德国数学家和物理学家。 长期从事于数学并将数学应用于物理 学、天文学和大地测量学等领域的研 究著述丰富,成就甚多。他一生中共 发表323篇(种)著作,提出404项 科学创见。 在CGS电磁系单位制中磁感应强度的 单位定为高斯,便是为了纪念高斯在 电磁学上的卓越贡献

高斯C.F.17~155 德国数学家和物理学家.1777年4月30日生于德国布伦瑞 克, 幼时家境贫困,聪敏异常,受一贵族资助才进学校受教育.1795 ~1789年在哥廷根大学学习,1799年获博士学位.1870年任哥 廷根大学数学教授和哥廷根天文台台长,直到逝世.1833年和 物理学家WE韦伯共同建立地磁观测台,组织磁学学会以联 系全世界的地磁台站网1855年2月23日在哥廷根逝世 高斯长期从事数学并将数学应用于物理学、天文学和大地 测

一、数学期的概 二、高散型随机变量的数学期 三、连续型随机变量的数学期 回、数学期的性质

根据中锰钢热轧组织结构确立两相区奥氏体化的几何模型和初始条件,利用DICTRA动力学分析软件对中锰钢马氏体基体奥氏体化过程进行计算分析.在奥氏体化初期的形核过程中,马氏体中过饱和的碳锰元素从铁素体迅速转移到奥氏体并在相界面奥氏体一侧聚集.后续的相变过程中,碳在奥氏体中快速均化,但锰在相界面奥氏体一侧的聚集加剧.相变初期奥氏体界面推移速度比中后期高出若干个数量级,但随时间推移迅速衰减.相变初期相界面推移是碳扩散主导,相变后期界面推移受到锰在奥氏体中扩散速度制约.温度升高可显著提高相界面推移速度.达到相同数量奥氏体的情况下,低温长时退火有利于锰从铁素体向奥氏体转移并提高其在奥氏体中的富集度,从而提高奥氏体的稳定性

本章我们讨论的主要是数据文件。数据文件存储的是程序运行时所用到的数据。在实际应用中,经常涉及到需要重复使用的大量数据,在这种情况下,如果每次都从键盘上输入,一方面造成大量的人力、物力浪费,另一方面又增大了输入出错的可能性。解决这种问题的常用方法是,把待输入的大量数据预先准 确无误地以文件的形式存储到磁盘上,需要用到数据时,从文件中读出即可。同样,我们也可把程序的运行结果存到磁盘上这样既能长期保存数据,又能做到数据共享

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

本题中所使用的长度单位为 E(=30.24cm)；容积单 位为 G(=3.785L(升)). 某些州的用水管理机构需估计公众的用水速度 (单位是 G/h)和每天总用水量的数据。许多地方没有测 量流入或流出水箱流量的设备，而只能测量水箱中的 水位(误差不超过 5%). 当水箱水位低于某最低水位 L 时，水泵抽水，灌入水箱内直至水位达到某最高水位 H 为止。但是也无法测量水泵的流量，因此在水泵启 动时无法立即将水箱中的水位和水量联系起来。水泵 一天灌水 1~2 次，每次约 2h. 试估计在任意时刻(包括 水泵灌水期间)t 流出水箱的流量 f(t)，并估计一天的总 用水量

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