ASP无组件生成BMP验证码

本文根据用ASP无组件生成BMP图形验证码技术,从BMP文件的内容、结构、BMP扫描方式、用ASP发送BMP二进制数据以及生成BMP图形文件等几方面详细探讨和论述了如何用ASP无组件生成BMP图形验证码.     

人体下肢假肢发展概况

介绍了人体下肢假肢技术的发展历史、研究现状、应用情况及未来的发展状况，着重阐述了现代假肢技术的构成及假肢膝关节的控制技术。     

M(o)bius群的离散性

利用一个固定的抛物型Moebius变换作为检验性元素来检验扩充复平面上的非初等Moebius群的离散性，文中给出的结果改进了由Jφrgensen所建立的判别准则。     

Mobius群的离散性

令G为扩充复平面上的一非初等Mobius群,g0为任一斜驶型Mobius变换,本文建立了G离散的一个充分条件:如果G中任意元g和g0生成的群离散,则G离散.这一结果改进了由Jφrgesen建立的著名的离散判别准则.     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

浅谈铁路客运专线隧道监控与量测技术

文章就我国新建石太铁路客运专线（客运专线标准示范线）隧道施工中监控与量测技术应用而产生的实效性，对照施工实践所反馈的信息以及近年来国内外监控与量测技术成就，总结一些经验和教训。     

树的离散度

利用离散度的定义，给出了树的离散度的算法，为用离散度研究网络图的稳定性奠定了基础。     

含非线性磁介质中积分差分离散的截断误差

讨论了含非线性磁介质材料恒定磁场积分差分离散引起的误差问题，并给出了减少误差的方法，在积分差分离散分析与计算中具有实用意义。     

关于二维Mbius群离散准则的一点注记

主要讨论二维M bius群的离散性,所得结果推广和完善了已有的相关讨论.     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。