本章重点是叠加定理、戴维南定理和最大功率传输定理，难点是应用不同定理分析电路问题。 1. 叠加定理、齐性定理 2. 替代定理 3. 戴维南定理和诺顿定理 4. 特勒根定理 5. 互易定理 6. 对偶原理

第一章 一次不定方程 第二章 二次不定方程 第三章 三次不定方程 第四章 四次不定方程 第五章 费马大定理 第六章 与连续整数有关的不定方程 第七章 某些指数不定方程 第八章 某些不定方程整数解的上界

第二章(2)电路定理 主要内容: 一、迭加定理和线性定理 二、替代定理 三、戴维南定理和诺顿定理 四、特勒根定理 五、互易定理

第十二章张量积与外代数 12-1多重线性映射 12.1.1线性空间的一组基的对偶基的定义 定义12.1对偶空间 设v是k上n维线性空间,E2,Sn是的一组基,则线性函数 f:V→K(K为数域)被f在此组基下的映射法则决定,即f()f(2)f(n)已给 定。现设V内全体线性函数组成的集合为V,则在V内定义加法与数乘如下: (i)f,,+)(a)= f(a)+g(a); (iif EV', k K, f )(a)= (a). 则V关于上述加法、数乘组成K上的线性空间,称为V的对偶空间,记作o(V,K 定义12.2对偶基 假设同定义12.1,定义V内n个线性函数

定积分的换元法 上一节我们建立了积分学两类基本问题 之间的联系微积分基本公式,利用这 个公式计算定积分的关键是求出不定积分 ,而换元法和分部积分法是求不定积分的 两种基本方法,如果能把这两种方法直接 应用到定积分的计算,相信定能使得定积 分的计算简化,下面我们就来建立定积分 的换元积分公式和分部积分公式

第七章定价策略 教学目的和要求: 本章主要阐述企业定价的程序、方法、策略及价格调整的策略等内容。通过本章学习,要求学生明确定价程序,弄清定价方法,掌握定价和调价策略。 教学重难点: 重点:定价和调价的方法和策略。 难点:影响定价和调价的诸因素的综合分析,尤是需求的价格弹性因素

针对线性自抗扰控制器参数难于整定的问题,提出了一种基于动态响应过程时序数据挖掘的参数自整定算法.算法以线性自抗扰控制器中线性误差反馈律的两个增益信号回路的动态响应为参数调整对象,通过改进变收缩系数的随机搜索算法进行参数整定,记录动态响应过程数据,基于关联关系挖掘得到控制参数调整策略应用于线性自抗扰控制器的参数自整定.为验证本文提出的参数自整定方法的实际效果,以液压自动位置控制系统为控制对象,分别采用阶跃响应仿真和Monte Carlo实验进行对比研究.结果表明,基于数据挖掘参数自整定的线性自抗扰控制器动态响应较好,鲁棒性较强,改进了变收缩系数随机搜索算法调整时间较长以及传统线性自抗扰控制器超调较大的缺点,是一种具有实用性的线性自抗扰控制器参数自整定方法

为实现岩石试样蠕变全过程的准确模拟,并从细观角度探究蠕变过程中微裂隙的发生和发展规律,在二维颗粒流程序(PFC2D)中开发出具有黏弹塑性特征的西原体流变接触本构模型,进一步提出包含两种非定常元件的非定常西原体模型,推导了模型本构关系和蠕变方程.在PFC2D中调用自定义西原体流变模型,通过参数调试,获得与真实试样具有相同强度特性的数值试样.以室内单轴压缩蠕变试验数据为基础,在Matlab中对模型非定常参数进行拟合反演分析.在此基础上,进行单轴压缩蠕变试验的模拟,计算过程中分别采用定常和非定常两种模型,并对微裂隙进行监测.对比分析结果表明:定常模型仅适用于衰减和稳定蠕变阶段;非定常模型也可用于描述加速蠕变阶段,从而准确模拟蠕变全过程;加速蠕变阶段主要是由微裂隙的加速发展而产生,加速蠕变将导致试样剪切破坏

一、问题的提出 二、风险资产定价理论发展进程图示 三、圣.彼得堡悖论(st. Petersburg paradox) 四、亨利.马可维兹的投资组合理论(Harry Markowitz' Portfolio Theory) 五、资本资产定价模型(Capital Asset Pricing Model,capm 六、莫迪里安尼(Modigliani)和米勒()的资本结构定理,mMT 七、罗尔(Roll)和罗斯(Ross)的套利定价模型,APT 八、金融衍生品定价:远期、期货和期权的定价 九、几点评论

脏腑定位，即明确病变所在的脏腑，是中医脏腑辨证的重要阶段。本文旨在通过神经网络模型搭建中医脏腑定位模型，输入症状文本信息，输出对应的病变脏腑标签，为实现中医辅助诊疗的脏腑辨证提供支持。将中医的脏腑定位问题建模为自然语言处理中的多标签文本分类问题，基于中医的医案数据，提出一种基于预训练模型ALBERT和双向门控循环单元（Bi-GRU）的脏腑定位模型。对比实验和消融实验的结果表明，本文提出的方法在中医脏腑定位的问题上相比于多层感知机模型、决策树模型具有更高的准确性，与Word2Vec文本表示方法相比，本文使用的ALBERT预训练模型的文本表示方法有效提升了模型的准确率。在模型参数上，ALBERT预训练模型相比BERT模型降低了模型参数量，有效减小了模型大小。最终，本文提出的脏腑定位模型在测试集上F1值达到了0.8013