第四章4-4线性变换的特征值与特征向量 4.4.1线性变换的特征值与特征向量的定义 定义若存在非零向量ξ∈V,使得对于某个∈K,有A5=5,则称ξ是A的属 于特征值λ的特征向量。 命题线性空间V中属于确定的特征值λ的特征向量(添加上零向量)构成子空间。 证明设51,52是属于的特征向量,Vk,∈K,则 A(k5+2)=k()+a(2)=k+2=(k5+152), 证毕。 定义线性空间V中属于确定的特征值λ的特征向量(添加上零向量)构成子空间称 为属于特征值的特征子空间,记为V 4.4.2特征值和特征子空间的计算、特征多项式

第一章语言的发展及其特点和应用 本章要求: 一、了解C语言的特点、与其它高级语言间异同; 二、了解C程序在PC机上的建立、编译和运行过程; 三、了解C语言程序设计思想;

继承(inheritance)机制是面向对象程序设计使代码可以 复用的最重要的手段,它允许程序员在保持原有类特性的基础 上进行扩展,增加功能。这样产生新的类,称派生类。派生类 不是简单地继承基础类的特性,它可以调整部分成员的特性, 也可以增加一些新成员。继承呈现了面向对象程序设计的层次 结构。体现了由简单到复杂的认识过程

多态性(polymorphism)也是面向对象程序设计的标志 性特征。前面我们讨论过面向对象的两个重要特性一封装性和 继承性,这三大特性是相互关联的,封装性是基础,继承性是 关键,而多态性是补充。 简单地说,在C++语言中,同一程序的某个运算符或者某 个函数名在不同情况下具有不同的实现的现象,叫做多态性。 其实在C语言中,我们已经接触过多态性的应用,对于不 同类型的数据,运算符“\\”具有不同的运算含义,如果两个 操作数都是整数,那么“\\”进行整数相除,结果也是整数, 而其中一个操作数是实数类型的,那么“”进行的是数学上 普通的除法,因此,面对不同的处理对象,“”运算符有不 同意义

单宁酸由于环保、价格低的特点在金属保护方面应用广泛，然而单一利用单宁酸作为缓蚀剂取得的效果有限，有研究表明盐类与缓蚀剂复配可以改善缓蚀剂的缓蚀效果。在此基础上进行单宁酸复配缓蚀剂的研究，采用两种复配剂氯化铁、钼酸钠分别与单宁酸（TA）缓蚀剂进行复配，研究其对碳钢Q235的缓蚀效果。通过硫酸铜点滴实验、浸泡实验、电化学实验对比氯化铁、钼酸钠分别与单宁酸复配后在碳钢表面的成膜特性及缓蚀效果。硫酸铜点滴液变色时间随着单宁酸中氯化铁和钼酸钠两种化合物浓度的升高出现先增加后降低的趋势；浸泡实验可以看出在单宁酸中加入氯化铁和钼酸钠后，碳钢表面仅出现个别点蚀坑；根据电化学测试结果，对比加入氯化铁前后单宁酸缓蚀剂对碳钢的缓蚀效果，发现两者的电荷转移电阻由2698变为3711 Ω·cm2，腐蚀电流密度由2.734降为1.902 μA·cm?2。加入钼酸钠后，电荷转移电阻和腐蚀电流密度存在明显的增加与下降，电荷转移电阻由2698变为5100 Ω·cm2，腐蚀电流密度由2.734降为0.714 μA·cm?2。在单宁酸中添加氯化铁和钼酸钠都能改善单宁酸的缓蚀效果，其中单宁酸与钼酸钠复配的缓蚀效果更好

针对胶结充填体脆性强、易开裂等问题，以聚丙烯纤维为加筋材料，通过设置水泥与尾砂质量比为1∶10和1∶20，纤维掺量为0、0.05%、0.15%和0.25%的充填体进行无侧限抗压强度试验，探究纤维掺量对胶结充填体强度及变形特性的影响，借助扫描电镜（SEM），从微观角度探讨纤维对充填体力学性质的作用机制。研究结果表明：充填料浆的屈服应力随纤维掺量增加呈线性增大，其流态模型符合Bingham流体；随着纤维掺量的增加，充填体的无侧限抗压强度呈先增大后减小趋势，纤维最优掺量为0.15%；掺入纤维有效地减缓了裂纹的扩展，约束了充填体的变形，充填体的峰后应变软化延长，残余强度增大，破坏特征由脆性向延性转变；纤维的加固效果主要受纤维与尾砂?水泥基体界面之间的黏结与摩擦作用控制

一、实验目的 1.了解病毒包涵体形态特点及在细胞内的位置。 2.了解单层细胞生长特点及现象。 3.了解立克次体、螺旋体、衣原体及真菌形态及染色特点

思想政治教育学之所以是一门科学,是因为它有自己特殊的研究领域,在这个 研究领域里有自己特殊的矛盾,有自己特殊的研究对象。而思想政治教育学之所以 能够成为一门科学,则是因为它有坚实的理论基础,指导着学科建设的健康发展 马克思列宁主义、毛泽东思想、邓小平理论是思想政治教育学的根本指导思想和理 论基础

7.4PLL的非线性分析 7.4.1非线性分析中研究的问题和方法(1)研究的问题:捕捉特性和同步特性等。捕捉特性指环路进入锁定状态的条件、过程及所需的时间等。条件:当输入信号刚刚加到PLL输入端时,有起始频差:

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