1.熟悉卫生资源管理的概念、内容和原则，掌握卫生资源配置的原则与评价指标。2.了解卫生人力资源管理的概念与问题，熟悉卫生人力发展的基本策略和目标，掌握卫生人力资源配置的方法。3.了解卫生设备装备的含义与卫生设备装备管理的任务与方法，熟悉大型医用设备的配置与医院的床位配置。4.了解卫生资金筹集的形式，熟悉卫生资金配置的原则与卫生经费的配置范围与标准。5.了解卫生信息的概念，掌握卫生信息资源管理的内容，了解我国卫生信息化的目标与进展

本章主要介绍组合体视图的画法、组体的尺寸标注以及看懂组合体视图的方法。 通过对本章的学习,应达到以下基本要求

高熵材料是近年来出现的一种新型材料，具有高强度、高硬度、良好耐腐蚀和优异的高温组织稳定性等性能，在航空航天、高温以及先进核能等领域展现了广阔的应用前景，引起国际材料领域的广泛关注，相关研究也取得了很大进展。粉末冶金作为一种高性能金属基和陶瓷复合材料的先进制备技术，可以获得纳米晶和过饱和固溶体等亚稳材料，同时也可用于传统熔炼法较难制备的具有特殊结构和性能的材料，近些年来，粉末冶金技术在高熵材料制备中得到广泛应用。本文从高熵材料的应用理论出发，针对目前高熵材料粉体制备方法、块体成型以及粉末冶金制备的典型高熵材料三个方面予以综述，着重阐述了高熵材料的力学性能和其变形行为特点，同时展望了高熵材料的未来发展趋势

一、微商概念及其计算 1.求抛物线y=x2在A(1,1)点和B(-2,4)点的切线方程和法线方程

1.了解光纤通信采用的线路码型 2.掌握CMI码的特点及编解码实现方法 3.掌握在光纤信道测量眼图的方法

使用高功率光纤激光器的快速成形系统和电磁感应加热设备,分别在未预热和预热的情况下成形12CrNi2合金钢.通过扫描电镜观察成形件微观组织、维氏硬度计测试不同部位硬度、万能材料试验机测试不同方向的拉伸性能,研究预热对激光熔化沉积12CrNi2合金钢不同方向的组织、硬度、拉伸性能的影响.结果表明:未预热条件下,单道熔池组织为板条马氏体,块状成形件熔池为回火马氏体与贝氏体混合组织,XOZ截面与YOZ截面组织没有明显的组织差别,但YOZ截面整体硬度大于XOZ截面,同时两个截面均出现了大尺寸宏观裂纹缺陷,力学性能差.在预热条件下,熔池由于温度梯度降低发生贝氏体转变,单道熔池呈现性能优异的下贝氏体组织;块状成形件熔池没有发生回火马氏体转变,主要为粒状贝氏体.截面硬度分布较未预热下更为均匀.在拉伸方向及搭接方向均呈现高强度、低塑性特征,抗拉强度可达1189 MPa,屈服强度为951 MPa,伸长率仅为2.8%,性能没有明显的各向异性.预热能够降低熔池中温度梯度,减小热应力,有效控制裂纹缺陷,促进组织均匀化,降低组织、性能的各向异性,提高合金钢成型件力学性能

通过课堂讲解,理解固体的分类,特别是晶体的分类,进而理解晶体和 非晶体在结构、结合力及性质等方面的差别,理解其在应用方面的差别,完 成对固体吸附剂和固体废物的基本了解

物质的化学组成、结构和化学变化是构成化学问题的三大方面。这三个方面都涉 及电子的核外运动,因此本章首先要重点介绍原子中电子的运动状态和特征。 如绪论所述,要描述宏观物体的运动,确定宏观物体的运动状态,需用经典 力学来处理,通过经典力学的基本方程(F=ma)可以求出宏观物体的轨迹和相应的 能量

崩塌灾害的早期预警一直是岩土工程领域研究的热点问题之一.传统的监测预警方法监测指标相对单一, 更多关注于加速破坏前兆的识别, 使得崩塌的早期预警存在诸多困难.本文首先引入动力学监测指标, 对岩土体破坏过程中的动力响应进行综述, 得出基于固有振动频率等动力学监测指标可以为危岩体的损伤提供数据支持.随后基于最新的实验研究发现动力学监测指标可以有效反应边坡的物理力学特征的变化, 进而可以实现岩体损伤与稳定性的动态识别和定量判断.在对国内外现状进行综述发现, 基于分离阶段破坏前兆识别的岩块体崩塌灾害预警思路, 具有更好的时效性, 是未来崩塌早期预警的发展方向, 同时对崩塌的早期预警指标体系进行展望, 得出基于动力学指标、静力学指标和环境量指标三位一体的早期监测预警指标体系, 必将在工程监测与灾害预警方面发挥更大潜力, 为从事应对崩塌等脆性破坏灾害预警预防的研究工作者提供有效参考

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