实验项目 1：工程模型认识实验（必修） 实验项目 2：电阻应变片及其粘贴技术（必修） 实验项目 3：静应变测定——各种桥路实践（必修） 实验项目 4：无损检测仪器认识与操作（必修） 实验项目 5：桥梁荷载横向分布模型实验（必修） 实验项目 6：结构动力特性实验（必修）

回忆水质监测方案设计,水样的采集、保存与运输,——检测 三大类指标:物理、化学、生物 水样预处理 消解:破坏有机物,溶解悬浮性固体,将各种价态的欲测元素转化为单一高价态或易于分 离的无机化合物。——清澈、透明、无沉淀。方法:湿式、干式(不适合处理测定 易挥发组分)

《现代控制理论》 《电子创新设计与应用》 《走进深渊》 《微机原理及接口技术》 实习（实践） 《MATLAB 基础及应用》 《传感器与现代检测技术》 《船舶电力系统检测与分析》（双语） 《无人水面航行器技术概论》 《电机与拖动基础》 《电力系统分析基础》 《电路分析》 《电路原理》 实验 《电子设计创新 1》 《电子设计创新 2》 《电子设计自动化》 《供电技术》 《供电技术课程设计》 《控制电机》 《模拟电子技术实验（双语）》实验 《水下机器人技术》 《信号分析与处理》 《虚拟仪器技术》 习（实践） 《电子技术基础》

出于减小试验误差的目的,试验者可以通过局部控制技术控制试验地土壤肥力的梯度影 响,以及通过小区技术控制无规律的斑块状土壤肥力变化影响。但在试验完成以后,仍然会 有对试验结果预料之中或预料之外的影响,此时,对这些外界影响的消除或减小统计学上称 之为统计控制。本章就通称为统计控制技术的异常数据的检测和协方差分析予以介绍 第一节试验资料中异常数据的检测 异常数据( Outlier):误差超出误差分布允许概率限的变数资料,称之为异常数据

基于单片机的手机无线充电器设计 全方位分区控制智能照明系统的设计实现 防挂载电流智能断电插排 公交客流统计系统设计 电磁辐射检测仪的设计与实现 呼吸暂停综合症早期发现仪的开发与研制 智能多功能台灯 可远程交互的二次重合闸微机装置的设计与实现 基于彩信的智能防盗报警系统 便携式电感测量仪 高密度电法编号检测仪 基于三角测量的三维扫描和激光测距装置 基于 STC12C5A60S2 单片机的声源定位系统设计 光伏发电并网孤岛检测技术 光纤检波器电磁阻尼的研制与仿真 基于 SG3525 Buck 型的 DC-DC 直流变换器设计 基于 nRF24L01 的无线多点温湿度检测系统设计 ＸＹＺ轴步进电机三维运动控制系统 基于 NRF905 的无线温室环境检测系统设计 基于 GSM 无线通讯的宿舍智能安全报警系统 一种射频宽带放大器的设计 办公室计算机显示器的电磁辐射测量报警系统 基于对消法的高精度数控陷波器的设计

为了克服经验法推算结构物埋深的缺陷,基于检测对象的雷达反射波形特征,通过提取反射波形上的少量特征点,提出一种估算结构物埋深的新方法,并考虑实际检测中结构物反射波形的畸变,对估算精度进行分析评价.结果表明:对于理想的无畸变检测数据,该方法对结构物埋深、水平位置及电磁波速的估算结果较为精确;当反射波形存在畸变时,该方法对埋深的直接估算结果误差较大,平均误差达到55.202%,但对于电磁波速的估算结果较为精确;对于实测的有畸变检测数据,可通过电磁波速估算结果及测得的目标体双程旅时对埋深进行间接估算,估算精度满足雷达法检测对埋深估算的要求.相比经验法,该方法在估算精度、误差控制方面具有显著优势

采用化学气相沉积法以泡沫镍为模板制备三维多孔网状泡沫石墨烯（GF）,利用水热法在其表面垂直生长氧化锌纳米线阵列（ZnO NWAs）,得到三维形貌的ZnO NWAs/GF复合材料.采用扫描电镜、透射电镜、X射线衍射、拉曼光谱等测试方法对该复合材料进行了表征.结果表明：制备的石墨烯层数较少且纯净无缺陷.ZnO NWAs垂直于三维GF表面且尺寸分布均匀.利用电化学方法用ZnO NWAs/GF检测左旋多巴（LD）.电化学测试结果表明,ZnO NWAs/GF在线性范围为0~80μmol·L-1内检测LD时,检测灵敏度为0.41μA·（μmol·L-1）-1,且具有良好的重复性和稳定性.在尿酸（UA）干扰下,ZnO NWAs/GF对检测LD有很好的选择性

针对设计模式识别结果的假阴性问题与重叠问题,为提高设计模式实例恢复的精确性,提出一种形式化上下无关文法关系驱动的设计模式检测方法.依据设计模式实例中的参与者属性及其关系,以形式化可视化语言描述模式实例的识别文法.在此基础上,改进该文法检测设计模式实例参与者间的附加关系,并识别共享实例的模式.实验结果表明,新方法不仅减少了模式实例的假阴性结果,还解决了模式实例识别的重叠问题,与其他检测方法的精确度、召回率及F-score指标比较,新方法取得了较好的效果

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

一、《无公害猪肉》的概念 1、《无公害猪肉》的提出 根据我国农业部行业标准NY5029 -2001提出,包括《无公害猪肉》 的定义、技术要求、检验方法、 标志、包装、贮存和运输