针对电机驱动系统进行了基于有限时间控制器的结构/控制一体化设计.针对电机驱动系统跟踪控制问题，采用有限时间收敛方法设计了跟踪控制器.考虑系统状态信息不可测的情况，设计了有限时间滤波控制器，在估计系统速度信息的同时实现了有限时间跟踪控制.为进一步提升系统控制性能，考虑结构与控制之间存在的耦合问题，对电机驱动系统进行结构/控制一体化设计.首先针对电机驱动系统设计了同时考虑结构优化和控制器优化的一体化性能指标.所设计一体化性能指标能够在满足控制性能要求的同时，得到所能驱动的最大负载.同时优化系统的结构参数与控制器参数能够使控制系统达到全局最优，从而取得良好的控制效果.随后，采用嵌套优化策略对电机驱动系统的一体化设计问题进行简化，采用自适应步长的布谷鸟搜索算法对控制器参数优化问题进行求解，得到了一体化最优解.通过数值仿真验证了所提方法的有效性

提出了基于免疫遗传算法的形态学自适应结构元素生成算法，并将其用于光学相干断层成像(optical coherence tomography，OCT) 图像中视网膜组织边缘检测. 首先将图像进行去噪和粗分割的预处理，并将图像划分为若干子图像; 其次对每一子图利用免疫遗传算法求取自适应结构元，初始随机生成固定长度的二进制数串作为抗体，并将其转化为结构元素格式，以图像二维熵定义抗体适应度，根据子图像本身结构特征信息，寻找最优抗体结构元素; 最后利用寻优得到的各结构元素对子图进行形态学边缘检测，合并各子图的分割结果，实现整体图像目标边界提取. 实验结果表明了该方法在图像目标边界提取的有效性

这一章是化学的核心,因为结构决定性质。如白磷、红磷的结构不同,性质也不同 石墨、金刚石和C60等的结构不同,性质也不同这一章重点讲授共价键、离子键、金属 键以及分子几何构型、金属晶体、原子晶体和离子晶体的晶体结构。另外我们也讨论分子 间的作用力以及对分子晶体的一些性质的影响

第1章计算机系统结构的基本概念 1.1概述 1.2计算机系统结构的定义与内涵 1.3计算机系统结构的类型 1.4计算机系统性能分析 1.5计算机系统结构的发展过程 1.6计算机系统的成本、性能与价格

本章要求：在原子结构理论基础上，讨论分子的形成过程，介绍化学键、分子的空间构型和晶体的基本类型、性质和相关理论等分子结构和晶体结构的基础知识。本章学习的主要要求为：1．掌握化学键的基本概念、基本类型、形成条件和基本性质；2．掌握共价键的形成条件和本质，现代价键理论的基本要点，了解共价键的键参数及其应用。3．掌握杂化轨道理论的要点和sp型杂化所组成的分子的空间构型。4．了解分子轨道理论的基本要点，并能用其解释一些典型分子的性质特点。5．了解分子间作用力和氢键对物质某些性质的影响。6．了解金属键的形成、特性和金属键理论要点。7．在理解化学键、分子间作用力（包括氢键）的本质和特性的基础上，掌握晶体的基本类型和特点性质。了解晶体结构对物质性质的影响

1.1计算机系统的多级层次结构 1.2计算机系统结构、组成与实现 1.3软件取舍与计算机系统的设计思路 1.4软件、应用、器件对系统结构的影响 1.5系统结构中的并行性及系统的分类

针对装药结构对聚能爆破煤层增透的影响，在分析装药结构对爆炸应力波传播特性、爆破裂隙分区影响的基础上，基于平煤十矿己组煤层瓦斯地质条件设计了煤层深孔聚能爆破现场试验方案，通过现场试验探讨了装药结构对煤层深孔聚能爆破在水平方向和竖直方向上的影响.实验结果表明：装药结构影响煤层深孔聚能爆破增透效果，煤层深孔聚能爆破后，在水平方向爆破影响区内瓦斯抽采浓度平均增幅为52.78%；竖直方向上距离爆破孔相同距离的考察孔在爆破后，处于爆破孔上方的考察孔无炮烟逸出，处于下方的考察孔有炮烟逸出，证明偏心不耦合装药结构对爆破孔上方煤层影响小于对下方煤层影响，爆破孔上方爆破裂隙范围小于下方爆破裂隙范围

一、力:物体之间的相互作用; 力学:理论力学,弹性力学,材料力学,结构力学,塑性力学,粘塑性力学, 液体力学,断裂力学等 结构:用建筑材料组成在建筑物中承担荷载并起骨架作用的部分,称为结构。 如梁、柱、楼板、桥梁、堤坝及码头等。 结构力学: 构件:结构中的各个组成部分称为构件

0-1什么是混凝土结构? 0-2什么是素混凝土结构? 0-3什么是钢筋混凝土结构? 04什么是型钢混凝土结构? 0-5什么是预应力混凝土结构?

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性