IBM ThinkPad R51笔记本配置了英特尔迅驰移动技术，IBM APS硬盘保护技术，集成了内置加速度传感器，保护了数据的丢失，适合所有办公人员。

这是IBM作为业界领先的商业智能解决方案提供商,在国内电信业第一次同时向客户提供数据库及商业智能软件产品,商业智能咨询服务和项目集成服务，同时是IBM DB2 商业智能在中国的第一百个实施项目，整个系统将对山东联通准确了解、分析企业的运营情况，提供充足、准确的经营信息和客户信息辅助进行科学决策启到重要作用。

IBM FAStT解决方案，快速的数据传输，系统冗余及多种存储配置为您提供了保护关键业务数据和应用所需功能，可靠性和灵活性。此外IBM提供的软件管理工具可以帮助您在业务种充分利用SAN的价值，并实现商业智能。

针对单轨道DIn SAR(Differential Interferometric Synthetic Aperture Radar)技术仅能获取雷达视线向(Line of sight,Lo S)形变的缺点。详细介绍了一种基于ASAR和PALSAR影像来监测矿区地表三维形变的方法。应用该方法成功获取了因煤矿开采引起的地表水平及竖向形变,获取了沿观测线方向的地表倾斜,与实测相比最大倾斜差值为0.06 mm/m,竖向变形的均方根误差为±1 mm,证明了本文算法的可靠性。

为解决单一轨道DInSAR(Differential Interferometric Synthetic Aperture Radar)技术难以获取地表三维形变,老采空区上方地基稳定性评价缺乏地表变形监测资料等问题,研究了一种基于多轨道SAR影像的老采空区地表三维形变监测方法。该方法利用2种卫星传感器PALSAR和ASAR拍摄的3个轨道SAR影像,采用传统的DInSAR技术获取地表3组视线向的地表变形。采用插值方法将3组地表变形归化到相同时间间隔。运用最小二乘原理将视线向变形分解到竖直、东西和南北方向以建立地表三维形变场。与地表14个水准点的实测数据对比结果表明:本文算法获取的地表竖向沉降均方根误差为±1 mm,优于传统忽略地表水平变形计算地表沉降的方法。

针对DInSAR(differential interferometric synthetic aperture radar)技术仅能获取雷达视线向(line of sight,LoS)形变的不足,研究了融合多卫星平台求解三维形变场的模型与算法。该算法基于多卫星轨道模式下具有不同成像几何的多源SAR影像联合求解矿区地表形变场。研究结果表明:采用该算法反演的下沉值与水准测量结果相互吻合,均方根误差为±4 mm,吻合程度优于单一影像源反演结果;垂直向位移场与等值线均表明下沉盆地向老采空区偏移,说明老采空区可能活化;东西向水平位移场与等值线符合开采沉陷地表移动规律,而且对于不同的成像模式,东西向水平移动的影响亦不同;由于卫星航向角的正弦值近乎为0,使得三维算法对南北向位移不敏感。

为掌握采空区上方所建高速公路的变形趋势,解决老采空区上方地表变形监测数据较少,不易建立时序沉降预测模型的问题,利用D-InSAR(Differential Interferometric Synthetic Aperture Radar)技术对某高速公路进行了变形监测和分析,同时将其结果同地面实测数据相融合,并以LS-SVM(Least Squares-Support Vector Machine)为基础,建立了采空区上方高速公路变形预计模型,通过实例,验证了模型的正确性。具体过程:处理融合数据为等时间间隔,并将其趋势项去除,对余项进行平稳性、正态性及零均值处理;利用Cao方法计算嵌入维数,建立训练样本集,并进行LS-SVM学习训练;最后,采用训练好的模型对未来地表沉降进行预计。以511号监测点为研究对象,建立滚动预计方法,结果显示其最大下沉绝对误差3 mm,最大相对误差2.2%,取得了较为可靠的预计成果。

为研究植物根系加筋护坡机理,以传统塑性理论与广义塑性理论为基础,采用理论推导方法,分别推导了单独考虑根与土及将含根土当成一种复合体在极限状态下的内部总能耗表达式,利用剪切面实际能耗确定性与唯一性条件求得了根土复合体的加筋公式,并与含根土现场剪切实验对比.结果表明:相对现有的基于内力平衡原理的加筋模型,用内部能耗等效的根土复合体加筋模型计算的附加粘聚力与实验结果更吻合,且以广义塑性理论为基础的内部能耗等效根土复合体加筋理论优于以传统塑性理论为基础的内部能耗等效根土复合体加筋理论.

番茄作物是市场上的重要主食，并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降； 因此，对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型，例如细菌斑，晚疫病，裁缝叶斑，番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前，智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗？ 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络（CNN）的技术，而卷积神经网络是机器学习的一部分，可以早期发现有关植物状况的信息。 CNN方法取决于从输入图像中提取特征（例如颜色，叶子边缘等），并在此基础上确定分类。 Matlab m文件已用于构建CNN结构。 从植物村获得的数据集已用于训练网络（CNN）。 所建议的神经网络已被用于分类六种类型的番茄叶片情况（一种健康的叶片植物疾病和五种类型的叶片疾病）。 结果表明，卷积神经网络（CNN）已经实现了96.43％的分类精度。 真实图像用于验证建议的CNN技术进行检测和分类的能力，并使用5兆像素相机从真实农场中获得，因为感染该星球的大多数常

针对传统柔性直流输电系统控制方法存在运行不稳定、可靠性不高等问题,在外环电压控制的基础上,加入相对控制环节,送端电压源换流器通过控制输出电压相对发电机端电压的相位角和幅值,分别控制与送端系统交换的有功功率和无功功率。采用PSCAD/EMTDC仿真软件搭建系统外环和内环的控制模型,在受端设置单相对地短路故障,仿真分析系统有功功率变化、无功功率变化、交流母线电压有效值和调制比。结果表明,故障发生后有功功率、无功功率在0.5 s内迅速恢复稳定,证明所设计的控制系统具有良好的控制能力,实现了电压源换流器传输功率的独立、灵活调节。