提出基于普通变尺度和周期势自适应随机共振理论，检测噪声背景下轴承滚动体的故障特征.在具体实施过程中，首先用普通变尺度的方法满足随机共振中小参数的条件，然后用随机权重粒子群优化算法作为自适应随机共振参数寻优的优化算法，同时用改进的信噪比作为评价指标.噪声背景下含轴承滚动体故障的实验信号经过普通变尺度下的自适应随机共振处理和优化后，微弱的故障特征可以有效的提取出来.将普通变尺度下的双稳态自适应随机共振和周期势自适应随机共振进行了对比，结果表明周期势自适应随机共振比双稳态自适应随机共振能进一步提高信噪比，并且比双稳态自适应随机共振迭代次数少，用时短.这说明提出的基于普通变尺度和周期势系统自适应随机共振的轴承滚动体故障诊断方法具有优越性，尤其是在工程实际中，故障监测所需的数据量大，计算时间长，如能较早的预警，可以提高诊断效率并减少不必要的损失.因此，这种轴承滚动体故障诊断方法对提高机械设备故障诊断效率具有参考价值

通过网络平台,对信息(企业的、政策的、自然资源 的各类静态信息)进行收集、分类、整理并发布,并 提供目录查找,这种以分类信息的传播和获取为核 心价值而形成的价值链称为第一代电子商务

5.1 利用网络检索科研信息 5.1.1 国外网络数据库的检索 5.1.2 国内网络数据库的检索 5.1.3 网上电子期刊 5.1.4 网上专利文献检索 5.1.5 数字图书馆 5.1.6 利用搜索引擎

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度

4.1 网络信息管理简介 4.2 网络信息管理基本技术 4.3 网络信息的整理 4.4 个人网络信息查询系统的设计 4.5 个人数据库建立

自由空间传播模型 室外路径损耗传播经验模型 室内路径损耗传播经验模型 多径信道的基本特征和参数 多径信道的统计分析

第一节 理想信念与大学生成长成才 第二节 树立科学的理想信念 第三节 架起通往理想彼岸的桥梁

• 9.1 信号处理工具（sptool）的介绍 • 9.2 语音数字化量化噪声的改善 • 9.3 系数量化和运算量化的影响 • 9.4 在双音拨号系统中的应用 • 9.5 正余弦信号的谱分析 • 9.6 音乐信号处理 • 9.7 变采样率数字滤波 • 9.8 稀疏天线阵列设计 • 9.9 结束语

• 4.1 各种傅立叶变换及其关系 • 4.2 快速付立叶变换(FFT) • 4.3 用FFT计算序列的频谱 • 4.4 时域采样中的频谱变换 • 4.5 连续信号的频谱计算 • 4.6 用反变换从频谱计算信号 • 4.7 用FFT计算能量 • 4.8 小结

为消除陡脉冲带来的干扰，分析了陡脉冲干扰的特点，建立了陡脉冲噪声数学模型，提出了基于变分模态分解（Variational mode decomposition, VMD）的心电信号滤波算法，提取叠加在心电信号中陡脉冲干扰分量、识别陡脉冲干扰分量并剔除陡脉冲干扰分量；为减少VMD分解层数、提高实时性并减少内存消耗，提出了心电信号预处理算法；针对医疗环境中的随机噪声伴随陡脉冲出现的情况，分析了VMD后子信号中随机噪声的特点，提出了基于VMD子信号能量估计的阈值去噪算法；利用变分模态分解的带通滤波器组特性，提出了基于变分模态分解子信号重组的QRS波群检测算法，配合滤波算法以提高心电信号特征检测精度。以添加了高斯白噪声和模拟陡脉冲干扰的MIT?BIH数据库心电信号和医疗环境中采集的心电信号为实验对象，分别实现对滤波算法和QRS波群检测算法的定量对比分析