一、数的发展简史 1.自然数的产生:十九世纪数学家 Leopold Kronecker说:上帝创造了整数,其余则是我们人类的事了 2.从自然数系到有理数系: 3.算术连续统假设的建立及其破灭:不可公度性的发现及其深远影响 Pythagoras(约在纪元前六世纪), Hippasus, Leonardo da Vinci称为“无理的数”. Eudoxus, Euclid

1.实验过程中常遇到的两类数字 (1)数目:如测定次数;倍数;系数;分数 (2)测量值或计算值。数据的位数与测定准确度有关

为进一步揭示柔性隔离层下散体介质流动过程的内部作用机理，基于离散元软件PFC开展了柔性隔离层下散体介质流力链演化特征的数值试验研究。结合接触力学及统计力学相关知识，对多漏斗放矿过程中散体介质体系内力链长度、数量、强度、方向和准直系数等的演化特征进行了量化研究。研究发现：多漏斗放矿过程中，强接触及力链接触占比均比较稳定，其中强接触占比稳定在33%左右，力链接触占比稳定在16%左右，上下波动幅度均不超过2%；力链总数随着放矿次数的增加不断波动减少，并在放矿后期稳定在790条左右；不同放矿次数下力链长度的概率分布几乎一致，均随着力链长度的增加呈指数形式递减；力链强度的概率分布随着放矿次数的增加先呈指数形式上升再呈指数形式下降，并在0.7$\\bar F$

由于转炉冶炼过程中的热力学和动力学反应复杂，副枪控制模型和传统的烟气分析模型存在很大的局限性，导致了转炉冶炼终点碳含量的预测精度偏低，是实现智能炼钢的主要技术瓶颈. 针对上述问题，提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先，利用烟气分析得到连续监测的实时数据，以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后，根据熔池反应所处的不同阶段，利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上，按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数，从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例，证实函数型数字孪生模型具有良好的自学习和自适应能力，对异常冶炼状态具有良好的鲁棒性，可以实现全过程的熔池碳含量动态预测，终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是，在保证入炉原料成分、温度、质量等参数稳定的前提下，采用该模型可以有望取消基于副枪的停吹取样步骤，从而降低生产成本，提高产品质量和生产效率，具有广泛的工业应用前景

本章主要讲述离散型随机变量的数学期望连续型随机变量的数学期望,随 内容机变量的函数的数学期望,数学期望的性质方差的概念,方差的计算,方差的 性质;协方差及相关系数的定义,协方差与相关系数的性质,矩等内容

随着数字技术,特别是计算机技术的飞速发展与普及,在现代控制、通信及检测领 域中,对信号的处理广泛采用了数字计算机技术。由于系统的实际处理对象往往都是一 些模拟量(如温度、压力、位移、图像等),要使计算机或数字仪表能识别和处理这些 信号,必须首先将这些模拟信号转换成数字信号;而经计算机分析、处理后输出的数字 量往往也需要将其转换成为相应的模拟信号才能为执行机构所接收。这样,就需要一种 能在模拟信号与数字信号之间起桥梁作用的电路模数转换电路和数模转换电路

根据数学教学目标所进行的数学教学测量,主要是研究如何对学生 的数学能力和数学学习水平提供客观的准确的、稳定的度量。数学测 验是数学教学测量的一种工具。当前数学教学改革提出了有关测验的类 型、题型、编制和定量分析等多方面值得探索的课题

数组的概念:数组并不是一种数据类型,而 一组相同类型数据的集合。用一个统一的名字 (数组名)代表逻辑上相关的一批数据,每个元素用下标变量来区分;下标变量代表元素在数组中的位置。 其表示形式: A(1),A(10) X(1,1),X1(1,10),X(2,10) Y(0,0,0),Y(1,2,5)

1、设a为有理数,x为无理数。证明: (1)a+x是无理数;(2)当a≠0时,ax是无理数。 2、试在数轴上表示出下列不等式的解: (1)x(x2-1)>0;(2)|x-1|x-3|;(3)√x-1-2x-1≥3x-2 3、设a、b∈R证明:若对任何正数ε有a-b<,则a=b

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断