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

一、上下文无关文法的重要性: 二、拥有足够强的表达力来表示大多数程序设计语言的语法。 三、可以构造有效的分析算法来检验一个给定的字符。 四、串是否是由某个上下文无关文法产生

为了提高非平衡数据集的分类精度，提出了一种基于样本空间近邻关系的重采样算法。该方法首先根据数据集中少数类样本的空间近邻关系进行安全级别评估，根据安全级别有指导的采用合成少数类过采样技术（Synthetic minority oversampling technique，SMOTE）进行升采样；然后对多数类样本依据其空间近邻关系计算局部密度，从而对多数类样本密集区域进行降采样处理。通过以上两种手段可以均衡测试数据集，并控制数据规模防止过拟合，实现对两类样本分类的均衡化。采用十折交叉验证的方式产生训练集和测试集，在对训练集重采样之后，以核超限学习机作为分类器进行训练，并在测试集上进行验证。在UCI非平衡数据集和电路故障诊断实测数据上的实验结果表明，所提方法在整体上优于其他重采样算法

六油料作物病害 油料作物主要包括油菜,芝麻、大豆、花生和向日葵等。其中油菜、芝麻在长江流域和 黄淮流域各省广泛种植,大豆、花生、向日葵在北方在栽培较普遍。油菜菌核病、病毒病和 霜霉病是油菜的重要病害:大豆胞囊线虫、疫霉根腐病、病毒病和霜霉病在大豆上危害较严 重;芝麻茎点枯病、枯萎病和疫病是芝麻上的严重病害;茎腐病、叶斑病、网斑病、青枯病 和根结线虫病在花生上危害较大;菌核病、锈病、霜霉病和列当等是向日葵上分布较广,危 害较大的病害

含参积分提供了表达函数的又一手段。我们称由含参积分表达的函数为含参积分。这种形式的函数在理论 上和应用上都有重要作用,有很多很有用的特殊函数就是这种形式的函数 下面讨论这种由积分所确定的函数的连续性,可微性与可积性 定理1若函数f(x,y)在矩形[abcd上连续,则函数1(y)=Jf(x,y)d在c,l]上连续 注:在定理的条件下,有

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