在使角操作命令过程中 有时需要连续使用多条命令; 有时需要多次重复使用若干条命令 还有时需要选择地使用不同命令的需要 批命令实现思想如下:规定一种特别的文件称批命令 文件,该文件有特殊的文件扩展名,用户可预先把一系 列命令组织在该文件中,一次建立,多次执行。从而减 少输入次数,方便用户操作,节省时间、减少出借。更 进一步,操作系统还支持命令文件使用一套控制子命令 ,从而,可以写出带形式参数的批命令文件。当带形式 参数的批命令文件执行时,可用不同的实际参数去替换 ,从而,一个这样的批命令文件可以执行不同的命令序 列,大大增强了命令接口的处理能力

在实际的神经网络中,比如人的视网膜中,存在着一种“侧抑制”现象,即一个神经 细胞兴奋后,通过它的分支会对周围其他神经细胞产生抑制。这种侧抑制使神经细胞之间 出现竞争,虽然开始阶段各个神经细胞都处于程度不同的兴奋状态,由于侧抑制的作用, 各细胞之间相互竞争的最终结果是:兴奋作用最强的神经细胞所产生的抑制作用战胜了它 周围所有其他细胞的抑制作用而“赢”了,其周围的其他神经细胞则全“输”了。 自组织竞争人工神经网络正是基于上述生物结构和现象形成的。它能够对输入模式进 行自组织训练和判断,并将其最终分为不同的类型

第2章C++语言基础 本章是学习C++语言的基础,包括以下几个方面: 1.结构化程序设计方法与面向对象程序设计方法的各自特点、区别和相互联系。 2.面向对象的程序设计方法中的有关概念,如类、对象、封装、继承、消息和多态性等。 3.C++程序的基本组成和框架结构 4.掌握C++语言中的基本数据类型、各种运算符、表达式。 5.C++数据输入流对象cin和输出流对象cout的使用。 6.程序的3种基本结构 7.构造数据类型,如数组、结构体、指针等的定义方法、特点和使用方法。 7.函数的定义、调用及函数调用过程中的参数传递的机理和程序执行流程。 8.引用的概念及其定义和使用方法

数字集成电路是用来专门处理数字信号的，各种逻辑门、触发器、存储器等 电路都是数字集成电路。通常，数字信号是二进制信号。数字电路的工作特点是: 电路输出的二进制信号与输入二进制信号有一定的逻辑关系，这个逻辑关系就称 为电路的逻辑函数。 在正常的电压工作范围内，数字信号电压的幅度是被量化了的：某一电压范 围代表二进制状态中的一个状态，另一电压范围则代表了另一个状态。这两个范 围之间是不确定范围，不确定范围应尽可能小，这就使电路完全工作在非线性状 态，如图 3-1 所示

电子设备所需的直流电源，一般都是采用由交流电 网供电，经“整流”、“滤波”、“稳压”后获得。所 谓“整流”指把大小、方向都变化的交流电变成单向脉 动的直流电，能完成整流任务的设备称为整流器。所谓 “滤波”指滤除脉动直流电中的交流成分，使得输出波 形平滑，能完成滤波任务的设备称为滤波器。所谓“稳 压”指输入电压波动或负载变化引起输出电压变化时， 能自动调整使输出电压维持在原值。本章将着重介绍单 相桥式整流电路、电容滤波电路、串联型稳压电路、开 关型稳压电路的原理和应用

全书共分八章：第一章是从应用的角度介绍电力半导体器件的特性；第二、三章是讲述利用相控原理的可控整流与有源逆变和交一交变频器；第四章是讲述研究DC一DC变换的斩波器的工作原理；第五章主要是研究采用PWM技术的无源逆变器；第六章是功率因数校正；第七章是软开关技术及其应用；第八章是开关电源。本书的第六~八章是电力电子学最新的内容，其中，电感电流连续的功率因数校正的原理电路分析，直流环节谐振的软开关逆变器的补偿损耗电流的计算公式，电压电流工作波形的计算；推导出的反激式、正激式、半桥式和桥式变换的开关电源的输入输出和导通时间的统一公式，这些都是由我们首先完成但还没有正式发表过论文的科研工作的成果。本书可作为授课80学时左右的本科电工类学生的专业用书，也可供相关专业的技术人员作为参考！

在对系统进行分析设计过程中，稳定性起着主导作用。定性地说，如果系统从所需要的工作点附近起动后，意味着系统以后一直将运行停留在这一点周围，那么该系统称作是稳定的。 本章讨论的主要内容是自治系统和非自治系统Lyapunov稳定性理论，同时也给出了系统不稳定条件。 3.1 非线性系统与平衡点 3.2 稳定的概念 3.3 线性化与局部稳定性 3.4 Lyapunov直接方法 3.5 时变系统稳定性理论 3.6 非自治系统的Lyapunov分析 3.7 输入-状态稳定性 3.8 不稳定性定理 3.9 用Barbalat引理作类Lyapunov分析

结合影像学和人工智能技术对病灶进行无创性定量分析是目前智慧医疗的一个重要研究方向。针对肝细胞癌（Hepatocellular carcinoma, HCC）分化程度的无创性定量估测方法研究，结合放射科医师的临床读片经验，提出了一种基于自注意力指导的多序列融合肝细胞癌组织学分化程度无创判别计算模型。以动态对比增强核磁共振成像（Dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）的多个序列为输入，学习各时序序列及各序列的多层扫描切片在分化程度判别任务的权重，加权序列中具有的良好判别性能的时间和空间特征，以提升分化程度判别性能。模型的训练和测试在三甲医院的临床数据集上进行，实验结果表明，本文所提出的肝细胞癌分化程度判别模型取得相比几种基准和主流模型最高的分类计算性能，在WHO组织学分级任务中，判别准确度、灵敏度、精确度分别达到80%，82%和82%

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

微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题，导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件，为进一步提高模型对106能级微震事件预测的准确率，对模型进行改进并使用混合采样方法训练改进后的模型；利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正确率达到98.4%，其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100%