针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

3.1 程序设计概述 3.2 C语言的数据类型 3.3 常量和变量 3.4 整型数据 3.5 实型数据 3.6 字符型数据 3.7 算术运算与算术表达式 3.8 赋值运算与赋值表达式 3.9 C语言特有的运算和运算符

什么是大数据 ■概念/技术支持/大数据的来源 大数据的关键技术 采集技术/存储与管理技术 计算模式与系统/数据分析与挖掘技术 ■隐私安全 典型案例 ■环境云/百度迁徙/新浪舆情通/阿里云数加 我们的探索 ■网络监控分析/系统日志分析/教育评价分析

◼ 2.1 数据的来源 ◼ 2.2 调查数据 ◼ 2.3 实验数据 ◼ 2.4 数据的误差

 非关系型数据库  mongoDB简介 ◼ mongoDB、特性、副本集  mongoDB数据库服务 ◼ 实现mongoDB数据库服务 ◼ mongoDB服务进程 ◼ 使用mongoDB Compass管理MongoDB数据库服务  高可用 ◼ 实现mongoDB高可用 ◼ 监控mongoDB

本章内容：DataSet的基本构成，访问和填充DataSet，修改DataSet及数据更新。 本章重点：DataSet的基本构成，常用子对象、属性和方法，使用DataSet与DataAdapter配合完成常规数据库操作。 8.1 DataSet的基本构成 8.2 DataAdapter对象 8.3 使用DataSet访问数据库 8.4 实训

 事务的基本概念  备份和恢复概述  故障的种类  数据库备份  数据库恢复

一、SQL概述 — 认识SQL 二、数据定义 三、管理数据 — 插入表数据 四、思考题 五、SQL查询 — SELECT语句语法格式 六、视图 七、索引

本章内容：SQL Server使用基础，包括数据库、表、记录的操作等内容。 本章重点：数据库和表的创建、常用T-SQL语句的使用、数据库的分离和附加

本章内容：ASP.NET的状态管理包括使用Cookie、Session、Application对象实现状态管理，跨页存取数据，全局数据共享等。 本章重点：使用Cookie对象实现状态管理，使用Session对象存、取数据，使用Application对象共享数据