针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

一、课程的性质、任务及特点 (一)课程的性质、任务 本课程是土建类各专业的一门必修专业课,是一 门实践性很强的应用学科,其任务是运用马克思主义 再生产理论和社会主义经济理论研究建筑产品生产成 果与生产消耗之间的定量关系,从完成一定量建筑产 品消耗数量的规律着手,正确的确定单位建筑产品的 消耗数量标准和计划价格,力求用最少的人力、物力 和财力消耗,生产出更好、更多的建筑产品,要求掌 握建筑工程定额与工程量清单计价的基本概念与基本 理论,具有编制单位工程工程量清单的初步能力

以一水软铝石作为前驱体,AlF3晶种为添加剂,在较低煅烧温度下制备结晶度好和形貌规整的六边形片状琢鄄鄄Al2O3.在晶种系数为2%的条件下,对煅烧产物的差热鄄鄄热重鄄鄄质荷(DSC鄄鄄TG鄄鄄MS)分析验证了气固反应的成核机理

指令系统:一组指令集 指令:操作码操作数操作数 一地址指令: INC AX

基于相似原理，采用水模拟钢液，用有机试剂模拟钢液中液态非金属夹杂物，同时采用数值仿真方法共同研究了夹杂物种类、两相间界面张力及黏度对于液滴聚并过程的影响规律.结果表明，夹杂物液滴间的聚合趋势与其自身的物理性质有紧密联系，其中液滴相与连续相之间的界面张力会促进其相互聚并，而液滴相的黏度则正相反，在液滴聚并过程中起抑制作用.因此，通过改变液态夹杂物与高温钢液之间的界面参数以及黏度参数，有望达到聚合或分散的控制目标，进而实现夹杂物尺寸的灵活控制

一、立即寻址方式 格式:n;n为一常数(立即数) 特点:n本身是需要寻找的操作对象。 它紧跟指令存于内存代码段中

1.问题的提法 众所周知,总体X的全部信息可以通过其分布 函数F(X,θ反映出来,但实际上参数θ往往未知有时 甚至F(X,0)的表达式也未知因此需要根据实际问题 的需要,对总体参数或分布函数的表达式做出某种 假设(称为统计假设),再利用从总体中获得的样本信 息来对所作假设的真伪做出判断或进行检验. 这种利用样本检验统计假设真伪的过程叫做 统计检验(假设检验)

1、(8分)在100件产品中有5件是次品,从中连续无放回地抽取3次,问第三次才取得次品的概率

基于全尾砂絮凝过程中絮团弦长的测定，分别研究絮凝和沉降两个过程：首先以絮团平均弦长为指标研究不同絮凝条件下全尾砂絮凝行为，再以固液界面初始沉降速率为指标分析不同絮凝全尾砂料浆的沉降行为。探明了不同絮凝条件下全尾砂尺寸演化规律，全尾砂均快速絮凝形成絮团，絮团的平均弦长增长达到峰值后随着剪切时间逐渐下降，直至达到稳定状态。发现全尾砂絮团的平均弦长与絮凝全尾砂料浆固液界面的初始沉降速率随着不同的絮凝条件而不断改变，确定了在本文研究范围内的最优絮凝条件：Magnafloc 5250絮凝剂，全尾砂料浆固相质量分数10%，絮凝剂单耗10 g·t?1，絮凝剂溶液中絮凝剂质量分数0.025%，剪切速率94.8 s?1。最优条件下絮凝过程中絮团平均弦长峰值为620.63 μm，絮凝结束时絮团平均弦长为399.57 μm，絮凝全尾砂料浆固液界面初始沉降速率为4.61 mm·s?1。初步建立了适用于本文全尾砂的基于絮团平均弦长的固液界面初始沉降速率模型，固液界面初始沉降速率随着絮团平均弦长的增加而增加，为实际生产中控制全尾砂絮凝沉降参数以及设备结构优化、提高全尾砂料浆的絮凝沉降效率提供参考

分级加载压缩蠕变试验未能充分考虑稳定蠕变中的黏塑性应变，故采用三轴循环加卸载压缩蠕变试验来实现岩石的黏弹、塑性应变分离，从而使岩石黏弹、塑性应变在岩石蠕变的各个阶段得以充分考虑。以某水电站闪长玢岩为例，探讨该类岩石蠕变特性。在破坏前，岩石的瞬时弹性应变以及瞬时塑性应变随着偏应力逐级增大呈线性增长；随着偏应力的增加，黏弹性应变和黏塑性应变呈非线性增长。引入一个分数阶Abel黏壶与Kelvin模型串联形成新型黏弹性模型；用分数阶Abel黏壶代替传统的黏塑性模型中的线性牛顿体并基于损伤建立黏塑性损伤模型。然后将新型黏弹性模型和黏塑性损伤模型与瞬时弹性模型和瞬时塑性模型串联组成一个新的岩石蠕变损伤模型。最后将该模型与岩石蠕变曲线进行拟合，从而证明该模型的适用性