本文把旋转机械故障产生的周期性激励—周期性特征信号分解成“波形”与“特征脉冲序列”的卷积,提出了有关周期性特征信号幅值调制、相位调制、波形畸变以及背景噪声四种类型噪声的概念。在此基础上,应用解卷积理论,对实倒谱分析识别周期性特征信号问题进行了研究。并在计算机上讨论了各种类型噪声对实倒谱分析的影响。研究表明,周期性特征信号在实倒谱上将形成依次递减的倒谐频结构,其大小仅与特征信号本身的稳定性有关,与信号的大小、形状无关,且最大值不超过1。分析结论较好地解释了文献以及作者的应用实例

掌握样条函数及性质、B-样条及性质、三次样条插值。 借助于多项式来逼近,虽然有很多优点,但由于多项式乃幂级数的特例,其在 一点附近的性质足以决定它的整体性质。然而自然界较大范围内的许多现象,如物 理或生物现象间的关系往往呈现互不关联、互相割裂的本性。亦即在不同区域中, 它们的性状可以完全不相关。另一方面,从数学上讲,例如在多项式插值理论中, 具有n个插值点的一元插值多项式是一个-1次的多项式,它可能有n-3个拐点。这 对于比较平滑的函数来说就不是那么理想了

问卷设计是一门技巧性很强的学问,一份设计巧妙的问 卷应当使被访问者完全明确调查的意图并乐意配合作出正确 的回答,同时使得调查机构便于对调查进行计算机处理并作 出推断与预测。 这样就要求调查问卷的设计者不仅要有大量的统计推断 知识,而且要对调查内容的有关知识有所了解。例如,调查 计算机网络设备的市场需求问题,倘若一个人对计算机、网 络等都很不熟悉,那就干脆不要去设计问卷。必要时应当与 有关专家一起设计

7.1人工智能概述 人工智能( Artificial Intelligence)简称AL,它是计算机科学的一个重要的研究领 域。近40年以来获得了迅速的发展,在很多领域都获得了广泛的应用。 7.1.1什么是人工智能 斯坦福大学人工智能研究中心的 Nilsson教授认为:“人工智能是关于知识的 科学-怎样表示知识以及怎样获得知识并使用知识的科学。”MT的 Winston教授 指出:“人工智能就是研究如何使计算机去做过去只有人才能做的智能的工作 这些定义反映了人工智能学科的基本思想和基本范围。事实上,一般认为用计算机 模拟人的智能行为就属于人工智能的范畴

数量经济学科是一门实践性很强的学科,要求学生具有将经济学知识、计量经济学方法 和计算机应用相结合的综合素质。目前的计量经济学课程注重理论方法的介绍,但是对如何 从经济问题出发建立模型、如何应用模型分析实际的经济问题,却讨论的较少。在计量经济 学教学中,软件的使用仍然是薄弱的环节,学生学习了不少估计和检验的方法,却不知道怎 样应用,对计算的结果也不能做出合理的解释缺乏运用计量模型分析和解决经济问题的实 际能力

机电系统计算机仿真是目前对复杂机电系统进行分析的重要手段与方法。在进 行机电系统分析综合与设计工作过程中,除了需要进行理论分析外,还要对系统的 特性进行实验研究。系统性能指标与参数是否达到预期的要求?它的经济性能如 何?这些都需要在系统设计中给出明确的结论。对于那些在实际调试过程中存在很 大风险或实验费用昂贵的系统,一般不允许对设计好的系统直接进行实验,然而没 有经过实验研究是不能将设计好的系统直接放到生产实际中去的,因此就必须对其 进行模拟实验研究

对于从事计算机科学工作的人们来说，集合论是必不可少的基础知识。例如程序设计语言、数据结构、形式语言等都离不开子集、幂集、集合的分类等概念。集合成员表和范式在逻辑设计、定理证明中也都有重要应用。本部分从集合的直观概念出发，介绍了集合论中的一些基本概念和基本理论。集合论是研究集合的一般性质的数学分支，它研究集合不依赖于组成它的事物的特性的性质。集合论总结出由各种对象构成的集合的共同性质，并用统一的方法来处理。集合论的特点是研究对象的广泛性，集合是各种不同对象的抽象，这些对象可以是数或图形，也可以使任意其它事务

图像分割是计算机视觉领域中的重要分支，旨在将图像分成若干个特定的、具有独特性质的区域。随着计算机硬件计算能力的提高和计算方法的进步，大量基于不同理论的图像分割算法获得了长足的发展。因而选择合适的评估方法对分割结果的准确性和适用性进行综合评估，从而选择最优分割算法，成为图像分割研究中的必要环节。在综述14种图像分割评估指标的基础上，将其分成基于像素的评估方法、基于类内重合度的评估方法、基于边界的评估方法、基于聚类的评估方法和基于实例的评估方法五大类。在材料显微图像分析的应用背景下，通过实验讨论了不同分割方法和不同典型噪声在不同评估方法中的表现。最终，讨论了各种评估方法的优势和适用性

深度神经网络近年在计算机视觉以及自然语言处理等任务上不断刷新已有最好性能，已经成为最受关注的研究方向.深度网络模型虽然性能显著，但由于参数量巨大、存储成本与计算成本过高，仍然难以部署到硬件受限的嵌入式或移动设备上.相关研究发现，基于卷积神经网络的深度模型本身存在参数冗余，模型中存在对最终结果无用的参数，这为深度网络模型压缩提供了理论支持.因此，如何在保证模型精度条件下降低模型大小已经成为热点问题.本文对国内外学者近几年在模型压缩方面所取得的成果与进展进行了分类归纳并对其优缺点进行评价，并探讨了模型压缩目前存在的问题以及未来的发展方向

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响