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

螺纹插装式溢流阀阀套精加工采用碳氮共渗后磨削的制造工艺，内锥面的形位误差会影响溢流阀的使用寿命和静动态特性，制造过程需要精准控制内锥面的误差。通过对工艺分析建立制造误差模型并应用研究，由此获得内锥面自身角度的合理误差范围，以及内锥角误差与磨削量之间的变化关系。根据阀套结构特点设计专用的检测装置，并对检测原理和测量误差进行分析，通过误差校对提高检测精度。对热处理后的阀套进行轴向尺寸分组，并采用基准统一原则，保证磨削制造精度的稳定性。根据检测原理和误差模型对试磨件进行误差计算，并据此调整磨削参数，使制造误差合格；后续制造时采用检测装置快速测量阀套的密封圆轴向尺寸，使制造误差均落在控制范围内，保证批量生产的可控性。研究表明，基于某型溢流阀的设计及工艺参数，内锥面自身角度的实际制造误差控制以±0.8°为宜，对应的密封圆轴向最大磨削公差为0.186 mm、修正后的最小磨削公差为0.075 mm；实验验证了误差模型的准确性，所述检测方法的角度测量误差为0.06°、密封圆轴向尺寸测量误差为2 μm，因角度测量误差带来的最大、最小磨削量范围偏差可通过内锥角实际制造误差的收缩进行补偿；所研究的理论与方法也为其他内锥面的制造控制及逆向工程提供了系统的方法

为考察无网格方法求解铸坯凝固过程的可行性，本文依据移动最小二乘和变分原理，推导并建立了基于无网格伽辽金法的结晶器内铸坯凝固过程二维非稳态传热/凝固数学模型。以小方坯凝固过程为对象，分别采用节点均匀布置、加密布置、随机布置方式，模拟分析了小方坯凝固过程的温度场变化，并将计算结果与参考解、有限元法数值解进行了对比，结果证实无网格伽辽金法在计算精度、自适应性、网格依赖性等方面均优于有限元法。研究结果为无网格方法应用于连铸过程的传热、凝固以及应力/应变行为的数值计算提供参考

12-3理想气体的压强公式 一、理想气体的微观模型 (1)分子可视为质点;线度d≈10-10m间距r≈10m,d<