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

针对一类具有空间不均匀性的辨识和回归问题，提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发，构造一簇紧支撑正交小波作为隐层激活函数，并利用改进的误差最小化极限学习机训练输出层权重，避免了新加入高分辨率子网络后的重新训练.同时，由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间，对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明，与标准极限学习机相比，小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好

第一章 电力系统的基本概念 • 1.1电力系统概述 • 1.2我国的电力系统 第二章 电网等值 • 2.1 概述 • 2.2 输电线路的等值电路 • 2.3 变压器和电抗器的等值电路 • 2.4 发电机等值电路 • 2.5 负荷模型 • 2.6 电力网的等值电路 第三章 电力系统潮流计算 • 3.1电力网的电压降落和功率损耗 • 3.2输电线路的运行特性 • 3.3简单网络的潮流计算 • 3.4 电力系统潮流的计算机算法 第四章 电力系统运行方式的调整和控制 • 4.1电力系统有功功率和频率调整 • 4.2电力系统无功功率和电压调整 第五章 电力系统故障分析 • 故障类型：简单故障/复合故障/短路故障/断路故障 • 5.1电力系统短路的基本知识 • 5.2电力系统对称故障分析 • 5.3电力系统不对称故障分析 第六章 电力系统稳定性分析 • 电力系统的稳定性问题 ➢ 同步稳定性、频率稳定性、电压稳定性 ➢ 静态稳定、暂态稳定 • 6.1电力系统的机电特性 • 6.2电力系统的静态稳定性 • 6.3电力系统的暂态稳定性

5.1 运输层协议概述 5.1.1 进程之间的通信 5.1.2 运输层的两个主要协议 5.1.3 运输层的端口 5.2 用户数据报协议 UDP 5.2.1 UDP 概述 5.2.2 UDP 的首部格式 5.3 传输控制协议 TCP 概述 5.3.1 TCP 最主要的特点 5.3.2 TCP 的连接 5.4 可靠传输的工作原理 5.4.1 停止等待协议 5.4.2 连续 ARQ 协议 5.5 TCP 报文段的首部格式 5.6 TCP 可靠传输的实现 5.6.1 以字节为单位的滑动窗口 5.6.2 超时重传时间的选择 5.6.3 选择确认 SACK 5.7 TCP的流量控制 5.7.1 利用滑动窗口实现流量控制 5.7.1 必须考虑传输效率 5.8 TCP 的拥塞控制 5.8.1 拥塞控制的一般原理 5.8.2 几种拥塞控制方法 5.8.3 随机早期检测 RED 5.9 TCP 的运输连接管理 5.9.1 TCP 的连接建立 5.9.2 TCP 的连接释放 5.9.3 TCP 的有限状态机

 介绍 IPv6 的编址机制以及这一版所使用的几种表示地址的不同记法。  解释 IPv6 中使用的三类编址类型：单播、任播和多播。  说明 IPv6 的地址空间，以及它是如何被划分为若干个地址块的。  讨论地址空间中的一些被保留的地址块以及它们的应用。  定义全球单播地址块以及它如何被应用于单播通信。  讨论在 IPv6 布署全球单播地址块时，如何应用了分为三级的分级编址技术。  讨论 IPv6 地址的自动配置和重新编号问题

 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的自然语言处理方法（理性方法，传统方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译  基于语料库（数据）的自然语言处理方法（经验方法） ◼ 语言模型（N元文法） ◼ 分词、词性标注（序列化标注模型） ◼ 句法分析（概率上下文无关模型、移进-规约分析器） ◼ 文本分类（朴素贝叶斯模型、最大熵模型） ◼ 情感分析 ◼ 机器翻译 (IBM Model等) ◼ ......（基于神经网络的深度学习方法）

3.1 使用点对点信道的数据链路层 3.1.1 数据链路和帧 3.1.2 三个基本问题 3.2 点对点协议 PPP 3.2.1 PPP 协议的特点 3.2.2 PPP 协议的帧格式 3.2.3 PPP 协议的工作状态 3.3 使用广播信道的数据链路层 3.3.1 局域网的数据链路层 3.3.2 CSMA/CD 协议 3.4 使用广播信道的以太网 3.4.1 使用集线器的星形拓扑 3.4.2 以太网的信道利用率 3.4.3 以太网的 MAC 层 3.5 扩展的以太网 3.5.1 在物理层扩展以太网 3.5.2 在数据链路层扩展以太网 3.6 高速以太网 3.6.1 100BASE-T 以太网 3.6.2 吉比特以太网 3.6.3 10 吉比特以太网 3.6.4 使用高速以太网进行宽带接入 3.7 其他类型的高速局域网接口

3.1 使用点对点信道的数据链路层 3.1.1 数据链路和帧 3.1.2 三个基本问题 3.2 点对点协议 PPP 3.2.1 PPP 协议的特点 3.2.2 PPP 协议的帧格式 3.2.3 PPP 协议的工作状态 3.3 使用广播信道的数据链路层 3.3.1 局域网的数据链路层 3.3.2 CSMA/CD 协议 3.4 使用广播信道的以太网 3.4.1 使用集线器的星形拓扑 3.4.2 以太网的信道利用率 3.4.3 以太网的 MAC 层 3.5 扩展的以太网 3.5.1 在物理层扩展以太网 3.5.2 在数据链路层扩展以太网 3.6 高速以太网 3.6.1 100BASE-T 以太网 3.6.2 吉比特以太网 3.6.3 10 吉比特和 100 吉比特以太网 3.6.4 使用以太网进行宽带接入

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》 《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》 《数字通信原理》 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》 《人工智能导论》 《生理学 E》 《卫生统计学 B》 《流行病学 B》 《外科学总论 B》 《诊断学 D》（临床医学概要） 《诊断学 D》(临床医学概要） 《诊断学 D》 《编译原理》 《传感器技术及应用》 专业课平台必修课 《计算机类认识实习》 《医信工程生产实习》 《医信工程毕业实习》 《医信工程毕业设计（论文）I》 《医信工程毕业设计（论文）II》 《医学信息工程导论》 《生物信息学导论》 《生物医学信号处理》 《生物医学信号处理实验》 《数字图像处理 A》 专业课平台选修课 《软件工程概论 A》 《医学信息系统》 《现代病案信息管理》 《医学决策支持系统》 《智能医疗》 《智能医疗》实验 《数据挖掘》 《数据挖掘》实验 《大数据与深度学习》