挖掘动物和植物化石算不算考古

使句子变得更加生动、有趣、形象.

蟋蟀用前足扒土,还用钳子搬掉较大的土块.用它强有力的后足踏地.后腿上有两排锯,用它将泥土推到后面,倾斜地铺开.一直这样挖下去

解题思路：在没有天平的情况下，本实验的难点在于如何测出酒杯的质量．可以考虑借助物体的浮沉条件和浮力公式，列出表达式进行计算．酒杯的体积则可以利用带刻度的玻璃杯两次测量的体积之差求出．

（1）方法：①让量筒装适量的水，记下体积V₁；
②将小酒杯漂浮在水面，记下液面示数 V₂；据物体漂浮，G_杯=F_浮，m_杯g=ρ_水Vg可以得出酒杯的质量为m=ρ_水（V₂-V₁）；
③将小酒杯浸没于量筒的水里，记下液面示数V₃，可以得出酒杯的体积为V₃-V₁；
（2）酒杯的密度为ρ_杯=[m/V]=
(V2−V1)•ρ水
V3−V1．
故答案为：（1）同上；（2）ρ_杯=
(V2−V1)•ρ水
V3−V1．

点评：
本题考点： 物体的浮沉条件及其应用；设计实验测密度．

考点点评： 巧妙利用浮力的知识来测物体的质量，是本题的关键点．漂浮的物体，其重力等于浮力，再用浮力的公式表示出浮力，可得出酒杯质量的表达式．此题中，多次利用玻璃杯测量酒杯的体积、酒杯漂浮时排开水的体积也是解决问题的重要方法．

如果父亲坚持挖掘,搜救儿子,儿子等14个同学就得救了.
因为父亲坚持挖掘,搜救儿子,所以儿子等14个同学得救了.

她不会写建字,那又何妨,她已建筑出了一个小女孩心中无价的勇气；她不会写谱字,那又何妨,她已谱写 出了一个小女孩心中无尽的温

解题思路：由题意得原定每天挖土600÷10=60，提前2天完成掘土任务，以后的日期内平均每天至少要挖掘（600-120）÷6立方米．

根据题意得：（600-120）÷（10-4）=480÷6=80（立方米）．
答：在以后的日期内平均每天至少要挖掘80立方米的土方．

点评：
本题考点： 有理数的混合运算．

考点点评： 本题看起来很繁琐，但只要理清思路，分别计算出原来和现在的工作量即可．渗透了转化思想．

小题1:D
小题1:C
小题1:A

略

人类挖掘出宝藏.

夫观华夷之春秋,如蠡贼之窃先人珍宝耳!

解题思路：将原来每天的挖泥量当作单位“1”，挖泥量增加了50%，即为原来的1+50%，则如果效率不变则时间也应是原来的1+50%，即需要20×（1+50%）天，又每日挖泥量也增加了[1/5]，即实际每天的挖泥量是计划的1+[1/5]，则实际需要20×（1+50%）÷（1+[1/5]）天完成．

20×（1+50%）÷（1+[1/5]）
=30÷
6
5，
=25（天）．
答：这样25天可以完成任务．

点评：
本题考点： 分数和百分数应用题（多重条件）．

考点点评： 本题根据分数的意义进行分析解答比较简便．“12000立方米”在本题中属于多余条件．

A

数据挖掘,在人工智能领域,习惯上又称为数据库中知识发现(Knowledge Discovery in Database,KDD),也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤.知识发现过程以下三个阶段组成：（1）数据准备,（2）数据挖掘,（3）结果表达和解释.数据挖掘可以与用户或知识库交互.并非所有的信息发现任务都被视为数据挖掘.例如,使用数据库管理系统查找个别的记录,或通过因特网的搜索引擎查找特定的Web页面,则是信息检索（information retrieval）领域的任务.虽然这些任务是重要的,可能涉及使用复杂的算法和数据结构,但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构,从而有效地组织和检索信息.尽管如此,数据挖掘技术也已用来增强信息检索系统的能力.

第一题提问者的图肯定是错的,不信对比一下题目就知道了.
第一题第一问可以先设y=kx,然后依题意可得(0,0)和(6,60)两个坐标代入即可.
第二问可以设y=kx+b,然后依题意得（2,30）和（6,50）两个坐标代入即可.
第三问可以利用上两条得出的关系式,只要令两个y相等就行了,再求出x.
第二题从题目中已知直线y=kx+b是由直线y=-2x平移所得,由于y=-2x是一条过原点的直线,所以可得直线y=kx+b为直线y=-2x+6,可得k=-2,b=6.
第二问也可以运用刚才的办法,首先因为直线y=kx+b平行于y=-2x,所以说直线y=kx+b是由y=-2x平移所得,所以从这里得出b=2,k=-2,因为在此题中k=m,所以m=-2
第三问先设y=kx,依题意得(0,0)和(-2,2),带入后算出k就行了.
第四问的话你画出图像后会发现,他们像一个“X字形,所以,直线y=-2x+6的横坐标的绝对值就是底,两条直线的交点的纵坐标的绝对值是高.
第三问我没想出来,望其他数学高手解答.记住：只告诉其解答方法,不要直接写出过程与答案,毕竟要提问者真正理解了这些题目才行,如果直接传上答案,就等于害了他（她）.

1

一般用朴素贝叶斯利用先验概率求解实际概率,进行预测和分类.
分类应用多了去了,最有名的就是信用评价了吧~
贝叶斯就那点东西,没啥可研究的了.
搞概率相关的话模糊逻辑可能容易出点东西~

“Impression .West Lake”
Strong history and culture to the West Lake and the beautiful natural scenery as a source of creativity,in-depth digging Hangzhou,an ancient folk tales,myths,cultural and historical representation of the elements of the West Lake to reproduce the same time,re-use of high-tech way,"West Lake Rain",from a side of West Lake and West Lake in the rain to reflect the natural charm of the rain.The entire landscape Virtual performances,through dynamic interpretation,realistic reproduction of the Hangzhou City connotation and condensed into a natural landscape to a high standard of art in the world,introduced to the world.

解题思路：（1）可以从图象直接求解；
（2）待定系数法求函数解析式：甲队是正比例函数，乙队在2≤x≤6的时间段是一次函数；
（3）两队同时完成任务，可以看成代数中的追及问题．

（1）2；60-50=10；（2分）

（2）①设甲队在0≤x≤6的时段内y与x之间的函数关系式为y=k₁x
由图可知，函数图象过点（6，60）
∴6k₁=60
解得k₁=10
∴y=10x（4分）；
②设乙队在2≤x≤6的时段内y与x之间的函数关系式为y=k₂x+b
由图可知，函数图象过点（2，30）（6，50）
∴

2k2+b＝30
6k2+b＝50
解得

k2＝5
b＝20
∴y=5x+20（7分）
③由题意得
10x＞5x+20，解得x＞4
∴4小时后，甲队挖掘河渠的长度开始超过乙队；（9分）

（3）由图可知，甲队速度是：[60/6]=10（米/时）
设甲队从开挖到完工所挖河渠的长度为z米，依题意，得[z−60/10＝
z−50
12]（11分）
解得z=110
答：甲队从开挖到完工所挖河渠的长度为110米．（12分）

点评：
本题考点： 一次函数的应用．

考点点评： 本题考查待定系数法求函数解析式和一次函数与方程的综合运用，是一道代数型综合题．

135÷（8+10）=7.5天
用总路程÷总速度=时间

因为东南丘陵的土壤是最适合种植茶叶和竹子.
【如果我的回答对你有所帮助,谢谢{右上角采纳或者正下方好评}

每人都有各自的闪光点 都有一定潜力尚未被发掘 找到自我的优势并发扬 会有想不到的收获

for i=1:1:n
for j=i+1:1:n
lengthnum=length(robot1(i:j));
for k=1:1:n
if (lengthnum+k-1<=n)&&sum(robot1(i:j)==robot2(k:lengthnum+k-1))==lengthnum
sumcount(lengthnum)=sumcount(lengthnum)+1;
end
end
end
end

A wide range of e-business applications enable companies generated a lot of business data,according to corporate business objectives set for these data,data mining can help companies analyze the key factors needed to complete tasks.The article outlines the definition of data mining,methods,processes,discusses the data mining technology and e-commerce relationship between the proposed data mining technology in the application of e-commerce system architecture,has been tested to achieve a predetermined result

解题思路：（1）已知挖掘机铲斗的容积和装满铲斗质量，利用密度公式即可求出泥土的密度．
（2）这些泥土从最大挖掘深度处送到位于最高卸料高度的装载车上，移送泥土的过程中，挖掘机对泥土所做的功是指对泥土的重力做功，那么在重力的方向上移动的距离是最大挖掘深度和最大卸料高度之和，然后利用W=Gh即可求出挖掘机对泥土所做的功；
（3）利用P=[W/t]求出挖掘机对泥土做功的功率．

（1）泥土的密度：
ρ=[m/V]=[510kg
0.3m3=1.7×10³kg/m³；
（2）一铲斗泥沙的重力G=mg=510kg×10N/kg=5.1×10³N；
对泥沙所做的功W=Fs=Gh=5.1×10³N×3m=1.53×10⁴J，
对泥沙做功的功率P=
W/t]=
1.53×104J
6s=2.55×10³W．
答：（1）铲斗中泥沙的密度是1.7×10³kg/m³．
（2）挖掘机每挖一次泥沙，对泥沙所做的功是1.53×10⁴J．对泥沙做功的功率是2.55×10³W．

点评：
本题考点： 密度的计算；功的计算；功率的计算．

考点点评： 本题考查了密度公式和做功公式、压强公式的应用，知道水平面上物体的压力和自身的重力相等是解题的关键．

有十大经典算法： 我是看谭磊的那本书学的.
下面是网站给出的答案：
1. C4.5
C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点,并在以下几方面对ID3算法进行了改进：
1) 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足；
2) 在树构造过程中进行剪枝；
3) 能够完成对连续属性的离散化处理；
4) 能够对不完整数据进行处理.
C4.5算法有如下优点：产生的分类规则易于理解,准确率较高.其缺点是：在构造树的过程中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效.

2. The k-means algorithm 即K-Means算法
k-means algorithm算法是一个聚类算法,把n的对象根据他们的属性分为k个分割,k < n.它与处理混合正态分布的最大期望算法很相似,因为他们都试图找到数据中自然聚类的中心.它假设对象属性来自于空间向量,并且目标是使各个群组内部的均 方误差总和最小.

3. Support vector machines
支持向量机,英文为Support Vector Machine,简称SV机（论文中一般简称SVM）.它是一种监督式学习的方法,它广泛的应用于统计分类以及回归分析中.支持向量机将向量映射到一个更 高维的空间里,在这个空间里建立有一个最大间隔超平面.在分开数据的超平面的两边建有两个互相平行的超平面.分隔超平面使两个平行超平面的距离最大化.假 定平行超平面间的距离或差距越大,分类器的总误差越小.一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》.van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较.

4. The Apriori algorithm
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法.其核心是基于两阶段频集思想的递推算法.该关联规则在分类上属于单维、单层、布尔关联规则.在这里,所有支持度大于最小支持度的项集称为频繁项集,简称频集.

5. 最大期望(EM)算法
在统计计算中,最大期望（EM,Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法,其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）.最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域.

6. PageRank
PageRank是Google算法的重要内容.2001年9月被授予美国专利,专利人是Google创始人之一拉里·佩奇（Larry Page）.因此,PageRank里的page不是指网页,而是指佩奇,即这个等级方法是以佩奇来命名的.
PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值.PageRank背后的概念是,每个到页面的链接都是对该页面的一次投票, 被链接的越多,就意味着被其他网站投票越多.这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩.PageRank这个概念引自 学术中一篇论文的被引述的频度——即被别人引述的次数越多,一般判断这篇论文的权威性就越高.

7. AdaBoost
Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器 (强分类器).其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权 值.将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器.

8. kNN: k-nearest neighbor classification
K最近邻(k-Nearest Neighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一.该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别.

9. Naive Bayes
在众多的分类模型中,应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model,NBC）. 朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以 及稳定的分类效率.同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单.理论上,NBC模型与其他分类方法相比具有最小的误差率. 但是实际上并非总是如此,这是因为NBC模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,这给NBC模型的正确分类带来了一定影响.在属 性个数比较多或者属性之间相关性较大时,NBC模型的分类效率比不上决策树模型.而在属性相关性较小时,NBC模型的性能最为良好.

10. CART: 分类与回归树
CART, Classification and Regression Trees. 在分类树下面有两个关键的思想.第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝.

To Apriori algorithm improvement and realization research
abstract:The traditional connection rule excavates the Apriori algorithm time expenses to be big,proposed excavates the ORAR algorithm based on the relational algebra theory connection rule,only must scan database one time using the relational matrix.Through the massive simulation experiment proved the improvement the ORAR algorithm is highly effective,reduced the excavation large number according to the centralism frequent item of collection running time.
Key word:Apriori; ORAR; Improvement; Relational matrix; Connection rule

!!!不会

人工翻译,请审阅.
Abstract：Aiming at Fan Xiaoqing's creation of short stories, tis paper excavates the two perspectives, ordinary, understanding, contained in her works, and describes the main connotation and causes, respectively. In addition the paper presents the reference significance of her short stories for the real life.
Keywords: Fan Xiaoqing; ordinary; understanding

D、水中的倒影、
因为光线照射入水中会出现折射现象、

五

解题思路：①根据密度计算公式先求出这块金属的密度，然后对照密度表，就可以查找出这块金属是由什么物质组成的．
②质量是物体本身的一种属性，与物体形状、状态、位置和温度无关．

金属块的质量：m=0.29kg
金属块的体积：V=15cm³=1.5×10^-5_m3
金属块的密度：ρ=[m/V]=
0.29kg
1.5×10-5m3=19.3×10³kg/m³
查看密度表，可知该金属块可能是由金组成的．
把此金属块带到月球，只是位置发生变化，质量不变，仍为0.29kg．
故答案为：19.3×10³kg/m³；金；0.29．

点评：
本题考点： 密度的计算；质量及其特性．

考点点评： 理解密度是物质的一种特性，利用密度可以鉴别物质，体会物理学是有用的．

20+15=35
35+35=70
70+70+70=210

Research and demonstration for key technology of water quality combined defence and control between mid-line main trunk canal water and its both sides ground water in South to North Water Diversion Project.
Developing research on key technology of water quality monitoring system based on data mining,and alleviating current situation in lower level of water environment monitoring informatization establishment in mid-line project areas,are aimed at offering technology support for water quality safety in mid-line project.

解答物理习题时,有些习题的已知条件并没有明显给出,而是隐含在题目中,需要解答者反复理解题意,认真分析题意,找出隐含的已知条件,选用适当的解题方法进行求解.因此,找出题目的隐含条件便成了解题的关键.那么,如何找出隐含条件呢?笔者认为应从以下几个方面考虑. 一、从物理概念的内涵中找出隐含条件 物理概念是物理现象的本质属性的抽象概括,是进行物理思维的基础.（剩余2625字）

我只能给出定义：
数据仓库就是面向主题的、集成的、不可更改的、随时间不断变化的数据集合.
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中、提取隐含其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程.
另外：
数据仓库并不是数据挖掘的先决条件,因为有很多数据挖掘可直接从操作数据源中挖掘出信息.

DW的作用主要是按照业务领域的划分进行数据存储,并提供相关的技术元数据
OLAP技术是利用DW的数据组织,形成面向领域的动态分析报表,从宏观向围观进行数据差异的分析,判断某一现象的最底层原因,例如一个公司的报表不好看,可以向下钻去判断是某一时间的某个营业部门的数据存在问题
OM是利用大量的历史数据分析,做各种假设,形成一个模型,再将模型反馈到历史数据中进行验证,从而将一个稳定可靠的模型搭建起来,作为将来类似应用的分析模型使用.这个模型的分析结果可以直接作为企业的发展趋势判定或者员工业绩的评估标准

Earthworms as land the largest biomass soil animal,is the farmland ecosystem soil material circulation is important one annulus,It is through the feeding,mining and other activities to promote the decomposition of organic matter,soil layers,the mixed soil aggregate formation,improve soil porosity,drainage and ventilation performance,thus improving soil physical,chemical,biological properties

数学不是很擅长,解题如下,望高手指正：
由题意可得等式：A+B=3600
1.16A+1.2B=4240
联立以上两式,可解得A=2000；B=1600
所以,A型电视机比原计划超额320台；B型电视机比原计划超额320台.

1）首先，数据挖掘－Data Mining不是一个骗局，而是一种还处于发展中，已经投入部分投入实际生产实践的技术框架。DM之所以经常和知识发现概念相关联是因为知识发现（Knowledge Discovery）是DM的目标和产出（output...

“他不会写“尝”字,那有何妨,她已品尝了人世间酸甜苦辣”

还是有很多的,只不过在大众当中不如那三个普及.赋体各朝各代都有,其中以汉赋最为有名.上卓越网一搜“汉赋”就会找到各种研究书籍.

From prepare knowledge with the few remainings characteristic of remaining,integral,scoop out together remaining type is a concerning the application that compute,solve uncertain square distance and recurring decimal in mathematics the contest.

在真实的情感、思维过程、心路历程等等这些面前,语言、词汇时常是很无力的,所以尽量用所知道的语言去描绘,那就是好作文.

蟋蟀的挖掘工具是那样柔弱,人们对他的劳动成果不感到惊奇吗?

答案：D
光有波粒两相性,即有“波”和“粒子”的特性,“波”性时可称为光波,此时不是直线传播,可绕过障碍物传播,“粒”性则是直线的.
答案D中太阳还在地平以下时,太阳的光波已经通过大气层开始向我们的眼睛传播,所以我们会看到它.
而A、B、C都是因为光在直线传播的例子,
A中：用激光准直技术即是运用光的“粒”子性；
B中：如果光不是直线传播我们就会看到前面所有的人；
C中：“三重和”的原因就是运用光的直线传播特性（三点成一直线）.

蟋蟀挖掘住宅( 不是)靠现代化的建筑工具,(而是)用自己的身体.

有!不过很难得到!
知道地球吗?它就是!一切物体都被它牢牢吸引住!

解题思路：（1）区分音调和响度，就要看生活中的含义是指声音大小还是高低；
（2）知道露的形成是液体现象；
（3）判断光源的依据是否发光；
（4）判断运动是看被研究物体相对于参照物是否有位置变化．

A、“高声语”是指大声说话的意思，所以是指响度，故A错误；
B、空气中的水蒸气遇冷液化成小水珠，是液化，故B错误；
C、桃花红的原因是反射了红光，它本身并不发光，故C错误；
D、孤帆相对于江岸有位置的变化，是运动的，故D正确．
故选D．

点评：
本题考点： 音调、响度与音色的区分；液化及液化现象；参照物及其选择；光的反射．

考点点评： 本题涉及声、热、光、运动等方面的基础判断类知识，要求知识点掌握准确．这也体现了生活中时时处处都蕴含着物理知识的思想．

由于车的牵引力不变,且二次情况阻力也都为定值,则车应该做匀加速直线运动,则有：
开始时有：a1=2x/t1²=2*80/400 m/s²=0.4m/s²
而牵引力为：F=m1a1+f= 4*10^5*0.4N+4*10^5*10*0.01N=2*10^5N
又因为：
a2=F-f ’/m2=2*10^5-0.01（4*10^5+△m）*10 / 4*10^5+△m=20-8 /40
解得：
△m=100t
此题先受力分析结合牛顿运动定律及运动学知识去考虑

潮湿——水；土质松软——空气（土质松软透气）；蚯蚓在泥土中,不见光——光；腐烂的有机物丰富——土壤的理化性质