表格是一种简明、概要的表意方式。其结构严谨,效果直观,往往一张表格可以代 替许多说明文字。因此,在编辑排版过程中就常常要处理到表格。 文档表格还可以当作数据库,对它们执行简单的数据库功能,例如,数据的添加、 检索、分类、排序等,这些功能给用户管理文档表格提供了很大的方便,简化了对表格 的处理工作。如果用户能够熟练地运用文档的数据库功能,可以提高对表格的处理能 力,从而提高工作效率。用户可以将文档中的数据以图表的形式直观地表达出来,这时 就可以通过使用插入Word2002中的 Graph200 22 Chart对象来实现

1. 什么是SQL？ SQL，翻译成中文就是“结构化查询语言”。其发音是“S-Q-L”，也可以读 作“sequel”。 SQL是一种计算机语言，它是为了从存储在关系数据库中的数据中获得信息 而设计的，即通过SQL可以从大量收集的数据中查找想要的信息。 SQL不同于其他计算机语言，我们使用SQL描述想要的信息类型，然后计算机 会确定出获得它的最好过程，并运行这个过程。这就是所谓的“说明性”计算机 语言，因为它注重的是结果：我们可以详细说明结果的外表特征。计算机允许使 用任意数据处理方法，只要它获得正确结果。 其他计算机语言大部分是“过程性”的，如汇编、Pascal、C、Java等

在地下水研究中应用GIS技术,是由于地下水研究需要组织、定量和解释大量的水文 地理数据。早期的地下水模拟研究需要把地图图表等信息转换成计算机可读的格式。这 些工作费时、冗长,并且容易出现误差。水文信息如降水、参数信息(如水力传导度)、参 数格式(如井的位置和流量值)以及辅助信息(如边界条件)都需要海量数据的组织和管 理。事实上,所有这些信息都是空间分布的,在某些情况下,还是时间分布的。其中许多 数据在计算机中以地图形式存在,如栅格形式矢量格式或数据表形式的图像。由于计算 机图形技术的发展,现在这些信息可以有效地通过GIS系统来存取

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

在输电场景中，吊车等大型机械的运作会威胁到输电线路的安全。针对此问题，从训练数据、网络结构和算法超参数的角度进行研究，设计了一种新的端到端的输电线路威胁检测网络结构TATLNet，其中包括可疑区域生成网络VRGNet和威胁判别网络VTCNet，VRGNet与VTCNet共享部分卷积网络以实现特征共享，并利用模型压缩的方式压缩模型体积，提升检测效率，从计算机视觉和系统工程的角度对入侵输电场景的大型机械进行精确预警。针对训练数据偏少的问题，利用多种数据增强技术相结合的方式对数据集进行扩充。通过充分的试验对本方法的多个超参数进行探究，综合检测准确率和推理速度来研究其最优配置。研究结果表明，随着网格数目的增加，准确率也随之增加，而召回率有先增加后降低的趋势，检测效率则随着网格的增加迅速降低。综合检测准确率与推理速度，确定9×9为最优网格划分方案；随着输入图像尺寸的增加，检测准确率稳步上升而检测效率逐渐下降，综合检测准确率和效率，选择480×480像素作为最终的图像输入尺寸。输入实验以及现场部署表明，相对于其他的轻量级目标检测算法，该方法对输电现场入侵的吊车等大型机械的检测具有更优秀的准确性和效率，满足实际应用的需要

采用结构化程序和规范化数据库技术,开发了挤压模具设计综合数据库系统.该系统由6个设计模块,即棒材模、实心型材模、空心型材模、壁板模、宽展模、导流模设计模块和1个系统维护模块组成,可以构成挤压模具设计专家系统重要的专家经验来源和实现自学习、自积累的支撑体系,也可以作为独立的软件使用,完成模具设计过程中的经验积累与数据积累,代替挤压模具设计技术资料手册,实现相关设计参数的自动计算和模具强度校核.利用该系统可以大大减轻技术人员的劳动工作量,同时提高模具设计的准确度,保证模具设计的合理性,最终达到提高挤压生产效益的目的

本书详尽讲解了LabVIEW常用的编程方法、编程技巧和工程应用技术。全书共分为3篇，其中：入门篇归纳总结了LabVIEW编程人员必须掌握的基础知识，包括LabVIEW的基本概念、基本函数的用法和常用的运行结构，以及LabVIEW的基本数据结构和文件存储方式；高级篇细致地讲解了引用、属性、方法以及各类高级控件的运用，LabVIEW的文本方式编程以及DLL、C语言接口，基于Matlab语法的MathScript编程技术，LabVIEW基于组件的高级编程方法和编程模式；工程应用篇介绍了串口、并口和网络通信的常用方法，数据采集的基本原理和方法，LabVIEW实时系统的构建和编程，以及各种常用专业工具包的使用方法，包括数据库连接工具包、数据监控与记录工具包、报表生成工具包、状态图工具包等等。本书可作为高等院校通信、测量技术、自动控制等相关课程的教材和教学参考书，也可作为相关工程技术人员设计开发仪器或自动测试系统的技术手册

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

1.1基本概念 时间序列所研究的是时间上的相关结构。它的应用广泛,从海洋学到金融学 都是它的应用范围。著名的CAPM模型(资本资产定价模型)和随机波动模型就是 含有时间序列成份的金融模型的例子。当我们考虑一时间序列时,我们通常考虑一 个数值的集合{X:t=1,…,n},其中下标t表示数据被观测到的时间。虽然直观 上很清楚,我们还是来详细描述一下X的一系列非标准特性。 非等距数据(缺损数据)。例如,若时间序列是某一证券的日收益率,则在节假 日等非交易日里就没有数据可得了

在毒理学和作用模式等可利用的数据基础上评价和权衡有害作用的证据，即对可能存在于特定食品和和食品类别中具有导致有害作用的生物、化学和物理等因子的识别