精华内容
下载资源
问答
  • 1、大律法 ...对图像,记t为前景背景的分割阈值,前景点数占图像比例为 w0, 平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1。图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度到最大灰度

    1、大律法

                          大津法又称最大类间方差法。对图像,记t为前景与背景的分割阈值,前景点数占图像比例为 w0, 平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1。图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t,        当t使 得值      g=w0*(u0-u)2 +w1*(u1-u)2 最大时t即为分割的最佳阈值。阈值t分割出的前景和背景两部分构成了整幅图像,而前景取值u0,概率为w0,背景取值u1,概率为w1,总均值为u,根据 方差的定义即得该式。因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致 两部分差别变小,因此使类间方差最大的分割意味着错分概率最小。直接应用大津法计算量较大,因此我们在实现时采用了等价的公式g=w0*w1*(u0- u1)2 。

    实现的代码:

                   BOOL OSTUThreshold(unsigned char *image1,   LONG   lWidth,   LONG   lHeight)   
     {
    int a;
    //得到灰度直方图,灰度的最大值和最小值
    int i,j,t;
    long lCount[256];                //各个灰度值的计数
    int lMaxgrayvalue=0;
    int lMingrayvalue=255;
    int lThreshold; //阈值
    long lLineBytes; //图像每行的字节数
    lLineBytes=WIDTHBYTES(lWidth);
    for(a=0;a<256;a++)
    {
    lCount[a]=0;
    }
    for(i=0;i<lHeight;i++)
    {
    for(j=0;j<lWidth;j++)
    {
        //各个灰度值的计数
    lCount[image1[i*lLineBytes+j]]++;
    }
    }
    for(i=0;i<256;i++)
    {
    if (lCount[i]!=0)
    {
    lMingrayvalue=i;
    break;

    }
    for(i=255;i>=0;i--)
    {
    if(lCount[i]!=0)
    {
    lMaxgrayvalue=i;
    break;
    }
    }


           //通过所有的灰度值找到阈值
    float lMeangrayvalue1,lMeangrayvalue2;     //两个区域的平均灰度值
    float w1,w2;       //前后两区灰度的百分比
    float G;    //方差
    float tempG=0;
    int lP1,lP2,lS1,lS2;    //前景,后景点数
    for(t=lMingrayvalue;t<=lMaxgrayvalue;t++)
    {
    lP1=0;
    lP2=0;
    lS1=0;
    lS2=0;
    for(a=lMingrayvalue;a<=t;a++)
    {
    lP1+=lCount[a]*a;
    lS1+=lCount[a];
    }
    lMeangrayvalue1=(float) lP1/lS1;
    w1=(float) lS1/(lHeight*lWidth);
    for(a=t;a<lMaxgrayvalue;a++)
    {
    lP2+=lCount[a]*a;
    lS2+=lCount[a];
    }
          lMeangrayvalue2=(float) lP2/lS2;
    w2=1-w1;
    G=w1*w2*(lMeangrayvalue1-lMeangrayvalue2)*(lMeangrayvalue1-lMeangrayvalue2);
    if(G>tempG)
    {
    tempG=G;
    lThreshold=t;
    }
    }
    for(i=0;i<lHeight;i++)
    {
    for (j=0;j<lWidth;j++)
    {
    if (image1[i*lLineBytes+j]>lThreshold)
    {
    image1[i*lLineBytes+j]=255;
    }
    else
    {
    image1[i*lLineBytes+j]=0;
    }
    }
    }
    return TRUE;
     }


    2、迭代法

         

    (1).  求出图象的最大灰度值和最小灰度值,分别记为Zl和Zk,令初始阈值为:

                                   
        (2).  根据阈值TK将图象分割为前景和背景,分别求出两者的平均灰度值Z0和ZB:

                                         

                                         


              式中,Z(i,j)是图像上(i,j)点的象素值,N(i,j)是(i,j)点的权值,一般取1。

    (3)

                                   
        (4).  若TK=TK+1,则所得即为阈值,否则转2,迭代计算。

    实现代码:

                     BOOL OSTUThreshold(unsigned char *image1,   LONG   lWidth,   LONG   lHeight)   
     {
    int a;
    //得到灰度直方图,灰度的最大值和最小值
    int i,j,t;
    long lCount[256];                //各个灰度值的计数
    int lMaxgrayvalue=0;
    int lMingrayvalue=255;
    int lThreshold; //阈值
    long lLineBytes; //图像每行的字节数
    lLineBytes=WIDTHBYTES(lWidth);
    for(a=0;a<256;a++)
    {
    lCount[a]=0;
    }
    for(i=0;i<lHeight;i++)
    {
    for(j=0;j<lWidth;j++)
    {
        //各个灰度值的计数
    lCount[image1[i*lLineBytes+j]]++;
    }
    }
    for(i=0;i<256;i++)
    {
    if (lCount[i]!=0)
    {
    lMingrayvalue=i;
    break;

    }
    for(i=255;i>=0;i--)
    {
    if(lCount[i]!=0)
    {
    lMaxgrayvalue=i;
    break;
    }
    }


           //通过所有的灰度值找到阈值
    float lMeangrayvalue1,lMeangrayvalue2;     //两个区域的平均灰度值
    float w1,w2;       //前后两区灰度的百分比
    float G;    //方差
    float tempG=0;
    int lP1,lP2,lS1,lS2;    //前景,后景点数
    for(t=lMingrayvalue;t<=lMaxgrayvalue;t++)
    {
    lP1=0;
    lP2=0;
    lS1=0;
    lS2=0;
    for(a=lMingrayvalue;a<=t;a++)
    {
    lP1+=lCount[a]*a;
    lS1+=lCount[a];
    }
    lMeangrayvalue1=(float) lP1/lS1;
    w1=(float) lS1/(lHeight*lWidth);
    for(a=t;a<lMaxgrayvalue;a++)
    {
    lP2+=lCount[a]*a;
    lS2+=lCount[a];
    }
          lMeangrayvalue2=(float) lP2/lS2;
    w2=1-w1;
    G=w1*w2*(lMeangrayvalue1-lMeangrayvalue2)*(lMeangrayvalue1-lMeangrayvalue2);
    if(G>tempG)
    {
    tempG=G;
    lThreshold=t;
    }
    }
    for(i=0;i<lHeight;i++)
    {
    for (j=0;j<lWidth;j++)
    {
    if (image1[i*lLineBytes+j]>lThreshold)
    {
    image1[i*lLineBytes+j]=255;
    }
    else
    {
    image1[i*lLineBytes+j]=0;
    }
    }
    }
    return TRUE;
     }


    未完待续。。。。。

    展开全文
  • 要求:线性表,有序表(注意升序降序) 思想: 设查找区间[L,R] 取中点 mid = (L+R)/2 判定mid是否符合要求:(如何判断:bool check(int mid); ) 是:缩短区间求边界;直接返回; 否:缩短区间 最终...
    //二分查找总结:由于本人二分常年写成死循环
    /*
    简介:二分查找 == 折半查找
    要求:线性表,有序表(注意升序与降序)
    思想:
    	设查找区间[L,R]
    	取中点 mid = (L+R)/2
    	判定mid是否符合要求:(如何判断:bool check(int mid); )
    		是:缩短区间求边界;直接返回;
    		否:缩短区间
    	最终结果val = R 或者val = L;
    */
    
    //典型线性表查找数据
    int er_search(int a[],int n, int key)
    {
    	const int inf = 0x3f3f3f3f;
    	
    	int L=0,R=n;
    	while(L<R){
    		int mid = (L+R)/2;
    		if(key==a[mid]){
    			return mid;
    		}
    		else if(key<a[mid]){
    			R=mid-1;
    		}
    		else if(k>a[mid]){
    			L=mid+1;
    		}
    	}
    	return inf;
    } 
    //CSDN某博客对二分的64种分类
    /*
    *取整方式
    	向下取整(最小值) 向上取整(最大值)
    	
    *区间开闭
    	闭区间 左闭右开区间 左开右闭区间 开区间
    	
    *问题类型
    	单增
    	对于不下降序列a,求最小的i,使得a[i] = key 
    	对于不下降序列a,求最大的i,使得a[i] = key 
    	对于不下降序列a,求最小的i,使得a[i] > key 
    	对于不下降序列a,求最大的i,使得a[i] < key 
    	单减
    	对于不上升序列a,求最小的i,使得a[i] = key 
    	对于不上升序列a,求最大的i,使得a[i] = key 
    	对于不上升序列a,求最小的i,使得a[i] < key 
    	对于不上升序列a,求最大的i,使得a[i] > key
    */
    
    //下面四个不下降的例子
    //a[] = 1 2 3 4 5 6 6 6 7 9 
    //min i,a[i] = key;  =>a[5]
        while(s < e){
            mid = (e+s)/2;// 向下取整
            if(key <= a[mid])
                e = mid;
            else
                s = mid + 1;
        }
    
    //max i,a[i] = key =>a[7]
        while(s < e){
            mid = (e+s+1)/2;// 向上取整
            if(key >= a[mid])
                s = mid;
            else
                e = mid - 1;
        }
    
    //min i, a[i] > key =>=>a[8]
        while(s < e){
            mid = (e+s)/2;//向下取整
            if(key < a[mid])
                e = mid;
            else
                s = mid + 1;
        }
    
    // max i, a[i] < key =>a[4]
        while(s < e){
            mid = (e+s+1)/2;//向上取整
            if(key > a[mid])
                s = mid;
            else
                e = mid - 1;
        }
    
    /*巧记,但不是完全正确
    	循环:L<R 
    	求mid时:求max :L+R+1  求min: L+R;
    	if():真实值与猜测值的关系作为条件:max-真实大于猜测 min-真实小于猜测
    	防死循环:调整if下的L或者R 另一个边界在else下注意+-1;
    	
    	总结:循环L<R mid注意1 else下防死循环
    */
    //另一种简单分类:第一个大于v,第一个大于等于v,最后一个小于v,最后一个小于等于v
    /*内容来自:http://www.cnblogs.com/xiaowuga/p/8604750.html
    	第一个大于等于v:
    		lower_bound(ForwardIterator first, ForwardIterator last,const T& val, Compare comp)
    		
    		我们假设L为当前区间的答案,R为当前区间的实际答案(因为R是第一个大于等于v的下标),
    		我们每次二分的实际上是为了让L和R不断靠近,
    		所以当L==R的时候,我们假设的答案等于实际的答案,那么就结束循环了,返回答案L。
    		while(L<R){
                int M=(L+R)/2;
                if(a[M]>=v) R=M;//R是第一个大于等于v下标,那么R最大只能是m
                else L=M+1;//[M,R)区间内的下标都是小于v的,L作为最后的答案最小只能是M+1
            }
    	
    	第一个大于v:
    		upper_bound(ForwardIterator first, ForwardIterator last,const T& val, Compare comp);
            
    		我们假设L为当前区间的答案,R为当前区间的实际答案(因为R是第一个大于v的下标),
    		我们每次二分的实际上是为了让L和R不断靠近,
    		所以当L==R的时候,我们假设的答案等于实际的答案,那么就结束循环了,返回答案L。
    		while(L<R){
                int M=(L+R)/2;
                if(a[M]>v) R=M;//R是第一个大于v下标,那么R最大只能是M
                else L=M+1;//[M,R)区间内的下标都是小于等于v的,L作为最后的答案最小只能是M+1
            }
    			
    	最后一个小于等于v	
    	
    		我们假设R为当前区间的答案,L为当前区间的实际答案(因为L是最后一个小于等于v的下标),
    		我们每次二分的实际上是为了让L和R不断靠近,
    		所以当L==R的时候,我们假设的答案等于实际的答案,那么就结束循环了,返回答案L。
    		while(L<R){
                int M=(L+R+1)/2;
                if(a[M]<=v) L=M;//L是最后一个小于等于v下标,那么L最小只能是M。
                else R=M-1;//(L,M]区间内的下标都是大于v的,R作为最后的答案最大只能是M-1。
            }
    			
    	最后一个小于v
    	
    		我们假设R为当前区间的答案,L为当前区间的实际答案(因为L是最后一个小于v的下标),
    		我们每次二分的实际上是为了让L和R不断靠近,
    		所以当L==R的时候,我们假设的答案等于实际的答案,那么就结束循环了,返回答案L。
    		while(L<R){
                int M=(L+R+1)/2;
                if(a[M]<v) L=M;//L是最后一个小于v下标,那么L最小只能是M。
                else R=M-1;//(L,M]区间内的下标都是大于等于v的,R作为最后的答案最大只能是M-1。
            }		
    */
    
    //二分条件搜索的应用:最大化最小值,最小化最大值,最大化平均值
    /*最大化最小值
    	边界属性: 	正确答案ans
    				满足条件但不是最大:ans-1
    				不满足条件:ans+1
    				
    				二分类型:最后一个满足条件的ans值
    					思路:	把条件看成具体的值
    							求最后一个小于等于v
    */
    /* 最小化最大值
    	边界属性: 	正确答案ans
    				满足条件但不是最小:ans+1
    				不满足条件:ans-1		
    
    				二分类型:第一个满足条件的值
    					思路:	把条件看成具体的值
    							求第一个大于等于v
    */	
    
    /*最大化平均值:
    模型构建:
    有n个物品,每个物品分别对应一个重量w和价值v。要求选出k个,使得平均每单位重量的价值最大。
    
    二分模型:搜索满足条件check(mid)的最大解
    check()模型:
    构建过程:
    	单个物品:
    		平均价值:v/w
    		判断这个物品是否被挑选(是否满足单位价值mid) v/w>=mid
    			化简得 v-wx>=0; 可记录c[i] = v-wx(第i个)
    	多个物品:
    		循环所有物品
    		
    	k个物品
    		求和c[0]--c[k-1]
    		如果这个和大于零,说明总体的平均值大于mid
    	
    模型:二分查找最大化平均值
    int n;数据组数
    int k;要求件数
    bool check(double mid){
    	
    	c[i] = v[i]-mid*w[i];
    	
    	sort(c,c+n,cmp);//逆序
    	
    	double sum=0;
    	sum+=c[0] ---c[k-1]
    	
    	return sum>=0;//sum = 0时候是正好满足条件
    }
    
    */		

     

    展开全文
  • 基于大气相干长度和等晕角综合测量系统在中国西部地区的长期测量资料,分析了大气相干长度和等晕角的时间变化和统计分布特征,给出了白天、夜间、傍晚转换时刻三个时段大气相干长度和等晕角的平均值和标准差。...
  • 观测期间榆林地区年平均激光雷达比最小,多年平均值为(36.3±15)sr;北京、太湖和寿县地区的雷达比年均值较大;北京地区激光雷达比年均值的最低值出现在2008年,其他地区的年均值变化不大;激光雷达比Angstrom波长...
  • $\sed{C_n^k}_{k=0}^n$ 而二项式系数, $A_n,G_n$ 分别表示它们的算术平均值与几何平均值. 试证: $$\bex \vlm{n}\sqrt[n]{A_n}=2,\quad \vlm{n}\sqrt[n]{G_n}=\sqrt{e}. \eex$$ 证明: $$\bex A_n=\frac{C_n^0+C_n^1+...

    $\sed{C_n^k}_{k=0}^n$ 而二项式系数, $A_n,G_n$ 分别表示它们的算术平均值与几何平均值. 试证: $$\bex \vlm{n}\sqrt[n]{A_n}=2,\quad \vlm{n}\sqrt[n]{G_n}=\sqrt{e}. \eex$$

     

    证明: $$\bex A_n=\frac{C_n^0+C_n^1+\cdots+C_n^n}{n+1}=\frac{2^n}{n+1}\ra \vlm{n}\sqrt[n]{A_n}=2. \eex$$ $$\bex G_n=\sqrt[n+1]{C_n^0C_n^1\cdots C_n^n}\ra \sqrt[n]{G_n}=(C_n^0C_n^1\cdots C_n^n)^\frac{1}{n(n+1)}, \eex$$ $$\beex \bea \vlm{n}\sqrt[n]{G_n}&=\exp\sez{\vlm{n} \frac{\sum_{k=0}^n \ln C_n^k}{n(n+1)}}\\ &=\exp\sez{ \frac{\sum_{k=0}^{n+1} \ln C_{n+1}^k -\sum_{k=0}^n \ln C_n^k}{(n+1)(n+2)-n(n+1) }}\\ &=\exp\sez{ \ln \frac{\sum_{k=0}^n \ln \frac{n+1}{n+1-k}}{2(n+1)} }\quad\sex{C_{n+1}^k /C_n^k=\frac{n+1}{n+1-k}}\\ &=\exp\sez{ \frac{1}{2}\vlm{n} \sex{ \sum_{k=0}^{n+1}\ln \frac{n+2}{n+2-k} -\sum_{k=0}^n \ln \frac{n+1}{n+1-k} } }\\ &=\exp\sed{ \frac{1}{2} \vlm{n}\sez{\ln (n+2)+\sum_{k=0}^n \ln\sex{\frac{n+2}{n+2-k}\cdot \frac{n+1-k}{n+1}} }}\\ &=\exp\sed{\frac{1}{2}\vlm{n} \sez{\ln(n+2)+\ln \frac{(n+2)^{n+1}(n+1)!}{(n+2)!(n+1)^{n+1}}}}\\ &=\exp\sed{\frac{1}{2}\vlm{n}\ln \sez{\sex{1+\frac{1}{n+1}}^{n+1}}}\\ &=\sqrt{e}. \eea \eeex$$

    展开全文
  • 若 $u_1,u_2,\cdots,u_n\geq 0$, $u_1\cdot u_2\cdots u_n=1$, 则有 $u_1+u_2+\... 试证明这一结论, 并由它导出定理 3 (平均值定理). 证明: H\"older 不等式很容易推广为 $$\bex \sum_{i=1}^n \frac{1}{p_i}=1,\q...

    若 $u_1,u_2,\cdots,u_n\geq 0$, $u_1\cdot u_2\cdots u_n=1$, 则有 $u_1+u_2+\cdots+u_n\geq n$. 试证明这一结论, 并由它导出定理 3 (平均值定理).

    证明: H\"older 不等式很容易推广为 $$\bex \sum_{i=1}^n \frac{1}{p_i}=1,\quad 1<p_i<\infty,\ a_i>0\ra \prod_{i=1}^n a_i\leq \sum_{i=1}^n \frac{a_i^{p_i}}{p_i}, \eex$$ 而 $$\bex 1=u_1^\frac{1}{n}\cdots u_n^\frac{1}{n}\leq \frac{1}{n}u_1+\cdots+\frac{1}{n}u_n. \eex$$ 也就有平均值定理了. 

    展开全文
  • 这里我举一个典型的例子。有一个表“t”。主键由从“id1”开始的多个列组成。表t中有1.67M行,id1的基数是46K(这些数字可以通过SHOW TABLE STATUS / SHOW INDEX收集)。因此,每个id1平均有36行(1.67M / 46K = 36),...
  • 4.3.2 平均覆盖次数的分析推导 130 4.3.3 Ahlfors 型第一基本定理 . 133 4.4 关于岛的基本定理 . 138 第5 章型函数 .144 5.1 一些引理 .144 5.2 型函数的分类 151 5.2.1 Valion 有限级型函数 151 5.2.2 熊庆来无限级...
  • 经SPN 20小时处理的样品的平均值为2339 HV,而经过40小时的样品的平均值为2215 HV。 结果归因于在SPN工艺中形成的浓氮基材中所含的合金元素反应形成细小沉淀,从而产生了极强的硬化作用的协同效应。 也就是说,...
  • 事件抽取是信息抽取领域一个重要的研究方向。该文从音乐领域的事件抽取出发,通过领域事件词聚类的方法自动发现音乐...在该文构建的语料库下,最终事件类型识别的平均F达到82.82%,事件元素识别的平均F达到75.79%。
  • 典型查找算法讲义.ppt

    2019-12-03 22:23:44
    二叉平衡树的BF的只可能为10和1二叉平衡树的构造过程中进行调整的方法共有四种二叉平衡树的查找过程也二叉排序树类似从根结点开始向左或右子树进行查找 散列存储是一种存储方法也是一种查找方法散列存储通过对...
  • 此信息比不任何实际相关的z分数之和有用得多。 这也说明了这样一个事实,即球员对球队的影响受到类别中第一名或最后一名的限制。 Z得分对幻想得分规则一无所知,因此他们继续惩罚或奖励某个类别的球员,而超出...
  • 一个典型的锁相环(PLL)...的平均值,它同样θ有关,这样,我 们就可以利用异或门来进行相位到电压 θ 的转换,构成相位检出电路。于是经积 图3 分器积分后的平均值(直流分量)为: U U = Vdd * θ/  (1)
  • 通过标准偏差和标准化发动机转速和发动机扭矩平均值的2.05%误差,可以证明所开发循环的固有特性观察到的基本行程具有相似性。 我们的结果表明,所提出的方法有望产生使用中的重型发动机行为的典型循环。
  • 典型关联分析CCA(canonical correlation analysis)

    万次阅读 多人点赞 2015-10-03 17:25:29
    相关系数是按积差方法计算,同样以两变量各自平均值的离差为基础,通过两个离差相乘来反映两变量之间相关程度 相关关系是一种非确定性的关系,相关系数是研究变量之间线性相关程度的量。由于研究对象的不同,相关...
  • Hello,我是你们人见人爱花见花开的小花。...相关系数是按积差方法计算,同样以两变量各自平均值的离差为基础,通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系数)是最常用的变量...
  • 因此,我们旨在确定前列腺活检前的预测价值,嗜中性白血球比率,血小板淋巴细胞比率以及平均血小板体积,以预测病理结果。 由于高的PSA而进行了经直肠超声引导的前列腺活检,并比较了这些参数的以预测病理...
  • 通过对淮南典型矿区的地温梯度研究,根据地质勘探孔柱状图计算出丁集、潘三矿区的平均热导率,再详查其他矿区的地温梯度,最后按其大地热流的定义估算出淮南整个矿区的大地热流为72.31 mWm-2,安徽省大地热流...
  • b) 均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标像素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来...
  • 大数定律抽样陷阱

    2019-09-19 09:36:34
    大数定律(Law of Large Numbers),指在随机试验中,每次出现的结果不同,但是大量重复试验出现的结果的平均值却几乎总是接近于某个确定的值。典型的例子就是抛硬币的伯努利试验,当抛硬币的次数足够多的时候,正...
  • 最小二乘法梯度下降都是基于统计的思想,尽量减小样本的平方误差。 但一般而言梯度下降针对样本平均平方误差(MSE),最小二乘法针对样本总平方误差(SSE) ...其中,为t值的算术平均值。也可解得如下形式: 转...
  • 流体力学射流对话

    2020-03-23 00:32:22
    在重离子碰撞中,射流的能量和动量损失会影响介质的流体动力学演化。 我们使用蒙特卡罗编码珠宝和流体动力学模型为背景,确定了... 在典型(最小偏向)事件中,由于射流引起的源项的期望主要通过其影响流体动力学演化
  • 寻道时间的典型值是4.6ms。转动延迟则取决于磁盘的转速:普通7200RPM桌面硬盘的转动延迟是4.2ms,而高端10000RPM的是3ms。这些数字多年来一直徘徊不前,大概今后也无法有大的改善了。在下文中,我们不妨使用 8ms作为...
  • 但是由于电子带负电,电子的运动电场运动相反T=300时,低掺杂浓度下的迁移率典型值P114表5.1 {ignore=true}所以,总漂移电流密度是电子漂移电流密度和空穴漂移电流密度的和 {ignore=true}1.晶格散射2. 电离杂质...
  • 基于MATLAB软件平台处理图像的优势,编程实现对构造煤典型裂隙系统的两张照片进行二化、去杂、修复、分割等操作,得到原裂隙信息基本一致且易于处理的新裂隙个体。在此基础上,自动提取裂隙面积、长度、平均宽度等...
  • 3个典型氟中毒病区民用煤的平均含氟量为72.56 mg/kg,稍低于中国煤炭平均含氟量(82 mg/kg),世界煤的平均值(80 mg/kg)接近.中毒区的煤主要为低氟煤,煤中的氟灰分关系较为密切.中毒区的拌煤黏土中氟含量一般在367-2...
  • 随着加载速率的增加,平均AE计数和平均AE能量均增大,峰值点附近的声发射活动更为剧烈,峰值处释放的能量的最大呈递增趋势;红外辐射温度呈现典型的降转升型,温度由降转升点发生提前;煤岩发生破坏时,温度发生...

空空如也

空空如也

1 2 3 4 5 ... 11
收藏数 206
精华内容 82
关键字:

典型值与平均值