什么是盲分析方法？ 为什么要用盲分析方法？ 几种目前采用的盲分析方法 应用举例 评论

§10－1 正弦电压和电流 §10－2 正弦稳态响应 §10－3 基尔霍夫定律的相量形式 §10－4 RLC元件电压电流关系的相量形式 §10-5 正弦稳态的相量分析 §10－6 一般正弦稳态电路分析 §10－7 单口网络的相量模型 §10 - 8 正弦稳态响应的叠加 §10－9 电路实验和计算机分析电路实例

§10－1 正弦电压和电流 §10－2 正弦稳态响应 §10－3 基尔霍夫定律的相量形式 §10－4 RLC元件电压电流关系的相量形式 §10-5 正弦稳态的相量分析 §10－6 一般正弦稳态电路分析 §10－7 单口网络的相量模型 §10 - 8 正弦稳态响应的叠加 §10－9 电路实验和计算机分析电路实例

句型的分析：构造一算法，用以判断所给的符号串是否为某文法的句型 常见分析方法有自顶向下分析和自底向上分析两类；

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

通过密炼?注塑成型工艺制备了不同苎麻纤维含量的聚乳酸基复合材料，研究了纤维含量对复合材料性能的影响规律，并揭示了纤维增强机理。研究表明，苎麻纤维的添加提高了复合材料的耐热性能，尤其是当纤维质量分数为40%时，复合材料的热变形温度提高了10.5%。此外，苎麻纤维均匀地分散在基体中，由于纤维与聚乳酸的界面强度较弱，断面上有大量的纤维拔出和纤维孔洞；差示扫描量热仪测试表明高含量的纤维限制了聚乳酸分子链的运动，促进复合材料形成更加致密完善的晶核；同时，流变行为也表明苎麻纤维含量的增加有助于提高复合材料的黏弹响应和复合黏度；最后，苎麻纤维的加入提高了复合材料的拉伸和弯曲强度，且随纤维含量的增加而增大。与聚乳酸相比，当纤维质量分数为40%时复合材料的拉伸和弯曲强度分别提高了30%和21.9%

第四章财务报表数据的特征 1.比率分析的假设及计算问题 2.财务报表数字的分布 3.财务报表数据与会计方法 4.财务报表信息的横向分析 5.财务报表信息的时间序列(纵向)分析

频谱分析诊断法 不同故障的特征频率 不平衡、不对中、松动、轴承故障、齿轮故障等 趋势分析法 通频值趋势分析 频谱趋势分析 报警值和危险值的确定 状态监测和故障诊断及其作用 设备维修制度的发展和不同维修制度的比较 故障诊断的各种手段 振动监测仪器的分类及其选用原则 离线仪器和在线系统

社会分层在社会结构分析中十分重要，分层现象是我们分析社会结构及社会变 迁时必然要涉及的一个重要方面

针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势，然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测，最后将若干预测结果进行有效集成。结果表明，所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%，平均相对误差在3%以内，且优于其他预测模型