XiaoMi-AI文件搜索系统
World File Search System斜率
微生物接种剂和有机肥料的联合应用改善了不利的土壤条件下的植物生长结合了上的1/F斜率和脑模拟
图1 AD和E/I不平衡预测的光谱属性的变化来自经常性网络模型。（a）网络模型的概述，其中包括两种类型种群之间的复发连接：兴奋性细胞（E）和抑制细胞（i）。（b）来自模型模拟的1/F斜率是突触电导（G e g i）与多项式回归模型拟合之间比率的函数。（c）HC2，HC3和AD组的所有个体以及所有电极位置的所有个体的归一化功率谱。仪表板线对应于光谱拟合，包括上的和周期性成分。（d）G e g i的平均差异的地形表示。（e）对电极特定子集的G e g i变化的预测（P和D分别表示双面t检验和Cohen效应大小的P值）。
可再生能源发电厂控制器
控制 • 断路器和 CAP 组控制 • 限流 • 通过强制闭环反馈直接控制逆变器 • 频率下降和电压下降 • 整形功率@POI，包括斜率、峰值移动、保持功率 • 功率平滑斜率额定有功功率控制@POI 电池 SoC 管理和平衡 • VAR 控制电压和功率因数控制@POI 自动电压调节 (AVR)
地球堤防和排水Swales EC-9
斜率应通过径流保护侵蚀。临时排水牛和斜坡顶部的土堤的组合可以将径流转移到一个可以将其带到坡度底部的位置（请参阅EC-11，斜坡排水口）。组合堤防和牛the很容易通过推土机或毕业生的单个传球来构造，并通过山脊上的轨道或车轮的第二次通过。最初分级时应安装转移结构，并保留在适当的位置，直到安装后BMP并稳定斜率为止。
研究提案 - 地球科学博士学位
最近的研究强调了影响地震触发的滑坡的因素的复杂性。研究表明，不同水平的土壤饱和度显着影响地震事件期间风化斜率的稳定性[1]。例如，饱和条件可以减少土壤中的有效应力，从而使其在地震震动下更容易受到失败的影响[2]。此外，EQTL被确定为关键的地质危害，尤其是在具有陡峭地形和松散的，未固结材料的地区[3]。坡度稳定性的程度可以分为三个阶段：首先，诱发因素（即时间独立），其次是在中间到长时间内发展的准备因素，最后，在更直接的短期窗口中起作用的触发因素。冲动的触发因素，例如地震的强烈颤抖，可以将斜率推到其稳定性阈值之外。相比之下，随着时间的推移，预备条件（例如长降雨或土壤饱和度）可以逐渐削弱斜率稳定性。然而，尽管对单个触发因素知之甚少，但这些因素之间的相互作用仍然没有探索[4]。
鳍宽度对三门电气参数的影响
三栅连接粉末的非平面3D结构使它们能够缩放到22nm及以后，并且具有更好的性能。但是鳍宽度的变化对设备性能有影响。在本文中，已经评估了各种鳍片宽度对无连接三栅极鳍片的影响。对不同的设备电气参数，例如电流，关闭电流，I ON /I OFF，阈值电压，子阈值斜率，DIBL，跨导率进行了不同的鳍宽度和分析。结果表明，对于长通道设备，以较高的I ON /I OFF和较小的子阈值斜率值，DIBL的较小值获得了更好的性能，而对于短通道长度设备，由于较小的鳍片宽度较小，由于较小的鳍片宽度，由于降低了较小的鳍片宽度，因此较小的下端斜率和DIBL和IN /I ON /I ON /I ON /I ON /I off比例提高。
基于双参数FBG传感器的铁路坡度监视
摘要：铁路建设期间该线路沿线出现了大量斜坡，这将对铁路安全行动构成威胁。坡度监视在确保铁路运营的安全性方面起着重要作用。针对传感器多路复用，较低精度和火车的大干扰的困难，本文提出了一种基于倾斜和振动的集成融合检测的铁路斜率监测方法。通过有限元方法（FEM）分析，分析了Shuohuang铁路中K3斜率的不稳定性和失败特性和在火车载荷激发下的动态特征。基于上述分析，使用自开发的双参数纤维Bragg光栅（FBG）传感器建立了坡度监测系统。过去四年的监视数据表明，斜率目前处于相对稳定的状态。监视数据与FEM的结果一致。验证了基于倾斜度和振动特征的损伤识别方法的可行性，这为铁路坡度监测提供了一种新方法。
老年人样本中 RBANS 学习比率的人口统计学校正规范数据
老年人的神经心理学评估传统上评估多次试验中信息的学习和保留情况（Lezak 等人，2012；Suhr，2015）。可重复的神经心理学状态评估组合（RBANS；Randolph，2012）是一种认知测量方法，自二十年前创建以来一直被频繁使用，包含相关的学习数据。具体来说，RBANS 的列表学习和故事记忆子测试评估学习和即时记忆，并且可以与它们的延迟回忆对应项（RBANS 子测试列表回忆、列表识别、故事回忆和图形回忆）结合使用，以评估一段时间内的编码和保留情况。此外，学习斜率的陡度（或坡度）可以反映出个人从多次试验中反复接触刺激中获益的潜力。学习和记忆障碍患者的学习斜率通常较浅，包括阿尔茨海默病 (AD；Gifford 等人，2015 年)、额颞叶痴呆 (Lemos 等人，2014 年)、血管性痴呆 (Mast & Allaire，2006 年) 和注意力缺陷多动障碍 (ADHD；Skodzik 等人，2017 年)。尽管许多测试手册提供了有关学习斜率数据的基本信息，但此类学习斜率的计算往往相对简单——传统上仅考虑最后一次和第一次学习试验之间的差异（“最后一次试验减去第一次试验”）。因此，这些数据有可能为某些患者的学习提供更细致的理解。
