基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

3.1 搜索算法结构 3.2 搜索区间的确定 3.3 区间消去法－黄金分割法 3.4 二分法 3.5 多项式近似法－二次插值法

一、一般求积公式及代数精度 二、 插值型求积公式 三 、牛顿—柯特斯（Newton-Cotes）公式 四、余项 五 、复合求积公式与龙贝格（Romberg）算法 六、 高斯（Guass）求积公式

§1 多元函数的基本概念 多元函数的概念 二元函数的极限 二元函数的连续性 §2 偏导数 偏导数的定义及其计算法 高阶偏导数 §3 全微分及其应用 全微分的概念 全微分在近似计算中的应用

基本内容： 网络互联基本概念，网际协议P,划分子网和构造超网，因特网的控制报文协议ICMP和路由选择选择协议，下一代网际协议IPv6。 重点掌握： 路由器的组成和作用 网际协议P的基本组成及工作原理 三类IP地址：分类IP地址、子网的划分、构造超网 IP地址与硬件地址的区别 IP数据报的格式以及如何实现数据报分片 因特网控制报文协议ICMP的基本数据格式 内部网关协议RIP的距离向量算法 IPv6的基本首部格式与地址表示方法

1.1 加法法则与乘法法则 1.2排列与组合 1.3 Stirling近似公式 1.4模型转换 1.5全排列的生成算法 1.6组合的生成 1.7可重组合 1.8若干等式及其组合意义 1.9应用举例

递推关系是计数的一个强有力的工具， 特别是在做算法分析时是必需的。递推关 系的求解主要是利用母函数。当然母函数 尚有其他用处，但这主要是介绍解递推关 系上的应用

针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题，通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略，定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型。首先，在p范数约束下，基于各类故障样本自身规模，分别进行了两种自适应的样本权重分配；其次，在每层分类器的优化中，将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合，同时，将样本的权重$ {\\boldsymbol{W}} $

6.1 树的定义和基本术语 6.2 二叉树 6.3 遍历二叉树和线索二叉树 6.4 树和森林 6.6 赫夫曼树及其应用 6.5 树与等价问题 6.7 回溯法与树的遍历 6.8 树的计数

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径