第7章中文 Windows98下常用工具软件的使用 7.1解压缩软件的使用 7.2多媒体播放软件 7.3计算机病毒防治与杀毒软件 7.4机器翻译软件 7.5图形图像软件

汇编语言是面向机器硬件的语言，要求程序设计者对MCS- 51单片机具有很好的“软、硬结合”的功底。 介绍程序设计的基本知识及如何使用汇编语言来进行基本的程序设计。 4.1 汇编语言程序设计概述 4.2 汇编语言源程序的汇编 4.3 汇编语言实用程序设计

图像增强是采用一系列技术去改善图像的视觉效果, 或将图像转换成一种更适合于人或机器进行分析和处理 的形式。例如采用一系列技术有选择地突出某些感兴趣 的信息,同时抑制一些不需要的信息,提高图像的使用 价值。 图像增强方法从增强的作用域出发,可分为空间域 增强和频率域增强两种

1.1 机器语言与汇编语言 1.2 数制与数制之间的转换 1.3 有符号数与无符号数 1.4 原码、反码、补码 1.5 ASCⅡ 1.5 ASCⅡ码

1.1 计算机概述 一、什么是计算机 计算机是一种能对各种信息进行存储和高速处理的工具或电子机器。 对上述定义要强调两点：

《现代控制理论》 《电子创新设计与应用》 《走进深渊》 《微机原理及接口技术》 实习（实践） 《MATLAB 基础及应用》 《传感器与现代检测技术》 《船舶电力系统检测与分析》（双语） 《无人水面航行器技术概论》 《电机与拖动基础》 《电力系统分析基础》 《电路分析》 《电路原理》 实验 《电子设计创新 1》 《电子设计创新 2》 《电子设计自动化》 《供电技术》 《供电技术课程设计》 《控制电机》 《模拟电子技术实验（双语）》实验 《水下机器人技术》 《信号分析与处理》 《虚拟仪器技术》 习（实践） 《电子技术基础》

软件工程是过去十年中人们普遍关注的焦点。软件过程与软件工程不完全同义。 2.1 Software Engineering-A Layered Technology 软件工程定义 (1)是为了经济地获得可靠的和能在实际机器上高效运行的软件而建立和使用的好的工程原则。这是 Fritz Bauer在NATO会议上给出的定义

指令就是要计算机执行某种操作的命令。 指令系统是一台计算机中所有机器指令的集合。 系列计算机是指基本指令系统相同，基本体系 结构相同的一系列计算机。系列机能解决软件 兼容问题的必要条件是该系列的各机种有共同 的指令集，而且新推出的机种的指令系统一定 包含旧机种的所有指令，因此在旧机种上运行 的各种软件可以不加任何修改地在新机种上运 行

02-01-05一级考试选择题(B) 1、智能机器人不属于计算机在()方面的应用。 A)科学计算B)计算机辅助制造C)过程控制D)人工智能 2、运算器中的运算结果可直接传送到() A)RAMB)软盘C)ROMD)硬盘 3、对软盘进行全面格式化后() A)就不能往软盘上写数据 B)软盘中原有的数据将全部丢失 C)软盘中原有的数据将部分丢失 D)软盘就不会感染计算机病毒 4、键入计算机的汉字需要转换成机内的统一()

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性