种或几种物质分散在另一种物质中所构成的体系系统称为“分散体系”。被分散的物质 称为“分散相”;另一种连续相的物质,即分散相存在的介质,称“分散介质 按照分散相被分散的程度,即分散粒子的大小,大致可分为三类: 1.分子分散体系。分散粒子的半径小于10-m,相当于单个分子或离子的大小。此时 分散相与分散介质形成均匀的一相,属单相体系。例如,氯化钠或蔗糖溶于水后形成的“真 溶液

农药残留分析是研究环境和农副产品、食品中农药残留种类与含量的科 学,在常量(商品农药的有效成分)、微量和超微量水平上研究农药分析的 理论与方法。随着分析科学技术的飞速发展,农药残留分析的技术水平在不 提高,分析方法在不断创新。但是农药残留分析(包括商品农药分析)结果 的准确度,很重要的一环是取决于分析对象的取样、分离提纯等处理技术

针对实际振动信号中多分量分离问题,在生成微分方程解调技术的基础上,提出一种新的迭代分解方法.首先采用生成微分方程(generating differential equation,GDE),估计初始振动信号的瞬时频率和幅值包络,然后对瞬时频率通过低通滤波分离出第一个频率,基于此频率对原始信号通过高通滤波器后提取的成分作为第一个分量,最后用初始信号减去第一个分量的余值作为下一次迭代的初始值,迭代同样的步骤分析分解直到获取所有信号分量,以低于能量比阈值作为迭代终止条件.本方法不需要先验信息.通过仿真信号验证并与传统方法进行对比分析,证明了方法的有效性.通过实测轴承试验信号的故障分析,证明了方法的实用性

采用Thermo-Calc软件分别计算硅在不同温度Zn-50%Al-xFe-ySi(原子数分数)熔池液相中的溶解度及不同温度Zn-30%Al-2%Fe-xSi(质量分数)熔池中开始形成τ5渣相和FeAl3渣相消失时该熔池中硅含量,采用平衡合金法测定Zn-50%Al-xFe-ySi合金液相中硅的溶解度和不同硅含量的Zn-30%Al-2%Fe-xSi合金的相平衡关系.当温度分别为540、560、580、600和620℃时,硅在Zn-50%Al-xFe-ySi体系液相中的溶解度(原子数分数)计算值分别为0.82%、0.95%、1.11%、1.28%和1.47%,实验结果与计算结果吻合很好.当熔池温度分别为580、600和620℃时,在Zn-30%Al-2%Fe-xSi合金中刚开始出现τ5相时所对应硅质量分数的计算值分别为0.6%、0.72%和0.84%,发生FeAl3相消失对应的锌池中硅质量分数的计算值分别为1.12%、1.22%和1.34%,实验结果与计算预测结果基本一致

§2.5 重力坝的应力分析(stress analysis) 概述 应力分析方法 模型实验法（不讲） 理论分析法 ➢材料力学法 ➢弹性力学理论法（不讲） ➢有限差分法（不讲） ➢有限单元法（不讲） 应力控制标准 各种因素对坝体应力的影响 §2.6 分缝、分块及温度控制 重力坝的分缝、分块 重力坝施工期温度控制（temperature control）的目的、要求和措施（见下一讲）

差分方程简介 以t表示时间,规定t只取非负整数。t=0表示第一周期初, t=1表示第二周期初等。记y为变量y在时刻t时的取值,则 称43为y的一阶差分,称为的二阶差分。类似地,可以定义y的m阶差分。 由ty1及y的差分给出的方程称为y1差分方程,其中含的最 高阶差分的阶数称为该差分方程的阶。差分方程也可以写成不显含差分的形式

第二讲随机变量及其概率分布 内容提要 (1)随机变量及其分布函数(分布函数的性质) (2)离散型随机变量的分布律 (3)连续型随机变量的密度函数及概率计算 (4)重要分布的定义及背景(二项分布,超几何分布,几何分布,负二项分布, Poisson分布,均匀分布,指数分布, amma分布,正态分布) (5)随机变量函数的分布(离散场合,连续场合)

第四章工作分析与评价 第一节工作分析概述 基本概念与相关术语工作分析:有广义和狭义之分。广义的工作分析是对整个国家与社会范围内各岗位工作 的分析。狭乂的工作分析又称职务分析,是对某一企事业组织内部各岗位工作的分析

第一节 盈亏平衡分析 一、盈亏平衡分析的定义 二、盈亏平衡分析的基本公式 三、盈亏平衡分析的局限性 第二节 敏感性分析 一、敏感性分析的定义及任务 二、步骤 三、单因素敏感性分析 四、多因素敏感性分析 第三节 概率分析 一、随机参数的概率分布 二、解析法 二、步骤

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性