一、傅立叶变换 一离散时间傅立叶变换(Discrete-Time- Fourier Transform,DTFT)(定义、收敛条件、性质)离散傅立叶变换( Discrete Fourier Transform,DFT)(定义、性质) 二、Z变换(定义、收敛条件、逆变换、性质)

在初始泥层高75 cm和耙架转速为0、0.1、1和10 r·min?1条件，以及耙架转速为0.1 r·min?1和初始泥层高度为75、45和25 cm条件下，采用FBRM和PVM实时在线监测技术，对动态浓密系统泥层脱水过程絮团结构演化进行原位连续观测，获得了泥层脱水过程中，絮团直径、数量分布特征和实时图像。研究结果表明，尾矿浓密过程中絮团直径和数量随剪切时间延长呈现先增长后降低，再保持稳定的状态。根据絮团直径变化程度，将絮团密实化过程分为絮团生长期、絮团重构期和絮团破碎期3个阶段。在剪切速率0.1 r·min?1和初始泥层高度75 cm实验条件下，有利于絮团生长和絮团快速破裂重构，并提高絮团密实化程度，但过高的剪切速率作用对絮团结构影响程度下降。剪切速率的增加造成絮团平均直径减小，同时絮团平均直径减小的速率上升。随着初始泥层高度增大，絮团生长阶段时间更长，絮团直径峰值更大，重构期较长，絮团平均直径随初始泥层高度增加而增大。尾矿絮团分形维数可以反映絮团结构变化特征，结合PVM图像的分形维数和孔隙率计算，分析了剪切破坏力与絮团凝聚力存在的相互平衡关系，基于这种动态平衡对絮团破裂程度的影响，研究了尾矿浓密过程中的絮团密实化规律

1离散时间信号 2离散时间系统

一、状态停留时间 二、状态微分方程 三、生灭过程

描述离散时间系统的数学模型为差分方程。求解差分方 程是我们分析离散时间系统的一个重要途径。 求解线性时不变离散系统的差分方程有两种方法:

一、白化滤波器及其物理可实现性 二、连续时间过程的均方滤波 三、离散时间过程的均方滤波

7.1悬浮颗粒在静水中的沉淀 7.2.1沉淀分类 1.自由沉淀 单个颗粒在无边际水体中沉淀,其下沉的过程颗粒互不扰,且不受器皿壁的扰,下沉过程中颗粒的大小、形状、密度保持不变,经过一段时间后,沉速也不变。 2.絮凝沉淀 在沉淀的过程,颗粒由于相互接触絮聚而改变大小、形状、密度,并且随着沉淀深度和时间的增长,沉速也越来越快,絮凝沉淀由凝聚性颗粒产生

受限空间内视觉疲劳是造成事故的主要原因之一。为探究有限空间内光照对视屏显示终端（Visual display terminals，VDT）作业视觉疲劳的影响，选取24名作业人员，在搭建的受限空间平台内进行VDT打字作业1 h，在50～700 lx范围内设置7个光照梯度使用眼动仪采集瞳孔直径数据。将采集数据进行归一化和降噪处理。实验结果表明，随着照度增大，瞳孔直径总体呈减小趋势，且瞳孔?照度关系符合幂函数关系；照度400，550和700 lx环境下瞳孔直径变化率在?12%～8%之间浮动，且随着光照强度的增强，作业人员视觉疲劳发生的程度增加；在低照度50，100和200 lx环境下，瞳孔直径变化率在?8%～4%之间浮动，且随着强度的减弱，作业人员视觉疲劳发生的程度也会增加。本研究提出使用窗口化的瞳孔直径标准差σ判断视觉疲劳出现时间，低照度下的σ峰值出现时间早于高照度下σ峰值出现的时刻，300 lx照度下σ峰值出现的时刻最晚，50～300 lx弱光照下对视觉造成的疲劳程度大于300～700 lx强光照下造成的疲劳

Ca和Sr是铸造铝硅合金中最有效的变质元素,一般在浇铸前以中间合金的形式加入.然而在废杂铝熔铸再生工业中,原料中常含有微量的Ca和Sr,预控它们在熔炼过程中的含量变化是它们再利用的前提.本文以工业A356铸锭为原料,实验研究了熔炼温度和保温时间对Ca和Sr质量分数变化规律的影响.结果表明:Ca和Sr质量分数随着保温时间延长均呈Exp3P2规律下降,且随熔炼温度升高质量分数下降速率均逐渐提高.根据热力学和动力学分析可知,在废杂铝熔炼再生过程前期主要发生[Ca]和[Sr]与熔体中的氧发生氧化反应生成CaO和SrO,这些氧化物又会与Al2O3反应生成Al2O3·6CaO和Al2O3·SrO,经扒渣操作后Ca和Sr质量分数下降.在熔炼中后期,[Ca]和[Sr]以扩散至熔体表层还原Al2O3的方式使它们的质量分数降低.计算得出在660~740℃熔炼A356合金时Ca和Sr氧化反应的表观活化能分别为182.6 kJ·mol-1和117.8 kJ·mol-1,两者均受化学反应过程控制.根据Ca和Sr质量分数的变化规律建立了它们的质量分数预报模型,经生产验证表明预报误差均小于10%,可用于预报废杂铝熔炼再生过程Ca和Sr的质量分数

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