在蒙特卡洛方法应用中减小方差的基本技术:重要抽样法, 分层抽样法,控制变量法和对偶变量法。然而,单独使用这四种 减小方差的技巧仍然有其局限性。 人们发展了一些复合蒙特卡洛计算技术,如适应性蒙特卡洛 方法和多道蒙特卡洛抽样方法等。这些蒙特卡洛技巧对于被积函 数在积分范围内具有多个尖峰的情况,特别具有实用价值

第六章引言 (ntroduction) Monte carlo方法: 亦称统计模拟方法, statistical simulation method →利用随机数进行数值模拟的方法 Monte carlo名字的由来: 是由 Metropolis在二次世界大战期间提出的: Manhattan计 划,研究与原子弹有关的中子输运过程 Monte carlo是摩纳哥( monaco)的首都,该城以赌博闻名

前面所讲的采用系统输入、输出微分方程描述系统的动态特性对于单输入、单输 出线性定常系统比较简单实用,现代控制理论采用状态空间的方法建立系统数学 模型,而且这两种表示方法可以互相转换。 状态空间法是现代控制理论采用的一种时域方法,这种方法适用于线性系统、非 线性系统、单变量系统或多变量系统

1、课程简介 农业昆虫学是高等农业院校四年制作物专业必修课,其实践性较强。本课程系统地 介绍了害虫防治的原理和方法,然后介绍了农业上主要害虫的形态、特征、发生发展规律, 以及防治方法和预测预报等,为害虫防治提供了理论指导。同时,本课程还设有实验课和田 间教学实习课,以加深理解学习实验技术,将理论教学与实践教学相结合,丰富实践经验, 为农业生产服务。 2、地位和任务 本课程是一门高等农业院校四年制作物专业必修课。系统地介绍了害虫防治的原理和 方法,农业生产中主要害虫的形态、特征、发生发展规律,以及防治方法和预测预报等,为 害虫防治提供了理论指导

网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

将岩体破坏接近度指标(FAI)引入隧道支护设计，明确了围岩临界支护时机判别准则。基于有限差分数值计算程序，合理考虑岩体峰后应变软化特性，建立了一种隧道最优支护时机确定方法。通过算例分析，定量探讨了表征支护时机的重要参数，从工程角度阐释了支护时机的本质意义。结果表明：岩体地质强度指标GSI由75减小至25时，支护时机提前8.32 m；岩石材料常数mi由20减小至10时，支护时机提前5.85 m；岩石单轴抗压强度σci由80 MPa减小至40 MPa时，支护时机提前3.74 m；工程扰动参数D由0增加至0.8时，支护时机提前7.44 m。将建立方法在玉渡山隧道工程中进行应用，计算出研究区段的支护时机为3.3 m，经现场监测表明该方法有效、可行。该研究成果可为隧道支护体系的量化设计提供参考

基于国内外学者在宏观接触热阻领域的研究成果，阐述了宏观接触热阻的理论研究和工程应用现状，介绍了宏观接触热阻的理论计算方法、实验测量方法和数值模拟方法，明确了各种方法的优缺点.简述了宏观接触热阻的影响因素，基于中国聚变工程实验堆(CFETR)低温超导线圈的降温实验，创建界面接触热阻分析模型，详细分析了热流方向、温度、压力等因素对超导磁体不锈钢铠甲、介电绝缘材料、失超保护材料接触热阻的影响，并进一步探究了温度、压力等因素导致接触热阻发生变化的热力学原因.最后，结合工程计算中对准确性和便捷性的要求，指出了接触热阻的未来研究方向

本章主要内容 1、了解数据、总体、样本的含义及随机抽样的一般方法; 2、掌握排列图、因果分析图的作图方法和应用; 3、掌握分层法、统计图表法的应用 4、了解直方图的原理、作用、作图方法及应用

本章首先讨论 Lyapunov稳定性分析,然后介绍线性二次型最优控制问题。 我们将使用 Lyapunov稳定性方法作为线性二次型最优控制系统设计的基础。 应用于线性定常系统的稳定性分析方法很多然而,对于非线性系统和线 性时变系统,这些稳定性分析方法实现起来可能非常困难,甚至是不可能的。 Lyapunov稳定性分析是解决非线性系统稳定性问题的一般方法

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率