1.面向对象的系统开发方法的特点 2.统一建模语言UML 3.统一系统开发过程UP

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

1.结构化开发方法的主要阶段 2.系统规划 3.系统分析 4.系统设计 5.系统实施 6.系统维护和系统评价

10.1多态的基础 10.1.1虚成员 类中用关键字 virtual修饰的成员称为虚成员,虚成员有虚方法、 虚属性和虚索引器。 在类的继承中,派生类获得了基类中的除了构造函数和析构函数 以外的所有成员,派生类不能删除这些成员。对于数据成员,派 生类可以隐藏基类的同名成员或者直接访问非 private成员;对 于行为成员,例如方法、属性、索引器等,也一样可以隐藏基类 的同名成员或者直接调用非 private成员

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

本章主要讲解多线程的编程,学习的目标包括:理解多线程 的概念;了解多线程提高程序性能的方式;掌握线程的创建、 控制和同步;理解线程的生命周期、优先级和调度;理解线 程的安全性;掌握线程的实现方式

无人驾驶车辆自身具有强烈的非线性、信号时延和参数不确定性，对它的控制还受到道路附着系数的变化、侧向风等外界因素影响。因此传统控制方法往往难以对其稳定和精确地控制。神经网络所具有的学习能力、自适应能力和近似非线性映射的能力，为解决车辆模型参数的不确定性、外界的扰动以及车辆自适应控制问题提供了有效的途径。针对上述几个方面，对近几年国内外学者将神经网络应用到无人驾驶车辆运动控制中所取得的成果与进展进行了归纳分类，分别介绍了应用情况并对优缺点进行评价。最后总结了神经网络在无人驾驶车辆运动控制中存在的主要问题，并展望了可能的发展方向

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径

本章包括网络编程的部分内容,即进程间的通信。主要内容 有进程间通信的基本概念和原理,几种典型的进程间通信的 方法,如剪贴板、窗口消息、消息队列、 Sockets等,以上述 方法为例,讲解了它们的编程模型和编程原理,侧重于数据 的发送和接收,并给出了实例