CABOSFV_C是一种针对分类属性高维数据的高效聚类算法,该算法采用集合稀疏差异度进行距离计算,并采用稀疏特征向量实现数据压缩.该算法的聚类效果受集合稀疏差异度上限参数的影响,而该参数的选取没有明确的指导.针对该问题提出基于集合稀疏差异度的启发式分类属性数据层次聚类算法(heuristic hierarchical clustering algorithm of categorical data based on sparse feature dissimilarity,HABOS),该方法从聚结型层次聚类思想的角度出发,在聚类数上限参数的约束下,应用新的内部聚类有效性评价指标(clustering validation index based on sparse feature dissimilarity,CVISFD)进行启发式度量,从而实现对聚类层次的自动选取.UCI基准数据集的实验结果表明,HABOS有效地提高了聚类准确性和稳定性

针对目前对薄壁钣金件孔测量的效率低,孔心位置和孔半径测量方法上存在的不足,提出一种基于T-scan测量的薄壁钣金件孔特征的重构方法.该方法用T-scan对薄壁钣金件上孔进行扫描得到点云数据;根据点云数据中连续点的欧拉距离将点云数据划分成扫描线点数据;对扫描线点云数据进行算法处理获取位于平面上的点及孔的边缘点;最后对平面上的点采用稳健特征值平面拟合得出平面参数,利用最小二乘空间圆拟合获取孔心坐标值及孔径大小,完成薄壁孔特征重构.通过对试验件和薄壁钣金件上孔进行测量处理,实验表明该算法有很好的实用性且精度满足钣金件孔的实际检测精度要求

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

探讨了一种将有监督学习机制融合到模糊ART网络构成一个有监督的模糊ART神经网络模型.这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力.对该网络进行了滚动轴承检测数据模式分类实验,并与BP网络进行了比较性实验.结果表明:该网络具有良好模式分类能力和较好的可塑性

实验一 数据传送实验 实验目的： （1）学习使用伟福仿真软件 （2）掌握8031内部RAM和外部RAM之间数据传送特点和应用。 （3）复习数据传送指令。 实验二 数制转换运算实验 实验目的 ： 1、学习二进制数转换为BCD码数的一般算法。 2、学习十进制数转换成ASCⅡ码的一般算法。 实验三 控制转移程序实验 实验目的 ： 学习掌握控制转移指令程序设计方法。 实验四 定时器/计数器实验 实验目的 ： 1、学习掌握利用中断、查询方法设计8031内部定时计数器程序。 2、进一步掌握中断处理程序的编程方法。 实验五 串行口扩展实验 实验目的 ： 1、掌握串行口控制显示器硬件原理及软件设计方法。 2、掌握单片机与74LS164接口电路设计。 实验六 串行通信实验 实验目的： 学习单片机串行通信方式，熟悉串行通信程序设计。 实验七 流水灯实验 实验目的： 掌握8051单片机输入、输出端口程序设计方法

• 一、研究区简介 • 二、实验数据采集及预处理 • 三、反演物理模型 • 四、物理模型 • 五、实验步骤 • 六、实验结果 • 七、结果分析 • 八、存在的问题 • 九、主要参考文献

通过对实验数据的回归,建立了Q235普碳钢动态再结晶及其在硬化区变形时的变形抗力模型。模型计算和实验所测结果吻合较好。压缩实验条件:变形速率为0.01~1.0s-1,变形温度为900~1150℃,初始晶粒尺寸48~85μm

《科技论文写作》 《数学分析》 《高等代数与解析几何》 《概率论及数理统计 A》 《复变函数 A》 《常微分方程》 《大学物理 C》 《物理实验 C》 《C/C++语言程序设计 B》 《C/C++语言程序设计 B》实验 《数据结构与算法》 《数据结构与算法》实验 《数据库原理及其应用》 《数据库原理及其应用》实验 《离散数学》 《数值分析》 《实变函数与泛函分析》 《计算机图形学》 《计算机图形学》实验 《面向对象程序设计（Java）》 《面向对象程序设计（Java）》实验 《软件工程》 《软件系统分析与设计》 《软件系统分析与设计》实验大纲 《微分方程数值解》 《运筹学基础》 《数学物理方程》 《矩阵分析》 《计算机网络》 《计算机网络》实验 《软件质量保证与测试》 《软件质量保证与测试》课程设计 《软件过程改进与管理》 《VB 程序设计》 《VB 程序设计》实验 《计算机组成原理》 《计算机组成原理》实验 《操作系统》 《操作系统》实验 《数学分析专题研究》 《高等代数专题研究》 《拓扑学》 《组合数学》 《应用随机过程》 《软件工程日语》 《数学建模》 《数值计算综合实习》 《计算机课程综合实习》 《认识实习》 《毕业实习》

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

一、 学科平台课程 1 《高级语言程序设计》 二、 专业课程 1 《计算机导论》 2 《离散数学》 3 《电子技术》 4 《电子技术实验》 5 《计算机组成原理》 6 《数据结构》 7 《数据库系统原理 A》 8 《软件工程概论》 9 《操作系统》 10《算法设计与分析》 11《计算机网络》 12《软件质量保证与测试》 13《软件项目管理与案例分析》 14《人机交互技术》 15《软件系统分析与设计》 16《软件过程与管理》 17《软件体系结构》 三、 个性化发展课程 1 《可视化项目开发技术》 2 《Web 开发技术》 3 《嵌入式系统原理与应用 A》 4 《移动平台应用开发》 5 《数据挖掘》 6 《Python 程序设计》 7 《人工智能》 8 《深度学习》 9 《大数据处理基础》 10《企业信息化系统分析》 11《三维动画原理与开发技术》 12《编译原理》 13《科技论文写作》 14《工程经济学》 15《前沿知识研讨》 16《职业能力拓展》 17《企业级开发技术》 四、 实践环节 1 《认识实习》 2 《小型软件项目综合课程设计》 3 《软件项目实践》 4 《生产实习》 5 《毕业实习》 6 《毕业设计》