上一章讨论的局域网是单个的同种协议网,即网络中每台机器对应层所用协议相同,通信 是在同一个网络内不同主机之间进行的。而所谓“网络互连”,就是采用各种网络互连设备将 同一类型的网络或不同类型的网络相互连接起来,形成所谓“ internet“(互连网络),使一个 网络上的主机能与另一网络上的主机相互通信。因特网( Internet)是世界上最大的 internet 此外,为了保证网络的传输性能

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

上一章讨论的局域网是单个的同种协议网,即网络中每台机器对应层所用协议相同,通信 是在同一个网络内不同主机之间进行的。而所谓“网络互连”,就是采用各种网络互连设备将 同一类型的网络或不同类型的网络相互连接起来,形成所谓“ internet“(互连网络),使一个 网络上的主机能与另一网络上的主机相互通信。因特网( Internet)是世界上最大的 internet 此外,为了保证网络的传输性能、可靠性及安全性,一般要求一个网络所管理的范围不要 太大,这就要求把一个大的网络分解成若干个较小的子网,通过网络互连技术,形成所谓的 Intranet(内部互连网),以便隔离故障,提高安全保密性,方便网络管理

实践证明:正确地利用这种对称性质会使网络 的分析得到很大的简化。 具有翻转对称性质的网络绕位于其所在平面上的 a轴(下图中的虚线)转逆时针或顺时针)180°后, 无论在几何上和电气上都保持不变。这种网络由 两个互为镜像的子网络构成

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

人教版四年级上册语文_飞船上的特殊乘客_（备课素材）飞船上的特殊乘客_《飞船上的特殊乘客》教材理解

问题的提出: 上面讨论的分段低次插值函数 都有一致收敛性,但光滑 性较差,对于像高速飞机的机翼 形线,船体放样等型值线 往往要求有二阶光滑度,即有二 阶连续导数,早期工程师 制图时,把富有弹性的细长木条 (所谓样条)用压铁固定 在样点上,在其它地方让它自由 弯曲,然后画下长条的曲 线,称为样条曲线。它实际上是 由分段三次曲线并接而成,在连 接点即样点上要求二阶导数连

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

在航空、机械及材料研究领域中，零件的强度是一个很重要问题。研究强度问题的途径之一便是实验应力分析。本课程设计便是利用实验应力分析中的电测法来测定弹性元件等强度悬臂梁在力的作用下产生的应变。具体方法是通过在悬臂梁上粘贴三个应变片，它们均分布在悬臂梁的上表面上，其中一应变片位于纵向轴的中心线上，其余两个应变片分别位于轴中心线的两侧等距离处，且靠近变动端；然后通过增减砝码的个数改变所加的力，利用数字万用表记录、读取数据。为了减小实验误差，本实验采用多次测量求平均值的方法，并对实验数据利用Excel进行了拟合，作出了应变片的电阻变化值与载荷之间的关系图，再根据有关公式，最终得出在弹性限度内悬臂梁的应变与它所受到的外力大小成线性关系