）为方便计算和解决环形网络变压器变比不匹配，造成参数难以归算的问题，对变压器 采用非标准变比的变压器等效电路---- 型等效 电路

本章以声卡为重点,介绍了声卡的功能原理、技 术术语和安装方法。还简要介绍了 Modem卡、网卡、视频采集卡和I/0多功能卡的技术特点、工作原理和安装方法等。 10.1声效卡 10.2调制解调器 10.3网络适配器 10.4视频采集卡 10.5I/0多功能卡

1995年开张的亚马逊书店(amazon.com)是在 开篇案例 互联网及网络经济高速发展的时期建立的。2000年 起营业额超过了18亿美元。在这一书店创建之处, 设计开发了高度自动化、高效率的电子商务系统, amazoncom 系统涵盖了销售、支付、客户关系管理等各部分功 能,保障了其业务飞速地发展

汇语言程序设计 课程介绍 1.属于低级语言的程序设计 2.硬件类课程和操作系统先行课 3.软件开发的一个组成部分(加密解密、逆向工程、有害代码的分析防治) 4.高级语言程序设计的扩展(硬件资源的管理、驱动等) 5.对计算机专业:专业基础课、必修课

基于广义混沌同步系统(GS)和广义离散Sinai映射,提出了具有非对称密钥的数字图像安全通讯方案.方案能通过一个常规的语音信号隐藏几乎所有计算机所能识别的图像文件,以实现信息的伪装与隐藏,且含有24个密钥数并能无损恢复隐藏图像,密钥空间可达到10360.该方案能使接收方利用非对称密钥对收到的密文进行数据源真伪性认证和解密,适用于网络数字通讯语音伪装中的图像传输.对密钥空间、密钥参数敏感性和加密图像的相关性等分析表明该方案具有较高的安全性

1关键器件 以光网络构建高速、大容量的信息网络系统需要重点解决高速光传输、复用与解复用技术等问题。 (1)光纤传输 通常单模光纤(SMF)色散很大,对抑制四波混频(FWM)引起的干扰有一定作用,但需要很多的色散来补偿光纤(DCF)实践表明 SMF(G.652)和DSF(G.653)用于DWDM系统时,其自相位调制(SPM)、交叉相位调制(XPM)的危害较小,没有想象的那么严重。 过去DSF光纤的FWM干扰严重,不宜作WDM系统,然而采用拉曼放大后,其放大作用是沿光纤分布而不是集中的,因而发送的光功 率可减小,FWM干扰可降低。色散补偿是长距离大容量WDM系统必然遇到的一个问题,如果想得到一个又宽又平的波段,那么对色散 补偿器件的色散和色散斜率须有一定要求

研究了Bi2O3-BaO-SiO2-RxOy玻璃体系的结构及封接性能.应用密度泛函理论计算获得了Bi2O3在SiO2玻璃网络中的能量最优结构,从理论上确定了铋作为网络中间体最可能以[BiO3]形式存在,并讨论了Ba2+、Al3+等在玻璃中的作用及其存在的可能结构.结果表明,该玻璃的热膨胀系数在50~530℃温度为11×10-6 K-1,与氧化钇稳定氧化锆(热膨胀系数10.2×10-6 K-1)电解质和不锈钢SUS430(热膨胀系数11.3×10-6 K-1)合金连接体相匹配.对玻璃粉体进行物相分析表明,该硅酸盐玻璃为非晶体,与理论分析相一致.将氧化钇稳定氧化锆电解质和SUS430合金连接体用Bi-Ba-Si-O玻璃在高温下进行封接实验,结果说明三相界面结合紧密,气密性良好.实验选定的Bi-Ba-Si-O玻璃材料基本满足固体氧化物燃料电池对封接材料的要求

大部分入侵检测系统的实现都会产生大量的报警信息,在一定程度上影响了系统管理,误报率也较高,影响了入侵检测的效果.针对这个问题,提出了一种基于节点关联的报警置信度计算方法,位于对等网络之上,节点在收到一系列入侵报警之后,需要进行节点关联,从而对报警信息进行融合,提取有效报警信息.其中根据关联对象的不同,节点关联又包括报警关联和信任关联两个层次,报警关联可用来判断入侵报警的有效性,信任关联可用来判断发起报警节点的可信性,给出了相关算法.仿真实验表明,使用该报警置信度计算方法可以提高入侵报警的检测准确率

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪