对煤粉分解热的准确性引起的计算理论燃烧温度的误差进行了讨论.针对现有的煤粉分解热数据陈旧,提出一种基于盖斯定律的简单而有效地确定煤粉分解热的新方法.根据现有的热力学数据、煤粉的成分以及煤粉发热值的理论计算公式或氧弹量热实验测定的数据,用新方法可确定出新的煤粉分解热数据

硬盘数据恢复教程 前言: 此文章从 google搜索经鄙人整理而来,并非本人的造诣至此,请勿联系笔者。 硬盘数据恢复很大程度依靠运气,无必胜把握,并且不与投入时间成正比,不要寄予太大的希望。 请勿轻易拿自己硬盘做实验。 建议数据恢复前先用硬盘保护卡对拷到其他硬盘上做一个备份,然后修理备份

为进一步提高多关系朴素贝叶斯方法的分类准确率,分析了已有的剪枝方法,并扩展互信息标准到多关系情况下.基于元组号传播方法和面向元组的统计计数方法,给出了基于扩展互信息标准进行属性选择的方法和步骤,并建立了一种基于扩展互信息的多关系朴素贝叶斯分类器.标准数据集上的实验显示,基于扩展互信息标准进行属性选择,可以在不增加算法时间复杂度的前提下,找到与分类属性最相关的属性,并在仅有极少属性参与分类时,得到较高的分类准确率.Mutagenesis数据集上的实验则显示,这种属性选择可以使多关系问题退化为单关系问题,大大降低了分类代价

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

第一节 误差的基本概念 第二节 随机误差的正态分布 第三节 有限测定数据的统计处理 第四节 提高分析结果准确度的方法 第五节 有效数字及其运算规则 第六节 Excel在实验数据处理中的应用

《机械工程测试技术》课程教学资源（技术问答）17、误差分析与数据处理_如何绘制实验曲线？实验曲线平滑的基本原则是什么？

内容：学习物理实验基础知识、培养和提高学生的科学实验能力、培养与提高学生的科学实验素养

河南中医药大学：《数据结构》课程实验教学大纲 Data Structure

《数据结构》课程实验指导

《数据结构》课程实验教学大纲 Data Structure