第一节 绿洲的形成条件及分类 第二节 “山地—绿洲—荒漠系统”（CODS） 第三节 绿洲农业的结构、功能及演替特征

教学目标：使学生正确理解职业的涵义、特征及其意义；明确职业和工作、事业的关系；了解职业的分类、发展趋势及热门职业；熟练掌握几种职业选择理论。 教学重点: 1、职业的涵义及其特征； 2、职业与工作、事业的关系 3、热门职业 4、职业选择 难点： 1、职业与工作、事业的关系 2、职业选择

建立了非平稳运行工况下行星齿轮箱共振频带内的声音信号解析模型，揭示了齿轮故障特征在声音信号共振频带内的分布规律。根据共振频率不随转速变化的特点定位了齿轮箱共振频率，为在共振频带内提取齿轮故障特征奠定基础。针对传统时频分析方法时频分辨率低的缺陷，研究了基于高阶同步压缩变换的时变故障特征提取方法。通过数值仿真和实验信号分析，验证了所提出的声音信号模型与行星齿轮箱故障特征分布规律的正确性，以及利用高阶同步压缩变换方法提取共振频带内行星齿轮箱故障特征的有效性

§1 种群的基本概念 §2 种群特征 §3 种群的分布与多度 §4 种群动态 §5 种群增长模型 §6 种群调节

在基于独立分量分析的人耳识别方法研究基础上,提出复合结构分类器的人耳识别通用模型.该模型首先根据人耳的几何特征对人耳进行粗分类;然后应用独立分量分析的方法提取代数特征,支持向量机进行细分类,最后给出分类结果.这与人类由粗到细的识别过程是相符合的,能够克服单一独立分量分析识别方法的特征提取时间过长、特征数过多的缺点,同时避免了归一化过程中丢失比例结构特征的问题.实验结果表明,该模型取得了较高的识别率,尤其适用于规模大的复杂人耳库

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义

一、研究对象 热现象:与温度有关的物理性质的变化热运动:构成宏观物体的大量微观粒子的永不休止的无规则运动。 二、研究对象特征 单个分子:无序、具有偶然性、遵循力学规律 整体(大量分子):服从统计规律

第一节 病毒的基本特征及其分类 第二节 形态与结构 第三节 病毒的繁殖 第四节 病毒的测定与培养 第五节 病毒对物理、化学因素、抗生素的抵抗力及在污水处理过程中的去除效果

研究对象 热运动: 构成宏观物体的大量微观粒子 的永不休止的无规则运动. 热现象: 与温度有关的物理性质的变化. 研究对象特征 单个分子: 无序、具有偶然性、遵循力 学规律. 整体(大量分子): 服从统计规律

行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性