系统分析国内外利用GLAS数据,以及GLAS和其他卫星测高数据、光学遥感数据联合反演湖泊物理参数方面的研究进展,探讨了该数据在湖泊应用中的关键技术和难点,如GLAS数据的精度评价、湖泊脚印点自动提取等,分析了目前研究中存在的问题,以期对我国即将发射的高分七号测绘卫星在水文方面的应用提供参考

高斯C.F.17~155 德国数学家和物理学家.1777年4月30日生于德国布伦瑞 克, 幼时家境贫困,聪敏异常,受一贵族资助才进学校受教育.1795 ~1789年在哥廷根大学学习,1799年获博士学位.1870年任哥 廷根大学数学教授和哥廷根天文台台长,直到逝世.1833年和 物理学家WE韦伯共同建立地磁观测台,组织磁学学会以联 系全世界的地磁台站网1855年2月23日在哥廷根逝世 高斯长期从事数学并将数学应用于物理学、天文学和大地 测

通过热模拟实验、光学金相及透射电镜分析观察，研究了奥氏体化条件、变形温度、变形速率、变形量以及道次间隔时间对曲轴用非调质钢C38N2轧制道次间的静态再结晶体积分数和残余应变率的影响规律.实验结果表明：随着变形温度的升高、变形速率的增大、变形量的增大或道次间间隔时间的增长，静态再结晶的体积分数逐渐升高，道次的残余应变率逐渐降低；原始奥氏体晶粒尺寸增大，静态再结晶体积分数降低，但变化不大；在1250℃以下，随着奥氏体化温度的升高，静态再结晶体积分数降低不明显，但在1250℃以上，奥氏体化温度的升高明显降低了静态再结晶体积分数.通过线性拟合以及最小二乘法，得到静态再结晶体积分数与不同变形工艺参数之间关系的数学模型；对已有残余应变率数学模型进行修正，得到含有应变速率项的残余应变率数学模型，拟合度较好

辛钦,A..(1894~1959) 苏联数学家与数学教育家现代概率论的奠基者之一在分析 学、数论及概率论对统计力学的应用方面有重要贡献 辛钦1894年7月生于莫斯科1959年11月卒于莫斯科他 1916年毕业于莫斯科大学并先后在本校及苏联科学院捷克 洛夫数学研究所工作,1927年成为教授,1939年当选为苏联 科

费马P.(1601~1665) 法国数学家1601年8月生于法国南部博蒙-德洛马涅,1665 年卒于卡斯特尔他利用公务之余钻研数学在数论、解析几 何学、概率论等方面都有重大贡献,被誉为“业余数学家之 王

前面讨论了参数的点估计,它是用样本算出的一个值去估计未知参数即点估计值仅仅 是未知参数的一个近似值,它没有给出这个近似值的误差范围 例如,在估计某湖泊中鱼的数量的问题中,若根据一个实际样本,利用最大似然估计法 估计出鱼的数量为50000条,这种估计结果使用起来把握不大实际上鱼的数量的真值可 能大于50000条,也可能小于50000条且可能偏差较大 若能给出一个估计区间,让我们能较大把握地(其程度可用概率来度量之)相信鱼的数量 的真值被含在这个区间内,这样的估计显然更有实用价值

铁矿石烧结烟气中含有较高浓度的CO（体积分数0.5%～2%），因此对其进行CO脱除意义重大。为了探究不同类型催化剂的催化效果，采用浸渍法制备了Pt涂层蜂窝金属催化剂和铁铈氧化物催化剂，并通过X射线荧光光谱分析（XRF）对其组分含量进行了分析。二者在模拟烧结烟气中进行CO脱除性能的对比实验，活性测试表明，不同CO初始体积分数、烟气温度以及水汽含量对CO催化氧化的脱除效率影响较大。当模拟烟气中不含水汽的时候，二者在180 ℃及更高温度下对CO的脱除效率均能达到60%以上。反应温度为180 ℃，水汽体积分数为11.7%时，Pt负载型催化剂中的CO转化率为63.9%，而该条件下Ce改性Fe2O3催化剂的CO转化率仅为34.9%。当温度在180～300 ℃范围内，Pt负载型催化剂具有较好的抗水性，且继续升高温度，水汽体积分数增加对催化剂效率的负面影响更显著。如水汽体积分数从0增加到27.1%时，与180 ℃时的催化效率相比，Pt负载型催化剂在240 ℃时的催化效率由73.9%降至62.3%，降幅远远增大。另外，对这两种催化剂进行了抗硫性测试。当水汽体积分数为0时，Ce改性Fe2O3催化剂抗硫性更佳，但当SO2和水汽同时存在的情况下，Pt负载型催化剂具有更好的抗硫性。因此，在实际烧结中建议采取高效的脱硫措施并布置脱水层以减少其对于催化剂的负面影响

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

人教版初中数学七年级第一章 有理数1.4 有理数教案(3)

人教版初中数学七年级第一章 有理数1.4 有理数教案(2)