C++的标准输入输出流 C++中提供了一套输入输出流类的对象，它们是cin 、cout和cerr，对 应c语言中的三个文件指针stdin、stdout、stderr，分别指向终端输入、 终端输出和标准出错输出（也从终端输出）。cin与>>一起完成输入 操作，cout、cerr与<<一起完成输出与标准错误输出。利用cin和cout 比C语言中的scanf和printf要方便得多，cin和cout可以自动判别输入输 出数据类型而自动调整输入输出格式，不必像scanf和printf那样一个 个由用户指定。使用cin，cout不仅方便，而且减少了出错的可能性。 对于输出来说，我们像以上方式调用就可以了，对于输入来说，我 们以如下方式调用即可：

根据相似原理,以某厂300 t RH为原型建立了1∶4的水模型,集中研究了吹气孔堵塞对RH循环流量的影响.结果表明,吹气孔堵塞时,气量偏差对循环流量影响最大;当吹气孔对称堵塞时,吹气孔堵塞位置的连线与环流方向成0°时循环流量最小,呈90°时循环流量最大;当吹气孔集中堵塞时,随吹气孔堵塞个数的增加,气泡泵的作用机制由环状机制向簇群状机制转变,循环流量增加

递归元 递归算法的思想是将对较大规模的对象的操作归结为对较小规模的对象实施同样的操作。 这种规模的变化就体现在递归算法的变元中的一类(一个或几个)变元上,这类变元被称之为递归元

一、面向对象程序设计(OOP) 1、 将数据(属性)和方法(行为或功能)封装到类(classes)中 2、 数据与方法常常是紧密相关的 3、对象(objects): 类的实例对象或类本身 4、 三个基本特性：封装性、继承性和多态性

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理；然后在正则化图像背景中选取适当的掩膜作为样本集，计算各像素与样本集之间的马氏距离；再利用模糊C均值聚类算法对计算出的马氏距离进行分类；最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验，结果显示本算法可以自动抠图，且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果

一、复式记账的含义和基本原理 为了核算和监督会计对象，揭示会计对象具 体内容之间的本质联系，除了将会计对象的具 体内容划分为六大会计要素，通过设置会计科 目对会计要素作进一步分类，并在此基础上开 立账户，以便连续、系统地反映特定会计主体 的经济活动及其结果。同时，还应解决这样一 个问题，如何把会计要素的增减变动记录在账 户中，即采取什么样的记账方法

在热旋制备界面结合质量优异的铜/钛双金属复合管坯的基础上，对复合管进行了游动芯头拉拔加工，重点研究了复合管材游动芯头拉拔加工成形能力以及拉拔加工对复合管材组织性能的影响.研究结果表明，游动芯头拉拔方式，特别是减壁拉拔，对铜/钛复合管材结合界面有较大的破坏作用，且难以实现多道次连续拉拔加工，单道次拉拔加工量不宜超过30%；575℃保温70 min的道次间退火虽然对界面元素扩散情况影响不大，但能缓解加工硬化和残余应力，使得铜/钛复合管材的平均剥离强度由变形态的7.8 N·mm-1提高到退火态的17.1 N·mm-1，大幅度提高铜/钛复合管材的后续拉拔加工性能.通过严格控制拉拔减壁量，合理制定了铜/钛复合管材的拉拔加工工艺，成功制备了结合性能优异的毛细规格铜/钛复合管材

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义

1、从结构体到类； 2、类的声明； 3、对象的声明； 4、对象赋值语句； 5、类的作用域；

基于典型微观凝固单元体内的溶质质量守恒，结合前人的研究工作，建立了一个适合于枝晶凝固方式的二元合金微观偏析半解析模型.本模型同时考虑了反向扩散和粗化对微观偏析的影响，并对枝晶臂间距的粗化直接进行计算，因此更为精确.若只考虑反向扩散的影响，本模型可以简化为BF模型形式；而如果只考虑粗化的影响，本模型可简化为Mortensen模型.本模型完整地统一了以BF模型为代表的反向扩散类模型和以Mortensen模型为代表的粗化模型.利用本模型同样可以对多元合金的微观偏析进行很好预测.以Fe-C-X（Si，Mn，P，S）合金体系为例对本模型的求解过程进行了详细的阐述.本模型可以很好地预测Al-4.9%Cu二元合金的共晶分数以及Fe-C-X（Si，Mn，P，S）多元合金体系的零强度温度和零塑性温度，并与实测值吻合良好