1、重点内容: ①非稳态导热的基本概念及特点; ②集总参数法的基本原理及应用; 3一维及二维非稳态导热问题。 2、掌握内容: ①确定瞬时温度场的方法; ②确定在一时间间隔内物体所传导热量的计算方法

一 、粘性流体微元流束的伯努里方程 1、表达式： 对于粘性流体，在流动时为了克服由于粘性的存在所产生的阻力将损失掉部分机械 能，因而流体微团在流动过程中，其总机械能沿流动方向不断地减少。 如果粘性流体从截面 1 流向截面 2 ，则截面 2 处的总机械能必定小于截面 1 处 的总机械能

(一)、波动方程定解问题的分离变量求解 (二)、热传导方程定解问题的分离变量求解

一、基本思想 由变换矩阵元素可见,利用矩阵元素的周期性与对称性之后,变换矩阵中许多元素相同。换言之,变换矩阵与输入信号相乘过程中存在着不必要的重复计算

一、随机变量及其分布 二、离散型随机变量的分布函数 三、离散型随机变量的概率函数 四、连续型随机变量及其概率密度 五、随机变量的函数的分布

1.相距为不是晶格常数倍数的两个同种原子,其最大振幅是否相同? 解答 以同种原子构成的一维双原子分子链为例,相距为不是晶格常数倍数的两个同种原子, 设一个原子的振幅A,另一个原子振幅B,由本教科书的(3.16)可得两原子振幅之比 BB1+B2-mo2

前面学习了如何用行波法求解一维波动问题,用行波法如何解决三维空间的波动问题? 一、定解问题:

指针的各种定义 int*p:p为指向整形数据的指针变量 int*p[n]:定义指针数组p,它由n个指向整形数据的指针元素组成 int(*p)[n]:p为指向含n个元素的一维数组的指针变量 int*pO:p为返回一个指针的函数,该指针指向整形数据

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

第一节 波函数与算符 第二节 波函数的统计解释 第三节 薛定谔方程 第四节 薛定谔方程应用举例(一维问题)