一、土地利用动态监测概述 自然环境的演变:如全球变暖、海平面上升、植被演替、自然灾害(荒漠化、崩滑流等)等造成土地资源质量下降和数量减少

基于人机动态协同控制的车道保持辅助系统有助于兼顾汽车的安全性与驾驶员的舒适性，分析了该系统在车道偏离决策模型、驾驶权动态分配及性能评估等方面的研究现状和发展趋势。在车道偏离决策模型方面，应根据驾驶员的状态制定不同的决策模型，既可以建立自适应调节的决策模型，又应允许驾驶员根据自己的喜好和外部驾驶环境手动调整决策模型中预设的参数；在驾驶权分配方面，应探索更加合理的驾驶权动态分配方式，设计智能的优化算法或控制模型；在性能评估指标方面，应加入与降低人机冲突及减少驾驶员控制量相关的评估指标，制定科学完善的主观评估体系。未来研究应该深度融合驾驶员因素，实时发出警报与主动干预，并能够对系统进行完善的测试与评估

一、几个有意义的实际问题 二、相对于定点的质点系动量矩定理 三、刚体绕定轴转动的微分方程 四、相对于质心(平移系)的质点系动量矩定理 五、刚体平面运动微分方程

环境监测的时效性和地域性,或网络 化监测需要环境监测技术的现代化。本章 介绍大气和水污染连续自动监测系统;环 境遥感监测技术;现场快速监测技术等。 通过学习了解一些基本的原理和原则, 为今后工作打下基础

第一节 时间序列分析概述 ◼ 一、时间序列的概念 ◼ 二、时间序列的种类 ◼ 三、时间序列的编制原则 第二节 时间序列分析的水平指标 第三节 时间序列分析的速度指标 第四节 时间序列的长期趋势分析 ◼ 一、时间序列的构成因素和分析模型 ◼ 二、长期趋势测定方法之时距扩大法 ◼ 三、长期趋势测定方法之移动平均法 ◼ 四、长期趋势测定方法之趋势模型法 ◼ 五、长期趋势测定方法之趋势外推预测 第五节 季节变动与循环波动分析 ◼ 一、季节变动分析 ◼ 二、循环波动分析

随着无人工厂、智能安监等技术在制造业领域的深入应用，以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中，操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点，在动态图像中的实时分割较为困难。针对此问题，提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合，根据目标时空关系的在线学习，预测新的目标位置并对SiamMask模型进行算法校正，实现视频序列中的目标快速识别。实验结果表明，所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响，将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧，比改进前的SiamMask模型帧率每秒提高3.2帧，算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求，对移动目标识别算法模型的复杂环境应用具有借鉴意义

研究锰元素对2205双相不锈钢耐点蚀性能的影响, 锰质量分数的变化范围为0. 93%~1. 26%.分别采用化学腐蚀法、动电位极化法研究双相不锈钢2205的耐腐蚀性能, 采用夹杂物自动分析技术研究锰对钢中夹杂物种类及数量的影响, 通过扫描电镜、能谱及夹杂物原位分析法观察化学腐蚀及电化学腐蚀前后钢中夹杂物及其周围钢基体的变化情况.采用电感耦合等离子体发光光谱测定腐蚀产物的成分.研究结果表明, 不同类型的夹杂物对耐腐蚀性能的影响不同, (Mn、Si) 氧化物以及(Mn、Si、Cr) 氧硫化物在腐蚀液中更易溶解进而促进腐蚀, 而(Cr、Mn、Al) 氧化物却很稳定.锰的加入会促进钢中(Cr、Mn、Al) 夹杂的析出, 此类夹杂物不仅自身很容易被含Cl离子的溶液腐蚀, 而且作为点蚀的起始点, 促进了点蚀坑的形成, 加快了基体腐蚀, 最终导致不锈钢耐点蚀性能的下降

11.1气动技术在平带纠偏中的应用 11.2举升转向装置 11.3气动力控制及位置控制在自动化装置中的应用

一、动力学研究对象 二、牛顿运动定律 三、国际单位和量纲 四、常见的几种力 五、顿运动定律应用 六、惯性系与非惯性系 七、非惯性系中的惯性力

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验