第一章绪论与数值计算中的误差 1绪论 1、数值分析的研究对象 数值分析是计算数学的一个主要部分,计算数学是数学科学的一个分支,它研究用计算机求解各种数学问题的数值计算方法及其理论与软件实现。数值分析所研究的问题,是为求解各类数学问题去构造算法、分析算法和使用算法。用计算机解决科学计算问题的过程:

第一节 直接计算DFT的问题及改进途径 第二节 改善DFT运算效率的基本途径 第三节 按时间抽选的基2-FFT算法 第四节 按频率抽选的基2-FFT算法 第五节 IDFT的快速算法－IFFT

为什么要学习数据结构 什么是数据结构 抽象数据类型 算法的特性及分类 算法的效率度量 数据结构的选择和评价 总结

提出了一种快速极性相关算法,该算法利用标准8位微处理器具有的按位和处理8位数据的功能,采用了查表方式计算相关值,并以二分法进行峰值搜索。在Z8671单片机(晶振7.3728MHz)上执行该算法,允许的最高采样频率为18.08kHz。如果取相关计算长度为256点,测量窗口为127点,采样后只需10ms便可以给出流体流经距离L的渡越时间,从而使以微处器为核心的相关仪,可以满足实时应用的要求

数据结构与算法实习简介、C/C++基本程序技巧、界面排错和测试、问题空间和典型的算法思路、基本数学建模

第一章 Visual Basic程序设计概述（1） 1.1 引例 1.2 VB主要功能和特点 1.3 VB集成开发环境 第二章 VB简单的程序设计（3） 2.1 程序设计方法的发展 2.2 VB中的有关概念 2.3 建立简单的应用程序 2.4 基本控件和属性 2.5 工程的管理及环境的设置 2.6 生成可执行文件和制作安装盘 2.7 程序调试 2.8 常见错误 第三章 VB语言基础（2） 3.1 编码规则 3.2 数据类型 3.3 变量与常量 3.4 运算符和表达式 3.5 常用函数 3.6 常见错误 第四章 基本的控制结构（6） 4.1 顺序结构 4.2 选择结构 4.3 循环结构 4.4 其他辅助控制语句 4.5 常用算法（一） 4.6 常见错误 （顺序、条件、循环） 第五章 数组（4） 5.1 数组的概念 5.2 静态数组及声明 5.3 动态数组及声明 5.4 数组的基本操作 5.5 控件数组 5.6 自定义数据类型 5.7 常用算法（二） 5.8 常见错误 第六章 过程（5） 6.1 函数过程的定义与调用 6.2 子过程的定义与调用 6.3 参数传递 6.4 变量、过程的作用域 6.5 递归 6.6 常用算法（三） 6.7 重点和难点 第七章 常用控件（4） 7.1 单选按钮和复选框 7.2 框架 7.3 列表框和组合框 7.4 滚动条和Slide控件 7.5 时钟 7.6 ProgressBar控件 7.7 UpDown控件 7.8 Animation控件 7.9 SSTab控件 7.10 鼠标器和键盘 第八章 界面设计（3） 8.1 通用对话框 8.2 菜单设计 8.3 多重窗体和多文档界面 8.4 工具栏和状态栏 8.5 RichTextBox控件 8.6 应用程序向导 第九章 文件（2） 9.1 文件系统控件 9.2 文件的读写 9.3 常用的文件操作语句和函数 第十章 图形操作（3） 10.1 图形操作基础 10.2 绘图属性 10.3 图形控件 10.4 图形方法 第十一章 数据库技术（1） 11.1 数据库概念 11.2 数据库管理器 11.3 数据控件 *11.4 ADO数据控件 *11.5 结构化查询语言(SQL) *11.6 报表制作 11.7 错误处理

针对流程工业生产过程连续性的特点,从一种新的角度建立了工件等待时间受限的混合流水车间调度模型.以总完工时间最小化和工件在各机器最早开工时间最小化为目标函数,利用改进的遗传算法生成最优排序计划,并用模拟的实际生产数据对模型和算法进行验证和分析

基于图像处理的方法，采用了由粗及精的瞳孔定位思想，提出了一种高精度的瞳孔定位算法。该算法首先利用瞳孔区域的直方图，采用改进的最大类间方差法自适应地分割瞳孔区域，实现粗略定位，然后利用瞳孔灰度的梯度特性来精确定位瞳孔边缘点，最后在像素级瞳孔边缘点的基础上，采用亚像素定位方法，更精确地求得亚像素级瞳孔边缘点，并通过椭圆拟合的方法来精确确定瞳孔的中心位置。另外，针对瞳孔被遮挡的情况，本文提出了一种等距离补偿瞳孔的方法。多次实验结果证明了该算法对遮挡瞳孔的定位有较强的鲁棒性，可以准确地定位瞳孔的位置

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

数据结构与算法实习简介、C/C++基本程序技巧、界面排错和测试、问题空间和典型的算法思路、基本数学建模