差分方程简介 以t表示时间,规定t只取非负整数。t=0表示第一周期初, t=1表示第二周期初等。记y为变量y在时刻t时的取值,则 称43为y的一阶差分,称为的二阶差分。类似地,可以定义y的m阶差分。 由ty1及y的差分给出的方程称为y1差分方程,其中含的最 高阶差分的阶数称为该差分方程的阶。差分方程也可以写成不显含差分的形式

7-1差分公式的推导 7-2稳定温度场的差分解 7-3不稳定温度场的差分解 7-4应力函数的差分解 7-5应力函数差分解的实例 7-6温度应力问题的应力函数差分解 7-7位移的差分解 7-8位移差分解的实例 7-9多连体问题的位移差分解

胶体是物质存在的一种状态，是一种分散体系。根据分散体系中被分散的物质（分散相）的大小，可把分散系分为：粗分散系、胶体分散系和分子、离子分散系。指土壤能够吸收和保持土壤溶液中的分子和离子，悬液中的悬浮颗粒、气体及微生物的能力。土壤吸收性能：1、机械吸收：机械阻隔2、物理吸收性3、化学吸收性4、物理化学吸收性5、生物吸收性

5-1环境因素对家畜分布的影响 一、主要环境因素对家畜分布的作用 二、家畜分布的生态地理规律 5-2世界家畜分布于生态地理 一.世界家畜分布的生态地理环境 世界家畜的分布 (一)全球家畜数量的分布 (二)全球主要畜产品产量的分布 (三)地域特征性家畜的分布

分离纯化是农药分析必不可少的过程 不管是商品农药样品还是残留农药样品都 不是纯的农药成分。对于这些样品的分析 ,首先要进行一定的分离纯化步骤,使农 药和杂质尽可能分离,达到分析结果准确 的目的。 不同的农药样品有不同的纯化方法。 选择分离方法的依据是样品中农药的性质 和杂质的性质差别来选择分离纯化的方法

通过对分层物体制造工业应用关键技术及废料分离机理的分析讨论,首次提出临界分离角的概念,阐述了应用临界分离角的废料网格划分方法.应用临界分离角理论划分废料网格可从根本上解决废料分离问题

在基于独立分量分析的人耳识别方法研究基础上,提出复合结构分类器的人耳识别通用模型.该模型首先根据人耳的几何特征对人耳进行粗分类;然后应用独立分量分析的方法提取代数特征,支持向量机进行细分类,最后给出分类结果.这与人类由粗到细的识别过程是相符合的,能够克服单一独立分量分析识别方法的特征提取时间过长、特征数过多的缺点,同时避免了归一化过程中丢失比例结构特征的问题.实验结果表明,该模型取得了较高的识别率,尤其适用于规模大的复杂人耳库

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

低温球磨分散结合真空热压烧结工艺制备了石墨烯增强的Al-15Si-4Cu-Mg基复合材料.采用扫描电镜、X射线衍射、能谱分析和透射电镜表征了复合材料微观结构，通过抗拉强度和硬度测试，研究了石墨烯添加量对石墨烯/Al-15Si-4Cu-Mg复合材料微观组织和力学性能的影响.结果表明：当石墨烯质量分数分别为0.4%和0.8%，石墨烯沿基体晶界均匀分布，钉扎晶界，石墨烯与Al-15Si-4Cu-Mg基体界面结合良好，初晶β-Si、Mg2Si和Al2Cu相弥散分布于基体中.当石墨烯质量分数上升至1%，石墨烯分散困难，过量石墨烯富集于晶粒边界处，诱发脆性鱼骨状Al4Cu2Mg8Si7相沿晶界析出.当石墨烯质量分数为0.8%时，石墨烯/Al-15Si-4Cu-Mg复合材料的拉伸强度和硬度分别达到321 MPa和HV 98，相比纯Al-15Si-4Cu-Mg复合材料分别提高了19.3%和46.2%；当石墨烯质量分数为0.4%时，复合材料的屈服强度高达221 MPa，硬度和塑性亦获得明显改善

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量