人体在进入疲劳状态时生理参数会发生相应的变化.为了探讨砌砖工人在持续体力劳动作业时心率和心率变异(HRV)对人体生理疲劳的影响,针对疲劳与心率的关系提出评价生理疲劳的数学模型.选取15名健康受试者(男性)在搭建的86 cm平台模拟砌砖工人作业.持续作业30 min进行一次心率变异数据的收集.同时,使用心率传感器对心率进行实时监测.本文采用方差分析、t检验和非线性拟合的方法对疲劳对心率和心率变异的影响进行分析.结果表明,生理疲劳使心率波动程度有显著变化(检验水准α=0.05水平,概率P0.05).非线性拟合结果(R2=0.8892)显示,生理疲劳的发展趋势呈现出\S型\的趋势.据此提出,生理疲劳分为3个阶段:疲劳调整期、疲劳稳定期和疲劳失稳期.在疲劳失稳期前(试验中约为90min)受试者休息,可以减缓或延迟生理疲劳的发生

通过对Q235钢退磁试件的拉伸、压缩试验,利用磁记忆在线监测系统实时跟踪记录了不同拉压应力作用下试件表面的磁信号变化特征. 结果表明:拉伸载荷对合成磁场的影响是先减小后增加的,在接近材料屈服强度的0.3倍左右后趋于稳定不变;而压应力引起的合成磁场初期快速下降,之后处于上下波动变化. 通过引入拉压应力所产生的不同应力退磁项,对J-A磁机械效应模型进行了改进,模拟结果与试验数据具有较好的的一致性,可用于拉压不同应力致磁机理的理论解释

文本检测在自动驾驶和跨模态图像检索中具有极为广泛的应用。该技术也是基于光学字符的文本识别任务中重要的前置环节。目前，复杂场景下的文本检测仍极具挑战性。本文对自然场景文本检测进行综述，回顾了针对该问题的主要技术和相关研究进展，并对研究现状进行分析。首先对问题进行概述，分析了自然场景中文本检测的主要特点；接着，介绍了经典的基于连通域分析、基于滑动检测窗的自然场景文本检测技术；在此基础上，综述了近年来较为常用的深度学习文本检测技术；最后，对自然场景文本检测未来可能的研究方向进行展望

基于建立的连铸中间包及结晶器内钢液混合过程的物理模型，开发了板坯连铸异钢种连浇过程混浇坯长度及成分变化模型。以某钢厂单流板坯连铸机220 mm×1560 mm断面Q235与Q335Ti钢的混浇过程为研究对象，采用水模型试验结合数值模拟确定模型的关键参数，并通过开展现场试验对混浇坯取样验证模型的准确性。结果证明：混浇坯成分取样与模型预测的成分偏差小于5%，且模型预测的混浇坯长度与人工确定的一致。故采用该模型可跟踪不同混浇工况下中间包内及铸流上钢液的混合行为，准确预测混浇坯的长度以及成分变化规律。采用该模型研究了拉速及中间包内剩余钢液质量对混交坯长度及不同浇注长度铸坯C元素质量分数变化的影响规律。发现当拉速保持不变时，中间包内剩余钢液越多，混浇坯越长；当中间包内剩余钢液质量保持不变时，拉速越大混浇坯越短。相比而言，中间包内剩余钢液质量比拉速对混浇坯长度的影响更大。另外当拉速不变时，随着中间包内剩余钢液质量的增加，C元素质量分数由0.16%变化到0.18%的速率减慢；当中间包内剩余钢液质量不变时，随着拉速的增加，C元素质量分数由0.16%变化到0.18%的速率增加。因此异钢种连浇过程，适当提高拉速以及减少中间包内剩余钢液质量，可有效减少混浇坯长度，成分变化速率降低

一、内积空间 设X为(实)线性空间,在X上定义了内积是指对X中每一对元素x,y,都有一实数,记为(x,y)与之对应,且这个对应满足:

一、双矩阵对策及其特性 设二人有限非零和对策问题的局中人为I和∏,策略 集分别为S1={a1a2…,am},S2={B2…,Bn A=amxn和B[b1mn分别为I和∏的支付矩阵,其中 an,b分别为I和∏相应于a,和B的赢得。双矩阵对策 记为G=(S1,S2,(A,B))

卧室大门不可直对厨房门，防止其湿热气与卧房门相对流；房门不可正对卫浴间， 因为沐浴后的水气与厕所的氨气极易扩散至卧房中，而卧房中又多为吸湿气的布 品，将令环境更为潮湿；卧房门不宜正对储藏室之门，储藏室多有霉气、易藏污 纳垢；卧室门也不应两两相对，此谓“门刀煞

风水与水文地质学 现代水文地质学告诉我们，地球上亿万年来演变而成的山川河流、自然地貌、地 下水脉和地质构造形成了各种山川、水讯、水质、土质、岩层结构，这些地质构 造之中又包涵和产生着各种有机和无机的化学元素，这些元素对人体会产生各种 有益或有害的影响。例如：铁、锌、有机蛋白等，对人体是有益的，而镭、氡、 锶等放射性元素，对人体与智力发展是有害的。由于这些化学元素的含量和组合 结构的不同，对人类也会产生不同的正负面的效应

证因为D对调两列得D2,相当于D对调两行得D 所以D2=D=-DT=-D 推论2D中某两行(列)元素对应相等→D=0. 证因为对调此两行(列)后,D的形式不变 所以D=-D→D=0

为了提高非平衡数据集的分类精度，提出了一种基于样本空间近邻关系的重采样算法。该方法首先根据数据集中少数类样本的空间近邻关系进行安全级别评估，根据安全级别有指导的采用合成少数类过采样技术（Synthetic minority oversampling technique，SMOTE）进行升采样；然后对多数类样本依据其空间近邻关系计算局部密度，从而对多数类样本密集区域进行降采样处理。通过以上两种手段可以均衡测试数据集，并控制数据规模防止过拟合，实现对两类样本分类的均衡化。采用十折交叉验证的方式产生训练集和测试集，在对训练集重采样之后，以核超限学习机作为分类器进行训练，并在测试集上进行验证。在UCI非平衡数据集和电路故障诊断实测数据上的实验结果表明，所提方法在整体上优于其他重采样算法