面对日益增长的Internet的信息和文献资源，如何通过一种有效的方法，以最少的时间与精力来获取自己所要的信息，并综合成章。这就是本课程所希望解决的问题。 1.知识发现 2.信息检索基本概念 3.信息检索

一、信息用化学品及其分类 二、信息用化学品的应用 三、信息用化学品的发展概况 实验十五 油溶性青398成色剂的合成 实验十六 增感剂3,3ˊ-二乙基-9-甲基硫碳菁碘盐的合成

差分放大器简介 简单差分放大器 基本差分对放大器 大信号共模特性 大信号差分特性 小信号差分特性 小信号共模特性 MOS管做负载的基本差分对放大器 差分放大器的应用－Gilbert单元

1、了解并掌握 FID 信号的特点。 2、了解实验室坐标系和旋转坐标系下的 FID 信号的差别。 3、如何通过调整射频信号的幅度来改变射频脉冲角度

设计了一种单片计算机程控的信号变换电路。它实现了八位A/D转换器的十一位变换,零点自动补偿,量程自动切换,以及线性化等功能。电路用于光电辐射测温仪的信号处理。其量程范围:1000~1800℃。变换电路的测量误差 ≤ 1℃±1个字,(不包括光电转换元件的误差)。讨论了信号变换系统的工作原理及软件程序框图,分析了各部分的误差及其影响,给出了试验结果。结果表明,以软件和硬件的结合,数字电路和模拟电路的结合构成的变换系统,具有更大的灵活性,并简化了结构

通过开展花岗岩和大理岩巴西圆盘声发射试验，结合扫描电镜进行破裂面微观形貌分析，探讨了劈裂荷载下岩石声发射特性与微观破裂机制的关系。结果表明：基于RA（上升时间与幅值的比值）和AF（平均频率）的变化趋势，不同裂纹模式（拉伸裂纹、剪切裂纹以及复合裂纹）的分布和破坏强度受岩石结构影响，但岩石裂纹演化过程不受其影响。相应地，两种岩样破裂信号均以400～499 kHz为主，100～199 kHz的信号次之，但不同破裂阶段的峰值频率变化趋势显著不同。在微观形貌上，花岗岩劈裂面的微观形貌以层叠状、台阶状及平坦状为主；而大理岩以光滑多面体状为主。此外，结合频率?尺度缩放关系可推测，400～499 kHz的信号应主要来自钾长石、大理岩矿物颗粒内部的破裂；100～199 kHz的信号应主要来自石英矿物颗粒内部不连续分离以及压密阶段矿物颗粒之间的滑移

（1）散点图概述 （2）散点图在回归分析中的应用 （3）散点图在HRV分析中的应用 （4）双信息图概述 （5）双信息图在心泵功能分析中的应用

同步定位与地图构建技术（SLAM）是当前机器人领域的重要研究热点，传统的SLAM技术虽然在实时性方面已经达到较高的水平，但在定位精度和鲁棒性等方面还存在较大缺陷，所构建的环境地图虽然一定程度上满足了机器人的定位需要，但不足以支撑机器人自主完成导航、避障等任务，交互性能不足。随着深度学习技术的发展，利用深度学习方法提取环境语义信息，并与SLAM技术结合，越来越受到学者的关注。本文综述了环境语义信息应用到同步定位与地图构建领域的最新研究进展，重点介绍和总结了语义信息与传统视觉SLAM在系统定位和地图构建方面结合的突出研究成果，并对传统视觉SLAM算法与语义SLAM算法做了深入的对比研究。最后，展望了语义SLAM研究的发展方向

连续血糖监测在糖尿病管理中具有重要的意义。目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术。本文利用心电(ECG)信号，提出了一种血糖水平无创监测的方法：通过获取12名志愿者共60 d 756160个ECG周期信号，利用递归滤波器实现ECG信号的滤波，并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模2种建模方式的差异。结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到80%和88%。其中群体建模10分类的F1值可达到0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87和0.86。研究表明，本文提出的基于ECG的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性