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

在贝叶斯理论框架下, 提出了一种基于多源数据融合的深埋硬岩隧道围岩参数概率反演方法.首先, 分析硬岩隧道常用的启裂-剥落界限本构模型中围岩单轴抗压强度、启裂强度与抗压强度比及抗拉强度三个参数不确定性来源, 确定其概率统计特征; 其次, 利用粒子群算法优化多输出支持向量机, 建立反映反演参数与隧道监测数据间非线性映射关系的智能响应面; 最后, 结合贝叶斯分析方法构建概率反演模型, 运用马尔科夫链蒙特卡洛模拟算法实现了围岩参数的动态更新.将该方法应用到某深埋硬岩隧道中, 利用反演的围岩参数计算隧道拱顶下沉点、周边收敛点变化值及开挖损伤区深度, 与监测数据吻合较好.结果表明, 该方法可以实现围岩多参数快速概率反演, 更新后的参数可用于硬岩隧道施工安全风险评估与结构可靠性设计

一、填空题 1.数据结构是一门研究非数值计算的程序设计问题中计算机的 以及它们之间的 和运算等的学科。 2.数据结构被形式地定义为(D,R),其中D是 的有限集合,R是D上的有限集合

随着我国隧道工程建设的快速发展,由隧道病害引发的隧道质量和安全问题越发常见.通过地质雷达探测隧道病害对于减少隧道质量和安全问题具有十分重要的意义,为了提高病害探测的效率及可靠性,基于雷达反射波信号多维度分析,提出一种隧道病害智能辨识的新方法.根据反射波信号时域、频域及时频域分析结果提取病害信号辨识的6个典型特征,利用支持向量机算法对典型特征的训练构建病害信号的二分类模型,实现了病害水平分布范围的自动辨识;再依据病害信号的第一本征模态函数分量振幅包络计算病害深度分布范围,最终实现隧道病害的智能辨识.结合某隧道回填层雷达实测数据对智能辨识算法的性能进行评价,与人工辨识结果的对比表明,该智能算法对于病害的辨识能力较强,病害的识别率高达100%,但辨识结果中同时存在少量误判,准确率达78.6%,满足工程应用的需求.该算法可用于隧道工程各类地质雷达探测数据中病害的智能辨识,而对于其他领域的地质雷达探测数据,本文研究成果亦可为不同类型探测目标智能辨识算法的设计提供可行思路

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

一、地理空间信息及其描述 二、地理空间数据类型 三、地理信息的空间关系 四、地理信息空间数据结构 五、地理信息数据的编码方法 六、矢量结构与栅格结构的相互转换

从非开挖水平定向钻进（Horizontal directional drilling，HDD）装备技术、地下生命线工程的探测与信息化、双向对穿HDD技术、大口径HDD技术、HDD回拖力计算模型、地表变形与冒浆6个方面开展了文献调研工作，分析了HDD装备与技术研究应用进展：世界上最大回拖力（20000 kN）的电驱动钻机被设计并研发；电磁感应法被广泛用于既有生命线的空间探测，复杂干扰下的数据解析与精度提高仍是研究重点；基于三维数据，融合建筑信息模型、人工智能、大数据等技术，借鉴美国“811”体系，局部完成了地下生命线的信息化；采用对穿技术完成了长距离的地下生命线敷设；基于过程化的HDD工艺参数、设备参数和控制监测技术被大量应用，有效提升了应用中的风险识别能力；针对不同地层条件下的回拖力计算为设备选型提供了依据，并为HDD多学科融合研究提供了途径；复杂地质条件下的冒浆、卡钻等热点和难点也得到初步探索研究，构建了理论、实验和数值分析模式，为提高HDD的应用效率和质量提供了依据。综合国内外研究进展，进一步分析了HDD的发展趋势

1、考虑图1所示关系数据库。对于下述查询中的每一个,给出一个关系代数表达式

新的部件导航器代表一观看在你部件文件中数据的不同方法。利用新的部件导航器去组 织、选择和控制你的数据的可见性及简单地浏览了解它。此外制图及建模数据包括部件导 航器中

医疗实体识别是电子病历文本信息抽取的基本任务。针对中文电子病历文本复合实体较多、实体长度较长、句子成分缺失严重、实体边界不清的语言特点以及标注语料难以获取的现状，提出了一种基于领域词典和条件随机场（CRF）的双层标注模型。该模型通过对外部资源的统计分析构建医疗领域词典，再结合条件随机场，进行了两次不同粒度的标注，将领域词典识别的准确性和机器学习的自动性融为一体，从中文电子病历文本中识别出疾病、症状、药品、操作四类医疗实体。该模型在测试数据中的宏精确率为96.7%、宏召回率为97.7%、宏F1值为97.2%。同时对比分析了采用注意力机制的深度神经网络的识别效果，因受到领域数据集大小的限制，在该测试数据集中后者表现不佳。实验结果表明了该双层标注模型对中文医疗实体识别的高效性