第1讲:营销调研概述 第2讲:营销调研流程 第3讲:定义问题与确立调研目标 第4讲:设计调研方案 第5讲:数据来源(1)二手资料 第6讲:数据来源(2)一手资料

受限空间内视觉疲劳是造成事故的主要原因之一。为探究有限空间内光照对视屏显示终端（Visual display terminals，VDT）作业视觉疲劳的影响，选取24名作业人员，在搭建的受限空间平台内进行VDT打字作业1 h，在50～700 lx范围内设置7个光照梯度使用眼动仪采集瞳孔直径数据。将采集数据进行归一化和降噪处理。实验结果表明，随着照度增大，瞳孔直径总体呈减小趋势，且瞳孔?照度关系符合幂函数关系；照度400，550和700 lx环境下瞳孔直径变化率在?12%～8%之间浮动，且随着光照强度的增强，作业人员视觉疲劳发生的程度增加；在低照度50，100和200 lx环境下，瞳孔直径变化率在?8%～4%之间浮动，且随着强度的减弱，作业人员视觉疲劳发生的程度也会增加。本研究提出使用窗口化的瞳孔直径标准差σ判断视觉疲劳出现时间，低照度下的σ峰值出现时间早于高照度下σ峰值出现的时刻，300 lx照度下σ峰值出现的时刻最晚，50～300 lx弱光照下对视觉造成的疲劳程度大于300～700 lx强光照下造成的疲劳

基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

降雨是诱发滑坡的主要因素之一,尤其在暴雨条件下,更易激发滑坡.随着南帮边坡开采高陡化,滑坡发生频繁.为研究降雨条件下南山矿凹山采场南帮边坡稳定性特征,采用MSR300型雷达对边坡进行了连续4 a的实时稳定性监测,基于采集到的采场降雨数据和边坡滑移数据,分析了降雨量和降雨强度与边坡变形规律,对凹山采场滑坡各阶段进行了划分,建立了凹山采场边坡失稳模型和预警阈值.结果表明:凹山采场变形与降雨量呈正相关,服从幂函数规律;边坡变形速度曲线与降雨强度有良好的一致性,滑坡一般发生在最大降雨强度之后;滑坡阶段主要包括初始变形阶段,稳定变形阶段和加速变形阶段;报警阈值分别为:6 h时序内,位移阈值为20 mm,速度阈值1.5 mm·h-1;12 h时序内,位移阈值为30 mm,速度阈值为2.5 mm·h-1.凹山采场滑坡曲线与岩土体非稳定蠕变曲线具有较高的相似性,位移曲线出现了\阶跃\现象,速度曲线出现了\尖凸\现象,这种情况易引起滑坡事故,其中在位移曲线的\拐点\处和相应速度曲线的\凸点\处发生滑坡的可能性最大.研究成果为类似矿山边坡稳定性监测和破坏机制提供了科学依据和参考

一.是非题(2’×10) (x)1、队列逻辑上是一个表头和表尾既能插入又能删的线性表。 (√)2、任何一个递归过程都可以转换成非递归过程。 (x)3、与n个键值的集合{k1,k2,…,kn}相对应的堆是唯一的

一.是非题(2’×10) ()1、队列逻辑上是一个表头和表尾既能插入又能删除的线性表。 ()2、任何一个递归过程都可以转换成非递归过程。 ()3、与n个键值的集合{k1,k2,…,kn}相对应的堆是唯一的

总结所考知识点分布: 一、线性结构: mp算法中next数组的值 线性表的归并 两个栈模拟队列

3.4.1 单表查询 3.4.2 连接查询 3.4.3 嵌套查询 3.4.4 集合查询 3.4.5 Select语句的一般形式

1、假设有两个按元素值递增有序排列的线性表A和B,均以单链表作存储结构, 请编写算法将表A和表B归并成一个按元素非递减有序(允许值相同)排列的 线性表C,并要求利用原表(即表A和表B)的结点空间存放表C。(12分)

浅层黄土滑坡是黄土高原广泛分布和频繁发生的地质灾害,造成了巨大的人员伤亡和财产损失.尽管二维确定性模型已被广泛用于浅层滑坡稳定性预测,但不能充分考虑岩土性质、地层结构、地下水等条件的三维空间变化,这可能与实际的斜坡稳定性不相符.因此,利用能考虑复杂斜坡环境的三维确定性模型评价滑坡稳定性,对获取更真实的评价结果以及指导滑坡防治工作具有重要意义.本文利用Scoops3D三维确定性模型评价了在浅层黄土滑坡稳定性预测中的适应性和可靠性.首先,模型计算参数敏感性的分析发现黏聚力、滑动视倾角和栅格单元重量对安全系数准确度影响较大,并用于指导获取详细的关键参数.然后,选取不同分辨率的数字高程模型(DEM)数据,利用Scoops3D模型对典型黄土沟壑中的浅层黄土滑坡稳定性进行预测,并通过详细的点状和面状滑坡分布图与预测结果的对比发现,该模型对黄土沟壑区的浅层滑坡稳定性预测准确度较高,且点状滑坡分布图可能更适合模型适应性的检验.最后,混淆矩阵法和成功率曲线法对不同分辨率数字高程模型预测结果可靠性的检验显示,该模型能够有效地预测黄土浅层滑坡的稳定性,且在高分辨率数字高程模型数据下可以获得可靠的预测精度