9.1网络数据库的并发控制 9.1.1事务 9.1.2并发控制的必要性 9.1.3基于锁的并发控制技术 9.1.4其它并发控制技术

6.3.1Web数据库应用的三层体系结构 6.3.2数据库与Web的交互

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

2.7数据交换方式 2.7.1线路交换 2.7.2报文交换 2.7.3分组交换 2.7.4高速交换

1 概述 2 概念设计 3 逻辑设计 4 物理设计 5 数据库安全性设计 6 基于ROSE的数据库设计

2.1 统计理论概述 2.2 统计数据的采集 2.3 统计数据的整理

C++语言概述 基本数据类型和表达式 数据的输入与输出 算法的基本控制结构 自定义数据类型

§1. 需求分析的任务 §2. 需求分析的步骤 §3. 基于数据流的分析方法 4 数据字典 5 基于数据流的分析方法

第一章 绪论 第二章 统计数据搜集 第三章 统计数据的整理与显示 第四章 总量指标和相对指标 第五章 数据分布特征的描述 第六章 抽样调查 第七章 相关与回归分析 第八章 时间数列分析 第九章 统计指数 第十章 统计综合分析 第十一章 国民经济核算