聊城大学：《拓扑学 Topology》课程教学资源（PPT课件讲稿）第二章 度量空间与连续映射 §2.4 导集、闭集、闭包

习题五 1.设E是R中一族(开的、闭的、半开半闭的区间的并集.证明E是 Lebesgue可测集

§1 函数的概念 §2 逆函数和复合函数 §3 基数的概念 §4* 可数集与不可数集

• 第一节 复数 • 第二节 复平面上的点集

教学目的欧氏空间R”上的测度与积分是本课程的主要研究对象本节讨 论欧氏空间上的若干拓扑概念通过本节的学习可以熟悉欧氏空间上的开集, 闭集和 Borel集, Cantor集等常见的集,为后面的学习打下基础 本节要点由R”上的距离给出邻域内点聚点的定义从而给出开集,闭集 的定义由开集生成一个o代数引入 Borel集 Cantor集是一个重要的集,它有 一些很特别的性质.应使学生深刻理解本节介绍的各种集的概念并熟练应用 充分利用几何图形的直观,可以帮助理解本节的内容

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

◼ 有限集合  元素的个数称为该集合的基数；  满足包含排斥原理。 ◼ 无限集合  元素无限多，如：自然数集合N、整数集I、实数集R等。 ◼ 问题：  对于这样的集合有没有基数呢？  如果有，基数是多少？  无限集合之间有无大小的差别? ◼ 本章主要借助于函数讨论集合的所谓“大小”问题。这里用到自然数集合这个重要的概念讨论无限集

一、区间与邻域；有界集与确界原理 二、重点：区间与邻域的概念，确界定义与确界原理 三、要求：正确理解数集上下确界与数集上下界的定义