针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

研究对象是带有限缓冲区混合流水车间中的多目标调度问题。以各机器前置后置缓冲区容积有限、工件以批量形式运输、运载设备的运载能力有限等作为资源限制因素，以最小化完工时间、最小化物料运输时间、最小化并行机前置缓冲区空间占用率均衡指数为目标，建立调度模型。分别采用NSGA-II、NSGA-III算法求解该模型，并对比两者之间的差别；设置不同的缓冲区容积，探究不同缓冲区容积对生产目标的影响，寻找最优缓冲区容积；建立不同模型，探究以最小化并行机前置缓冲区空间占用率均衡指数为目标的意义，最后以某船用管类生产企业的实际生产案例作为对象，通过对比优化结果与实际生产数据，验证了算法有效性

第一节 计算机软件的保护 第二节 集成电路布图设计的保护

针对TTE (time-triggered Ethernet, TTE) 网络对业务安全性与对业务实时性要求高的问题, 提出了一种自适应双冗余的网络结构, 设计冗余报文的时间标签, 自适应恢复传输, 并设计了TTE网络中的混合流量(TT (time-triggered) 流, RC (rateconstrained) 流, BE (best-effort) 流) 调度规划方法, 根据报文的重要性, 发送端自适应的对网络报文进行分类, 其中, TT信息双网备份传输, RC、BE信息在双网分散传输.此外, 基于确定性网络分析方法, 推导了自适应双冗余调度方法下RC流的闭式延迟界, 并仿真验证了在极限网络、确定网络以及排队论仿真模型下所提方法减小网络延迟的效果, 满足TTE网络在保障业务安全性的情况下对业务实时性的要求

由上海市环境保护局组织专家、教授编写的废水处理系列培 训教材终于问世。该套书是我国实施环保操作人员培训工作的成 果展示,又是环境教育百花园中一枝盛开的鲜花。 90年代初,上海市环境保护局会同市经委、市劳动局、市工业 技术发展基金会和高等院校等单位,开展了上海市环保设施操作 工技术等级标准的调研,并编制了相应的标准草案经多方协调 后,上海市劳动局和环境保护局联合颁发了上海市《工业废水生化 法处理操作工技术等级标准》和《工业废水物化法处理操作工技术 等级标准》(试行),为废水处理设施操作人员的培训工作提供了法 规依据,在该领域里堪称范例

随着汽车保有量的提高，能源消耗和环境问题对汽车用钢提出了轻量化的要求。目前正在发展的第三代汽车用钢的研究思路是将加入轻量元素以“轻”和增强增塑以“薄”相结合。Fe?Mn?Al?C系中锰钢作为第三代汽车用钢的主要组成部分，是当今的研究热点之一。本文总结了近些年国内外Fe?Mn?Al?C系中锰钢的研究文献，从生产成本、力学性能等方面介绍了Fe?Mn?Al?C系中锰钢的优势。从成分设计、工艺设计、组织特征、变形及断裂机制等多个方面出发，对文献进行分析，总结出了合金成分、工艺路线和组织特征对性能的影响规律。阐述了奥氏体层错能及其稳定性对中锰钢变形机制，尤其是相变诱导塑性（TRIP效应）的影响规律。最后对目前Fe?Mn?Al?C系中锰钢研究过程中存在的争议问题进行了总结，展望了未来的发展趋势，以期为中锰钢的后续研究和实际生产提供参考

5.1阅读资料:外存储器的发展历程 5.2硬盘 5.3软驱与软盘 5.4c-RoM驱动器 5.5 CD-R/RW 5.6DVD驱动器 5.7各类光盘比较 5.8其他外存储设备

为控制Incoloy825合金中的Al、Ti含量，并减少电渣过程中氟化物的挥发。借助FactSage热力学软件，建立渣?金反应的热力学模型。设计出适宜控制Al、Ti含量的低氟渣系，探究了渣中组元与Al2O3和TiO2活度比的关系，并通过高温渣–金平衡实验进行验证。结果表明：当渣中CaO和Al2O3含量增加，导致$\\lg \\left( {{{a_{{\\rm{A}}{{\\rm{l}}_{\\rm{2}}}{{\\rm{O}}_{\\rm{3}}}}^2} / {a_{{\\rm{Ti}}{{\\rm{O}}_{\\rm{2}}}}^3}}} \\right)$

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

§9-1 机械零件设计概述 §9-2 机械零件的强度（重点） §9-3 机械零件的接触强度（重点） §9-4 机械零件的耐磨性 §9-5 机械制造常用材料及其选择 §9-6 极限与配合、表面粗糙度和优先数系 §9-7 机械零件的工艺性及标准化