利用离散单元法（Discrete element method，DEM）对球形颗粒群以及非球形颗粒群的筛分过程进行了仿真并开展了实验研究，结果表明球形和非球形颗粒的仿真与实验中筛分效率的变化是一致的，但非球形颗粒的仿真结果与实验结果更接近。正交设计多组模拟试验，分析了各振动参数（振动频率、振幅以及筛面倾角）对颗粒分布曲线、筛分效率以及物料平均运输速度的影响规律。对正交试验表中的数据进行多元非线性拟合，得到筛分效率与振动参数间的关系式；并在此关系式的基础上，对振动参数进行优化设计，得到了最优振动参数且在仿真中得到了验证。研究内容不但为高频振网筛振动参数的设计提供了理论依据，而且为研究高频振动系统的筛分机理提供了实验和仿真数据支持

桥梁模态频率随运营环境作用的变化规律是结构健康监测的研究主题之一.根据东海大桥6 a监测数据的周期变化特性,识别了运营条件下主梁竖弯、侧弯、扭转基频变化的影响因素,采用偏相关系数和周期平均法对比了各因素的影响程度.研究发现,东海大桥的模态频率存在1 a、1周、1 d、12.42 h等变化周期,与结构温度、交通荷载、风荷载、海面高度等的变化周期相吻合;结构温度和交通荷载是引起该桥频率变化的最主要因素,它们在各周期上的相对影响大小不同;周期平均法可有效分离监测数据中的年、周、天周期成分,揭示不同运营环境作用与频率变化的相关性.研究结果有助于加深对桥梁运营期频率变化的理解,从而更准确地评估结构性能

3.1栈 3.1.1抽象数据类型栈的定义 栈(stack):先进后出(FILO)的线性表 或后进先出(LIFO)的线性表。 或仅在表尾进行插入和删除操作的线性表。 栈顶(top):线性表的表尾端,即可操作端。 栈底(bottom):线性表的表头

一、介绍根据内容检索的基本概念。 二、介绍检索系统的评介方法。讨论针对文本数据的根据内容检索问题,集中讨论向量空间表示,以及文档中匹配查询的算法、隐含语义索引和文档分类。介绍用于对个人偏好建模的自动推荐系统

一、上面所介绍的都是将文档表示为T维词条权向量的。但用户可能提出的查询中的词条不在用在索引文档的词条中。 二、例如,从词条相似性的角度来看,词条“数据挖掘”和“知识发现”设有什么直接的共同点。然而,从语义角度来看,这两个词条有很大的相同点

在前期研究的基础上, 对LiBr-[BMIM]Cl/H2O三元工质对的其他重要热力学数据进行了系统地测定, 包括密度、黏度、比热容和比焓.采用最小二乘法对测定的热力学数据进行回归, 得到了物性方程; 实验值与物性方程计算值的平均绝对相对偏差(average absolute relative deviation, AARD)分别为0.03%、1.10%、0.29%和0.01%.除了结晶温度和腐蚀性, 黏度是影响工质对实际应用的另外一个重要因素, LiBr-[BMIM]Cl/H2O三元工质对的运动黏度小于25 mm2·s-1, 满足实际应用要求, 且很好地改善了离子液体的高黏度问题

4.1 汇编语言源程序 4.1.1 汇编语言源程序的结构 4.1.2 汇编语言的语句与格式 4.1.3 数据项与表达式 4.2 伪指令 4.2.1 数据定义伪指令 4.2.2 符号定义伪指令 4.2.3 段定义伪指令

3.3.1 数据传送指令 3.3.2 算术运算指令

以迄今为止查阅到的中国大陆金属矿区实测地应力数据为基础，经优化处理后最终采用165组数据，基本覆盖了我国大陆主要金属矿山分布地区.采用回归分析法给出了中国大陆金属矿区测量埋深范围内的地应力场特征，并尝试从地应力的角度对中国大陆金属矿区断层的稳定性进行了讨论.结果显示，中国大陆金属矿区垂直主应力、最大与最小水平主应力总体上随埋深呈线性增加；最大与最小水平主应力之差Δσ随埋深的增加有增大的趋势，但规律性不显著；最大水平主应力与垂直主应力之比Kh，max主要集中在1.00~2.50之间，最小水平主应力与垂直主应力之比Kh，min主要集中在0.50~1.50之间，平均水平主应力与垂直主应力之比Kh，av主要集中在1.00~2.00之间，随着埋深的增加，3个侧压系数的变化幅度逐渐减小，Kh，max趋向于1.83，Kh，min趋向于0.80，Kh，av趋向于1.31；最大与最小水平主应力之比与埋深没有显著的关系，主要集中在1.5~2.0之间，近似服从正态分布；断层在埋深小于500 m范围内有滑动的可能，埋深超过500 m时，逆断层有滑动的可能，走滑断层处于相对稳定状态

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机