一、本章的教学目的及基本要求 目的：使学生了解实际液体的两种流动型态，流动阻力与水头损失的两种型式， 理解实际液体的两种流动型态，流动阻力与水头损失产生原因，以及边界层概念 及绕流阻力概念。掌握均匀流的基本方程、圆管层流与紊流沿程阻力系数及沿程 水头损失、局部水头损失的计算方法

一、连续型随机变量的概念 二、常见的几种连续型分布

一. 随机变量的定义： 例 2.1.考虑“抛硬币”试验: Ω = {正面 H，反面 T}； 引入变量：

1.1晶体结构预备知识,半导体晶体结构 1晶体结构的描述(有关的名词) 格点:空间(一维或多维)点阵中的点(结点) 晶列:通过任意两格点所作的(晶列上有一系列格点)

一、随机变量的数 二、高散型随机变量函数的分布 三、连续型随机变量数的分市

一、分布函数的 二、分布函数的性质 三、分布函数与离散型随机变量分布律的关系

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

第一节 弹性液体向井渗流的物理过程 第二节 半无限大地层平面一维不稳定渗流 第三节 弹性液体向一口井不稳定渗流的压力传导规律 第四节 有限封团弹性地层内液体向并渗流压力变化的近似解 第五节 弹性不稳定渗流的多井干扰 第六节 不稳定试井分析

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

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