基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

螺纹插装式溢流阀阀套精加工采用碳氮共渗后磨削的制造工艺，内锥面的形位误差会影响溢流阀的使用寿命和静动态特性，制造过程需要精准控制内锥面的误差。通过对工艺分析建立制造误差模型并应用研究，由此获得内锥面自身角度的合理误差范围，以及内锥角误差与磨削量之间的变化关系。根据阀套结构特点设计专用的检测装置，并对检测原理和测量误差进行分析，通过误差校对提高检测精度。对热处理后的阀套进行轴向尺寸分组，并采用基准统一原则，保证磨削制造精度的稳定性。根据检测原理和误差模型对试磨件进行误差计算，并据此调整磨削参数，使制造误差合格；后续制造时采用检测装置快速测量阀套的密封圆轴向尺寸，使制造误差均落在控制范围内，保证批量生产的可控性。研究表明，基于某型溢流阀的设计及工艺参数，内锥面自身角度的实际制造误差控制以±0.8°为宜，对应的密封圆轴向最大磨削公差为0.186 mm、修正后的最小磨削公差为0.075 mm；实验验证了误差模型的准确性，所述检测方法的角度测量误差为0.06°、密封圆轴向尺寸测量误差为2 μm，因角度测量误差带来的最大、最小磨削量范围偏差可通过内锥角实际制造误差的收缩进行补偿；所研究的理论与方法也为其他内锥面的制造控制及逆向工程提供了系统的方法

为考察无网格方法求解铸坯凝固过程的可行性，本文依据移动最小二乘和变分原理，推导并建立了基于无网格伽辽金法的结晶器内铸坯凝固过程二维非稳态传热/凝固数学模型。以小方坯凝固过程为对象，分别采用节点均匀布置、加密布置、随机布置方式，模拟分析了小方坯凝固过程的温度场变化，并将计算结果与参考解、有限元法数值解进行了对比，结果证实无网格伽辽金法在计算精度、自适应性、网格依赖性等方面均优于有限元法。研究结果为无网格方法应用于连铸过程的传热、凝固以及应力/应变行为的数值计算提供参考

算符优先文法的定义 算符优先关系表的构造 算符优先分析算法 算符优先分析法的局限性

集成稳压器的种类很多,按照输出电压 是否可调分为固定式和可调式;按照输出电 压的正、负极性分为正稳压器和负稳压器; 按照印出端子分为三端和多端稳压器。而三 端稳压器只有三个端子,安装和使用方便、 简单,所以在实际中应用最多

针对微米级软颗粒溶液在微小孔道流动不符合泊肃叶流动规律问题，考虑受固体管壁影响软颗粒形变产生的空间位形力作用，基于Navier-Stokes理论，推导软颗粒溶液在圆管中的流速分布及流量表达式，引入颗粒形变因子以表征空间位形力作用的影响；建立考虑空间位形力作用的圆管流动数学模型.由微尺度流动特征实验，得到软颗粒溶液微圆管流动规律，与泊肃叶流动对比，结果显示当管径小于颗粒直径时，相同压力梯度下考虑空间位形力作用的流速比泊肃叶流动拟合结果更接近于实验数据.通过数值计算分析发现，与泊肃叶流动下的速度分布和平均流量相比，当微圆管尺寸减小时，空间位形力作用随之增大，其更大程度上影响流体在微圆管内的流动规律；当颗粒呈非球形且最小投影面积相同时，偏离球形颗粒程度越大，空间位形力作用越大，因此空间位形力作用在微小孔道流动中不可忽略

一、时序电路基本分析方法 二、同步时序逻辑电路分析举例 三、异步时序电路分析举例

提出基于双向长短期记忆网络（bidirectional long short-term memory，BiLSTM）和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过BiLSTM提取整段文本的高层语义特征，避免了以往机器学习方法需要人工提取特征的问题，其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型，本文方法在中文突发事件语料库（Chinese emergency corpus，CEC）上取得了更为突出的性能，Micro-F1值为78.47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性，对文本分析中3类特征（词性、句法、实体）的重要程度进行了比较和分析，得出句法特征对于事件触发词识别任务助益最大的结论

自然界的岩浆岩多种多样,已有岩石名称多达1000种以上,它们 之间在成分、结构、共生组合、产状和成因上,既有联系也有差异 。因而,正确地认识这些联系和差异,进行合理的归纳,是岩浆岩 分类的主要任务。 岩浆岩的分类主要依据以下基础

6.1 概述 自下而上的语法分析 LR分析器 6.2 LR(0)分析