在陡脉冲发生器电路中,杂散参数不仅影响输出波形,还影响着系统的稳定和电路元器件的安全.为了提高输出波形的质量,抑制输出脉冲的振荡,保证元器件长期可靠的运行,需要对电路中杂散参数进行有效的分析和补偿.本文通过对脉冲的实际输出波形进行分析,建立了陡脉冲发生器电路的杂散参数模型,总结出一种分析和补偿陡脉冲发生器电路中杂散参数的方法.模型的仿真结果精确地反映了实际波形,加入补偿环节后的电路实现了输出波形的无过冲

模拟废弃电路板破碎、分选后得到的多金属富集粉末，通过单因素实验和正交试验，采用低温碱性熔炼研究熔炼温度、熔炼时间和盐料质量比对其中有价金属分离提取率的影响.结果表明，最佳条件为熔炼温度400℃，熔炼时间1.5h，盐料质量比3.5，其中盐料质量比对两性金属提取率影响最显著.在最佳条件下，两性金属提取率为Sn 83.6%、Al 92.7%、Zn 80.9%及Sb 34.5%，以可溶盐形式富集在浸出液中，铜等其他成分则于渣中富集，有效实现了两性金属与其他金属的分离

仪器分析是利用化学和物理原理及相关技术对物质的化学组成、状态和结构进行分析 试以取得相应化学信息的一门学科。通过本课程的学习,要求学生能基本掌握常规现代仪器 分析的原理和使用方法,并初步具备应用所学方法解决实际工作中遇到的问题的能力

教学目的 介绍运筹学各分支体系的基本模型 、求解方法;引导并锻练学生用运筹学知识定量分析与解决实际问题的能力。 教学方法 以各种实际问题为背景,引出各分支基本概念、基本模型和基本方法,侧重各种方法及应用,回避繁复的数学理论推导。 运用软件教学,并让学生掌握这类软件。 分组进行案例分析与讨论

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

§1 概述 §2 时序逻辑电路的分析 §3 寄存器 §4 计数器的分析 §5.4 计数器的设计

为得到多参数耦合下冷轧铝带工作辊分段冷却调节特性,建立了工作辊和轧件的一体化耦合传热模型.耦合传热建模过程包含工作辊和轧件导热微分方程的建立、轧件变形热和摩擦热的求解、换热边界条件的确立、工作辊热辊形的计算及采用二维交替差分对微分方程进行求解.仿真结果表明,同一轧制参数下工作辊分段冷却正负方向调节能力近似相等,但单向调节幅度受轧制参数影响较大,轧制长度、喷射梁工作压力和摩擦系数的增加对分段冷却调控能力具有促进作用,轧制速度的作用则相反

21世纪是生命科学的世纪,生物工程是优先发展的高科技领域之一。生物工程工业分 析实验是生物工程专业教学设置中的一们主要专业课程,是初步了解、学习和掌握生物工程 工业分析研究的一个重要实践性环节。其实验目的是为了有针对性地解决一个具有明确工业 背景的生物工程问题,旨在培养学生掌握生物工程工业生产过程中的质量研究和质量控制的 基本理论知识与基本操作技能,具有基本的实验研究思路和分析问题解决问题的能力学生 通过较为系统的实验室工作来培养自己的动手能力,分析问题的能力

针对高速铝板轧制过程中频繁出现的冷轧机垂直振动现象，结合轧制工艺润滑原理和机械振动理论，建立基于辊缝动态摩擦方程的轧机垂直振动模型.该模型由辊缝几何形状模型，轧辊-轧件工作界面的动态摩擦模型，变形区内的正向轧制应力、摩擦应力分布模型，以及单机架铝板冷轧机二自由度垂向系统结构模型组成.同时，为研究轧辊-轧件工作界面动态摩擦机制影响下的冷轧机垂振机理及系统稳定性，采用某厂单机架铝轧机设备及工艺参数，搭建Matlab/Simulink平台，分别模拟仿真轧制压力和正向轧制应力曲线，验证该模型的有效性；并讨论分析了变形区混合摩擦状态，轧辊-轧件表面粗糙度、轧件入口厚度与系统稳定性的关系

建立快速有效的针对大规模文本数据的聚类分析方法是当前数据挖掘研究和应用领域中的一个热点问题.为了同时保证聚类效果和提高聚类效率，提出基于\互为最小相似度文本对\搜索的文本聚类算法及分布式并行计算模型.首先利用向量空间模型提出一种文本相似度计算方法；其次，基于\互为最小相似度文本对\搜索选择二分簇中心，提出通过一次划分实现簇质心寻优的二分K-means聚类算法；最后，基于MapReduce框架设计面向云计算应用的大规模文本并行聚类模型.在Hadoop平台上运用真实文本数据的实验表明：提出的聚类算法与原始二分K-means相比，在获得相当聚类效果的同时，具有明显效率优势；并行聚类模型在不同数据规模和计算节点数目上具有良好的扩展性