试卷号:B020017(答案 注:各主观题答案中每步得分是标准得分,实际得分应按下式换算: 第N步实际得分一本题实际得分解答第N步标准得分 解答总标准得分 一、解答下列各题 (本大题共3小题,总计13分) 1、(本小题4分) 证明:f(x)= arctanx在[0,1]上连续,在(0,1)可导 即f(x)在[0,1]上满足拉格朗日中值定理的条件

一、纳米材料的概述:从分子识别、分子自组装、吸附分子与基底的相互关系、 分子操作与分子器件的构筑,并通过具体的例证加以阐述,包括在STM操作下单分子 反应;有机小分子在半导体表面的自指导生长;多肽半导体表面特异性选择结合;生 物分子/无机纳米组装体;光驱动多组分三维结构组装体;DNA分子机器

12 环境影响的经济损益分析 12.1 环境损益分析 12.1.1 环境损失分析 12.1.2 环境效益分析 12.2 经济损益分析 12.2.1 防渗工程投资概算 12.2.2 资金回报分析 12.3 社会损益分析 12.4 环境经济损益分析结论

第10章边坡稳定的可靠度和风险分析 10.1边坡稳定的风险分析 10.1.1边坡稳定分析中的不确定因素 随着对结构应力、变形和稳定分析手段的逐步完善,这些分析中包含的不确定因素也暴 露得更加明显。工程师们逐步意识到,在进行工程设计和安全评价时,不仅要很好地了解各 种分析、判断手段,而且要把握在进行这些分析过程中包含的各项不确定因素。工程建设中 的重大决策实际上就是对各项不确定因素造成的风险的评价

在粗锡精炼过程中引入超重力场，运用超重力技术研究Sn-3% Fe（质量分数）熔体中杂质元素铁在超重力场中的定向富集和过滤分离的规律，达到提纯净化粗锡的目的.结果表明，对于超重力场G=500以10℃·min-1冷却速率凝固后的Sn-3% Fe熔体，超重力场极大强化富铁相在粗锡熔体中的沉降运动，使先析出富铁相全部富集到试样的下部区域，上部几乎找不到富铁相颗粒.下部尾锡中的铁质量分数达到4.817%，而上部精锡中的铁质量分数降低到0.036%，精锡中铁的脱除率高达98.78%.在超重力场中过滤的Sn-3% Fe熔体可实现富铁相杂质和精锡液的有效分离，当重力系数大于30时，精锡的回收率随重力系数的增大而提高.在超重力场G=100，240℃条件下，Sn-3% Fe熔体过滤1 min后，精锡液几乎全部被分离到坩埚底部，富铁相杂质被截留在过滤碳毡上部，下部精锡中找不到富铁相杂质的颗粒，精锡中铁质量分数降至0.253%，富铁渣中铁质量分数高达11.528%.精锡中铁的脱除率高达91.44%，超重力场中精锡的回收率高达82.69%

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度

5-3我国家畜的分布于生态地理规律 一、我国家畜分布的生态地理规律 (一)基本因素的概述 (二)我国家畜分布的自然区域及特点 (三)全国土地利用基本概况 二、我国家畜的分布 (一)全国家畜的分布 (二)全国主要畜产品的分布 6-1种群的概念与分布 一、种群的概念 二、种群的空间分布 6-2种群的数量与动态 一、种群的数量统计 二、种群的性比和年龄结构 （一)性比 (二)年龄结构 (三)出生率死亡率 (四)生命表

5.1 分组交换技术与分组交换网 5.2 分组交换的基本原理 5.3 分组交换协议——X.25协议 5.4 分组交换机 5.5 分组交换

随机过程的分类 一、按照概率分布特性分类 二、具有特殊的概率分布 三、按照记忆特性分类 四、按照统计平稳特性分类 五、按照功率谱密度分类 六、按照遍历特性分类

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验