一、数的历史：（略） 二、数的代数性质：关于数的加、减、乘、除等运算的性质。 数所研究的问题主要涉及数的代数性质，这方面的大部分性质是有理数、实数、复数的全体所共有的

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→

附录2数域命题量词 1数域 一个含有数0,1的数集F,如果其中任意两个数关于数的四则运算封闭除法的除数不为零),即它们的和,差,积,商仍是F中的数,则数集F就称为一个数域

迄今为止，我们已详细介绍了基本数据类型如整 型、实型、字符型等，也介绍了一种构造类型的数 据—数组，数组中的各元素是属于同一个类型的。 但在处理实际问题时，经常会遇到复杂的数据，只 有这些数据类型是不够的，还需要将不同类型的数 据组合成一个有机的整体，以便于引用。为了能把 这些有一定逻辑联系的数据组成一个整体，C++语 言提供了一种结构体数据类型本章主要介绍由不同 类型数据组成的构造类型的数据，包括结构体类型 共用体类型和枚举类

数据是C++程序的重要组成部分,是程序操作的对象,它们具有一定的数据名称、数据 类型、存储类型、作用域和生存期等属性。 数据名称是程序员为某一数据所指定的标识符。数据类型确定了数据占用内存区域的大 小和数据存放形式。存储类型则规定了数据在内存中的位置和生存期。作用域确定了数据可 以使用的范围。生存期则说明了数据占用的内存时间

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

6.1 数组的概念 6.2 数组的定义 6.3 数组的初始化 6.4 数组元素的使用 6.5 数值数组元素的常用操作 6.6 数值数组的应用举例 6.7 字符数组的使用 6.8 字符数组的应用举例

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

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