ARM( Advanced rIsC Machines)是微处理器行业的一家知名企业,该企业设计了 大量高性能、廉价、耗能低的RISC处理器、相关技术及软件。技术具有性能高、成本 低和能耗省的特点,适用于多种领域,比如嵌入控制、消费/教育类多媒体、DSP和移 动式应用等。 ANM将其技术授权给世界上许多著名的半导体、软件和OEM厂商,每个厂商得到的 都是独一无二的ARM相关技术及服务,利用这种合作关系,ARM很快成为许多全球性RISC 标准的缔造者

微机计算机的发展 1971年,美国 Intel公司研究并制造了14004微处理器芯 片。该芯片能同时处理4位二进制数,集成了2300个晶 体管,每秒可进行6万次运算,成本约为200美元。它是 世界上第一个微处理器芯片,以它为核心组成的MCS-4 计算机,标志了世界第一台微型计算机的诞生。 微机概念:以大规模、超大规模构成的微处理器作为核 心,配以存储器、输入/输出接口电路及系统总路线所 制造出的计算机

基于K均值聚类法对转炉出钢过程的合金损耗进行了研究，分析了影响合金损耗的关键因素，并将其分为3个聚类，得到转炉出钢合金损耗最低的工艺模式。在此基础上，开发了基于PCA-BP神经网络和混合整数线性规划的合金减量化智能控制系统，并以某炼钢厂为例进行了实际应用。通过对模型进行在线运行，验证了模型的准确性和实用性。使用该模型后，提高了合金化钢液成分准确度，减少由传统人工经验计算配料造成的成本浪费和成分超标等情况，优化了合金配料方案，降低了炼钢合金化成本，不同钢种铁合金加入总成本降低5.95%～14.74%，平均降幅11.72%

深度神经网络近年在计算机视觉以及自然语言处理等任务上不断刷新已有最好性能，已经成为最受关注的研究方向.深度网络模型虽然性能显著，但由于参数量巨大、存储成本与计算成本过高，仍然难以部署到硬件受限的嵌入式或移动设备上.相关研究发现，基于卷积神经网络的深度模型本身存在参数冗余，模型中存在对最终结果无用的参数，这为深度网络模型压缩提供了理论支持.因此，如何在保证模型精度条件下降低模型大小已经成为热点问题.本文对国内外学者近几年在模型压缩方面所取得的成果与进展进行了分类归纳并对其优缺点进行评价，并探讨了模型压缩目前存在的问题以及未来的发展方向

第二章 货币的时间价值 一、终值计算 二、现值计算 三、四类现金流的计算 第三章 证券估值 一、债券的特征及分类 二、债券的估值 三、利率期限结构 四、股票的估值 第四章 资本预算决策方法 一、投资回收期法 二、平均会计收益率法 三、净现值法 四、内部收益率法 五、盈利指数法 六、折现投资回收期法 第五章 资本预算中的一些问题 一、现金流量的估算 二、特殊情况下的资本预算决策 第六章 资本预算中的不确定性分析 一、敏感性分析 二、盈亏平衡分析 三、决策树分析和实物期权 第七章 风险和收益 一、风险和收益 二、市场风险 三、CAPM和APT 第八章 资本成本与资本预算 第九章 资本结构 第十章 杠杆企业的资本预算 1、加权平均资本成本法(WACC) 2、调整净现值法(APV) 3、权益现金流量法(FTE) 政策 第十二章 权益融资 一、公开发行 二、私募发行 三、优先股筹资 第十三章 债务融资 第十四章 租赁和项目融资 第十五章 衍生工具的应用 第十六章 认股权证和可转换债券 第十七章 公司财务计划 第十八章 营运资本管理 一、现金管理 二、存货管理 三、应收账款管理

金融市场是整个金融系统的核心和灵魂,宏观上可以起到资源配置、实现储蓄-投资转化、传导金融政策等作用,微观上则具有价格发现、流动性提供、减少搜寻成本和信息成本等功能本章学习要点主要包括: 1、金融市场及其功能:掌握金融市场的定义;了解金融市场的宏观、微观作用;掌握金融市场的不同分类标准。 2、金融工具的性质:掌握金融工具收益性、流动性、风险性的定义,了解三者之间相互关系;了解金融工具的主要构成要素;理解债券票面利率与债券收益率的区别,了解金融产品偿还的主要方式;了解金融股工具的主要分析要素;掌握债券类金融工具久期的含义及基本计算公式

采用有限元软件ABAQUS建立热轧金属弹塑性变形模型研究金属横向流动，为了降低模型计算成本，在模型中引入平稳轧制过程中轧件几何模型端面纵向位移沿横向均布的假设.利用此模型仿真研究轧制过程中多个因素对于金属横向流动的影响规律以及相应金属横向流动对轧件板形造成的影响.研究结果表明，接触界面摩擦状态的改变对金属横向流动的影响可以忽略；宽带钢热连轧生产中，在比例凸度不变的情况下，宽度的变化和平均前、后张应力介于实际生产范围内的波动不会引起金属横向流动的变化以及进一步的轧件板形变化；金属横向流动随压下率变化，且使得压下率增加时轧件对称板形向中浪趋势发展；金属横向流动随对称及非对称板廓相似度变化，且金属横向流动的变化显著削弱板廓相似度的改变对轧件板形的影响.为了满足生产现场的在线控制，根据多组有限元模型计算结果建立快速金属横向流动非线性回归模型，为轧件板形的准确调控奠定基础

近年来路径跟踪控制的发展十分迅猛，研究者们发表了大量的研究成果。考虑到在相同或相近工况下的路径跟踪控制存在一些共性的技术问题与解决思路，从低速路径跟踪控制和高速路径跟踪控制两个角度对近年来的研究成果进行了回顾。在关于低速路径跟踪控制的研究工作中，研究者们较为重视前轮转角速度约束等系统约束对路径跟踪精确性的影响。目前减少系统约束影响的方法包括在规划参考路径时将系统约束纳入考虑，采用预瞄控制使控制器提前响应，以及采用线性模型预测控制（LMPC）或非线性模型预测控制（NMPC）等模型预测控制方法作为路径跟踪控制方法等。考虑到NMPC既能减少系统约束的影响，又无需人为设置预瞄距离，且对定位误差等扰动因素具有较强的鲁棒性，加之低速路径跟踪控制对实时性的需求较低，因此可以认为NMPC能够满足低速路径跟踪控制的绝大多数需求。高速路径跟踪控制在受系统约束影响之外，还面临着较高车速带来的行驶稳定性不足问题的挑战，因此常采用能够将动力学层面的复杂系统约束纳入考虑且计算成本较低的LMPC作为路径跟踪控制方法。不过仅采用动力学层面的LMPC控制方法无法完全解决高速路径跟踪控制中路径跟踪精确性和车辆行驶稳定性之间存在耦合的问题，目前常见的解决思路是在路径跟踪控制中加入额外的速度调节或权重分配模块。此外，在高速路径跟踪控制中，地面附着系数等环境参数的影响也较大，因此地面附着系数等环境参数的估算也成为了高速路径跟踪控制领域的重要研究方向

随着无人工厂、智能安监等技术在制造业领域的深入应用，以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中，操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点，在动态图像中的实时分割较为困难。针对此问题，提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合，根据目标时空关系的在线学习，预测新的目标位置并对SiamMask模型进行算法校正，实现视频序列中的目标快速识别。实验结果表明，所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响，将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧，比改进前的SiamMask模型帧率每秒提高3.2帧，算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求，对移动目标识别算法模型的复杂环境应用具有借鉴意义

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪