6.1.1 BJT电流源电路 6.1.2 FET电流源 1. 镜像电流源 2. 微电流源 3. 高输出阻抗电流源 4. 组合电流源 1. MOSFET镜像电流源 2. MOSFET多路电流源 3. JFET电流源

第一节 全体人民共同的价值追求 • 一、社会主义核心价值观的基本内容 • 二、当代中国发展进步的精神指引 第二节 坚定价值观自信 • 一、社会主义核心价值观的历史底蕴 • 二、社会主义核心价值观的现实基础 • 三、社会主义核心价值观的道义力量 第三节 做社会主义核心价值观的积极践行者 • 一、扣好人生的扣子 • 二、勤学修德明辨笃实 • 三、努力加强高校意识形态工作

1.1 计算机概述 1.1.1 计算机的概念 1.1.2 计算机的发展 1.1.3 计算机的分类 1.1.4 计算机的应用 1.1.5 微型计算机 1.2 计算机中的数据 1.2.1 数制与进位计数制 1.2.2 二进制数的运算 1.2.3 数制转换 1.2.4 数据在计算机中的表示 1.3 信息编码技术 1.3.1 信息与数据 ＊1.3.2 数值数据编码 1.3.3 西文字符编码 1.3.4 中文及图形信息编码 1.4 微机系统的组成及工作原理 1.4.1 微机系统的基本组成 1.4.2 硬件系统的组成 1.4.3 软件系统的组成 1.4.4 微机的总线结构与总线接口 1.4.5 微型计算机的指令系统 1.4.6 微机的主要性能指标 1.5 计算机安全与病毒 1.5.1 计算机安全操作 1.5.2 计算机病毒 1.5.3 常用防病毒软件 1.6 多媒体计算机 1.6.1 媒体与多媒体 1.6.2 多媒体计算机系统 1.6.3 多媒体关键技术 1.6.4 多媒体技术的发展及应用

10.1 滤波电路的基本概念与分类 10.2 一阶有源滤波电路 10.3 高阶有源滤波电路 10.3.1 有源低通滤波电路 10.3.2 有源高通滤波电路 10.3.3 有源带通滤波电路 10.3.4 二阶有源带阻滤波电路 *10.4 开关电容滤波器 10.5 正弦波振荡电路的振荡条件 10.6 RC正弦波振荡电路 10.7 LC正弦波振荡电路 10.7.1 LC选频放大电路 10.7.2 变压器反馈式LC振荡电路 10.7.3 三点式LC振荡电路 10.7.4 石英晶体振荡电路 10.8 非正弦信号产生电路 10.8.1 电压比较器 10.8.2 方波产生电路 10.8.3 锯齿波产生电路

❖ （1）I/O组成； ❖ （2）I/O控制； ٭ 指I/O完成的方法。 ❖ （3）I/O缓冲； ❖ （4）I/O分配； ❖ （5）I/O处理。 ٭ 指具体I/O命令的完成过程。 5.1 I/O系统 ♣ 5.1.1 I/O设备 ❖ 一、类型 ٭) 1）按速度分： ▪ 低：键盘 ▪ 中：打印机 ▪ 高：磁盘。 ٭) 2）按信息交换单位分： ▪ 块：磁盘,可定位 ▪ 字符：打印机、串口

一、电子技术的发展 二、模拟信号与模拟电路 三、电子信息系统的组成 四、模拟电子技术基础课的特点 五、如何学习这门课程 六、课程的目的 七、考查方法 1.1 半导体基础知识 1.2 PN结 1.3 半导体三极管

3.1 各种常用信号和系统 3.2 一阶系统的时域分析 3.3 二阶系统的时域分析 3.4 高阶系统的时域分析 3.5 线性系统的稳定性分析 3.6 控制系统的稳态误差 3.7 基于MATLAB的线性系统时域分析 小结

屏蔽物理层不同的通信环境和条件,以便向高层提供无差错的、透明的逻辑信道。 成帧控制:用帧格式来分割和调节物理层比特流的传送,以便于数据的传送处理(缓冲准备)和差错控制

巡线机器人延迟容忍传感器网络(delay tolerant mobile sensor networks for inspection robot,DTMSNR)用于输电线路巡线机器人远程电网数据收集,具有节点稀疏、异构、随机移动性、间歇连通性和延迟容忍性.针对传统传感器网络数据传输算法机器人数据传输成功率低与网络可靠性差等问题.提出一种基于巡线机器人位姿信息的数据传输(mobile robot position-based delivery,MPD)策略.为准确计算巡线机器人网络位姿信息,建立机器人路径约束随机运动模型.MPD采用机器人相对网络位姿信息计算传输概率,进行消息传输路径选择.对网络异构消息引入机器人消息优先传输、消息失效机制进行消息队列管理.仿真实验表明,相较现有的几种延迟容忍传感器网络(delay tolerant mobile sensor network,DTMSN)数据传输策略,针对巡线机器人网络MPD能在适当的传输能耗下达到更高的传输成功率与更低的传输延迟

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度