基于改进人工蜂群算法的地下水埋深预测研究.pdf

钻孑L 测井资料在深部找矿预测中的应用——以福建梅仙镇峰岩一谢坑矿区找矿应用为例.pdf

重点介绍水深测量及水下地形测量的方法，拓宽知识面

该fortran程序可以用于水位水深的线性插值。给出插值的起点距以及水位水深数据，即可对新起点距下的水位水深进行插值计算。

此文档为上海美国圣经协会印发，新約全書-深文理和合本1906年版1925年印，内容比较清晰！

为了研究深亚微米 SOI工艺NMOS器件的瞬时剂量率效应，采用TCAD工具对0.13 μm SOI工艺 H型NMOS器件进行三维建模仿真。选取γ剂量率在1×108～1×1010 (Gy(Si)/s)的7个点，模拟了H型NMOS器件开关两种状态下的漏电流及体接触端电流与γ剂量率之间的数值关系。从模拟结果可以看出，γ剂量率在小于5×109 Gy(Si)/s的辐照时对器件影响很小。表明了该结构器件具有较强的抗瞬时剂量率辐射能力，为超大规模集成电路抗瞬时剂量率加固设计提供了依据。

基于ANSYS_Workbench的深沟球轴承接触应力有限元分析

深度残差收缩网络 深度残差收缩网络是深度残差网络（ResNets）的一种变体，旨在提高高噪声信号或复杂背景下的特征学习能力。 尽管该方法最初是为基于振动的故障诊断而开发的，但也可以应用于图像识别和语音识别。 主要的创新是将软阈值作为非线性转换层集成到ResNets中。 此外，阈值是由专门设计的子网自动确定的，因此不需要专业的专家来确定阈值。 该方法使用TensorFlow 1.0.1，TFLearn 0.3.2和Keras 2.2.1实现，并应用于图像分类。 代码中构造了一个带有3个剩余收缩块的小型网络。 可以使用更多的块和更多的训练迭代来获得更高的性能。 抽象的： 本文提出了一种新的深度学习方法，即深度残差收缩网络，以提高来自高噪声振动信号的特征学习能力，并实现较高的故障诊断精度。 将软阈值作为非线性转换层插入到深层体系结构中，以消除不重要的功能。 此外，考虑到为阈值设置适当的值通常

超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置在该项目之外。 对于单GPU训练，运行 python train.py configs/path_to_your_config 对于多GPU训练，请运行 sh launch_training.sh 或者 python -m torch.distributed.launch --nproc_per_n

哈尔滨工业大学深圳计算机学院人工智能课程的作业答案以及考试参考