2.1般理论 2.1.1特征曲线与积分曲面 一阶拟线性方程具有形式 (2.1.2) 其中,u=u(x,y).称方向(a(x,y,z),b(x,y,z),c(x,y,z)是 方程(2.1.2)的特征方向,它在R3或R中的区域上定义了一 个向量场.我们称处处与方向(a,b,c相切的曲线是方程(2.1.2) 的特征曲线.设特征曲线的参数式为 x=x(t),y=y(t),z=z(t),t∈R或R中某区间

1．说出茎尖概念、分区及与根尖区别特征 2．说出茎的初生构造特点及识别特征 3．说出茎的次生构造特点及识别特征 4．说出单子叶植物与双子叶植物茎的区别特征 5. 说出根茎的构造特点

前列腺核磁超声图像配准融合有助于实现前列腺肿瘤的靶向穿刺。传统的配准方法主要是针对手动分割的前列腺核磁（Magnetic resonance, MR）和经直肠超声（Trans-rectal ultrasound, TRUS）图像上对应的生理特征点作为参考点，进行刚体或非刚体配准。针对超声图像因成像质量低导致手动分割配准效率低下的问题，提出一种基于监督学习的前列腺MR/TRUS图像自动分割方法，与术前核磁图像进行非刚体配准。首先，针对图像分割任务训练前列腺超声图像的活动表观模型（Active appearance model, AAM），并基于随机森林建立边界驱动的数学模型，实现超声图像自动分割。接着，提取术前分割的核磁图像与自动分割的超声图像建立轮廓的形状特征矢量，进行特征匹配与图像配准。实验结果表明，本文方法能准确实现前列腺超声图像自动分割与配准融合，9组配准结果的戴斯相似性系数（Dice similarity coefficient, DSC）均大于0.98，同时尿道口处特征点的平均定位精度达1.64 mm，相比传统方法具有更高的配准精度

提出了一种联合多种边缘检测算子的无参考质量评价算法，同时考虑一阶和二阶边缘算子，避免了单一算子的局限性.该方法首先将彩色图像转换为灰度图像，然后计算灰度图像的梯度，相对梯度以及LOG特征.本文所使用的特征分为两部分，一部分提取相对梯度方向的标准差，另一部分利用条件熵来量化不同特征之间的相似性和相互关系，并且考虑到人眼特性进行多尺度计算，最后使用自适应增强（AdaBoost）神经网络进行训练和预测.在公共数据库LIVE和TID2008上进行实验，结果表明新方法对失真图像的预测评分与主观评分有较高的一致性，能很好地反映图像质量的视觉感知效果，仅使用10维特征，性能优于现有的主流无参考质量评价算法

第四节语言的结构特征 从语言内部结构特征看,语言在本质上是一种音义结合的 符号系统。 一、语言的符号性 (一)符号的特征 十符号是什么?符号是具体事物的标记或代号 (1)视觉符号(29听觉符号(3)触觉符号 (二)语言符号于其他符号的区别 1.产生的时间不同语言符号第一性,其他符号第二性 (三)语言符号的特点号开放性,其他符号封闭性 1.任意性语言符号最突出的特点就是它的音义结合的任意性

为研究纳米隔热材料孔隙结构内部的气体热传输特性, 采用溶胶-凝胶工艺结合超临界干燥技术, 制备了一系列具有不同孔隙结构特征的样品, 通过热导率、氮气吸-脱附和真密度测试, 全面、准确获取了其孔隙结构信息, 并专门、系统研究了孔隙结构特征与气体热传输特性之间的关系.研究结果表明: 与气相贡献热导率相对应, 材料具有双尺度孔隙结构特征, 并且当大孔隙尺度不及小孔隙的10倍时, 可进一步等效为单尺度孔隙.考虑气固耦合传热的本征气相贡献热导率随孔隙尺度的增大而升高, 与气相热导率变化类似且成一定的比例关系, 孔隙尺度小于200 nm和大于500 nm时的比例系数分别为2.0和1.5, 200~500 nm时则为2.0~1.5.当大、小孔隙尺度的比值不超过10时, 或者这一比值为100~1000且大孔隙含量低于10%时, 气相贡献热导率随环境气压的降低依次呈现快速下降、缓慢下降和无变化三个阶段; 当这一比值超过3000时, 即使大孔隙含量很低(不超过10%), 气相贡献热导率也会依次呈现快速下降、缓慢下降、快速下降和无变化四个阶段

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

第一节 厂商和市场的划分 一、市场、厂商和行业 二、市场结构的划分 第二节 完全竞争市场 Perfect Competition 一、完全竞争市场的含义及特征 二、完全竞争市场的需求及收益曲线 三、完全竞争市场的厂商均衡 四、完全竞争市场的资源配置效率评价 第三节 完全垄断市场 Monopoly 一、完全垄断市场的含义及特征 二、完全垄断市场的需求曲线及收益曲线 三、完全垄断市场的厂商均衡 四、价格歧视 五、资源配置效率的评价 第四节 垄断竞争市场 Monopolistic Competition 一、垄断竞争市场的含义及特征 二、垄断竞争市场的需求曲线 三、垄断竞争市场的厂商均衡 四、非价格竞争——产品差异化 五、资源配置效率的评价 第五节 寡头垄断市场 Oligopoly 一、寡头垄断市场的含义及特征 二、产量决定模型 三、价格决定模型 四、资源配置效率的评价 五、博弈论初步

草绘特征是指由二维特征截面经过拉伸、旋转、扫描、放样等方式形成的一类实体特征

3.1 人在系统中的功能 3.2 视觉机能及其特征 3.3 听觉机能及其特征 3.4 其他感觉机能及其特征 3.5 神经系统机能及其特征 3.6 人的信息处理系统