汉朝不仅在年代上继承秦朝,而且在许多方面也是继承秦朝。它巩固了秦朝首 次实现的统一。 统一思想 为达到巩固统一的目的,秦采取了许多政策,其中最重要的是统一思想的政策 秦统一六国之后,丞相李斯上书始皇帝,说:“古者天下散乱,莫能相一。…人 善其所私学。以非上所建立。今陛下并有天下,辨白黑而定一尊。而私学乃相与非 法教之制。…如此不禁,则主势降乎上,党与成乎下

镍铝青铜合金是铸造大型舰艇螺旋桨的主要材料,海洋污损生物在合金表面附着引起的pH值变化会加速镍铝青铜合金的腐蚀磨损,威胁到舰艇安全航行.采用冷喷涂技术制备了较为致密的镍铝青铜涂层,厚度约300 μm,利用扫描电镜、光学显微镜观察了涂层的微观形貌,重点研究了涂层在pH值分别为3、7和11,质量分数为3.5%的NaCl溶液中的电化学腐蚀性能和腐蚀磨损行为.实验结果表明:pH值为3的环境中,镍铝青铜基体发生了选相腐蚀,表面疲劳裂纹主要分布在富Cu的α相上,涂层上的犁削沟槽加深发生了磨粒磨损,涂层耐腐蚀性能优于基体;pH值为7的环境中,基体发生了黏着磨损,表面有片层状金属剥落,涂层中的孔隙收容了大量磨屑避免了剧烈的三体摩擦,表面犁削沟槽较浅,涂层致钝电位高于基体,耐腐蚀性能变差.pH值为11的环境中,基体发生了表面疲劳磨损,涂层磨痕上有较深的犁削沟槽,沟槽内有微裂纹,涂层耐腐蚀性能优于基体.总体来说,在不同pH值环境中,涂层由于在冷喷涂过程中发生了冷加工硬化并且涂层上的孔隙收容了磨屑,导致涂层的耐腐蚀磨损性能增强

结合风口回旋区燃烧和炉外煤气预热、脱除和循环的平衡关系,建立了氧气高炉一维气固换热与反应动力学模型,并采用传统高炉的运行和解剖数据对模型进行了验证分析.通过模型研究了氧气含量和上部循环煤气流量对氧气高炉炉内过程变量的影响规律.结果表明:氧气含量偏低和上部循环煤气流量不足时,会降低铁矿石还原效果,炉渣内出现大量未还原铁氧化物;氧气含量和上部循环煤气流量的提高可以有效提高炉内CO含量和铁矿石还原速度,但提高上部循环煤气流量会大幅提升炉顶煤气温度,增大热量损失.与传统高炉相比,氧气高炉内CO含量提高1.0~1.5倍,炉内气体还原性更强;铁矿石还原完成位置提高1.49 m,全炉还原反应速度更快;直接还原度降低55.2%~79.2%,炉内直接还原反应消耗的碳量更少

孟子说过,不喜欢杀人的人能够统一天下(《孟子。梁惠王上》。他似乎说错 了,因为数百年后正是秦国统一了全中国。秦国在“耕战”两方面、也就是经济 上、军事上,都超过其他国家。当时秦国是出名的“虎狼之国”。它全靠武力、又 加上法家残忍的意识形态,胜利地征服了一切敌国

过去我国金属矿山φ150潜孔钻头主要使用刃片型钻头,因结构和工艺上存在问题,在f=10～12的中等硬度以上矿岩条件金属矿山使用寿命很低（一般为20～30米/个）。使用柱齿钻头后使用寿命有显著的提高,达到200米/个左右水平。措施是钻头结构改刃片形为柱齿形,外形及尺寸保证钻头有足夠强度並能有效传递冲击能量;在加工工艺上根据固齿的模拟试验和生产实践所总结出钻头硬度、加精度与过盈量的合理配比关系来提高固齿质量;在钻机工作参数中坚持高风压、低转速原则,以提高破岩效果减少钻头的磨损。文中列举了室内外的试验数据来说明上述措施的效果

对于一个函数(t),有可能因为不满足傅氏变 换的条件,因而不存在傅氏变换. 因此,首先将(t)乘上u(t),这样t小于零的部分 的函数值就都等于0了 而大家知道在各种函数中,指数函数e(B>0) 的上升速度是最快的了,因而e-Bt下降的速度 也是最快的. 因此,几乎所有的实用函数p(t)乘上u(t)再乘上 e-后得到的(t)u(t)e-p傅氏变换都存在

一、污染物在生物化学和分子水平上的影响 二、污染物在细胞和器官水平上的影响 三、污染物在个体水平上的影响 四、污染物在种群和群落水平上的影响 五、化学污染物对生物的联合作用

运用Factsage软件模拟了MgO含量对CaO-SiO2-Al2O3-MgO熔渣中液相区的影响.结果表明，随着CaO-SiO2-Al2O3-MgO渣中MgO含量增加，渣中低熔点液相区整体向低CaO高SiO2区移动.相图中1500℃液相区比例由0%MgO（质量分数）时的25.05%上升至9%MgO（质量分数）时的52.69%，而后降至15%MgO时的46.70%.相图中1400℃液相区比例由3%MgO时的14.41%上升至11%MgO时的34.39%，而后降至15%MgO时的31.04%.相图中1300℃液相区比例由5%MgO时的5.57%上升至14%MgO时的11.02%，而后降至15%MgO时的10.50%.相图中1200℃液相区域比例在MgO为0~6%时为零，由7%MgO时的0.88%上升至11%MgO时的1.22%，在MgO为13%~15%时降为零.模拟结果可对以CaO-SiO2-Al2O3-MgO为基本组元配置炼钢渣系的成分选择提供有效指导

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

n(元)维随机变量(向量) 称同一个样本空间Ω上的n个随机变量 X1,2,…,Xn构成的n维向量(X1,2,Xn) 为Ω上的n维随机变量(向量) 注:一维随机变量即为上一节介绍的随机变量, 二维及二维以上的随机变量称为多维随机变量