本章内容：.NET数据提供程序概述，数据库的连接字符串，连接数据库的Connection对象，执行数据库命令的Command对象，读取数据的DataReader对象，数据读取器的DataAdapter对象。 本章重点：Connection对象，Command对象，DataReader对象

为了克服经验法推算结构物埋深的缺陷,基于检测对象的雷达反射波形特征,通过提取反射波形上的少量特征点,提出一种估算结构物埋深的新方法,并考虑实际检测中结构物反射波形的畸变,对估算精度进行分析评价.结果表明:对于理想的无畸变检测数据,该方法对结构物埋深、水平位置及电磁波速的估算结果较为精确;当反射波形存在畸变时,该方法对埋深的直接估算结果误差较大,平均误差达到55.202%,但对于电磁波速的估算结果较为精确;对于实测的有畸变检测数据,可通过电磁波速估算结果及测得的目标体双程旅时对埋深进行间接估算,估算精度满足雷达法检测对埋深估算的要求.相比经验法,该方法在估算精度、误差控制方面具有显著优势

第10章ADO对象 10.1AD概述 10.10.2《Connecton对象 10.3 Command对象 10.4 RecordSet对象 10.5 FieldsField数据集合和对象 10.6 PropertiesProperty数据集合和对象 10.7 ParametersParameter数据集合与对象 10.8 ErrorsError数据集合和对象

第2章对象操作 本章内容 一、选择对象 二、移动、复制和删除对象 三、对象组合 四、叠放和对齐对象 五、旋转对象、调整对象比例 六、打散对象

研究了水生植物菖蒲和芦苇对复合重金属(V、Cr和Cd)的富集能力及对重金属的生理响应,以考察这两种植物对重金属污染水体的修复效果.结果表明,随着水体中重金属污染浓度的提高,两种植物的耐性系数均有所下降,但菖蒲的生长状况优于芦苇.在不同重金属污染浓度下,菖蒲和芦苇均表现出对Cd的富集能力最强,其次是Cr,而对V的富集能力相对较弱.在相同重金属浓度下,菖蒲对三种重金属的富集总量大于芦苇,在重金属质量浓度为15 mg·L-1时,菖蒲对三种重金属的富集量分别是1065.02、1754.80和4372.40 mg·kg-1,且菖蒲地下部分对V、Cr和Cd的富集系数分别是芦苇的2.1倍、1.5倍和1.8倍.综合考虑得出菖蒲比芦苇更适用于V、Cr和Cd复合重金属污染的修复

第7章ASP对象 7.1对象的概念 7.2 Response对象 7.3 Request对象 7.4 Application对象 7.5 Session对象 7.6 Server对象 7.7 ObjectContext对象

铁矿石烧结烟气中含有较高浓度的CO（体积分数0.5%～2%），因此对其进行CO脱除意义重大。为了探究不同类型催化剂的催化效果，采用浸渍法制备了Pt涂层蜂窝金属催化剂和铁铈氧化物催化剂，并通过X射线荧光光谱分析（XRF）对其组分含量进行了分析。二者在模拟烧结烟气中进行CO脱除性能的对比实验，活性测试表明，不同CO初始体积分数、烟气温度以及水汽含量对CO催化氧化的脱除效率影响较大。当模拟烟气中不含水汽的时候，二者在180 ℃及更高温度下对CO的脱除效率均能达到60%以上。反应温度为180 ℃，水汽体积分数为11.7%时，Pt负载型催化剂中的CO转化率为63.9%，而该条件下Ce改性Fe2O3催化剂的CO转化率仅为34.9%。当温度在180～300 ℃范围内，Pt负载型催化剂具有较好的抗水性，且继续升高温度，水汽体积分数增加对催化剂效率的负面影响更显著。如水汽体积分数从0增加到27.1%时，与180 ℃时的催化效率相比，Pt负载型催化剂在240 ℃时的催化效率由73.9%降至62.3%，降幅远远增大。另外，对这两种催化剂进行了抗硫性测试。当水汽体积分数为0时，Ce改性Fe2O3催化剂抗硫性更佳，但当SO2和水汽同时存在的情况下，Pt负载型催化剂具有更好的抗硫性。因此，在实际烧结中建议采取高效的脱硫措施并布置脱水层以减少其对于催化剂的负面影响

第一节 概述 第二节 霉菌及其毒素对食品的污染 第三节 N-亚硝基化合物、多环芳烃化合物对食品的污染 第四节 农药（Pesticide）对食品的污染 第五节 兽药及其化学控制物质对食品的污染 第六节 工业“三废”对食品的污染 第七节 放射性物质对食品的污染 第八节 二恶英（dioxin）对食品的污染 第九节 食品包装材料对食品的污染 第十节 食品添加剂对食品的污染

一、 类和对象的基本概念（类的定义、对象的定义） 二、 构造函数与析构函数（对象的初始化） 三、 对象数组、对象指针及引用 四、 向函数传递对象 五、 静态成员 六、 常量对象及常量成员

针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法