A、 Select*From 成绩表 Where 成绩 between 90 and 100 and 性别 =‘女’
B、 Select*From 成绩表 Where 成绩 between 90 and 100or 性别 =‘女’
C、 Select 性别 =‘女’From 成绩表 Where 成绩 between 90 and 100
D、 Select 性别 =‘女’From 成绩表 Where 成绩 between 90 or 100
答案：A
解析：解析:查询成绩在 90 到 100 分的女同学,应该是 Select * From 成绩表 Where 成绩 between 90 and 100 and 性别 =‘女’。故选 A 项。
A、 Select*From 成绩表 Where 成绩 between 90 and 100 and 性别 =‘女’
B、 Select*From 成绩表 Where 成绩 between 90 and 100or 性别 =‘女’
C、 Select 性别 =‘女’From 成绩表 Where 成绩 between 90 and 100
D、 Select 性别 =‘女’From 成绩表 Where 成绩 between 90 or 100
答案：A
解析：解析:查询成绩在 90 到 100 分的女同学,应该是 Select * From 成绩表 Where 成绩 between 90 and 100 and 性别 =‘女’。故选 A 项。
A. 响应
B. 分辨力
C. 阈值
D. 灵敏度
解析：解析:阈值:能使传感器输出端产生可测变化量的被测量的最小变化量。灵敏度:指示指(输出)的相对于被测量变化的位移率。分辨力:显示装置能有效辨别的最小的示值差。传感器的准确度,灵敏度与分辨力之间有较大的关系。灵敏度与分辨力从不同角度反映传感器能够测量的最小量值,灵敏度与分辨力关系到传感器可能产生的最大误差。故选 C 项。
A. 递归
B. 循环.
C. 嵌套
D. 过程
解析：解析:递归是指子程序(或函数)直接调用自身或通过一系列调用语句调用自身,是一种描述问题和解决问题的常用方法。使用递归技术往往使函数的定义和算法的描述简洁易于理解。故选 A 项。
A. 输入输出模块(IOB)
B. 可配置逻辑模块(CLB)
C. 可控制地址模块(CAB)
D. 内部连线(Interconnect)
解析：解析:FPGA 采用了逻辑单元阵列 LCA(Logic Cell Array)这样一个概念,内部包括可配置逻辑模块 CLB、输入输出模块 IOB 和内部连线(Interconnect)三个部分。故选 C 项。
A. I/O 设备和主存之间
B. 两个 I/O 设备之间
C. I/O 设备和 CPU 之间
D. CPU 和主存之间
解析：解析:本题主要考查输入输出系统的数据通信。在 DMA 模式下,CPU 只需向
A. 内模式
B. 存储模式
C. 外模式
D. 模式
解析：解析:在数据库的三级模式结构中,包括外模式、概念模式、内模式。外模式是某个或某几个用户所看到的数据库的数据视图,是与某一应用有关的数据的逻辑表示。模式是由数据库设计者综合所有用户的数据,按照统一的观点构造的全局逻辑结构,是对数据库中全部数据的逻辑结构和特征的总体描述。内模式是数据库中全体数据的内部表示或底层描述,是数据库最低一级的逻辑描述,它描述了数据在存储介质上的存储方式和物理结构,对应着实际存储在外存储介质上的数据库。故选 D 项。
A. 处理时延
B. 排队时延.
C. 发送时延
D. 传播时延
解析：解析:发送时延 = 数据帧长度(b)/ 发送速率(b/s);传播时延 = 信道长度(m)/电磁波在信道上的传播速率(m/s)。故选 D 项。
A. Delete from abc;commit
B. drop table abc
C. delete from abc
D. truncate table abc
解析：解析:drop(删除表):删除内容和定义,释放空间。简单来说就是把整个表去掉。Truncate(清空表中的数据):删除内容、释放空间但不删除定义(保留表的数据结构)。与 drop 不同的是,只是清空表数据而已。truncate 不能删除行数据,要删就要把表清空。Delete(删除表中的数据):delete 语句用于删除表中的行。delete 语句执行删除的过程是每次从表中删除一行,并且同时将该行的删除操作作为事务记录在日志中保存,以便进行回滚操作。故选 C 项。
A. 机器指令
B. 图标和菜单
C. 命令行
D. 汇编语句
E. 系统调用
解析：解析:操作系统提供给用户的接口是命令接口、程序接口和图形接口。系统调用也即程序接口。故选 BCE 项。
A. 并行计算:Bagging 各个预测函数必须按顺序迭代生成;Boosting 各个预测函数可以并行生成
B. 预测函数:Bagging 所有的预测函数的权重相等;Boosting 中误差越小的预测函数其权重越大
C. 样本权重:Bagging 根据错误率调整样本权重,错误率越大的样本权重越大;Boosting 使用的是均匀取样,每个样本权重相等
D. 样本选择上:Bagging 每一轮的训练集是不变的,改变的只是每一个样本的权重;Boosting 采用的是 Bootstrap 随机有放回抽样
解析：解析:Bagging 和 Boosting 的区别：
（1）样本选择上：
Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间
是独立的。Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重
发生变化，而权值是根据上一轮的分类结果进行调整。
（2）样例权重：
Bagging：使用均匀取样，每个样例的权重相等。Boosting：根据错误率不断调整
样例的权值，错误率越大则权重越大。
（3）预测函数：
Bagging：所有预测函数的权重相等。Boosting：每个弱分类器都有相应的权重，
对于分类误差小的分类器会有更大的权重。
（4）并行计算：
Bagging：各个预测函数可以并行生成。Boosting：各个预测函数只能顺序生成，
因为后一个模型参数需要前一轮模型的结果。
故选 B 项。
A. 对称式加密就是加密和解密使用的同一个密钥但位数不同
B. 非对称式加密就是加密和解密所使用的不是同一个密钥
C. 对称式加密就是加密和解密使用的不是同一个密钥但位数相同
D. 非对称式加密就是加密和解密所使用的是同一个密钥
解析：解析:对称式加密中传送方与接收方的加密和解密都使用同一把密钥;非对称式加密中每个使用者都拥有一对密钥——公开密钥与私密密钥,公开密钥能被广泛发布与流传,而私密密钥必须被妥善地保存,当信息由其中一把密钥加密后,必须用另一把密钥解密。故选 B 项。
