鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的 个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数( discriminant function)o然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量( grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因”变量,有时可能倒是真正的“结 果”或“反应”变量。它们与类型变量的关系从本质上并没有越过相关的范畴。 不过,既然我们要参照其值来进行分组,权且称之为自变量

本书适合具有(X)HTML和CSS基本知识的任何人。无论你是刚刚接触CSS设计，还是已经开发纯CSS站点好几年了，本书中都有适合你的内容。如果你已经使用CSS一段时间了，但还不是专家，那么你能够从本书获得最大的收益。本书充满了实用的现实建议和示例，可以帮助你精通现代CSS设计。本书的前两章讨论基本的CSS概念和最佳实践，帮助你轻松地入门。你将学习如何建立代码结构和加注释、CSS定位模型的细节以及浮动和清理的工作原理。你可能已经掌握了其中的许多内容，但是可能会发现自己有遗漏或理解不充分的地方。因此，前两章是不错的CSS入门材料，也可以帮助你回顾已经知道的知识。介绍了基本知识之后，后面五章讨论核心CSS技术，比如图像、链接、列表操纵、表单设计、数据表格设计以及纯CSS布局。每一章都由浅入深，直到建立比较复杂的示例。在这些章节中，你将学习如何创建圆角框、带透明阴影的图像、标签页式导航条和flickr风格的翻转

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度

将0. 46%含碳量(质量分数) 的石墨化碳素钢在万能材料试验机上进行室温压缩变形, 试验钢表现出良好的压缩变形性能.根据载荷-位移曲线的变化特点, 试验钢的压缩变形过程以位移7. 0 mm (对应相对压下量为58. 3%) 为节点分为两个阶段: 在位移≤7. 0 mm的压缩阶段, 载荷呈线性增加, 压缩试样的鼓度值逐渐增加而达到一个极大值(14. 6%), 压缩试样中心位置的维氏硬度增幅最大, 为38. 1 HV, 至位移7. 0 mm时试样端面径向伸长率的增幅为34%;而在位移 > 7. 0 mm的压缩阶段, 载荷呈指数增加, 压缩试样的鼓度值从极大值开始逐渐减小, 至位移为10. 72 mm时(相对压下量为89. 3%), 试样端面的径向伸长率相比于位移7. 0 mm时增加了83. 1%, 压缩试样的中心位置的维氏硬度增幅最小, 为32. 7 HV.上述试验数据表明, 在位移≤7. 0 mm的压缩过程中, 压缩试样内的三个不均匀变形区的位置与传统压缩模型一致, 但是当压缩变形进入位移 > 7. 0 mm的压缩过程中, 试样中心位置已不再是传统压缩模中变形程度最大的变形区了, 即在这个阶段试样中的3个不均匀变形区的变形程度发生了改变.正因这种不均匀变形区变形程度的改变导致了变形过程中载荷的急剧增加和鼓度值的减低.另外, 在压缩变形过程中, 三个不均匀变形区中石墨粒子的微观变形量总是高于铁素体基体, 其原因之一可以归结为石墨粒子中层与层之间容易于滑动的结果

巡线机器人延迟容忍传感器网络(delay tolerant mobile sensor networks for inspection robot,DTMSNR)用于输电线路巡线机器人远程电网数据收集,具有节点稀疏、异构、随机移动性、间歇连通性和延迟容忍性.针对传统传感器网络数据传输算法机器人数据传输成功率低与网络可靠性差等问题.提出一种基于巡线机器人位姿信息的数据传输(mobile robot position-based delivery,MPD)策略.为准确计算巡线机器人网络位姿信息,建立机器人路径约束随机运动模型.MPD采用机器人相对网络位姿信息计算传输概率,进行消息传输路径选择.对网络异构消息引入机器人消息优先传输、消息失效机制进行消息队列管理.仿真实验表明,相较现有的几种延迟容忍传感器网络(delay tolerant mobile sensor network,DTMSN)数据传输策略,针对巡线机器人网络MPD能在适当的传输能耗下达到更高的传输成功率与更低的传输延迟

为了对飞机机翼缘条紧固孔细节原始疲劳质量进行评估，本文首先对飞机机翼缘条结构中常用的BXXX铝合金紧固孔试件分别开展了高、中、低3种应力水平下的疲劳试验，通过断口判读和反推得到3组关于裂纹长度a和疲劳寿命t的（a?t）数据，在此基础上应用当量初始缺陷尺寸（EIFS）控制方程对每个试件的EIFS值进行计算并初步评估，验证了在不同应力水平下紧固孔结构细节的EIFS无显著性差异；得到了紧固孔结构细节的裂纹萌生时间（TTCI）分布，在指定应力水平下对紧固孔结构细节95%置信水平下的经济寿命进行预测，并与设计寿命进行对比，提出了一种不同超越概率P下的结构细节当量初始缺陷尺寸模型，基于给定5%的裂纹超越概率，对结构细节的通用EIFS分布进行评估。通过以上对飞机机翼缘条紧固孔细节原始疲劳质量的三重评估，得到综合评估结果：飞机机翼缘条紧固孔细节原始疲劳质量满足要求

背景:二战后期,比利时解放后,当局以通敌罪逮捕了三流画家范 梅格伦,理由是他曾将17世纪荷兰名画家扬•弗米尔的油画“捉 奸”卖给了纳粹德国戈林的中间人.可是,范•梅格伦在同年7月 12日在狱中宣布,他从未把“捉奸”卖给戈林.而且,他还说,这一 幅画和众所周知油画“在埃牟斯的门徒”以及其他四幅冒充弗 米尔的油画和两幅冒充胡斯(17世纪荷兰画家)的油画,都是他自 己的作品.这事震惊了全世界.因为油画“在埃牟斯的门徒”早 已经被鉴定家认为是真迹,并以17万美元的高价被荷兰一学会 买下

第2章物理层 2.1物理层的基本概念 2.2数据通信的基础知识 2.2.1数据通信系统的模型 2.2.2有关信道的几个基本概念 2.2.3信道的最高码元传输速率 2.2.4信道的极限信息传输速率 2.3物理层下面的传输媒体 2.3.1导向传输媒体 2.3.2非导向传输媒体 2.4 模拟传输与数字传输 2.4.1 模拟传输系统 *2.4.2 调制解调器 *2.4.3 数字传输系统 *2.5 信道复用技术 2.5.1 频分复用、时分复用和统计时分复用 2.5.2 波分复用 2.5.3 码分复用 *2.6 同步光纤网SONET和同步数字系列SDH 2.7 物理层标准举例 2.7.1 EIA-232-E接口标准 2.7.2 RS-449接口标准

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量

在前面几章中,我们已经了解了如何使用ASP源代码在 Microsoft back office中插入 些应用程序和服务。在本章中,将通过使用数据协作对象( Collaboration Data Objects, CDO)来集中研究Ema应用程序和服务之间的相互作用。特别是,将介绍CDO的一个子集, 即用于NT服务器的数据协作对象( Collaboration Data Objects for Windows NT Server, CDONTS 先从CDO的演化发展以及CDO和 CDONTS的区别开始,然后再研究CDO和 CDONTS的发 展趋势 作为本章的主体,将研究 CDONTS对象模型,通过一些利用 CDONTS的应用程序例子来 总结一下 CDONTS。下一章将更进一步地研究CDO