第5章编辑、查看图形对象 5.1选择对象 5.2编辑对象 5.3査看对象特性和信息 5.4视图操作

第5章编辑、查看图形对象 5.1选择对象 5.2编辑对象 5.3查看对象特性和信息 5.4视图操作

针对现行鼓风炉挥发(熔炼)-反射炉还原炼锑工艺存在的流程长、能耗高、低浓度SO2烟气污染等问题,提出了一种基于选冶联合过程的锑提取新工艺——硫化锑精矿还原固硫焙烧直产金属锑.分别以ZnO和碳粉作为固硫剂和还原剂实现对硫化锑矿的固硫还原转化,直接产出金属锑,同时生成硫化锌,再分别分离得到金属锑粉和硫化锌精矿.本文采用控制变量法,分别考察了焙烧温度、碳粉粒度、ZnO配入量、焙烧时间对锑生成率和ZnO固硫率的影响.得到最佳条件如下:焙烧温度800℃、碳粉粒度100~150目、ZnO量为固硫所需理论量、焙烧时间2 h,在此条件下,锑生成率为90.4%,ZnO固硫率为94.8%,其中温度和ZnO加入量对焙烧效果有较大影响;同时对反应产物的分析和过程热力学计算表明焙烧过程分两步进行,即首先发生Sb2S3与ZnO的交互固硫反应生成Sb2O3,其后在高于700℃温度下Sb2O3被大量还原成金属锑.在不同品位的锑精矿综合实验中,均获得了90%左右的锑生成率和88%的固硫率,验证了工艺的可行性.新工艺低温低碳、清洁环保,易于开展工业化生产

3.聚类分析的基本思想 一、什么是聚类分析? 聚类分析(P54) 是根据“物以类聚”的道理,对样品或指标进行分类的一种多元统计分析方法。将个体或对象分类,使得同一类中的对象之间的相似性比与其他类的对象的相似性更强

膏体充填是推动金属矿绿色开采发展的关键技术，并可为资源的深部开采提供安全、绿色、高效的技术支撑。全尾砂膏体流变学是膏体充填技术的基础理论，本文在综述膏体流变概念、特性与模型的基础上，进一步对流变测量技术现状进行了系统梳理，概述了现阶段常用的浆式旋转流变仪、坍落筒、L管、倾斜管及环管法进行流变测量的原理及应用，针对膏体这一屈服型非牛顿流体，重点分析了屈服应力的测量，并对以上方法的适用性进行了综合论述。流变测量深刻地影响着膏体流变理论及膏体充填工艺的发展，为此，对测量技术的关键问题进行了探讨，指出构建膏体流变测量标准及加强流变测量技术与充填工艺的结合是重点，并对膏体流变学研究的发展趋势进行了展望

一、说明: 1、课程的性质、地位和任务 《近代国际关系史》是大学历史系本科专业主干课程,它主要研究国家和民族间外部 动态发展的历史,着重从横向方面剖析各个历史时期主要国家间和国际组织的外部关系, 阐释国与国之间、地区与地区之间相互关系的兴衰流变、联系交融及其对全球社会发展过 程的牵制和影响。学习这门课程有助于揭示国际关系及国际政治发展的内在规律,对于制 衡世界发展、调节各国关系、化解国际矛盾、维护人类和平、推动文明进步,以及对各国 政府抉择对外政策都具有重要的现实意义和理论意义同时,又能够为提升中华民族人文 精神水准,培养国民的民族意识和全球意识,加快与世界接轨的步伐,构筑战略型理论思 维,把中国推进到世界民族强林而发挥重要的教化和助推作用

Static关键字 static 用于变量与方法 无需创建类的对象可直接访问的变量或方法 对于变量,整个类的所在对象只创建一个实例 引用静态变量的方法:

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

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