学科基础课平台必修课 《高等数学 A1》 《高等数学 A2》 《大学物理 A1》 《大学物理 A2》 《大学物理实验》 《C++程序设计》 《C++程序设计实验》 《C++程序设计实训》 《线性代数》 《概率论与数理统计 B》 《离散数学Ⅰ》 《计算机组成原理 I》 《数据结构 I》 《数据结构 I 实验》 《计算机网络原理Ⅰ》 《操作系统 I》 《操作系统Ⅰ》 《电工电子技术 C》 《复变函数与积分变换》 学科基础课平台选修课 《数字逻辑》 《Java 程序设计》 《Java 程序设计实验》 《管理信息系统》 《管理信息系统实训》 《数据库原理 A》 《编译原理》 《物联网工程导论》 《软件工程概论 A》 《汇编语言与接口技术》 《汇编语言与接口技术》考查大纲 《汇编语言与接口技术》实践 《算法分析与设计》 《数字通信原理》 专业课平台必修课 《网络信息安全》 《传感器技术及应用》 《短距离无线通信技术》 《RFID 技术》 《无线传感器网络》 《嵌入式系统设计》 《嵌入式 linux 应用程序开发》 《云计算技术》 《Linux 网络操作系统》 《模式识别与人工智能》

以武钢程潮铁矿西区开采为工程背景,采用现场钻孔监测与相似材料模型实验相结合的方法,对无底柱分段崩落法开采过程中顶板围岩的变形和崩落规律进行了系统研究.首先,结合矿体赋存条件、地层结构和开采进程,设计两个钻孔实时监测顶板围岩的崩落规律.其次,以模型相似理论为基础,确定了所要研究模型的剖面和几何尺寸,设计制作模型,采用百分表、压力传感器和近景摄影测量等手段监测模型的应力、应变和破坏特征,并对百分表数据、应力盒数据、围岩位移和围岩破坏裂纹进行系统分析.研究成果初步揭示了金属矿山无底柱分段崩落法开采过程中,顶板围岩崩落机理和地表沉陷的基本规律

研究了变速恒频双馈感应风力发电系统的鲁棒控制问题.利用基于定子磁场定向的矢量变换技术,建立了同步旋转坐标系下双馈感应发电机的状态空间模型,为了降低控制器的阶数以利于工程实现,对该动态数学模型进行了合理简化.针对最大功率点跟踪控制中建模误差、外部干扰等不确定性的影响,应用H∞鲁棒控制理论,设计了具有鲁棒干扰抑制作用的电机转子电压控制器.仿真结果表明,即使在参数变化、未建模动态等不确定因素以及风速突变干扰下,所设计的控制器仍可保证电机转速很好地跟踪指令值,使风力发电系统最大效率地吸收风能

《C 语言程序设计》 《画法几何及工程制图》 《电路》 《模拟电子技术》 《数字电子技术》 《通信电子线路》 《微机原理》 《信号与系统》 Course Syllabus of《Data Communication Networking》 《通信原理》 《电磁场与电磁波》 《单片机原理及应用》 Course Syllabus of《Switching Networks & Applications》 《光纤通信》 《移动通信与无线优化》 《J2ME》 《电信规划与业务开发》 《3G 多媒体通信终端技术》 《宽带接入通信技术》 《MATLAB 及应用》 《数据库原理及应用》 《数字图像处理》 《Java 程序设计与技术》 《LINUX》 《微波技术与天线》 《数据结构》 《操作系统》 《Protel DXP》 《面向对象程序设计》 《专业英语》 《数字信号处理》 《认识实习》 《电子技术课程设计》 《单片机原理及应用课程设计》 《毕业实习》 《毕业设计》

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

对一种水上仿生推进装置进行流体力学仿真,并根据处于多种工况下若干组仿真数据,对该推进装置的力学特性进行分析.着重研究并归纳在不同转速和出水高度条件下,推进装置的升力、推力和功率曲线的变化规律,总结有助于仿生推进装置设计与优化的结论.最后,借助叶轮机构试验系统进行相关试验,并用试验数据来印证分析结论的合理性.结果表明,随着转速的提高,推进装置所产生的升力和推力同时增加,机械总效率和推进效率增大,但托举效率减小;当推进装置的轴心距水面越高时,在一定范围内,其推进效率和托举效率越大.合理的结构设计能够大幅提升装置在各种工况下的推进效率和托举效率

8.1 系统并行扩展结构 8.2 地址空间分配和外部地址锁存器 8.2.1 存储器地址空间分配 8.2.2 外部地址锁存器 8.3 静态数据存储器RAM的并行扩展 8.3.1 常用的静态RAM（SRAM）芯片 8.3.2 外扩数据存储器的读写操作时序 8.3.3 AT89S52单片机与RAM的接口设计与软件编程 8.4 片内Flash存储器的编程 8.4.1 使用通用编程器的程序写入 8.4.2 使用下载线的ISP编程 8.5 E2PROM的并行扩展 8.5.1 并行E2PROM芯片简介 8.5.2 E2PROM的工作方式 8.5.3 AT89S52单片机扩展E2PROM AT2864的设计

8.1 系统并行扩展结构 8.2 地址空间分配和外部地址锁存器 8.2.1 存储器地址空间分配 8.2.2 外部地址锁存器 8.3 静态数据存储器RAM的并行扩展 8.3.1 常用的静态RAM（SRAM）芯片 8.3.2 外扩数据存储器的读写操作时序 8.3.3 AT89S52单片机与RAM的接口设计与软件编程 8.4 片内Flash存储器的编程 8.4.1 使用通用编程器的程序写入 8.4.2 使用下载线的ISP编程 8.5 E2PROM的并行扩展 8.5.1 并行E2PROM芯片简介 8.5.2 E2PROM的工作方式 8.5.3 AT89S52单片机扩展E2PROM AT2864的设计

当全球导航卫星系统(global navigation satellite system,GNSS)分布式仿真环境中共享的模型数量非常多时,检索模型和配置仿真任务将成为一个比较复杂的工程.为提高仿真模型选取和仿真任务配置的效率,设计了一套针对GNSS分布式仿真环境中仿真模型的实时智能推荐方法,方法中首先定义了模型关联关系和接口形状的概念,然后提出了一种条件约束下的频繁模式树(FP-tree)结构,并从理论上分析了该结构在检索任务量方面的减少程度,设计并推导了模型关联关系度的计算方法,以及整套智能推荐方法的运行流程.推荐方法在GNSS分布式仿真环境中进行了仿真验证,仿真结果与传统智能推荐方法做对比分析,分析结果表明,该方法针对仿真模型推荐时运行时间短,推荐结果准确度高,能够实时为用户推荐合适的模型

2.1 AT89S52单片机的硬件组成 2.2 AT89S52的引脚功能 2.2.1 电源及时钟引脚 2.2.2 控制引脚 2.2.3 并行I/O口引脚 2.3 AT89S52的CPU 2.3.1 运算器 2.3.2 控制器 2.4 AT89S52的存储器结构 2.4.1 程序存储器空间 2.4.2 数据存储器空间 2.4.3 特殊功能寄存器 2.4.4 位地址空间 2.4.5 存储器结构总结 2.5 AT89S52的并行I/O端口 2.5.1 P0口 2.5.2 P1口 2.5.3 P2口 2.5.4 P3口 2.6 时钟电路与时序 2.6.1 时钟电路设计 2.6.2 时钟周期、机器周期、指令周期与指令时序 2.7 复位操作和复位电路 2.7.1 复位操作 2.7.2 复位电路设计 2.8 AT89S52单片机的最小应用系统 2.9 看门狗定时器（WDT）功能简介 2.10 低功耗节电模式 2.10.1 空闲模式 2.10.2 掉电运行模式