Discriminative Linear Transforms for Feature Normalization and Speaker Adaptation in
HMM Estimation
Stavros Tsakalidis,Vlasios Doumpiotis,William Byrne
Center for Language and Speech Processing and
Department of Electrical and Computer Engineering
The Johns Hopkins University
3400N.Charles St.,Baltimore,MD21218,USA
stavros,vlasios,byrne@https://www.doczj.com/doc/b05737384.html,
Abstract
Linear transforms have been used extensively for training and adaptation of HMM-based ASR systems.Recently procedures have been developed for the estimation of linear transforms under the
Maximum Mutual Information(MMI)criterion.In this paper we introduce discriminative training pro-
cedures that employ linear transforms for feature normalization and for speaker adaptive training.We
integrate these discriminative linear transforms into MMI estimation of HMM parameters for improve-
ment of large vocabulary conversational speech recognition systems.
Index Terms
Discriminative training,correlation modeling,adaptive training.
I.I NTRODUCTION
Linear transforms have been used extensively for both training and adaptation of HMM-based ASR systems.Two important applications of linear transforms in acoustic modeling are the decorrelation of the feature vector and the constrained adaptation of the acoustic models to the speaker,the channel,and the task.
It is well known that explicit modeling of correlations between spectral parameters in speech recognition results in increased classi?cation accuracy and improved descriptive power.How-ever,computational,storage and robust estimation considerations make the use of unconstrained, full covariance matrices in HMM observation distributions impractical.The Maximum Likeli-hood Linear Transformation(MLLT)[1],[2]applies a linear transform to the acoustic features in an attempt to capture the correlation between the feature vector components.To avoid intro-ducing more parameters than can be reliably estimated,transformations are tied across sets of states.
Linear transforms have also been used in Maximum Likelihood(ML)Speaker Adaptive Train-ing(SA T)[3].The goal of SAT is to reduce inter-speaker variability within the training set.SAT is an iterative procedure that generates a set of speaker independent state observation distribu-tions along with matched speaker dependent transforms for all the speakers in the training set. The transforms used in MLLT and SAT are estimated under the ML criterion[4],[1],[3].Dis-criminative training under the Maximum Mutual Information(MMI)criterion[5]has recently been shown to be useful in large vocabulary conversational speech recognition(LVCSR)tasks [6].Its success has triggered an interest in the use of linear transforms estimated under the MMI
criterion rather than via ML estimation.These are called Discriminative Linear Transforms (DLT)[7].
One approach to the use of DLTs is Maximum Mutual Information Linear Regression(MMILR) which was introduced by Uebel and Woodland[7],[8],who showed that it can be used for su-pervised speaker adaptation.Gunawardana and Byrne[9]introduced the Conditional Maximum Likelihood Linear Regression(CMLLR)algorithm and showed that CMLLR can be used for unsupervised speaker adaptation.
Maximum likelihood linear transforms have also been incorporated with MMI training.Mc-Donough et al.[10]combined SAT with MMI by estimating speaker dependent linear trans-forms under ML and subsequently using MMI for the estimation of the speaker independent HMM Gaussian parameters.Similarly,Ljolje[11]combined MLLT with the MMI estimation of HMM Gaussian parameters.These transforms were found using ML estimation techniques and were then?xed throughout the subsequent iterations of MMI model estimation.
A common feature extraction method for speech recognition is the Linear Discriminant Anal-ysis(LDA)[12],where the transforms are estimated by a class separability criterion.Linear MMI Analysis(LMA)[13],on the other hand,replaces the class separability criterion of LDA with a MMI criterion.As observed by Schl¨u ter[13],although for single densities a relative im-provement in word error rate could be observed for LMA in comparison to LDA,the prominence of LMA diminishes with increasing parameter numbers.
We propose training methods based on the MMI criterion that estimate both HMM acoustic parameters and linear transforms.We obtain fully discriminative procedures both for feature normalization and speaker adaptation in MMI HMM training.These procedures are derived by maximizing Gunawardana’s Conditional Maximum Likelihood(CML)auxiliary function(equa-tion4,[14]).This yields the following update rule to be satis?ed by the parameter estimation procedures:given a parameter estimate,a new estimate is found so as to satisfy
(1)
Here,is the acoustic observation vector sequence and is the corresponding word sequence. The pair denotes observed values of these random variables,i.e.the training data.The parameter leads to the well-known MMI constant as.We will show in the subsequent sections how this estimation criterion can be used for feature normaliza-tion and speaker adaptation in HMM training.
II.D ISCRIMINATIVE L IKELIHOOD L INEAR T RANSFORMS FOR A COUSTIC
N ORMALIZATION
The use of linear transforms to model correlations of the feature vector in acoustic modeling has been discussed by Gales[4].This modeling technique applies af?ne transforms to the dimensional observation vector so that a normalized feature vector is found as,where is a nonsingular matrix and is a dimensional vector.The emission density of state is assumed to be Gaussian and is therefore reparametrized as
A.DLLT Estimation
In the?rst part of the two-stage estimation procedure we?x the HMM means and variances and maximize the CML criterion with respect to the af?ne transforms.The presentation incor-porates Gales’[4]treatment of MLLT and Gunawardana’s CMLLR derivation[9].
The parameter update relationship of equation(1)can be simpli?ed by using the Markov as-sumptions and noticing that each of the states is uniquely assigned to one of disjoint transform classes.Therefore we can write as, where if,otherwise and similarly,if,otherwise. We can then express equation(1)as:
(2)
where denotes the row of and.Here,
is the conditional occupancy probability of state at time given the training acoustics and transcription,and is the conditional occupancy probability of state at time given only the training acoustic data,and.
In the Appendix,we show an iterative procedure in which each row of is optimized given the current value of all the other rows.Each row of the transform is updated by
(3)
where satis?es a quadratic expression(equation B1.8,[4]),is the extended cofactor row vector,()and
(5) and the estimate for the variance is
concludes the estimation procedure for the parameters of the DLLT model.We have presented a two-step,iterative procedure.The transforms are estimated via equation(3)which is iterated until the parameters converge.After this MMI Gaussian parameter estimates are found via equations(5)and(6).
C.Effective DLLT Estimation
On inspection of the de?nition of it can be seen that the resulting transform will have dominant diagonal terms when the covariance matrix in is diagonal.Speci?cally,the diagonal terms of dominate slightly when is diagonal.This holds even for small values of,and the large values of as used in MMI further exaggerate this effect.In these situations,the resulting DLLT transform is effectively identity.We note that MLLT does not have this problem since it has no or terms.We have found it effective to replace in by the estimate of its full covariance matrix as found from the most recently computed https://www.doczj.com/doc/b05737384.html,ing the full covariance form in prevents the diagonal terms from dominating the new transform.We stress however that the full covariance is not used elsewhere; it is not used in the estimation of the Gaussian emission densities.
III.D ISCRIMINATIVE S PEAKER A DAPTIVE T RAINING
Speaker Adaptive Training(SA T)[3]has been shown to be effective in improving the perfor-mance of speaker independent LVCSR systems.For each speaker,a transform is applied in the estimation of the state dependent observation distributions in order to reduce the inter-speaker variability within the training test.
In SAT the emission density of state is reparametrized for each speaker as
Our objective is to compute the speaker dependent transforms and speaker independent pa-rameters of the state dependent distributions under the CML criterion.We call this Discrimina-tive Speaker Adaptive Training(DSA T).We?rst maximize the CML criterion with respect to the speaker dependent af?ne transforms while keeping the speaker independent means and vari-ances?xed to their current values.Subsequently,we compute the speaker independent means and variances using the updated values of the speaker dependent af?ne transforms.All these estimation steps are done under the CML criterion.
In SAT the training data are collected from a population of speakers.To incorporate infor-mation about the speaker identities into the CML framework,we modify the observed random processes to include a sequence that labels each observation vector by the speaker who uttered it:.The train objective therefore becomes the maximization of.The parameter update relationship of equation(1)can be modi?ed to include the speaker identity as follows:
(7)
Using the Markov assumptions we can write as
,where if,otherwise. Equation(7)then becomes:
(8)
where we de?ne.Here,is the con-ditional occupancy probability of state at time given the training acoustics and transcription;
is the conditional occupancy probability of state at time given only the acoustic training data;and.
A.Estimation of DSAT Transforms
With the HMM parameters?xed,the parameter update relationship of equation(8)can be expressed as:
(9) The gradient of logarithm of the emission density with respect to can be found as
(11) and the estimate for the variance is
with decision tree clustered states[15],where questions about phonetic context as well as word boundaries were used for clustering.There were4000unique triphone states with6Gaussian components per https://www.doczj.com/doc/b05737384.html,ttice rescoring experiments were performed using the AT&T Large V ocabulary Decoder[18],with a33k-word trigram language model provided by SRI[19].
The recognition tests were carried out on a subset of the2000Hub-5Switchboard-1evaluation set(S WBD1)[20]and the1998Hub-5Switchboard-2evaluation set(S WBD2)[21].The S WBD1 test set was composed of866utterances consisting of10260words from22conversation sides, and the S WBD2test set was composed of913utterances consisting of10643words from20 conversation sides.The total test set was2hours of speech.
To de?ne the number of transforms and assign the Gaussians in the model set to clusters we employed a variation of the HTK regression class tree implementation[15].All states of every context-dependent phone associated with the same monophone were assigned to the same initial class.The HTK splitting algorithm was then applied to each of the initial classes with the additional constraint that all the mixture components associated with the same state belong to the same regression class.
Discriminative training requires alternate word sequences that are representative of the recog-nition errors made by the decoder.These are obtained via triphone lattices generated on the training data.Our approach is based on the MMI training procedure developed by Woodland and Povey[6].However,rather than accumulating statistics via the Forward-Backward proce-dure at the word level,we use the Viterbi procedure over triphone segments.These triphone segments are?xed throughout MMI training.
B.DLLT Results
We conducted a series of experiments to compare DLLT to MLLT.Throughout the MLLT ex-periments[4],we perform one update of the transforms followed by one update of the Gaussians using statistics,obtained from the Viterbi alignment.These alignments were obtained from the ML baseline and were kept?xed throughout the MLLT experiments.Similarly,during DLLT iterations,we perform one update of the transforms followed by one update of the Gaussians,as described in Section II-A.The triphone posterior probabilities used during MMI based training were calculated from the ML baseline and were kept?xed throughout the DLLT updates.
#classes1357
S WBD141.139.239.038.838.8 MLLT
S WBD251.150.350.350.250.1
SWBD137.4
49.5
38.938.737.938.0
49.849.649.549.1
223
37.0
DLLT
SWBD248.6
SWBD141.138.237.737.837.8 MLLT
SWBD251.149.549.249.049.1
SWBD136.9
48.4
TABLE I
W ORD E RROR R ATE(%)OF SYSTEMS TRAINED WITH MLLT AND DLLT AND TESTED ON THE S WBD1AND S WBD2 TEST SETS FOR DIFFERENT NUMBER OF CLASSES.DLLT SYSTEMS ARE SEEDED FROM WELL TRAINED MLLT SYSTEMS,
INDICATED BY ASTERISKS
Our?rst experiment kept the parameters of the HMM observation distributions?xed at their ML values.Throughout these experiments we used a?xed set of467transform classes generated by the above described clustering algorithm.The S WBD1ML baseline Word Error Rate is 41.1%.The?rst and second iteration of MLLT yield Word Error Rate of39.1%and39.4%, showing overtraining at the second iteration.DLLT yields Word Error Rate of38.5%and38.3% at the?rst and second iteration.Similar performance was found on S WBD2.These experiments show that discriminative estimation of linear transforms improves over ML estimation for feature normalization.
Our next objective was to see the improvements obtained by varying the number of trans-formation classes.For this purpose,we trained three MLLT systems with48,223and467 transformation classes,all initialized from the ML baseline.The48class MLLT system has transforms tied to each state of every context-dependent phone associated with the same mono-
S WBD2S WBD1S WBD2
041.1
49.638.248.4
238.248.936.9
49.337.8-
49.2
49.0
49.0
49.0
49.1
TABLE II
W ORD E RROR R ATE(%)OF SYSTEMS TRAINED WITH DLLT AND TESTED ON THE S WBD1AND S WBD2TEST SETS FOR
TWO DIFFERENT INITIALIZATION POINTS.
phone.For the223and467class MLLT systems we allow a maximum of6and10divisions of the original classes,respectively.Results are reported in Table I.In these MLLT experiments we observe signi?cant performance gains in using the larger number of transformation classes. We then performed DLLT,for these same three collections of transformation classes.In each case,the DLLT system is seeded from a well-trained MLLT system(indicated by).We note that in all cases the DLLT systems outperform the MLLT systems.Best performance is obtained with the larger number of transformation classes,although the advantages are not as great as with MLLT.This suggests that DLLT can be effective with fewer transforms than MLLT.For subsequent experiments we use the467transformation class set.
To validate our approach we calculated the value of as a function of the iter-ation number for the467class DLLT system.In iteration0(the MLLT baseline)is, in DLLT iteration1is and in DLLT iteration2is.These results con?rm that the MMI objective function is increasing under the estimation procedure for DLLT.
In the next set of experiments we explored the sensitivity of DLLT to different initialization points.These experiments are shown in Table II.The DLLT system is seeded after1iteration of
S WBD2S WBD1
48.736.7
48.436.8
48.7-
TABLE III
W ORD E RROR R ATE(%)OF SYSTEMS TRAINED WITH MLLT+MMIE AND DLLT+MMIE IS SEEDED FROM MODELS
FOUND AFTER6MLLT ITERATIONS.
MLLT experiments(indicated by).After two iterations,DLLT performance is(37.3%/48.9%). For convenience we repeat the467class MLLT experiments of Table I.We also repeat the467 class DLLT experiments of Table I in which estimation was initialized after6iterations of MLLT experiments.After two iterations,DLLT performance is(36.9%/48.8%).We?nd that the latter is superior to performing DLLT after only1iteration of MLLT.This shows the importance of a proper initialization of the DLLT procedure.We also observe,that DLLT converges in fewer iterations than MLLT.After two iterations,DLLT yields better performance(37.3%/48.9%)than six iterations of MLLT(37.8%/49.0%).Moreover,DLLT consistently outperforms MLLT.
We next study the application of MMIE estimation of the Gaussian means and variances in a system with?xed transforms estimated via MLLT.We call this technique MLLT+MMIE fol-lowing Ljolje[11],in Table III.We compare this to a similar approach in which the transforms are estimated via1iteration of DLLT and are then?xed prior to further MMIE Gaussian itera-tions.We call this technique DLLT+MMIE in Table III.Both procedures were initialized with the well trained MLLT system of Table II found at iteration6.The similar performance found in these scenarios is not surprising,in that enough in domain data is available to allow discrimi-native estimation of the unconstrained observation distributions.In this case,the discriminative estimation of the unconstrained Gaussian parameters clearly dominates the initial calculations of the underlying transforms.
C.DSAT Results
We conducted a series of experiments to compare DSAT to ML-SA T estimation.In speaker adaptive training the characteristics of a speaker are estimated from the test data itself and not from some transcribed enrollment data.Although we can estimate a large number of transforms for any of the training speakers since in training we have the correct transcription and adequate amount of data,this is not the case for test speakers(unsupervised adaptation with few data). Therefore the number of transforms that can be reliably estimated is limited.Throughout these experiments we used a?xed set of2regression classes corresponding to speech and non-speech states.As the number of transforms increases the WER increases,since the amount of test data is small enough that more than2transformation matrices can not be reliably estimated.
Table IV shows the performance of the ML-SA T and DSA T estimation procedures.ML-SA T was performed with a MMIE trained model indicated at iteration0.In this implementation of ML-SA T,the transformation parameters and the Gaussian mean and variance parameters,are estimated at each iteration via Baum-Welsh procedure,over the transcribed training data.In the DSAT experiments only the mean and the transformation parameters are reestimated under the CML criterion.The variance is not updated between iterations;we keep the variance value estimated at ML-SA T iteration5.Furthermore the lattice link posteriors used in DSAT are those obtained using the ML baseline model(41.1%/51.1%).Our goal is to show that DSAT can improve over ML-SA T through improved estimation of the speaker dependent models.We expect that further gains could be obtained by optimizing variances as well.
We performed multiple iterations of ML-SA T on the training set.DSA T was initialized by a well-trained ML-SA T system found at iteration5.A comparison between DSA T,as described in Section III,and ML-SA T is presented in the columns DSA T-2and ML-SA T of Table IV.The DSAT-2mean and transformation parameters were reestimated at each iteration under the CML criterion.The best DSAT-2result was obtained after5iterations(33.4%/44.2%).For compar-ison we present results with further iterations of ML-SA T(34.1%/44.9%).These results show that discriminative estimation improves over ML estimation of speaker dependent transforms and speaker independent mean parameters.Since we start from a well trained MMIE system, the gains obtained from DSA T-2are due to the fact that we incorporate speaker adaptive training into MMIE parameter estimation.
S WBD2S WBD1S WBD2S WBD1
47.035.9
46.236.144.734.1
45.636.544.633.8
45.136.544.533.7
45.2-44.433.5
44.8-44.233.6 634.6
734.3
834.3
V.C ONCLUSIONS
This paper describes the integration of Discriminative Linear Transforms into MMI estima-tion for Large V ocabulary Speech Recognition.We have developed estimation procedures that ?nd DLTs jointly with MMI for both speaker adaptive training and feature normalization.We present CML reestimation formulae for each of these training scenarios and discuss modeling approximations needed for their effective implementation.
We have found that discriminative versions of speaker adaptive training and feature normaliza-tion outperform ML training.These new training procedures were evaluated on the Switchboard corpus where each gives approximately0.8%absolute Word Error Rate improvement over the ML estimation procedures.Given that these two modeling approaches are intended to capture distinct acoustic phenomena,there is the promise that DSA T and DLLT may yield complemen-tary improvements in performance when used together.
A PPENDIX A
D ISCRIMINATIV
E L IKELIHOOD L INEAR T RANSFORMS
A.DLLT Estimation
The reestimation formula for the transforms are derived from the update relationship of equa-tion(2).This derivation involves the differentiation of the reparametrized emission density with respect to and the calculation of the integral.After these steps,we are able to express (2)in such form where an iterative solution is available.
With the HMM means and variances?xed,the logarithm of the reparametrized conditional density is given by(ignoring all terms independent of):
where is the extended cofactor row vector,().
Substituting the above expression for the gradient into equation(2)yields
(13) The calculation of the integral in equation(13)proceeds as:
Rearranging yields
1)Mean estimation:The gradient of with respect to the parameter component
is given by
(16) 2)Variance estimation:The gradient of with respect to is given by
Substituting into equation(4)gives
(17)
第一章 ?1、人类面临的能源挑战的两大矛盾是什么？ ?能源的有限供给与经济发展日益扩大的能源需求之间的矛盾。 ?能源的大量使用与环境形势日益加剧之间的矛盾。 ?2、对未来能源的要求是什么？ ?未来将被广泛使用的新能源中，首先在能源总量上必须能满足人类对能源的整体需求水平。其次，将完全替代传统能源的新能源会遍布人类生活的每一个角落。 ?3、有可能成为人类社会的未来能源有哪些？ ?从目前的发展态势看，氢能、太阳能、地热能及核能(聚变)将成为未来人类社会的主流能源。其中氢能包括:可燃冰、页岩气、煤层气、生物质能等。 ?4、能源和材料有什么关系？ ?能源的发展离不开材料的支撑； ?世界能源消耗在持续增长，80%的能源来自于化石燃料，从长远来看，需要没有污染和可持续发展的新型能源来代替所有化石燃料，未来的清洁能源包括氢能、太阳能、地热能、核聚变能等。而解决能源问题的关键是能源材料的突破，无论是提高燃烧效率以减少资源消耗，还是开发新能源及利用可再生能源都与材料有着极为密切的关系 5、什么是合同能源管理？ ?合同能源管理是一种新型的市场化节能机制。其实质就是以减少的能源费用来支付节能项目全部成本的节能业务方式。这种节能投资方式允许客户用未来的节能收益为工厂和设备升级，以降低运行成本；或者节能服务公司以承诺节能项目的节能效益、或承包整体能源费用的方式为客户提供节能服务。 第二章 1、何为能源？什么是二次能源？ ?所谓能源，是指能够直接或经过转换而获取某种能量的自然资源 ?二次能源是由一次能源经过加工或转换得到的其他种类和形式的能源，包括煤气、焦炭、汽油、柴油、电力、蒸汽、核电等。一次能源无论经过几次转换所得到的另一种能源都被称为二次能源。二次能源比一次能源的利用更为有效、更为清洁、更为方便。 2、地球变暖的原因到底是什么？ ?人类使用能源一天所放出的热量 ＝0.1 ?1016kJ； ?地球一天从太阳获得的热量 ＝1500 ?1016kJ。 ?太阳射向地球的光约1/3被云层、冰粒和空气分子反射回去； ?约25％穿过大气层时暂时被大气吸收起到增温作用，但以后又返回到太空； ?其余的大约37％则被地球表面吸收。这些被吸收的太阳辐射能大部分在晚间又重新发射到天空。 ?如果这部分热量遇到了阻碍，不能全部被反射出去，地球表面的温度就会升高。3、大气环境的三大问题包括哪些具体内容？ 酸雨，臭氧层破坏，温室效应 4、什么是可持续发展？可持续发展的深刻内涵是什么？ 指在保护环境的条件下既满足当代人的需求，又不损害后代人的需求的发展模式。
上个世纪的飞雪和溪流迟子建去年深冬，在回故乡的慢行列车上，我遇见了两个老者。他们一胖一瘦，愉快地交谈。其中的一个说，四十多年前的一个夜晚，他驾着手推车，从山上拉烧柴回家。走到半程时，天飘起了雪花。雪越下越大，到了一个三岔路口时，他习惯地上了一条路。然而走了一会儿，他发现那路越走越生，于是掉转车头，又回到岔路口。雪花纷纷扬扬的，天又黑，他分辨不出南北东西了，于是凭着直觉，又踏上了一条路。可是他越走越心虚，因为那条路似乎也是陌生的，他害怕了，又一次回到岔路口。深夜时，家人寻来了。他这才知道，他第一次踏上的路，是正确的。只不过因为雪太大，改变了路的风貌。那人说：“谁能相信，我让雪花给迷了路呢！要是搁现在，可能吗？”他指着车窗外的森林说：“看看，这雪一年比一年小，风一年比一年大，这还叫大兴安岭吗？”透过车窗，我看见稀疏的林地上，覆盖着浅浅的积雪，枯黄的蒿草在风中舞动。而在雪大的年份，那些蒿草会被雪深深地埋住，你是看不到的。天虽然仍是蓝的，可因为雪少得可怜，那幅闪烁的冬景给人残破不堪的感觉。而这样的景象，在大兴安岭，自新世纪以来，是越来越司空见惯了。我想起童年在小山村的时候，每逢冬天来临，老天就会分派下一项活儿，等着我们小孩子来接收，那就是扫雪。那个年代的雪，真是恋人间啊！常常是三天一小场，十天一大场，很少碰到一个月没有雪的时候。雪会大到什么程度呢？有的时候，它闷着头下了一夜，清晨起来，你无法出去抱柴了，因为大雪封门了。这个时候，就得慢慢地推门，让它渐渐透出缝隙，直到能伸出笤帚，一点点地掘开雪，门才会咧开嘴，将满院子的白雪推进你的视野，有如献给你一个明朗的笑。那个年代，不光是雪多，溪流也是多的。夏天，我们常到山上玩，渴了，随时捧山间的溪水来喝。溪水清冽甘甜，带着草木的清香，我喝的这世上最好的水，就是大兴安岭的溪水。那时植被好，雨水丰沛，因而溪流纵横。女孩们夏天洗衣服，爱到溪水旁。省了挑水，可以洗个透彻。洗衣服的时候，蝴蝶和蜻蜓在你眼前飞来飞去的，它们的翅膀有时会温柔地触着你的脸；而溪水中呢，不仅浸泡着衣服，还浸泡着树和云的影子，好像它们嫌自己不干净，要你帮着洗一洗似的。大兴安岭的河流，到了冬天都封冻了。柔软的水遇到零下三四十度的严寒，哪有不僵的呢？可母亲告诉我，我们家在设计队住的时候，后山上有一道泉水，冬天是不冻的。母亲说，我们后来搬家了，所以那道泉水在那座山上，究竟活了多少个冬天，她是不知道的。大兴安岭的开发，使林木资源日渐匮乏，小时候常见的参天大树，好像都被老天召走，做了另一个世界晚祷的蜡烛，难觅踪影了。而那如丰富的神经一样遍布大地的溪流，也悄然消逝了。我已故的爱人，他曾天真地对我说：“大兴安岭全境人口不过五十多万，我看不如把所有的人口都迁出去，异地安置，做到真正的封山。几十年后，树茂盛了，溪水也充沛了，中国会留下最好的一片原始森林。”可我知道，这样的想法，无论是在他生前还是死后，都是“天上的想法”。我怀念上个世纪故乡的飞雪和溪流。我幻想着，有一天，它们还会在新世纪的曙光中，带着重回人间的喜悦，妖娆地起舞和歌唱。（有删改）文中写到了上个世纪大兴安岭的飞雪和溪流，请结合全文用简洁的语言分别概括其特点。(4分) 飞雪：雪大，雪多。溪流：多（溪流纵横，遍布大地），清冽甘甜，有些经冬不冻。文章第一段写两个老者的对话，这样写有何用意？请简要分析。（6分）⑴内容上，回忆了曾经的大兴安岭雪大的特点，表现了作者对上个世纪大兴安岭飞雪的怀念之情；⑵结构和手法上，与后文现在残破不堪的冬景形成鲜明对比，为回忆上个世纪大兴安岭飞雪和溪流做铺垫；⑶效果上，起到吸引读者的作用。本文是围绕“大兴安岭的飞雪和溪流”展开的，请梳理全文的行文思路。（6分）⑴开篇借老者之口讲述雪夜迷路的故事，突出了上个世纪大兴安岭雪大的特点，与现在残破不堪的冬景形成鲜明对比。⑵回忆起上个世纪雪和溪流的景象。⑶回到现实，说明人们对大兴安岭的开发、对林木资源的破坏是这一改变的根源。⑷作者怀念上个世纪大兴安岭飞雪和溪流，憧憬它们重回人间。请结合全文分条归纳，作者主要流露出了哪些情感。（6分）⑴怀念、惋惜之情；⑵憧憬、期盼之情；⑶对人们破坏林木资源的批判，对封山
中英文资料对照外文翻译 基于网络共享的无线传感网络设计 摘要：无线传感器网络是近年来的一种新兴发展技术，它在环境监测、农业和公众健康等方面有着广泛的应用。在发展中国家，无线传感器网络技术是一种常用的技术模型。由于无线传感网络的在线监测和高效率的网络传送，使其具有很大的发展前景，然而无线传感网络的发展仍然面临着很大的挑战。其主要挑战包括传感器的可携性、快速性。我们首先讨论了传感器网络的可行性然后描述在解决各种技术性挑战时传感器应产生的便携性。我们还讨论了关于孟加拉国和加利 尼亚州基于无线传感网络的水质的开发和监测。 关键词：无线传感网络、在线监测 1.简介 无线传感器网络，是计算机设备和传感器之间的桥梁，在公共卫生、环境和农业等领域发挥着巨大的作用。一个单一的设备应该有一个处理器，一个无线电和多个传感器。当这些设备在一个领域部署时，传感装置测量这一领域的特殊环境。然后将监测到的数据通过无线电进行传输，再由计算机进行数据分析。这样，无线传感器网络可以对环境中各种变化进行详细的观察。无线传感器网络是能够测量各种现象如在水中的污染物含量，水灌溉流量。比如，最近发生的污染涌流进中国松花江，而松花江又是饮用水的主要来源。通过测定水流量和速度，通过传感器对江水进行实时监测，就能够确定污染桶的数量和流动方向。 不幸的是，人们只是在资源相对丰富这个条件下做文章，无线传感器网络的潜力在很大程度上仍未开发，费用对无线传感器网络是几个主要障碍之一，阻止了其更广阔的发展前景。许多无线传感器网络组件正在趋于便宜化（例如有关计算能力的组件），而传感器本身仍是最昂贵的。正如在在文献[5]中所指出的，成功的技术依赖于
重庆市农业机械化校 2018 年（春） 《新能源汽车概论》期末考试题答案
一、选择 1、以下属于新能源的是（A） A 柴油、B 太阳能、C 地热能、D 风能 2、不可再生资源是（D） A 波浪能、B 潮汐能、C 海流能、D 煤炭 3、以下汽车，不属于电动汽车的是（D） A 混合动力汽车、B 纯电动汽车、C 燃料电池汽车、D 乙醇汽车 4、根据储能机理不同，再生制动能量回收系统回收能量的方法也不同，下列不属于这三种储能方式的是：D A、飞轮储能 B、液压储能 C、电化学储能 D、电子储能 5、汽车在城市中行驶，制动能量占总驱动能量的比重是（A） 。 A、50% B、70% C、30% D、20% 6、具有再生制动能量回收系统的电动汽车，一次充电续驶里程可以增加：B A、5%~15% B、10%~30% C、30%~40% D、40%~50% 7、下列不属于电池故障级别信息的是（C） 。 A、尽快维修 B、立即维修 C、电池报废 D、电池寿命 8、下列不属于电池成组后会出现的问题的是（D） 。 A、过充/过放 B、温度过高 C、短路或漏电 D、充电过慢 9、不是电动汽车用电池的主要性能指标的是（D） 。 A、电压 B、内阻 C、容量和比容量 D、流量 10、动力电池组的总电压可以达到（C） 。 A、36~88V B、420~500V C、90~400V D、12~35V 二、判断 1、混合动力汽车也称复合动力汽车，但是只有一个动力源。× 2、新能源又称非常规能源，是指刚开始开发利用或正在积极研究、有待推广的能源。√ 3、燃料电池化学反应产物主要是电能和水，还有极度多的二氧化碳和氮氧化物。 × 4、氢燃料汽车的动力系统是在传统内燃机的基础上加以改进后制成的。√ 5、 不可外接充电型混合动力汽车是指被设计成在正常使用情况下从车载燃料中获取全部能量的混合动力汽车。 √ 6、混合动力指装备有两种具有不同特点驱动装置的汽车。√ 7、为避免发动机的怠速及低负荷工况，以减小油耗，故发动机不工作，仅电机利用其高速大转矩的特性单独 使车辆起步。× 8、在电池失效报废后，可直接将动力电池丢弃。× 9、在动力电池日常维护工作中，要做到日常管理的周到、细致和规范性。√ 10、电动汽车的安全包括人身安全与系统安全。√ 三、填空 1、太阳能的利用主要有三种：光热转换、光电转换以及光化学转换。 2、混合动力汽车分为串联、并联、串并联三种结构形式。 3、按照电机相对于燃油发动机的功率比大小分为重度混合型、中度混合型、轻度混合型以及微混合型混合动 力汽车。
苏雪林《溪水》阅读答案 导读：溪水 苏雪林 ⑴我们携着手走进林子，溪水漾着笑窝，似乎欢迎我们的双影。这道溪流，本来温柔得像少女般可爱，但不知何时流入深林，她的身体便被囚禁在重叠的浓翠中间。 ⑵早晨时她不能更向玫瑰色的朝阳微笑，深夜时不能和娟娟的月儿谈心，她的chè莹晶的眼波，渐渐变成忧郁的深蓝色，时时凄咽着忧伤的调子，她是如何的沉闷呵!在夏夜的时候。 ⑶几番秋雨之后，溪水涨了几篙;早diāo的梧楸，飞尽了翠叶;黄金色的晓霞，从杈桠树隙里，深入溪中;泼靛的波面，便泛出彩虹似的光。 ⑷现在，水恢复从前活泼和快乐了，一面疾忙的向前走着，一面还要和沿途遇见的落叶、枯枝……淘气。 ⑸一张小小的红叶儿，听了狡狯的西风劝告，私下离开母校出来顽玩，走到半路上，风偷偷儿的溜走了，他便一交跌在溪水里。 ⑹水是怎样的开心呵，她将那可怜的失路的小红叶儿，推推挤挤的推到一个xuán涡里，使他滴滴溜溜的打圆转儿;那叶向前不得，向后不能，急得几乎哭出来;水笑嘻嘻的将手一松，他才一溜烟的逃走了。 ⑺水是这样欢喜捉弄人的，但流到坝塘边，她自己的磨难也来
了。你记得么?坝下边不是有许多大石头，阻住水的去路。 ⑻水初流到水边时，还是不经意的涎着脸撒嗔痴的要求石头放行，但石头却像没有耳朵似的，板着冷静的面孔，一点儿不理。于是水开始娇嗔起来了，拼命向石头冲突过去;冲突激烈时，浅碧的衣裳袒开了，漏出雪白的胸臂，肺叶收放，呼吸极其急促，发出怒吼的声音来，缕缕银丝头发，四散飞起。 ⑼辟辟拍拍，温柔的巴掌，尽打在石头皱纹深陷的颊边，---- 她真的发怒了，不是儿嬉。 ⑽谁说石头是始终顽固的呢，巴掌来得狠了，也不得不低头躲避。于是谁得安然度过难关了。 ⑾她虽然得胜了，然而弄得异常疲倦，曳了浅碧的衣裳去时， 我们还听见她继续的chuǎn息声。 ⑿我们到这树林中来，总要到这坝塘边参观水石的争执，一坐总要一两个钟头。 1.文章着重刻画了溪水流经途中的哪两件事?表现出溪水怎样的 性格特点?请根据文意简要回答。 2.下列句子生动形象，富有表现力，请加以赏析。 1）.一张小小的红叶儿，听了狡狯的西风劝告，私下离开母校出来顽玩，走到半路上，风偷偷儿的溜走了，他便一交跌在溪水里。 2）.于是水开始娇嗔起来了，拼命向石头冲突过去;冲突激烈时，浅碧的衣裳袒开了，漏出雪白的胸臂，肺叶收放，呼吸极其急促，发
Wireless sensor network monitoring system design Kang yi-mei,Zhao lei,Hu jiang,Yang en-bo (Study on Beijing University of Aeronautics and Astronautics) Summary: A car wireless sensor network monitoring system based on IEEE 802.15.4 and ZigBee standards. With universal wireless sensor networks, expansion of the scope of monitoring and monitoring functions for in-car system, car data acquisition and condition monitoring of equipment status and the necessary equipment control, topology control, topology query functions. Keywords: wireless sensor networks; monitoring system Introduction In order to satisfy the people to car safety, handling and comfort requirements, vehicle integrated with more and more electronic system .At present, car electronic equipment is widely used 16 or 32-bit microprocessor control. Creating in-vehicle monitoring system based on IEEE 802.15.4 and ZigBee standard for wireless sensor networks, designed to achieve a more optimized wireless sensor networks, the progressive realization of the network of automotive systems, intelligent and controllable to provide high-Car System security. System design In this paper, the existing vehicle system, the data transmission mode is extended to the wireless transmission mode, the realization of a star network data acquisition system. And can place each data acquisition node of the acquired data is transmitted to the gateway, the gateway through the serial port to upload data to the host computer, in the host data real-time waveform display, and method of database to preserve, for the follow-up data processing. The application of system object is composed of a temperature sensor, pressure sensor, speed sensor, speed sensor, a current sensor, pressure sensor, sensor subsystem. The purpose of this design is to use a monitoring host machine end to the detection of multiple target environment, taking into account the access data throughput and software system complexity, using time-division multiplexing way, one by one on the net terminal collecting point of control and data acquisition. As shown in Figure 1, the system is divided into 3 parts: Vehicle Monitoring Center, gateway and mobile sensor node. Gateway is the whole vehicle system core, and all vehicular sensor node communication. Vehicle monitoring center to the gateway sends a control command by the gateway, the control command is converted to an RF signal and sent to the vehicle sensor node. When the vehicle sensor nodes to transmit data, gateway into the data reception state, and upload data to the monitoring center for further processing. In addition, car between sensor nodes cannot communicate with each other. The monitoring center of the monitoring software and gateway in RS232standard interface for communication. Vehicle sensor node life cycle is active and dormant periods. Nodes in the active phase of the completion of data acquisition, data sent to the gateway, receiving and
新能源汽车概述A卷以 及答案 TTA standardization office【TTA 5AB- TTAK 08- TTA 2C】
7.为了充分利用电池电量，应当尽可能的让电池多放电，保持较深的放电深度，有利于蓄电池的使用寿命。（） 8.汽车排放的污染物主要有一氧化碳、碳氢化合物、氮氧化合物和微粒等，并主要由油箱和化油器等地方排出。（） 9.发动机润滑油在发动机各摩擦表面只起润滑作用。（） 10.汽车行驶系一般由承载式车身、前后车桥、车轮和前后悬架等组。（） 三、选择题（每题1 题，共20分） 1. ( ) A、~2V B、~ C 12~15V 2. 具有极强竞争力的是 A、铅酸蓄电池B C、干电池 D 3.下列不是电动汽车用电池的主要 性能指标的是( ) A、电压 B、内阻 C、容量和 比容量 D、流量 4.能量管理系统是电动汽车的智能 核心，其英文表示为( ) A、ABS B、BMS C、ECU D、DOD 5.动力电池组的总电压可以达到( ) A、36~88V B、420~500V C、 90~400V D、12~35V 6.铅酸蓄电池、锂离子蓄电池、镍 氢蓄电池的最佳工作温度是( ) A、25~40度 B、0~10度 C、 45~80度 D、88~100度 甘肃交通职业技术学院2017——2018学年第二学期期末考试试卷（附页） 7.动力电池的组的英文表示为( ) A、PACK B、BATTERY C、ELECTRIC D、CAR 8.下列不属于电池故障级别信息的 是( ) A、尽快维修 B、立即维修 C、
电池报废 D、电池寿命 9.下列不属于电池成组后出现的问题的是( ) A、过充/过放 B、温度过高 C、短路或漏电 D、充电过慢 10.国家开展节能宣传和教育，将节能知识纳入国民教育和培训体系，普及节能科学知识，增强国民的节能意识，提倡( )的消费方式。 A、清洁型 B、循环型 C、节约型 D、环保型 11.节约资源是我国的基本国策。国家实施( )的能源发展战略。A、开发为主，合理利用B、利用为主，加强开发 C、开发和节约并举，把开发放在首位D、节约和开发并举，把节约放在首位 12.铅酸蓄电池用的电解液是( ) A、KOH B、H2SO4 C、NH4CL D、有机溶液 13.铅酸蓄电池用的正极材料是( ) A、锌 B、铅板 C、铝 D、Ni(OH)2 14.根据储能机理不同，再生制动能量回收系统回收能量的方法也不同，下列不属于这三种储能方式的是( ) A、飞轮储能 B、液压储能 C、电化学储能 D、电子储能 15.热继电器在三相异步电动机电路中的作用是( ) A、欠压保护 B、过载保护 C、短路保护 D、过压保护 16.直流电动机的主磁场是( ) A、主磁极产生的磁场 B、电枢电流产生的磁场 C、换向极产生的磁场 D、以上三者的合成 17.以下电动汽车对充电装置的要求不包括( ) A、安全 B、质量大 C、经济 D、效率高 18.最小转弯半径、最小离地间隙、接近角、离去角、前悬、后悬是汽车( )的技术参数。
溪流的阅读答案 集团公司文件内部编码：（TTT-UUTT-MMYB-URTTY-ITTLTY-
①我愈来愈爱着生我养我的土地了。 ②就像山地里纵纵横横的沟岔一样，就像山地里有着形形色色的花木一样，我一写山同，似乎思路就开了，文笔也活了。 ③甚至觉得，我的生命，我的笔命，就是那山溪哩。虽然在莽莽的山的世界里，它只是那么柔得可怜，细得伤感的一股儿水流。 ④我常常这么想：天上的雨落在地上，或许会成洪波，但它来自云里；溪是有根的，它凉凉地扎在山峰之下。人都说山是庄严的，几乎是死寂的，其实这是错了。它最有着内涵，最有着活力；那山下一定是有着很大很大的海的，永远在蕴涵的感情，永远是不安宁，表现着的，恐怕便是这小溪了。 ⑤或许，是从小草的根下一个泡儿一个泡儿冒出来的。但是，太阳晒不干、黄风刮不跑的。天性是那么晶莹，气息是那么清新；它一出来，便宣告了它的生命，寻着自己的道路要流动了。 ⑥正因为寻着自己的道路，它的步伐是艰辛的。然而，它从石板上滑下，便有了自己的铜的韵味的声音；它从石崖上跌落，便有了自己白练般的颜色，它回旋在穴潭之中，便有了自己叵不可测的深沉。
⑦它终于慢慢地大起来了，要走更远的道儿；它流过了石川，流过了草地，流过了竹林，它要拜访所有的山岭，叩问每一次石头，有时会突然潜入河床的沙石之下去了呢。（A于是，轻风给了它的柔情，鲜花给了它的芬芳，竹林给了它的凉绿，那多情的游鱼，那斑斓的卵石，也给它增添了美的色彩。） ⑧它在流着，流着。它要流到啊里去呢？我想，山既然给了它的生命，它该是充实的，富有的；（B或许，它是做一颗露珠儿去滋润花瓣，深入到枝叶里了，使草木的绿素传送）；或许，它竟能掀翻一坯污泥，拔脱了一从腐根呢。那么，让它流去吧，山地这么大，这么复杂，只要它流，它探索，它就有了自己的路子。 ⑨我是这么想的，我提醒着我，我鼓励着我，我便将它写成了淡淡的文字，聊作这本小书的小序了。 1.作者笔下的溪流有什么特点？（一排空） 2.简要归纳文中小溪的成长过程。（一排空） 3.细读6、7段，说说这两段有什么思想含义。（一排空） 4.作者为自己的书作序，写的却是溪流，这有什么用意？(一排空） 5.这篇文章有什么特色？（两排空） ⒈以时间为序，从小溪的过去写起，写小溪的现在，再想象它的未来。
基于无线传感器网络的桥梁安全检测系统 摘要 根据桥梁监测无线传感器网络技术的桥梁安全监测系统，以实现方案的安全参数的需要；对整个系统的结构和工作原理的节点集、分簇和关键技术，虽然近年来在无线传感器网络中，已经证明了其潜在的提供连续结构响应数据进行定量评估结构健康，许多重要的问题，包括网络寿命可靠性和稳定性、损伤检测技术，例如拥塞控制进行了讨论。 关键词：桥梁安全监测；无线传感器网络的总体结构；关键技术 1 阻断 随着交通运输业的不断发展，桥梁安全问题受到越来越多人的关注。对于桥梁的建设与运行规律，而特设的桥梁检测的工作情况，起到一定作用，但是一座桥的信息通常是一个孤立的片面性，这是由于主观和客观因素，一些桥梁安全参数复杂多变[1]。某些问题使用传统的监测方法难以发现桥梁存在的安全风险。因此长期实时监测，预报和评估桥梁的安全局势，目前在中国乃至全世界是一个亟待解决的重要问题。 桥梁安全监测系统的设计方案，即通过长期实时桥跨的压力、变形等参数及测试，分析结构的动力特性参数和结构的评价科关键控制安全性和可靠性，以及问题的发现并及时维修，从而确保了桥的安全和长期耐久性。 近年来，桥梁安全监测技术已成为一个多学科的应用，它是在结构工程的传感器技术、计算机技术、网络通讯技术以及道路交通等基础上引入现代科技手段，已成为这一领域中科学和技术研究的重点。 无线传感器网络技术，在桥梁的安全监测系统方案的实现上，具有一定的参考价值。 无线传感器网络（WSN）是一种新兴的网络科学技术是大量的传感器节点，通过自组织无线通信，信息的相互传输，对一个具体的完成特定功能的智能功能的协调的专用网络。它是传感器技术的一个结合，通过集成的嵌入式微传感器实时监控各类计算机技术、网络和无线通信技术、布式信息处理技术、传感以及无线发送收集到的环境或各种信息监测和多跳网络传输到用户终端[2]。在军事、工业和农业，环境监测，健康，智能交通，安全，以及空间探索等领域无线传感器网络具有广泛应用前景和巨大的价值。 一个典型的无线传感器网络，通常包括传感器节点，网关和服务器，如图1
苏雪林《溪水》阅读题的答案 我们携着手走进林子，溪水漾着笑涡，似乎欢迎我们的双影。这道溪流，本来温柔得像少女般可爱，但不知何时流入深林，她的身体便被囚禁在重叠的浓翠中间。 早晨时她不能更向玫瑰色的朝阳微笑，夜深时不能和娟娟的月儿谈心，她的明澈莹晶的眼波，渐渐变成忧郁的深蓝色，时时凄咽着忧伤的调子，她是如何的沉闷呵！在夏天的时候。几番秋雨之后，溪水涨了几篙；早凋的梧楸，飞尽了翠叶；黄金色的晓霞，从杈枒树隙里，深入溪中；泼靛的波面，便泛出彩虹似的光。 现在，水恢复从前活泼和快乐了，一面疾忙的向前走着，一面还要和沿途遇见的落叶、枯枝??淘气。 一张小小的红叶儿，听了狡狯的西风劝告，私下离开母校出来游玩，走到半路上，风偷偷儿溜走了，他便一交跌在溪水里。 水是怎样的开心呵，她将那可怜的失路的小红叶儿，推推挤挤的推到一个漩涡里，使他滴滴溜溜的打圆转儿；那叶向前不得，向后不能，急得几乎哭出来；水笑嘻嘻的将手一松，他才一溜烟的逃走了。
水是这样欢喜捉弄人的，但流到坝塘边，她自己的魔难也来了。你记得么？坝下边不是有许多大石头，阻住水的去路？水初流到石边时，还是不经意的涎着脸撒娇撒痴的要求石头放行，但石头却像没有耳朵似的，板着冷静的面孔，一点儿不理。于是水开始娇嗔起来了，拼命向石头冲突过去；冲突激烈时，浅碧的衣裳袒开了，露出雪白的胸臂，肺叶收放，呼吸极其急促，发出怒吼的声音来，缕缕银丝头发，四散飞起。 噼噼啪啪，温柔的巴掌，尽打在石头皱纹深陷的颊边，──她真的怒了，不是儿戏。谁说石头是始终顽固的呢？巴掌来得狠了，也不得不低头躲避。于是水安然渡过难关了。她虽然得胜了，然而弄得异常疲倦，曳了浅碧的衣裳去时，我们还听见她断续的喘息声。我们到树林中来，总要到这坝塘边参观水石的争执，一坐总是一两个钟头。 1.这是一首优美的散文，作者赋予溪水以少女般的性格。请你说说文章先写溪水______________； 再写溪水______________；最后写溪水_________________。（3分） 2.结合文章内容，说说作者笔下的溪水具有怎样的个性特征？（4分）
2011学年第一学期高一无线传感器网络期末试卷适用班级：11计6 满分：100分考试时间：60分钟 一、单项选择题（将最合适的选项填入括号中，每小题3分，共24分） 1.下列对无线传感器网络中传感器结点的叙述错误的是（）。 A.数目庞大 B.分布密集 C.易受环境干扰 D.可随意移动 2.关于传感器的现代感知方法，下列说法错误的是（）。 A.使用多跳路由算法向用户报告观测结果 B.多个传感器协同完成感知区域的大观测任务 C.传感器无计算能力 D.每个传感器完成临近感知对象的观测 3.无线网络技术使用的介质是（）。 A.无线电波 B.双绞线 C.光缆 D.同轴电缆 4.（）是传感器结点没有的组件。 A.处理子系统和无线通信子系统 B.传感器子系统 C.一个简单的操作系统和基本的变成语言 D.传统的Web浏览界面 5.以下哪个不是对无线传感器网络技术的设计挑战？（） A.驱动程序 B.有限的能源 C.可靠性 D.对Linux的支持 6.以下名词中中英文对应错误的是（）？ A.无线传感器网络——Wireless Sensor Network，WSN B.全球定位系统——Geographical Information System，GIS C.云计算——Cloud Computing D.智能家居——Intelligent Home 7.电饭煲中的主要传感器是（） A.压力传感器 B.红外传感器 C.温度传感器 D.湿敏传感器 8.智能家居功能包括（） A.家居安全监控 B.家电控制 C.门禁系统 D.以上皆是 二、填空题（每个空格1分，共21分） 1.传感器网络的主要应用领域有__________________、__________________、__________________、__________________等。 2. 无线传感器网络的三大基础技术是__________________、__________________、__________________。 3.传感器网络的协议可分为五层，从下到上可分为_________________、_________________、_________________、_________________、_________________。 4.传感器结点的物理结构是： 5.传感器网络节点的功能模块组成为： 三、简答题（共30分）
一、单选题（每题1分，共计15分） 1．（A）2．（C）3．（B）4．（C）5．（B）6．（B）7．（C）8．（B）9．（A）10．（C）11．（A）12．（C）13．（B）14．（A）15（A） 二、复选题（每题1分，共计15分） 1．（A）（C）2．（A）(B) (E) 3．（A）（B）(D) 4．（A）(D) 5．（C）（D）6．（A）（B）（C）7.（C）8.（C） 9.（A）（B）（C）10.（A）（B）（C）（D）11.（A）（B）12.（B）（D）13.（A）（B）（C）（D）14.（A）15.（A）（B）（C）（D） 三、判断题（请在你认为正确的叙述中的括号内打√，反之打×，每题1分，共计15分。） 1.沼气发酵可分为液化、产酸、产甲烷三个阶段。（√） 2.到达地球表面的太阳辐射强度是一个常数，称之为太阳常数。（×） 3.集热墙式太阳房属于主动式太阳房（×） 4.舵轮调向装置主要应用于大型风力机上（×） 5.生物质热解汽化技术是指将固态生物质原料以热解反应转换成方便可燃气体的过程。（√） 6.中国人均化石能源资源虽然严重短缺，但是人均能源消耗水平与终端能源质量较高。（×） 7.在各种可再生能源中，生物质是独特的，它贮存的是太阳能，更是一种唯一可再生的碳源。（√） 8.地热是一种清洁无污染的能源。（×） 9.水电站压力前池可把从引水道来的水均匀分配给各压力水管。（√） 10.上吸式煤气发生器适用于燃用含焦油较多的燃料。（×） 四、填空 1.到达地面的太阳能中，可见光和（红外线）的能量约各占50%； 2. 按系统接受太阳能及能量输出方式，可将太阳能干燥系统分为三 种类型：温室型、空气集热器型和（温室与空气集热器结合型）。 3. 聚光器把太阳能量的低密度变为高密度，这种增大能量密度的倍率，称为 （聚光比） 4. 限制风力机超速运行的上限风速称为（切除风速） 5. 地面上接收到的总辐射包括直射、散射和（散射） 6. 下图2所展示的潮汐电站的开发形式属于（双库连续发电） 7. 沼气的主要成分是（甲烷）和（二氧化碳）。 8.生物质能转换技术总的可分直接燃烧技术、热化学转换技术和（生物转换 技术）三种类型。 9.四川、重庆、贵州一带是中国太阳能分布( 贫乏 )的地区。 10.水力发电的两个要素即：水头和（流量）。 五、简述题（每题10分，共计20分） 1. 答：风力机离心螺旋槽式调速机构是依靠叶片旋转时的离心力与压缩弹簧 产生的弹力之间的平衡来控制叶片在风轮径向的位置，叶片位置的变动可以改变风轮叶片的角度，进而控制风轮的转速。 （1）如图3所示，在风轮觳上有两个平行的孔洞，孔内塞有螺旋底面的滑键。 叶柄与滑键相垂直，叶柄上铣出螺旋槽，滑键伸入槽内。 （2）当风速超过额定值时，风轮转速超过额定转速，叶片的离心力加大，克服压缩弹簧的作用力向外甩出。由于叶柄螺旋槽与装在其内的滑键的制约，叶片在外甩的同时，发生偏转，升力系数降低，风轮转速不再增加。 （3）当风速变小，在弹簧的作用下，叶片回缩到原来位置。 2. 答：太阳能溴化锂吸收式制冷系统的工作原理如下： （1）太阳能集热器内的介质水吸收热量变成高温热水，被泵打入发生器内加热发生器内的溴化锂稀溶液使之变成浓溶液，产生的水蒸汽进入冷凝器。 （2）发生器内形成的浓溶液进入吸收器，在吸收器内地吸收由蒸发器产生的水蒸汽并由此促进蒸发器内的冷冻水不断的蒸发。 （3）由发生器来的水蒸汽在冷凝器内冷凝变成水后再进入蒸发器。 （4）蒸发器内的冷水不断的蒸发，产生的水蒸汽被吸收器吸收而带走热量，从而使得蒸发器内的冷水维持在很低的温度，从空调来的冷媒介水被蒸 发器内的冷水降温，然后再次进入房间进行制冷。 1
①我愈来愈爱着生我养我的土地了。 ②就像山地里纵纵横横的沟岔一样，就像山地里有着形形色色的花木一样，我一写山同，似乎思路就开了，文笔也活了。 ③甚至觉得，我的生命，我的笔命，就是那山溪哩。虽然在莽莽的山的世界里，它只是那么柔得可怜，细得伤感的一股儿水流。 ④我常常这么想：天上的雨落在地上，或许会成洪波，但它来自云里；溪是有根的，它凉凉地扎在山峰之下。人都说山是庄严的，几乎是死寂的，其实这是错了。它最有着内涵，最有着活力；那山下一定是有着很大很大的海的，永远在蕴涵的感情，永远是不安宁，表现着的，恐怕便是这小溪了。 ⑤或许，是从小草的根下一个泡儿一个泡儿冒出来的。但是，太阳晒不干、黄风刮不跑的。天性是那么晶莹，气息是那么清新；它一出来，便宣告了它的生命，寻着自己的道路要流动了。 ⑥正因为寻着自己的道路，它的步伐是艰辛的。然而，它从石板上滑下，便有了自己的铜的韵味的声音；它从石崖上跌落，便有了自己白练般的颜色，它回旋在穴潭之中，便有了自己叵不可测的深沉。 ⑦它终于慢慢地大起来了，要走更远的道儿；它流过了石川，流过了草地，流过了竹林，它要拜访所有的山岭，叩问每一次石头，有时会突然潜入河床的沙石之下去了呢。（A于是，轻风给了它的柔情，鲜花给了它的芬芳，竹林给了它的凉绿，那多情的游鱼，那斑斓的卵石，也给它增添了美的色彩。） ⑧它在流着，流着。它要流到啊里去呢？我想，山既然给了它的生命，它该是充实的，富有的；（B或许，它是做一颗露珠儿去滋润花瓣，深入到枝叶里了，使草木的绿素传送）；或许，它竟能掀翻一坯污泥，拔脱了一从腐根呢。那么，让它流去吧，山地这么大，这么复杂，只要它流，它探索，它就有了自己的路子。 ⑨我是这么想的，我提醒着我，我鼓励着我，我便将它写成了淡淡的文字，聊作这本小书的小序了。 1.作者笔下的溪流有什么特点？（一排空） 2.简要归纳文中小溪的成长过程。（一排空） 3.细读6、7段，说说这两段有什么思想含义。（一排空）
(文档含英文原文和中文翻译) 中英文对照翻译 基于网络共享的无线传感网络设计 摘要：无线传感器网络是近年来的一种新兴发展技术，它在环境监测、农业和公众健康等方面有着广泛的应用。在发展中国家，无线传感器网络技术是一种常用的技术模型。由于无线传感网络的在线监测和高效率的网络传送，使其具有很大的发展前景，然而无线传感网络的发展仍然面临着很大的挑战。其主要挑战包括传感器的可携性、快速性。我们首先讨论了传感器网络的可行性然后描述在解决各种技术性挑战时传感器应产生的便携性。我们还讨论了关于孟加拉国和加利尼亚州基于无线传感网络的水质的开发和监测。 关键词：无线传感网络、在线监测
1.简介 无线传感器网络，是计算机设备和传感器之间的桥梁，在公共卫生、环境和农业等领域发挥着巨大的作用。一个单一的设备应该有一个处理器，一个无线电和多个传感器。当这些设备在一个领域部署时，传感装置测量这一领域的特殊环境。然后将监测到的数据通过无线电进行传输，再由计算机进行数据分析。这样，无线传感器网络可以对环境中各种变化进行详细的观察。无线传感器网络是能够测量各种现象如在水中的污染物含量，水灌溉流量。比如，最近发生的污染涌流进中国松花江，而松花江又是饮用水的主要来源。通过测定水流量和速度，通过传感器对江水进行实时监测，就能够确定污染桶的数量和流动方向。 不幸的是，人们只是在资源相对丰富这个条件下做文章，无线传感器网络的潜力在很大程度上仍未开发，费用对无线传感器网络是几个主要障碍之一，阻止了其更广阔的发展前景。许多无线传感器网络组件正在趋于便宜化（例如有关计算能力的组件），而传感器本身仍是最昂贵的。正如在在文献[5]中所指出的，成功的技术依赖于共享技术的原因是个人设备的大量花费。然而，大多数传感器网络研究是基于一个单一的拥有长期部署的用户，模式不利于分享。该技术管理的复杂性是另一个障碍。 大多数传感器的应用，有利于这样的共享模型。我们立足本声明认为传感器可能不需要在一个长时间单一位置的原因包括：（1）一些现象可能出现变化速度缓慢，因此小批量传感器可进行可移动部署，通过测量信号，充分捕捉物理现象（2）可能是过于密集，因此多余的传感器可被删除。（3）部署时间短。我们将会在第三节更详细的讨论。 上述所有假定的有关传感器都可以进行部署和再部署。然而有很多的无线传感器网络由于其实时监测和快速的网络功能可能被利用作为共享资源。其作为共同部署资源要求，需要一些高效的技术，包括对传感器的一些挑战，如便携性，流动频繁的传感器内的部署，这使我们在第四节将会有大的挑战。 在本文中，我们专注于作为共享的可行性设计的传感器网络。下面我们开始 阐述传感网络在孟加拉国和加利福尼亚州的水质检测中的应用。 2．无线传感网络在水质监测中的应用
名词解释。一次能源、新能源二次能源核反应堆地热能潮汐能生物质核燃料生物质能光生伏特效应氢能控制系统 1、科学家认为，是未来人类生活最合适、最安全、最绿色、最理想的替代能源。 A、太阳能 B、生物质能 C、风能 D、核能 2、太阳的能量通过反应产生。 A、核裂变 B、核聚变 C、中和 D、物理 3、下列属于传统能源的是。 A、天然气 B、核能 C、石油 D、生物质能 4、煤炭、石油、天然气都是资源有限的。 A、化石能源 B、可再生能源 C、二次能源 D、替代能源 5、风电技术发展的核心是。 A、风速 B、风向 C、风力发电机组 D、风能密度 6、我国一般把高于150℃的称为，主要用于发电。 A、中温地热 B、低温地热 C、中低温地热 D、高温地热 7、海洋能的利用方式主要是。 A、发电 B、养殖 C、提水 D、开采石油 8、沼气的最主要成分是。 A、甲烷和二氧化碳 B、甲烷和一氧化碳 C、氢气和氮气 D、氢气和硫化氢 9、在风力发电机组中使用最多的是。 A、镍氢电池 B、铅酸蓄电池 C、锂离子电池 D、聚合物电池 10、逆变器是一种将的装置。 A、直流电变成交流电 B、交流电变成直流电 C、低压电变成高压电 D、高压电变成低压电 11、是氢能利用的最理想的方式。 A、氢内燃机 B、氢燃料电池 C、氢气发电 D、氢化合成水 12、核能利用的另一途径是实现可控的。 A、核裂变 B、核聚变 C、核泄漏 D、核辐射 13、我们在节约能源的同时，还应开发和利用新的能源．作为未来的理想能源应满足一定的条件。下列不符
合理想能源必要条件的是（） A、必须足够丰富，可以保证长期使用 B、必须足够便宜，可以保证多数人用得起 C、必须足够安全、清洁，可以保证不会严重影响环境 D、必须足够昂贵，可以保证节约使用 14、核电站的能量转化情况是（） A、核能→机械能→电能 B、核能→内能→机械能→电能 C、核能→化学能→电能 D、化学能→内能→电能 15、下列有关说法正确的是（） A、核能的释放主要是通过重核裂变和轻核聚变 B、核反应是不能控制的 C、放射性射线能用于治疗肿瘤，因此对人体无害 D、太阳能来源于太阳内部的重核裂变 16、水能资源最显著的优点不包括以下哪一点（） A、成本低 B、无污染 C、利用便利 D、可再生 17、关于开发利用风能的意义，理解正确的一组是（） ①节约大量化石燃料②风能是可再生能源③减少SO2排放，防止形成酸雨④风能是二次能源 A、①②③ B、①②④ C、①③④ D、②③④ 18、关于风能下列说法中，不正确的是（） A、不污染环境 B、不便于贮存 C、很稳定 D、利用起来很简单 19、我国著名的大型水电站不包括（） A、三峡水电站 B、小浪底水电站 C、葛洲坝水电站 D、大古力水电站 20、以下发电过程中利用了化学变化的是（） A、火力发电 B、水力发电 C、风力发电 D、地热发电 21、我国大型核电站有（） A、秦山核电站 B、大亚湾核电站 C、岭澳核电站 D、田湾核电站 22、关于核能，下列说法正确的是（） A、原子核很小，因此其中不可能存在大量的能量 B、人们现在能够利用可控核聚变的能量