第一章 统计和统计数据的收集 第二章 统计数据的整理和展示 第三章 数据的描述性分析 一、绝对数和相对数 二、集中趋势的测定 三、离散趋势的测定 四、数据的形态测定 第四章 概率基础——随机变量及其概率分布 第一节 随机变量的概念及数字特征 第二节 常见的离散型分布 一、两点分布 二、二项分布 第三节 常见的连续型分布 正态分布 x2分布 t分布 F分布 第四节 中心极限定理 第五章 区间估计和假设检验 第六章 相关与回归 多元线性回归 非线性回归模型 第八章 时间数列分析 时间数列的种类和编制方法 时间数列传统分析指标 长期趋势的测定 季节变动、循环变动和剩余变动的测定 时间数列的预测方法

人教版（2012）小学数学五年级下册2 因数与倍数1.因数和倍数习题(4)

模块ニ数控机床结构及主要部件 数控机床认识项目→ 项目一数控机床组成→ 项目二数控机床结构性能与布局特点 数控机床了解项目→ 项目一数控机床坐标系→ 项目二数控系统→ 项目三数控机床的主传动系统→ 项目四数控机床的进给传动系统→ 项目五检测装置→

人教版（2012）小学数学五年级下册2 因数与倍数1.因数和倍数习题(3)

行列式 一、基本要求 1.了解n阶行列式的定义; 2.了解行列式的性质,掌握行列式的计算 3.掌握克兰姆法则 二、内容提要 1.排列的逆序与逆序数 由1,2,…,n组成的一个有序数组称为一个n级排列一个排列中任取两个数,如果前面的数大于后面的数,则称这两个数构成一个逆序;一个排列中逆序的总数称为这个排列的逆序数。 2.奇偶排列 逆序数为偶数的排列称为偶排列逆序数为奇数的排列称为奇排列

第8讲一维数组和二维数组 一、一维数组 1、一维数组的定义 2、一维数组元素的引用 3、一维数组的初始化 二、二维数组 1、二维数组的定义和引用 2、二维数组的初始化

人教版（2012）小学数学五年级下册2 因数与倍数1.因数和倍数习题(2)

总复习 第一章汇编语言基础知识 1.2数据表示 1.十进制数转换二进制数; 整数部分不断除以 2,记下每次得到的余 数,直到商为零;②余数倒排,即最后得到的余 数排在最高位,第一个余数排在最低位。例如将 十进制数13转换成二进制数: 小数部分转换:乘2取整,顺序排列得到 的整数。例如将0.8125转换成二进制数

随着物联网技术的发展，前端传感器的使用使得低合金钢的海水腐蚀监测成为了现实，从而获得了大量的腐蚀数据。针对传统均值法处理双率腐蚀数据带来的数据信息损失以及建模精度下降问题，提出了一种基于综合指标值(CIV)和改进相关向量回归(IRVR)的双率腐蚀数据处理和建模算法(CIV-IRVR)。首先，通过构建CIV表征输入数据的综合影响并采用天牛须搜索(BAS)算法对其参数进行寻优；然后，建立最优CIV序列与输出数据间的线性回归模型将双率数据转化为建模用的单率数据，能够更多地保留原始数据信息；最后，给出了一种BAS算法优化的具有组合核函数的改进相关向量回归建模方法(IRVR)，并建立了针对低合金钢海水腐蚀双率数据的CIV-IRVR预测模型。结果表明：相比于均值方法处理双率腐蚀数据，所提方法将建模样本数量由196提升到了1834；相比于海水腐蚀建模领域常用的人工神经网络(ANN)和支持向量回归(SVR)建模方法，所提模型的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(CD)分别为1.1914 mV、1.5729 mV以及0.9963，在各项指标上均优于对比算法，说明所提模型不仅减少了信息损失还提高了建模精度，对于双率海水腐蚀数据建模具有一定现实意义

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性