单区域系统积差调频的改进与仿真

就单区域系统对积差调频方法进行了分析和改造,并用MALAB对其进行了仿真,仿真结果表明:改进后的比例—积差调频动态性能和稳定性有明显的提高。

对李善兰《垛积比类》的研究——兼论“垛积差分”的特色

李善兰(1811-1882),字壬叔,号秋纫,浙江海宁人,是我国清代著名的数学家和翻译家。他在十九世纪中叶翻译介绍的大量西方近代科学技术书籍,被称之为"西人至精之诣,中土未有之奇"。在数学上,他也是当时的"绝大名家",其主要研究成果集中体现于1867年编辑完成的《则古昔斋算学》十三种中。他在该书和其中的《垛积比类》自序中云:"于算学用心极深,精到处自谓不让西人","于《九章》外别立一帜,其说自善兰始"。《垛积比类》一书,则是他的一部具有特色的重要著作,著名数学史家钱宝琮在其《中国数学史》中,认为此书是从元代"朱世杰《四元玉鉴》(1303)以来讨论高阶等差级数求和的最优秀著作",在中国数学史上具有一定的地位。

如何减少房屋实测面积与预测面积差异的措施

房产测绘是房地产测绘的重要组成部分,是一项政策性很强的测绘工作,房产测绘工作涉及人们的切身利益,稍有问题即成为投诉热点。本文结合从事房产测绘实践的体会,简要从开发单位、测绘单位、施工单位、房产管理部门四个方面探讨了如何避免预测面积与实测面积出现差异的措施,分析误差产生的原因,便于将误差降低到最小。

差阻式仪器电阻比测量误差的半积差分析法

差阻式仪器正反测电阻比乘积的理论值应该等于1。由于测量误差的存在,包括五芯线的差阻式仪器,测量得到的正反测电阻比的乘积并不等于1。利用正反比半积差分析法可以检验差阻式读数仪测量电阻比的准确度,也可以检验传感器电阻比观测值的准确度。反测电阻比也是监测数据的旁证资料。

基于差分卷积和深浅层特征融合的表面缺陷分割

针对弱纹理情况下缺陷特征不明显和小目标缺陷分割准确性较低的问题,提出基于差分卷积和深浅层特征融合的表面缺陷分割方法。首先,基于差分卷积设计特征增强模块,对特征图进行特征增强;其次,在特征融合网络中将深浅层特征进行融合,对浅层网络中的细节特征和深层网络中的语义信息进行有效融合;最后分别采用NEU-Seg和MT-Magnetic数据集对本文方法和现有的代表性方法进行综合对比分析。结果表明:本文研究方法在NEU-Seg和MT-Magnetic数据集上分别实现85.2%、83.3%的分割精度,优于现有的代表性语义分割算法,证明该法可有效提升弱纹理和弱小缺陷的分割准确度,显著提高缺陷分割算法的精度。

基于深层卷积随机配置网络的电熔镁炉工况识别方法研究

为解决电熔镁炉工况识别模型泛化能力和可解释性弱的缺陷,提出一种基于深层卷积随机配置网络(Deep convolutional stochastic configuration networks,DCSCN)的可解释性电熔镁炉异常工况识别方法.首先,基于监督学习机制生成具有物理含义的高斯差分卷积核,采用增量式方法构建深层卷积神经网络(Deep convolutional neural network,DCNN),确保识别误差逐级收敛,避免反向传播算法迭代寻优卷积核参数的过程.定义通道特征图独立系数获取电熔镁炉特征类激活映射图的可视化结果,定义可解释性可信度评测指标,自适应调节深层卷积随机配置网络层级,对不可信样本进行再认知以获取最优工况识别结果.实验结果表明,所提方法较其他方法具有更优的识别精度和可解释性.

基于中心差分卷积与频域辅助的人脸活体检测

针对当前基于深度学习的人脸活体检测算法模型结构复杂、参数量和计算量大,同时基于可见光相机读取数据作为模型输入时,容易受到环境光变化的影响,导致模型性能下降等问题,提出一种基于中心差分卷积(CDC)和频域辅助的轻量级人脸活体检测算法。通过CDC、ACON自适应激活函数以及轻量化注意力机制重构MobileNetV3轻量级特征提取网络,并设计傅里叶变换支路对主干提取网络进行辅助矫正,实现降低模型大小、提高活体检测精度的目的。在Replay-Attack以及CASIA-FASD数据集上进行实验,结果表明:算法在模型大小、等错误率、召回率、曲线下面积(AUC)以及准确率等方面有较好的表现。

和差化积公式与积化和差公式的运用

在2019年版的高中数学教材修订中,重新增加了“积化和差”与“和差化积”公式.例如,在人教B版必修第一册第8.2.4节“三角恒等变换的运用”中,明确给出了上述公式.人教A版必修第一册第5.5.2节给出部分的推导过程,其后在练习给出证明.本文初步运用公式进行和、积互化,应用公式对三角函数的求值、化简、证明进行探讨.

正交多项式的积化和差公式

设Π_n为n次多项式的集合,{P_n(x)}(n=0,1,…)为区间I上的正交多项式:且满足 其中w(x)为权函数,为书写简单,以下将a_(nn)记为c_n。 1.

基于差分卷积的自适应视线估计

文章提出了一种基于差分卷积神经网络的自适应视线估计模型。在模型中,融入头部姿态信息,利用差分卷积设计了一种差分网络(Differential Network,DNet),通过训练该网络来预测眼睛的凝视差异,用以校准初步视线估计结果,进而降低视线估计误差。通过在公开数据集Eyediap上进行验证,并与其他性能良好的视线估计模型进行比较,结果均表明所提出的视线估计模型在头部自由运动的状态下可以更准确地估计视线方向。

关于积化和差公式的一个历史注记

早期三角学的历史是与天文学密切相关的．事实上，在15世纪德国数学家雷格蒙塔努斯（Regiomontanus，1436—1476）撰写《论各种三角形》之前的欧洲，三角学一直依附于天文学，为天文计算服务．1510年左右，德国天文学家维纳（J．Werner，1468—1522）为了简化天文计算。

基于中心差分卷积的自监督学习方法研究

作为无监督学习的一个分支,自监督学习可以从大量无标签数据中学习到有用的特征,是近期一个热门的研究方向.基于前置任务和对比学习的自监督学习已经得到了大量的研究,但对于卷积操作的选择还没有得到足够的重视.将中心差分卷积神经网络引入自监督学习,探究了卷积操作对自监督学习性能的影响.实验结果显示,加入了中心差分卷积神经网络的Resnet18模型相比普通模型在下游分类任务上的性能提升了4.14%,在几乎未增加计算量的情况下,与Resnet50性能相当.

用行列式推导积化和差公式

新课程标准中增加了不少高等数学的内容，如“矩阵与变换”等．有时用这些高等数学的知识重新解读初等数学的内容，会获得一些新发现．本文先把两角和与差的正弦、余弦公式表示成矩阵形式，然后对矩阵取行列式，就自然得到了积化和差公式与和差化积公式，还能获得一些新见解．

记住积化和差、和差化积公式等于做十道难题

三角函数中的积化和差、和差化积公式分别是：

和差化积与积化和差六则

例1已知sina—cosa=√2，a∈（0，π），则tana=（ ） （A）-1．（B）-√2/2．（C）√2/2．（D）1．（2012年辽宁卷）,分析因为sina—COSa=√2.

β阶循环差幂积的性质

指出了β阶循环差幂积的定义及其一些性质,探讨了满足几种条件正数序列的β阶循环差幂积当n→∞时极限的存在性.

积化和差公式的一种记法

三角式积化和差公式实质上有三个:sinacosβ=1/2[sin(a-β)+sin(a+β)] ①cosacosβ=1/2[cos(a-β)+cos(a+β)] ②sinasinβ=1/2[cos(a-β)-cos(a+β)] ③注意到以上三式的右边中括号外系数皆为1/2,括号中前后两项的角分别为(a-β)

随机变量和、差、积、商的相关分析(待续)

在水文水资源分析计算中，为了求得形式上比较高的相关系数，常将两变量作和、差、积、商的变换，这就造成了具有共同成份的两组随机变量的“假相关”。对此，从基本的数学原理出发，对应统计数学中的原点矩及中心矩，提出相关因数及相关矩数的概念，导出了随机变量和、差、积、商变换后的相关系数计算公式，进一步分析了变量变换后相关系数的特性，认为“假相关”的作法并非均能得到较高的相关系数，有时适得其反，应予引起注意和重视。