本文简述了利用微机M24(IBM—PC/XT兼容机)进行英语辅助教学,建立英语试卷自动命题系统(ATMS即Automatic Test—Making System的简称。);说明了ATMS的基本构成原理,给出了主要框图

智能控制是自动控制发展的高级阶段,是人工智能、控制论、系统论和信息论等多种学科的高度综合 与集成,是一门新的交叉前沿学科。从广义上讲,智能控制是研究对复杂的不确定性被控对象(过程)采 用人工智能的方法有效地克服系统的不确定性,使系统从无序到期望的有序状态转移的方法及其规律 智能控制已经出现了相当长的一段时间,并且取得了初步的应用成果

本文介绍在M-150型电子计算机上,用DDSⅢ(连续系统数字仿真)语言,对1700热连轧机的自动厚度控制进行了仿真研究,提出一种新的两重方式(dual mode)控制系统。和现有的控制系统相比较,新系统可以保证更高的快速性与动态精度

在各种超声波加工中,为了充分利用超声功率,要求激励频率必须与机械传声系统固有频率重合。最近在有些超声波加工中,已采用了自激频率跟踪发生器[1] [2],它能在有载传声系统共振频率发生偏移时,自动跟踪之。在超声波冷拔工艺中:负载性质如何,对传声系统共振频率有何影响;激励状态及功率对频率有何影响以及频率偏移对效果有何影响?为此,我们对超声冷拔铝管、钢管、紫铜管、黄铜管、钢丝进行了广泛的实验研究,并获得了一些实际结果。试验得出,在超声振动外模拉拔工艺条件下,频率偏移很小,可不采用频率自动跟踪系统

提出了一种新的模糊认知图分类器模型构造方法,它包括构建流程、激活函数、推理规则和学习方法等核心构件.模型利用提出的动态交叉变异算子自适应遗传进化过程,实现种群间自动调节和自动适应.仿真实验表明:本文提出的模型增强了局部随机搜索能力,加强了算法的全局收敛能力,与其他经典分类方法相比,不但性能较好,而且具有较强的抗噪能力,从而具有更强的鲁棒性

设计了一种单片计算机程控的信号变换电路。它实现了八位A/D转换器的十一位变换,零点自动补偿,量程自动切换,以及线性化等功能。电路用于光电辐射测温仪的信号处理。其量程范围:1000~1800℃。变换电路的测量误差 ≤ 1℃±1个字,(不包括光电转换元件的误差)。讨论了信号变换系统的工作原理及软件程序框图,分析了各部分的误差及其影响,给出了试验结果。结果表明,以软件和硬件的结合,数字电路和模拟电路的结合构成的变换系统,具有更大的灵活性,并简化了结构

4.1已知系统特征方程如下,试用劳斯判据判别系统稳定性,并指出位于右半S平面和虚轴上的特征根的 数目

3.1已知理想采样开关的采样周期为T秒,连续信号为下列函数,求采样的输出信号f(t) 及其拉氏变换F(s)

2.1列写如图题2.1所示电路中以电源电压U作为输入,电容C1,C2上的电压U和U作为输出的状态空间表达式

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