第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 支持向量机 第八节 MATLAB的应用实例

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 支持向量机 第八节 MATLAB的应用实例

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 深度学习 第八节 支持向量机 第九节 MATLAB的应用实例

以往对全尾砂膏体屈服应力的研究局限于理想屈服应力流体框架内，认为一定材料配比条件下，膏体的屈服应力是确定的，即认为屈服应力是膏体料浆固有的一个物理属性值。通过开展不同质量分数全尾砂膏体屈服应力测量实验，分析了测量速率与测量时间对不同浓度膏体屈服应力的影响，发现屈服应力值的大小与测量过程相关。对比分析峰值屈服应力、动态屈服应力、静态屈服应力，发现全尾砂膏体屈服应力随测量时间–测量速率在一定条件下的变化规律，即峰值屈服应力、静态屈服应力正比于膏体的测量速率，动态屈服应力反比于测量时间，以变异系数Cv评价料浆屈服应力的离散程度，其中74%质量分数膏体动态屈服应力变异系数最大，Cvmax=27.07%，而66%质量分数膏体静态屈服应力变异系数最小，Cvmin=2.33%。进而从细观层面分析了膏体屈服过程中颗粒间作用力、颗粒网络结构随测量时间–测量速率的变化规律，解释了全尾砂膏体屈服应力易变性机理

本文首先提出了一个结构简单且易于维护的索引–存根表结构，并基于该结构提出了一个具有隐私保护属性的云存储第三方审计方案，该方案能够有效地支持对外包数据进行各种数据块级的远程动态操作.然后，在随机预言机模型下，对方案提供的数据完整性保证给出了形式化的安全证明，对方案中审计协议的隐私保护属性也给出了形式化的安全分析.最后，针对方案的性能进行了理论分析和相关的实验比较，结果表明该方案是高效的

7-1 离散系统的基本概念 7-2 信号的采样与保持 7-3 z变换理论 7-4 离散系统的数学模型 7-5 离散系统的稳定性与稳态误差 7-6 离散系统的动态性能分析 7-7 离散系统的数字校正

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

5.6 利用开环频率特性分析系统的性能 5.6.1 L(w)低频渐近线与系统稳态误差的关系 5.6.2 L(w)中频段特性与系统动态性能的关系 5.6.2 L(w)高频段对系统性能的影响

4.2.1 位置随动系统的组成 4.2.2 位置随动系统的特征及其与调速系统的比较 4.2.3 位置传感器 4.2.4 位置随动系统的稳态误差分析和参数计算 4.2.5位置随动系统的动态校正及控制

基于人机动态协同控制的车道保持辅助系统有助于兼顾汽车的安全性与驾驶员的舒适性，分析了该系统在车道偏离决策模型、驾驶权动态分配及性能评估等方面的研究现状和发展趋势。在车道偏离决策模型方面，应根据驾驶员的状态制定不同的决策模型，既可以建立自适应调节的决策模型，又应允许驾驶员根据自己的喜好和外部驾驶环境手动调整决策模型中预设的参数；在驾驶权分配方面，应探索更加合理的驾驶权动态分配方式，设计智能的优化算法或控制模型；在性能评估指标方面，应加入与降低人机冲突及减少驾驶员控制量相关的评估指标，制定科学完善的主观评估体系。未来研究应该深度融合驾驶员因素，实时发出警报与主动干预，并能够对系统进行完善的测试与评估