7.1半群和独异点 7.2群与阿贝尔群 7.3子群 7.4陪集和拉格朗日定理 7.5正规子群 7.6同态和同构 7.7循环群 7.8置换群 7.9环与域

本章将介绍在编写代码时用到的一些最基础的知 识,包括VB的基本字符集和词汇集、VB的基本数据 类型、常量与变量、运算符与表达式及常用内部函数

一、集合 集合是数学中最基本的概念之一,所谓集合就是指作为整体看的一堆东西 组成集合的东西称为这个集合的元素用 a∈M 表示a是集合M的元素,读为:a属于M用 a∈M 表示a不是集合M的元素,读为:a不属于M 所谓给出一个集合就是规定这个集合是由哪些元素组成的因此给出一个集 合的方式不外两种,一种是列举法:列举出它全部的元素,一种是描述法:给出这个集合的元素所具有的特征性质

前言 《新世纪网络课程一化工基础》,不是电子书,是集文字、声音、动画于一体的多媒体 课件。该软件在内容上,有别于已出版教材的特点是: (1)公式推导详细,中文说明简练, 好像是一本数学书。 (2)例题数量多。对消化理论,十分有帮助。 (3)某些内容吸收了最 新研究论文的成果,知识深度、广度有所拓展。但是,该课件虽自成体系,但所列算图和 数据表格不够全面,仍需参考有关教材。所以,该课件与化工原理教材起到“互补”的作 用

北师版_七年级上册_数学各阶段精品试题_期中、期末、月考真题_2017-2018学年安徽省淮南市谢家集二中七年级（上）第一次月考数学试卷

北师版_七年级上册_数学各阶段精品试题_期中、期末、月考真题_2017-2018学年安徽省淮南市潘集区芦集中学七年级（上）第一次联考数学试卷

北师版_七年级上册_数学各阶段精品试题_期中、期末、月考真题_2017-2018学年安徽省淮南市潘集区七年级上学期第二次联考数学试题（无答案）

提出了一种面向网络长文本的话题检测方法.针对文本表示的高维稀疏性和忽略潜在语义的问题，提出了Word2vec&LDA（latent dirichlet allocation）的文本表示方法.将LDA提取的文本特征词隐含主题和Word2vec映射的特征词向量进行加权融合既能够进行降维的作用又可以较为完整的表示出文本信息.针对传统话题发现方法对长文本输入顺序敏感问题，提出了基于文本聚类的Single-Pass&HAC（hierarchical agglomerative clustering）的话题发现方法，在引入时间窗口和凝聚式层次聚类的基础上对于文本的输入顺序具有了更强的鲁棒性，同时提高了聚类的精度和效率.为了评估所提出方法的有效性，本文从某大学社交平台收集了来自真实世界的多源数据集，并基于此进行了大量的实验.实验结果证明，本文提出的方法相对于现有的方法，如VSM（state vector space model）、Single-Pass等拥有更好的效果，话题检测的精度提高了10%~20%

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

针对弱光照条件下交通标志易发生漏检和定位不准的问题，本文提出了增强YOLOv3（You only look once）检测算法，一种实时自适应图像增强与优化YOLOv3网络结合的交通标志检测与识别方法。首先构建了大型复杂光照中国交通标志数据集；然后针对复杂的弱光照图像提出自适应增强算法，通过调整图像亮度和对比度强化交通标志与背景之间的差异；最后采用YOLOv3网络框架检测交通标志。为了降低先验锚点框设置精度以及图像中背景与前景比例严重失衡对检测精度造成的影响，优化了先验锚点框聚类算法和网络的损失函数。对比实验结果表明，在实时性大致相当的情况下，本文提出的增强YOLOv3检测算法较标准YOLOv3算法对交通标志有更高的回归精度和置信度，召回率和准确率分别提高0.96%和0.48%