3.1 使用点对点信道的数据链路层 3.1.1 数据链路和帧 3.1.2 三个基本问题 3.2 点对点协议 PPP 3.2.1 PPP 协议的特点 3.2.2 PPP 协议的帧格式 3.2.3 PPP 协议的工作状态 3.3 使用广播信道的数据链路层 3.3.1 局域网的数据链路层 3.3.2 CSMA/CD 协议 3.4 使用广播信道的以太网 3.4.1 使用集线器的星形拓扑 3.4.2 以太网的信道利用率 3.4.3 以太网的 MAC 层 3.5 扩展的以太网 3.5.1 在物理层扩展以太网 3.5.2 在数据链路层扩展以太网 3.6 高速以太网 3.6.1 100BASE-T 以太网 3.6.2 吉比特以太网 3.6.3 10 吉比特以太网 3.6.4 使用高速以太网进行宽带接入 3.7 其他类型的高速局域网接口

3.1 使用点对点信道的数据链路层 3.1.1 数据链路和帧 3.1.2 三个基本问题 3.2 点对点协议 PPP 3.2.1 PPP 协议的特点 3.2.2 PPP 协议的帧格式 3.2.3 PPP 协议的工作状态 3.3 使用广播信道的数据链路层 3.3.1 局域网的数据链路层 3.3.2 CSMA/CD 协议 3.4 使用广播信道的以太网 3.4.1 使用集线器的星形拓扑 3.4.2 以太网的信道利用率 3.4.3 以太网的 MAC 层 3.5 扩展的以太网 3.5.1 在物理层扩展以太网 3.5.2 在数据链路层扩展以太网 3.6 高速以太网 3.6.1 100BASE-T 以太网 3.6.2 吉比特以太网 3.6.3 10 吉比特以太网 3.6.4 使用高速以太网进行宽带接入 3.7 其他类型的高速局域网接口

1 导言 2 基本原理与概念 2.1 基本原理 2.2 对象的产生，排列及删除 2.3 在线帮助 3 R的数据操作 3.1 对象 3.2 在文件中读写数据 3.3 存储数据 3.4 生成数据 3.4.1 规则序列 3.4.2 随机序列 3.5 使用对象 3.5.1 创建对象 3.5.2 对象的类型转换 3.5.3 运算符 3.5.4 访问一个对象的数值：下标系统 3.5.5 访问对象的名称 3.5.6 数据编辑器 3.5.7 数学运算和一些简单的函数 3.5.8 矩阵计算 4 R绘图 4.1 管理绘图 4.1.1 打开多个绘图设备 4.1.2 图形的分割 4.2 绘图函数 4.3 低级绘图命令 4.4 绘图参数 4.5 一个实例 4.6 grid 和lattice 包 5 R的统计分析 5.1 关于方差分析的一个简单例子 5.2 公式 5.3 泛型函数 5.4 包 6 R编程实践 6.1 循环和向量化 6.2 用R写程序 6.3 编写你自己的函数 7 R 相关的文献

专业必修课 《设施农业建筑学基础》 《设施农业专业实践》 《生物化学 B》 《生物统计》 《土壤肥料学》 《遗传学 B》 《植物保护学》 《植物生产类专业导论》 《植物生理学 A》 《植物学 B》 《建筑制图》 《农业气象学 B》 《农业实验室安全教育》 《微生物学》 《设施农业学》 《设施作物栽培学》 《农业设施工程学》 《设施环境与调控》 专业综合实践环节 《设施类型结构性能和生产应用调查》 《设施园艺生产实习》 《设施专业毕业论文》 《蔬菜育苗与无土栽培操作实习》 《温室设计实习》 《园艺设施环境观测与调控实习》 《农业气象学教学实习 B》 《植物保护学实习》 《规模化农业生产与产业调研》 《植物学教学实习 B》 专业选修课程 《农业设施环境模拟与仿真》 《农业信息技术》 《设施农业装备及智能化》 《设施作物育种学》 《温室作物生长模型与专家系统》 《无土栽培原理与技术》 《园艺生态学》 《植物工厂技术及应用》 《专业外语》 《观赏植物栽培学》 《农业设施的设计与建造》 《农业生产机械化》 《园艺产品贮藏与加工学》 《园艺生物技术》 《园艺植物组织培养》 《科技论文写作 》 《农学概论 B》 《农产品营销学》 《现代企业管理》 《双碳概论》 《工程项目管理》 《农业大数据原理与应用 C》 《测量学》 《电子商务》 《农业物联网技术与应用》

3.1 使用点对点信道的数据链路层 3.1.1 数据链路和帧 3.1.2 三个基本问题 3.2 点对点协议 PPP 3.2.1 PPP 协议的特点 3.2.2 PPP 协议的帧格式 3.2.3 PPP 协议的工作状态 3.3 使用广播信道的数据链路层 3.3.1 局域网的数据链路层 3.3.2 CSMA/CD 协议 3.4 使用广播信道的以太网 3.4.1 使用集线器的星形拓扑 3.4.2 以太网的信道利用率 3.4.3 以太网的 MAC 层 3.5 扩展的以太网 3.5.1 在物理层扩展以太网 3.5.2 在数据链路层扩展以太网 3.6 高速以太网 3.6.1 100BASE-T 以太网 3.6.2 吉比特以太网 3.6.3 10 吉比特以太网 3.6.4 使用高速以太网进行宽带接入 3.7 其他类型的高速局域网接口

通过对安太堡煤矿1976-2006年期间共10期遥感数据的处理分析,建立了该煤矿土地利用遥感分类系统;在遥感和GIS平台支持下,对10期遥感数据进行正射校正;采用人机交互式解译方式提取了该矿区近30 a的土地利用变化情况,并通过室内航片以及野外实地考察进行了验证.结果表明:研究区土地利用类型由简单到复杂,由1976年的4种类型发展到2006年的12种类型;地表遭到强烈破坏,到2006年因采矿破坏的土地达到了2730.7 hm2,大面积复垦工作从1993年开始,到2006年共复垦了687.05 hm2,为破坏面积的25.1%,复垦后部分地段出现退化,且有逐步扩大的趋势,需要尽快采取补救措施

医生诊断需要结合临床症状、影像检查等各种数据，基于此，提出了一种可以进行数据融合的医疗辅助诊断方法。将患者的影像信息（如CT图像）和数值数据（如临床诊断信息）相结合，利用结合的信息自动预测患者的病情，进而提出了基于深度学习的医疗辅助诊断模型。模型以卷积神经网络为基础进行搭建，图像和数值数据作为输入，输出病人的患病情况。该医疗辅助诊断方法能够利用更加全面的信息，有助于提高自动诊断准确率、降低诊断误差；另外，仅使用提出的医疗辅助诊断模型就可以一次性处理多种类型的数据，能够在一定程度上节省诊断时间。在两个数据集上验证了所提出方法的有效性，实验结果表明，该方法是有效的，它可以提高辅助诊断的准确性

基于语义角色分析，提出了一种三元组涉恐事件实体属性抽取方法，为网络空间涉恐活动的监测及预警提供技术支持。首先，基于西北政法大学“反恐怖主义信息网”文本语料数据进行数据采集和清洗等预处理工作，采用朴素贝叶斯文本分类算法识别涉恐事件文本，并采用关键词提取算法TF-IDF（Term frequency-inverse document frequency，词频-逆文档频率）构建涉恐专有词库，结合自然语言处理技术构建带词性的涉恐专有词库。然后通过语义角色分析、句法依存分析，提取了主语谓语宾语关系、定语后置动宾关系、人名//地名//机构和介宾关系主谓动补4类涉恐三元组结构。最后，利用正则表达式及带词性的涉恐专有名词分析，在4类三元组短文本中提取出恐怖事件发生时间、发生地点、伤亡情况、攻击方式、武器类型和恐怖组织6类实体属性。对采集的4221篇文章数据进行实验分析，6类实体属性抽取的测评结果F1值均超过80%，对网络空间的涉恐事件监测及预警，维护社会公共安全具有重要现实意义

随着我国隧道工程建设的快速发展,由隧道病害引发的隧道质量和安全问题越发常见.通过地质雷达探测隧道病害对于减少隧道质量和安全问题具有十分重要的意义,为了提高病害探测的效率及可靠性,基于雷达反射波信号多维度分析,提出一种隧道病害智能辨识的新方法.根据反射波信号时域、频域及时频域分析结果提取病害信号辨识的6个典型特征,利用支持向量机算法对典型特征的训练构建病害信号的二分类模型,实现了病害水平分布范围的自动辨识;再依据病害信号的第一本征模态函数分量振幅包络计算病害深度分布范围,最终实现隧道病害的智能辨识.结合某隧道回填层雷达实测数据对智能辨识算法的性能进行评价,与人工辨识结果的对比表明,该智能算法对于病害的辨识能力较强,病害的识别率高达100%,但辨识结果中同时存在少量误判,准确率达78.6%,满足工程应用的需求.该算法可用于隧道工程各类地质雷达探测数据中病害的智能辨识,而对于其他领域的地质雷达探测数据,本文研究成果亦可为不同类型探测目标智能辨识算法的设计提供可行思路

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪