XiaoMi-AI文件搜索系统
World File Search System生成热
教学大纲 第一年 第二学期 (所有科目通用)
LTP UNIT I 3 1 0 1. 异双原子分子的分子理论、金属键合能带理论、氢键。 2. 固态化学：半径比规则、空间晶格（仅立方体）、晶胞类型、布拉格定律、晶胞密度计算。一维和二维固体、石墨作为二维固体及其导电特性。富勒烯及其应用。 UNIT II 1. 光谱法的基本原理。利用紫外、可见光、红外、1 HNMR 确定简单有机化合物的结构。 2. 聚合物的特性和分类。 3. 聚合物的结构：天然和合成橡胶、聚酰胺和聚酯纤维、聚甲基丙烯酸甲酯、聚丙烯腈和聚苯乙烯。导电聚合物（聚吡咯和聚噻吩）及其应用的简介。第三单元 1. 反应中间体的稳定性，例如碳负离子、碳正离子和自由基。有机反应的类型以及亲核取代反应的机理。2. 以下反应的机理。1. 醇醛缩合 (ii) 坎尼扎罗反应 (iii) 贝克曼重排 (iv) 霍夫曼重排和 (v) 狄尔斯-阿尔德反应。3. EZ 命名法。含有一个手性中心的有机化合物的光学异构体。不具有手性的光学活性化合物的例子。正丁烷的构象。第四单元 1. 反应的顺序和分子数。一级和二级反应。活化能。2. 相律及其在单组分系统（水）中的应用。3. 平衡电位、电化学电池（原电池和浓差电池）、电化学腐蚀理论及防腐。第五单元 1. 燃料的分类，煤、生物质和沼气。使用弹式量热仪测定总热值和净热值。2. 热力学第一定律及其数学表述，热量、能量和功；系统的热含量或焓；热化学：Hess 恒定热总和定律、反应热、燃烧热、中和热、生成热、熔化热、汽化热、升华热、溶解热和稀释热（仅定义和解释）。
迈向基于脑电图的脑机接口深度学习模型解读的最佳实践
这在许多 BCI 领域都是传统方法，例如识别注意力心理状态（Fahimi 等人，2019 年）、运动相关皮质电位识别（Lawhern 等人，2018 年）、检测驾驶员困倦（Cui 等人，2021a 年）等。尽管取得了成功，但深度学习的主要缺点是其行为背后缺乏透明度，这可能会引起最终用户对采用 BCI 的潜在担忧。近年来，人们做出了很多努力来解释深度学习模型的决策，并将其应用于图像和文本分类任务。这通常是通过生成热图来完成的，该热图指示输入的每个像素对训练模型的最终分类的贡献程度。对于基于脑电图的脑机接口，该技术可以揭示脑电图中局部存在的不同成分（例如来自不同皮质源产生的信号、传感器噪声、肌电图 (EMG)、眼球运动和眨眼活动）将如何影响分类 (Cui et al., 2021a,b, 2022)。因此，可以知道模型是否已经学习了具有神经学意义的特征，或者决策是否在很大程度上受到数据中的类判别伪影的影响，从而可以促进改进模型以获得更好的性能和可靠性的过程。深度学习的可解释性在基于脑电图的脑机接口领域受到广泛关注 (Sturm et al., 2016; Zhou et al., 2016; Bang et al., 2021; Cui et al., 2021a,b, 2022)。尽管应用广泛，但人们既不清楚所获得的解释结果在多大程度上可以信任，以及它们如何准确地反映模型决策，现有文献也没有清楚地解释为什么选择某种解释技术而不是其他技术。这些观察引起了人们对基于对模型决策的错误解释而得出的有偏见的结论的担忧。为了填补这一研究空白，我们进行了一项研究，以评估基于 EEG 的 BCI 的不同深度解释技术，并探索利用这些技术的最佳实践。总而言之，本文在以下方面做出了贡献：