承载力之间的关系。研究表明，PC和PLiC立方体抗压强度随侵蚀天数先增加后降低，在120 d达到最大；试块及构件破坏时表面裂缝分布具有分形特征，试块表面裂缝分形维数随侵蚀天数的增加呈现先增加后减少再增加的规律，随试块抗压强度的提高而减少；PC及PLiC混凝土大偏心柱极限承载力随侵蚀天数的增加先增加后减少，锂渣的掺入可以提高聚丙烯纤维混凝土柱的抗硫酸盐侵蚀能力，构件破坏时表面裂缝分形维数随硫酸盐侵蚀天数呈现震荡上升的趋势；因此混凝土表面裂缝的分形特征可作为判定构件损伤程度的指标之一，可为今后对在役混凝土结构承载力和寿命预测提供参考

1.分块矩阵的概念 对于矩阵A,采用一种分法,即用若干条纵线和横线分成一 些小矩阵,每一个小矩阵称为A的子块,以子块为元素的形 式上的矩阵称为分块矩阵.在进行行数与列数较大的矩阵 的运算时,常将矩阵分块,以便使运算简化 例如3×4矩阵

例5.2某地区有976个自然村,根据该地区的地貌将各村所属 耕地划为三种类型,各村按类型上报了耕地面积(以计算 为核实这些上报数据,采用按比例分配的分层随机抽样方法 在每一种类型中抽取若干村进行实测核实,倘若以表示上 报数据,以Y表示实测数据,抽样结果如下表:

以氧气高炉循环煤气加热工艺为背景，在实验室条件下研究了CO和H2体积分数较高的煤气加热时的析碳行为。实验结果表明，温度和CO2体积分数是影响析碳反应的重要因素。在300-700℃范围内，当温度低于500℃时，析碳反应速度随温度的升高而增加；当高于此温度时，反应速度随温度的升高而下降。析碳反应包括CO分解析碳反应以及CO和H2的混合析碳反应。对比热力学理论与实验现象分析了析碳过程中以上两个反应可能起到的作用。采用扫描电镜，从微观结构上观察了500~700℃时加热过程中析出碳的形态并研究了析碳行为。另外，随着CO2体积分数的增加，析碳反应速率逐渐降低。在500℃和600℃时，CO2体积分数的增加对析碳行为有较大抑制作用，尤其在500℃时这种抑制作用更加明显

将支持向量机应用于岩体质量等级分类中,采用工程中适用性强的指标如岩石质量指标、完整性系数、单轴饱和抗压强度及结构面摩擦因数,作为判别因素.选用径向基核函数进行训练,通过交叉验证确定最佳模型参数,建立了岩体质量分级模型.该模型采用成对分类方法构建多类分类模型,与已有文献采用一对多分类法构建支持向量机多类分类模型相比,不可分区域减少很多,即模型分类精度提高显著.将该模型应用于工程实例,结果表明预测结果与工程勘测结果完全吻合,证明了支持向量机岩体质量分级方法的有效性

模式识别的三大核心问题： •特征数据采集与预处理 •分类识别 •特征选择与提取 分类识别的正确率取决于对象的表示、训练学习和分类识别算法，我们在前面各章的介绍中详细讨论了第二方面的内容。本章介绍的特征提取与选择问题则是对象表示的一个关键问题