判别分类的频次间是否有差异的方法称为计数统计方法，主要是用卡方检验。 1、配合度检验 单因素分类计数数的实际次数与理论次数是否相同。 用 Nonparametric tests 中的Chi-Square和binomial。 2、独立性检验 有多分类的两个或多个因素之间是否独立。 两个因素：Cosstabs--Chi-Square 多个因素： Loglinear(用层次对数线性模型)

重点：掌握比例、加减、积分运算电路的工作原理和运算关系,利用“虚短”和“虚断”的概念分析各种运算电路输出电压和输入电压运算关系的方法,根据需要选择运算电路；滤波的有关概念,有源滤波电路的识别,各种滤波电路的用途及它们幅频特性的定性分析。为了训练学生的读图能力,电路的识别是课程的重点；对运算关系的分析是学习运算电路的重点；而对于滤波电路,电路的定性分析比定量计算重要。难点：运算电路和有源、滤波电路的识别,对数、指数运算电路和有源滤波电路的分析计算

5.1溶液中的酸碱反应与平衡 5.2酸碱组分的平衡浓度及分布分数 5.3溶液中H+浓度的计算 5.4对数图解法（自学） 5.5酸碱缓冲溶液 5.6酸碱指示剂 5.7酸碱滴定原理 5.8终点误差 5.9酸碱滴定法的应用 5.10非水溶液酸碱滴定（简介）

5.1 频率特性及其表示法 5.2 典型环节对数频率特性曲线的绘制 5.3 典型环节的幅相曲线的绘制 5.4 稳定裕度和判据 5.3 极坐标图(Polar plot)，幅相频率特性曲线，奈奎斯特曲线 5.3.1 积分与微分因子 5.3.2 一阶因子 5.3.3 二阶因子 5.3.4 传递延迟

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

为探究不同加载角度下A7085铝合金Ⅰ-Ⅱ复合型疲劳裂纹扩展机理，在MTS疲劳试验机上采用紧凑拉伸剪切试件（CTS）对A7085铝合金进行不同加载角度的疲劳实验；用有限元分析计算不同裂纹扩展长度的裂纹尖端应力强度因子，通过七点递增多项式法对数据进行处理，计算出A7085铝合金Paris公式中的参数C和m.结果表明不同加载角度的裂纹基本沿着与外载荷垂直的方向扩展，裂纹扩展路径近似为一条直线，裂纹扩展角测量结果基本符合最大环向拉应力理论；Ⅰ-Ⅱ复合型裂纹一旦发生扩展，Ⅱ型应力强度因子KⅡ所占比例急剧减小，Ⅰ型应力强度因子KⅠ不断增大，此后KⅡ远远小于KⅠ，有效应力强度因子（KⅠ和KⅡ的组合）基本等于KⅠ，相当于裂纹扩展主要受Ⅰ型应力强度因子控制，研究结果有助于对Ⅰ-Ⅱ复合型疲劳裂纹扩展机理的理解

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

本文用非晶直条带样品居里温度测量装置测量了(Fe90Cr10)78B10Si12非晶合金居里温度的热处理效应。通过计算机拟合,得到相对于淬态合金的居里温度增值与退火时间的对数关系,并讨论了结构弛豫引起居里温度变化的两个过程

行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好