一、多元函数的概念 （ 1)邻域 设P(xo,yo)是xoy平面上的一个点,δ是某 一正数,与点P(xo,yo)距离小于的点P(x,y) 的全体,称为点P的δ邻域,记为U(P,δ)

一、涉及不同数学分支的知识，同时还需借助与背景知识. 二、针对现实问题建立的数学模型，往往仅可求数值解. 三、有类问题可采用分析法得到问题的实际解答(如微分方程定性分析)

本节介绍函数微分的一些应用,包括极值和最值问题、函数作 图以及在数学建模中的应用。 极值问题 f(x)的全部极值点必定都在使得f(x)=0和使得f'(x)不存在的 点集之中。使f(x)=0的点称为f(x)的驻点

一、区域 1.邻域 设o(x,yo)是xOy平面上的一个点,δ是某一正数。与点Po(x,yo)距离小于δ的 点p(x,y)的全体,称为点P的邻域,记为U(P,),即 U(,)={P0为半径的圆内部 的点P(x,y)的全体

5.1.变分问题的欧拉方程: 1.力学第一性原理(力学最高原理):可由它导出全部力学定律的原理或者假设。(好 比几何学中的公理) 什么原理可以作为力学第一性原理? 牛顿运动定律 达朗伯原理F+F-m=0(i=12n) 动力学虚位移原理(是一种微分变分原理,或称动力学虚位移原理或称动力学普 遍方程,在本教材又称达朗贝尔方程;在静力学情况下是虚位移原理,或称虚功 原理。)

全书共三十讲，内容包括：空间解析儿何与向量代数；一元函散微积分；多元函数微积分；无穷级致；常微分方程等。是工科院校、电大、职工大学数学师的教学黎考书，也可作为工科院校学生，商等教学自学者、非数学专业的研究生学习的辅导教材

1 计算机类学科基础必修 离散数学 程序设计基础 I 程序设计基础 II Java 框架编程 操作系统原理 计算机网络 计算机组成原理 数据库原理 海洋空间信息工程概论 数据结构与算法 2 计算机类学科专业必修 数据分析原理与技术 数据可视化原理与应用 软件工程 高级程序设计 25 课程 实习（实践） 海洋大数据技术与工程应用 大数据原理与技术 数据挖掘 大数据处理技术 海洋遥感影像分析 空间建模与分析 空间数据获取技术基础 软件工程导论 软件开发与创新 数字信号处理 微机原理与接口技术 数据科学导论 算法设计与分析 人工智能 软件项目管理 软件需求分析 软件架构与设计模式 软件测试与质量保证 编译原理 海洋空间信息管理与服务 3 计算机类专业选修 计算机系统结构 数学建模 数值计算方法 数字图像处理 逻辑与计算机设计基础 智能计算及应用 物联网概论 Linux 操作系统 现代操作系统 WEB 程序设计 Python 程序设计 单片机原理与应用 虚拟现实 信息安全概论 移动开发技术 编程艺术 生物大数据 海洋信息技术与应用 4 计算机类实践课 数据科学综合 JAVA 框架编程 计算机综合实践与案例 专业大型综合实验 综合实习 中级综合开发实践 软件工程综合实习（实践） 毕业论文（设计） 5 信息与计算科学专业学科基础必修 高等代数 I 高等代数 II 空间解析几何 数学分析 I 数学分析 II 概率论与数理统计 A 常微分方程 6 信息与计算科学专业学科专业必修 复变函数 运筹学 数值分析 7 信息与计算科学专业专业选修 应用随机过程 最优化方法 微分方程数值解 应用回归分析 计算智能 8 信息与计算科学专业实践课 专业技能实践实习（实践） 数学实验 数学建模实习（实践） 毕业设计（论文） 综合实习实习（实践）

定义： 包含一个电容和电感，或两个电容，或两个电感的动态电路。称为二阶电路。 二阶电路可用一个二阶微分方程或两个联立的一阶微分方程描述。 本章只讨论包含一个电容和电感的二阶电路。可能出现振荡形式。 学习内容： 1、从物理概念上阐明LC电路中的正弦振荡； 2、学习RLC串联电路的零输入响应的求解；了解二阶电路的一般分析方法；掌握特征根与固有响应的关系。 3、学习求解RLC串联电路的完全响应的方法。 4、学习求解GCL并联电路的分析方法。 1、LC 电路中的正弦振荡 2、RLC 串联电路的零输入响应 3、RLC 串联电路的全响应 4、GCL 并联电路的分析

研究了全状态约束与输入饱和情况下的全向移动机器人轨迹跟踪控制问题.首先，针对一类三轮驱动的全向移动机器人，考虑系统存在模型参数不确定与外部扰动，建立了运动学与动力学模型；其次，利用障碍Lyapunov函数，结合反步设计方法，有效处理全向移动机器人跟踪过程中存在的状态约束，保证所有状态变量不会超出状态约束的限制区域；然后，针对系统参数不确定和未知有界扰动，设计相应的自适应律进行处理；同时，提出一种抗饱和补偿器保证机器人输入力矩满足饱和约束；并且利用Lyapunov理论分析证明了当选取合适的控制参数时闭环系统中的所有信号均能保证一致有界；最后，通过与未考虑状态约束和输入饱和的控制器以及经典比例-微分控制器进行仿真对比，验证了该方法的有效性和鲁棒性

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪