§1、实数 §2、叙列的理论 §3、函数的概念 §4、函数的图形表示法 §5、函数的极限 §6、函数无穷小和无穷大的阶 §7、函数的连续性 §8、反函数、用参数表示的函数 §9、函数的一致连续性 §10、函数方程

针对生物活体组织的多个热特性参数同时测量的难点问题,提出了采用遗传算法同时估计多个活体组织热特性参数的方法,设计了实数编码的遗传算法.通过对选择、交叉和突变算子进行改进,并引入小生境策略,提高了遗传算法的全局寻优能力和搜索效率.对动态体模和人体前臂的热特性参数测量的模拟仿真研究和实验研究表明,采用改进的遗传算法,能够以较高的精度同时估计生物活体组织的多个热特性参数

针对数字图像的特点,基于有限整数域上的二维置乱变换、仿射变换和整数提升变换,提出了适用于任意大小、任意长宽比图像的三维置乱加密算法.考虑了变换矩阵中部分参数取负整数或小数的可行性,明确给出了参数的具体设置方法.该算法引入实数作为参数,扩展了参数选择范围;置乱像素位置的同时改变像素值,改善了置乱效果,加大了置乱周期,提高了数字图像的安全性

本文在复模态理论基础上引入系统传递函数矩阵及其留数矩阵的概念,推证了传递函数矩阵展式,通过展式导出系统振动响应的实数表达式可用于计算具有重特征值的阻尼线性系统振动响应,从而解决了涉及重特征值的振动求解问题,文中对特征值、特征向量及留数矩阵做了探讨,并给出了算例

研究了一类关于浓度的三维稳态晶体生长控制方程.这类问题由于带有远场条件,无法按常规方法给出其解析解或数值解.在复数域内利用分离变量法,得到了这类方程的级数形式的解析解,而最后的解是实数形式.结果表明,固液界面前沿浓度是指数震荡衰减的

针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法

§1.1 函数 §1.2 四类具有特殊性质的函数 §1.3 复合函数与反函数，习题课 §2.1 数列的极限 §2.2 收敛数列，习题课 §2.3 函数的极限 §2.3 函数极限的定理，习题课 §1.4 无穷小与无穷大 ，习题课 §3.1 连续函数 §3.2 连续函数的性质，习题课 §4.1 实数连续性定理 §4.2 闭区间连续函数整体性质的证明，习题课 §5.1 导数 §5.2 求导法则与导数公式，习题课 §5.3 隐函数与参数方程求导法则 §5.4 微分，习题课 §2.5 高阶导数与高阶微分，习题课 §6.1 中值定理，习题课 §6.2 洛必达法则，习题课 §6.3 泰勒公式，习题课 §6.4 导数在研究函数上的应用，习题课

0.1 前言 1.1 实数的表达与性质 1.2 确界原理 1.3 函数：描述关系的模型 1.4 一些不等式 2.1 数列极限引入 2.2 收敛数列的性质 2.3 收敛数列的判定 2.4 子数列 2.5 数列极限题目 3.1 函数极限引入 3.2 函数极限定义 3.3 函数极限的定理 3.4 两个重要极限 3.5 无穷小与无穷大 4.1 连续函数的概念 4.2 间断点及其分类 4.3 连续函数的性质定理 4.4 闭区间上连续函数的定理 4.5 反函数的连续性 4.6 函数的一致连续性 4.7 初等函数的连续性 5.1 导数的概念 5.2 求导法则 5.3 高阶导数 5.4 微分 5.5 导函数的介值性 6.1 罗尔中值定理 6.2 拉格朗日中值定理 6.3 柯西中值定理 6.4 洛必达法则

 Modeling strategies of SEM（模型的用途）  Model confirmation：验证（confirmatory）先设模型的恰当性  Model generation：设起始模型，与观察数据比较之后，进行必要的修正，反复估计而得到最佳拟合的模型  Model competation：利用不同模型的比较以决定何者最能反应真实数据 1、模型设定（model specification） 2、模型识别（model identification） 3、模型估计（model estimation） 4、模型评价（model evaluation） 5、模型修正（ model modification）

复旦大学：《数学分析》精品课程教学课件_第二章 数列极限 §1 实数系的连续性