受探测环境制约，隧道超前地质预报过程中探地雷达反射波往往具有“弱信号，强干扰”的特征，给数据处理和解译带来极大的困难。将剪切变换（shearlet变换，ST）引入探地雷达信号处理，根据有效信号和干扰信号在剪切域中不同尺度、不同方向上的能量差异，提出一种基于自适应阀值的随机干扰去除方法，并通过正演模拟数据验证了该方法在随机干扰去除上的优势；在此基础上针对隧道超前地质预报中常见的能量接近、频率异常干扰信号，以实际数据为例说明小波变换（WT）对其去除效果；从而进一步提出小波变换与剪切变换联合干扰压制方法，即首先使用小波变换对异常频率干扰进行分离，然后采用基于自适应阀值的剪切变换对随机干扰进行压制。现场溶洞探测案例应用效果表明，本文所提出的方法能在去除干扰的同时很好地保留有效信号，根据处理后的波形堆积图可以很好地凸显地质异常区域，从而提高探地雷达资料解译精度

1.找出语法错误 如果一个VI程序存在语法错误,则在面板工具条上的运行按钮会变成一 个折断的箭头,表示程序不能被执行。这时该按钮被称作错误列表。点击 它,则 LabVIEW弹出错误清单窗口,选中相应错误双击。 2.设置执行程序高亮 灯泡按钮-“高亮执行”。点击这个按钮使它变成高亮形式,再 点击运行按钮,ⅥI程序就以较慢的速度运行,没有被执行的代码灰色显示, 执行后的代码高亮显示,并显示数据流线上的数据值。这样,你就可以根据 数据的流动状态跟踪程序的执行

目前世界上著名的关系型数据库(RDBMS)包括Oracle、 Informix、 Sybase、 SQL Server及 Interbase等。在这么多的数据库 中,到底我们该选择哪一种作为Web数据库呢?不用怀疑,sQL Server绝对是 Windows NT平台上与ASP最好配的组合,毕竟有谁 能“比微软更了解微软

基于语义角色分析，提出了一种三元组涉恐事件实体属性抽取方法，为网络空间涉恐活动的监测及预警提供技术支持。首先，基于西北政法大学“反恐怖主义信息网”文本语料数据进行数据采集和清洗等预处理工作，采用朴素贝叶斯文本分类算法识别涉恐事件文本，并采用关键词提取算法TF-IDF（Term frequency-inverse document frequency，词频-逆文档频率）构建涉恐专有词库，结合自然语言处理技术构建带词性的涉恐专有词库。然后通过语义角色分析、句法依存分析，提取了主语谓语宾语关系、定语后置动宾关系、人名//地名//机构和介宾关系主谓动补4类涉恐三元组结构。最后，利用正则表达式及带词性的涉恐专有名词分析，在4类三元组短文本中提取出恐怖事件发生时间、发生地点、伤亡情况、攻击方式、武器类型和恐怖组织6类实体属性。对采集的4221篇文章数据进行实验分析，6类实体属性抽取的测评结果F1值均超过80%，对网络空间的涉恐事件监测及预警，维护社会公共安全具有重要现实意义

10.1 数据库检索 10.2 反应查询 10.3 表单的制作 10.4 数据库连接 10.5 建立自己的数据库 10.6 制作子表单

路由器的工作过程：从某个端口收到一个数据包，它首先 把链路层的包头去掉（拆包），读取目的IP地址，然后查找路 由表，若能确定下一步往哪送，则再加上链路层的包头（打 包），把该数据包转发出去；如果不能确定下一步的地址，则 向源地址返回一个信息，并把这个数据包丢掉

一、ODBC的概念 二、掌握ODBC数据源的概念及其配置 12.1DBC概述 12.2管理ODBC数据源

What is the stream? (什么是流？) 一、流是数据的有序序列，流可分为输入流和输出流 二、输入流指从某个数据来源输入的数据序列

黏度是冶金熔渣的基本物理性质，其大小直接影响到反应速率、熔渣分离效果等冶炼过程。通过深入探索熔渣黏度与其结构的关系，在分析熔渣黏度与其(NBO/T)比值（即单个聚合物粒子所拥有的非桥氧数量）相互关系的基础上，本文提出基于（NBO/T）比值的多元熔渣黏度计算模型。首先建立SiO2–∑MxO简单渣系的黏度计算模型，通过拟合纯氧化物和SiO2–MxO二元渣系的黏度数据得到模型参数，拟合平均误差在9%～18.5%之间；随后将该模型扩展至SiO2–Al2O3–∑MxO多元渣系的黏度计算，针对Al2O3在熔渣中同时表现出酸性氧化物和碱性氧化物的特点，在计算SiO2–Al2O3–MxO三元渣系黏度时，将其中的Al2O3拆分为酸性物质和碱性物质来计算（NBO/T）比值和黏度活化能。在SiO2–MxO二元系模型参数的基础上，通过拟合SiO2–Al2O3–MxO三元渣系的黏度数据得到含Al2O3渣系的模型参数，拟合平均误差在10%～25%之间。利用该模型计算了SiO2–Al2O3–CaO–MgO–FeO–Na2O–K2O–Li2O–BaO–SrO–MnO多元复杂渣系及其子体系的黏度值，计算平均误差在25%以内，取得了较好的预报效果。本模型基于熔渣结构理论，并借鉴了经验模型的数据处理方式，在预报效果和适用范围上都优于传统经验模型，在计算方式上比结构模型要简单

针对锂离子电池荷电状态（Stage of charge，SOC）在线估计精度不高，等效电路模型法估计精度与模型复杂度相矛盾的问题，本文对扩展卡尔曼滤波算法进行了改进，并以电池工作电压、电流为输入，对应等效电路模型法的SOC估计误差为输出，采用极限学习机算法，建立基于输入输出数据的SOC估计误差预测模型，采用物理–数据融合方法，基于误差预测模型，建立了等效电路模型法结合极限学习机的锂离子电池SOC在线估计模型。仿真结果表明，改进扩展卡尔曼滤波算法提高了算法的估计精度，而物理–数据融合的锂离子电池SOC在线估计模型减小了由电压、电流测量所引入的估计误差，克服了等效电路模型法估计精度与模型复杂度之间相矛盾的问题，进一步提高了SOC的估计精度，满足估计误差不超过5%的应用需求