常见的常微分方程的一般解法

2023-11-19

本文归纳常见的常微分方程的一般解法。

如果没有出现意外,本文将不包含解法的推导过程。

常微分方程,我们一般可以将其归纳为如下n类:

  1. 可分离变量的微分方程(一阶)
  2. 一阶齐次(非齐次)线性微分方程(一阶),包含伯努利
  3. 二阶常系数微分方程(二阶)
  4. 高阶常系数微分方程(n阶),包含欧拉

1.可分离变量的微分方程(一阶)

这类微分方程可以变形成如下形式:

f ( x ) d x = g ( y ) d y f(x)dx=g(y)dy f(x)dx=g(y)dy

两边同时积分即可解出函数,难度主要在于不定积分,是最简单的微分方程。

p.s. 某些方程看似不可分离变量,但是经过换元之后,其实还是可分离变量的,不要被这种方程迷惑。

2.一阶齐次(非齐次)线性微分方程(一阶)

形如

d y d x + P ( x ) y = Q ( x ) \frac{dy}{dx}+P(x)y=Q(x) dxdy+P(x)y=Q(x)

的方程叫做一阶线性微分方程,若 Q ( x ) Q(x) Q(x)为0,则方程齐次,否则称为非齐次。

解法:直接套公式:

y ( x ) = e − ∫ P ( x ) d x ( ∫ e ∫ P ( x ) d x Q ( x ) d x + C ) y(x)=e^{-\int{P(x)}dx}(\int{e^{\int{P(x)dx}}Q(x)}dx+C) y(x)=eP(x)dx(eP(x)dxQ(x)dx+C)

多套几遍熟练就好。

伯努利方程

形如

d y d x + P ( x ) y = Q ( x ) y n , n ∈ R , n ≠ 1 \frac{dy}{dx}+P(x)y=Q(x)y^{n},n\in\mathbb{R},n\ne1 dxdy+P(x)y=Q(x)yn,nR,n=1

的方程称为伯努利方程,这种方程可以通过以下步骤化为一阶线性微分方程:

y − n d y d x + P ( x ) y 1 − n = Q ( x ) y^{-n}\frac{dy}{dx}+P(x)y^{1-n}=Q(x) yndxdy+P(x)y1n=Q(x)

1 1 − n ⋅ d y 1 − n d x + P ( x ) y 1 − n = Q ( x ) \frac{1}{1-n}·\frac{dy^{1-n}}{dx}+P(x)y^{1-n}=Q(x) 1n1dxdy1n+P(x)y1n=Q(x)

y 1 − n = u y^{1-n}=u y1n=u,方程两边同时乘以 1 − n 1-n 1n,得到

d u d x + ( 1 − n ) P ( x ) u = ( 1 − n ) Q ( x ) \frac{du}{dx}+(1-n)P(x)u=(1-n)Q(x) dxdu+(1n)P(x)u=(1n)Q(x)

d u d x + P ′ ( x ) u = Q ′ ( x ) \frac{du}{dx}+P'(x)u=Q'(x) dxdu+P(x)u=Q(x)

这是可以套公式的一阶线性微分方程。

3.二阶常系数微分方程(二阶)

形如

y ′ ′ + p y ′ + q y = f ( x ) y''+py'+qy=f(x) y+py+qy=f(x)

的方程称为二阶常系数微分方程,若 f ( x ) ≡ 0 f(x)\equiv0 f(x)0,则方程称为齐次的,反之称为非齐次的。以下默认方程是非齐次的。

求解此类方程分两步:

  1. 求出齐次通解
  2. 求出非齐次特解

方程的解就是齐次通解和非齐次特解的和。

齐次通解的求法

首先假设 f ( x ) ≡ 0 f(x)\equiv0 f(x)0.

用特征方程法,写出对应的特征方程并且求解:

r 2 + p r + q = 0 r^{2}+pr+q=0 r2+pr+q=0

解的情况分为以下三种:

情况一:方程有两个不同的实数解

假设两个实数解分别是 r 1 、 r 2 r_{1}、r_{2} r1r2

此时方程的通解是

Y ( x ) = C 1 e r 1 x + C 2 e r 2 x Y(x)=C_{1}e^{r_{1}x}+C_{2}e^{r_{2}x} Y(x)=C1er1x+C2er2x.

情况二:方程有一个二重解

假设该解等于 r r r

此时方程的通解是

Y ( x ) = ( C 1 + C 2 x ) e r x Y(x)=(C_{1}+C_{2}x)e^{rx} Y(x)=(C1+C2x)erx.

情况三:方程有一对共轭复解

假设这对解是 α ± i β \alpha\pm i\beta α±iβ

此时方程的通解是

Y ( x ) = e α x ( C 1 c o s ( β x ) + C 2 s i n ( β x ) ) Y(x)=e^{\alpha x}(C_{1}cos(\beta x)+C_{2}sin(\beta x)) Y(x)=eαx(C1cos(βx)+C2sin(βx))

非齐次特解的求法

对于 f ( x ) f(x) f(x)和特征根的情况,对特解的情况做如下归纳:

1. f ( x ) = P m ( x ) f(x)=P_{m}(x) f(x)=Pm(x),其中 P m ( x ) P_{m}(x) Pm(x)表示 x x x的最高次数为m的多项式。

若0不是方程特征解

则方程有特解 y ∗ = Q m ( x ) y^{*}=Q_{m}(x) y=Qm(x)

若0是方程的单特征解

则方程有特解 y ∗ = x Q m ( x ) y^{*}=xQ_{m}(x) y=xQm(x)

若0是方程的二重特征解

则方程有特解 y ∗ = x 2 Q m ( x ) y^{*}=x^{2}Q_{m}(x) y=x2Qm(x).

其中, Q m ( x ) = b 0 + b 1 x + … … + b m x m Q_{m}(x)=b_{0}+b_{1}x+……+b_{m}x^{m} Qm(x)=b0+b1x++bmxm

b i ( i = 0 , 1 , … … m ) b_{i}(i = 0,1,……m) bi(i=0,1,m)是需要带回原方程来确定的系数。

2. f ( x ) = e α x P m ( x ) f(x)=e^{\alpha x}P_{m}(x) f(x)=eαxPm(x).

α \alpha α不是方程特征解

则方程有特解 y ∗ = e α x Q m ( x ) y^{*}=e^{\alpha x}Q_{m}(x) y=eαxQm(x)

α \alpha α是方程的单特征解

则方程有特解 y ∗ = x e α x Q m ( x ) y^{*}=xe^{\alpha x}Q_{m}(x) y=xeαxQm(x)

α \alpha α是方程的二重特征解

则方程有特解 y ∗ = x 2 e α x Q m ( x ) y^{*}=x^{2}e^{\alpha x}Q_{m}(x) y=x2eαxQm(x).

3. f ( x ) = e α x ( a 1 c o s ( β x ) + a 2 s i n ( β x ) ) f(x)=e^{\alpha x}(a_{1}cos(\beta x)+a_{2}sin(\beta x)) f(x)=eαx(a1cos(βx)+a2sin(βx))

α ± i β \alpha\pm i\beta α±iβ不是特征解

则方程有特解 y ∗ = e α x ( A 1 c o s ( β x ) + A 2 s i n ( β x ) ) y^{*}=e^{\alpha x}(A_{1}cos(\beta x)+A_{2}sin(\beta x)) y=eαx(A1cos(βx)+A2sin(βx))

α ± i β \alpha\pm i\beta α±iβ是特征解

则方程有特解 y ∗ = x e α x ( A 1 c o s ( β x ) + A 2 s i n ( β x ) ) y^{*}=xe^{\alpha x}(A_{1}cos(\beta x)+A_{2}sin(\beta x)) y=xeαx(A1cos(βx)+A2sin(βx))

其中 A 1 A_{1} A1 A 2 A_{2} A2是需要带回原方程来确定的系数。

4.高阶常系数微分方程(n阶),包含欧拉

形如 y ( n ) + p 1 y ( n − 1 ) + . . . + p n − 1 y ′ + p n y = f ( x ) y^{(n)}+p_{1}y^{(n-1)}+...+p_{n-1}y'+p_{n}y=f(x) y(n)+p1y(n1)+...+pn1y+pny=f(x)

的方程叫做高阶常系数微分方程,若 f ( x ) ≡ 0 f(x)\equiv0 f(x)0,则方程是齐次的,否则是非齐次的。下面默认方程是非齐次的。

求解此类方程分两步:

  1. 求出齐次通解
  2. 求出非齐次特解

方程的解就是齐次通解和非齐次特解的和。

齐次通解的求法

使用特征方程法。首先假设 f ( x ) ≡ 0 f(x)\equiv0 f(x)0.

列出特征方程并求解:

r n + p 1 r n − 1 + . . . + p n − 1 r + p n = 0 r^{n}+p_{1}r^{n-1}+...+p_{n-1}r+p_{n}=0 rn+p1rn1+...+pn1r+pn=0

得到的解无非是以下四种情形:

  1. 1重实数解
  2. k重实数解
  3. 一对1重共轭复数解
  4. 一对k重共轭复数解

每出现一种情形的解,通解 y ( x ) y(x) y(x)中就多出一项,各项之和就构成了整个通解。

根据下面的规则可以写出不同情况下的通解

1重实数解

λ \lambda λ是特征方程的一个1重实数解。

则应该为它在通解中增加这样一项:

C e λ x Ce^{\lambda x} Ceλx

k重实数解

λ \lambda λ是特征方程的一个k重实数解。

则应该为它在通解中增加这样一项(如果拆开括号就是k项):

e λ x ( C 1 + C 2 x + . . . + C k x k − 1 ) e^{\lambda x}(C_{1}+C_{2}x+...+C_{k}x^{k-1}) eλx(C1+C2x+...+Ckxk1)

一对1重共轭复数解

α ± i β \alpha\pm i\beta α±iβ是特征方程的一对1重共轭复数解。

则应该为它在通解中增加这样一项(如果拆开括号就是2项):

e α x ( C 1 c o s ( β x ) + C 2 s i n ( β x ) ) e^{\alpha x}(C_{1}cos(\beta x)+C_{2}sin(\beta x)) eαx(C1cos(βx)+C2sin(βx))

一对k重共轭复数解

α ± i β \alpha\pm i\beta α±iβ是特征方程的一对k重共轭复数解。

则应该为它在通解中增加这样一项(如果拆开括号就是2k项):

e α x [ ( C 1 + C 2 x + . . . + C k x k − 1 ) c o s ( β x ) + e^{\alpha x}[(C_{1}+C_{2}x+...+C_{k}x^{k-1})cos(\beta x)+ eαx[(C1+C2x+...+Ckxk1)cos(βx)+

( D 1 + D 2 x + . . . + D k x k − 1 ) s i n ( β x ) ] (D_{1}+D_{2}x+...+D_{k}x^{k-1})sin(\beta x)] (D1+D2x+...+Dkxk1)sin(βx)]

当你为每一个特征方程的解写出对应的项后,把他们加起来,就得到齐次方程的通解了。

非齐次特解的求法

1. f ( x ) = P m ( x ) f(x)=P_{m}(x) f(x)=Pm(x),其中 P m ( x ) P_{m}(x) Pm(x)表示 x x x的最高次数为m的多项式。

若0不是方程特征解

则方程有特解 y ∗ = Q m ( x ) y^{*}=Q_{m}(x) y=Qm(x)

若0是方程的k重特征解

则方程有特解 y ∗ = x k Q m ( x ) y^{*}=x^{k}Q_{m}(x) y=xkQm(x)

其中, Q m ( x ) = b 0 + b 1 x + … … + b m x m Q_{m}(x)=b_{0}+b_{1}x+……+b_{m}x^{m} Qm(x)=b0+b1x++bmxm

b i ( i = 0 , 1 , … … m ) b_{i}(i = 0,1,……m) bi(i=0,1,m)是需要带回原方程来确定的系数。

2. f ( x ) = e α x P m ( x ) f(x)=e^{\alpha x}P_{m}(x) f(x)=eαxPm(x).

α \alpha α不是方程特征解

则方程有特解 y ∗ = e α x Q m ( x ) y^{*}=e^{\alpha x}Q_{m}(x) y=eαxQm(x)

α \alpha α是方程的k重特征解

则方程有特解 y ∗ = x k e α x Q m ( x ) y^{*}=x^{k}e^{\alpha x}Q_{m}(x) y=xkeαxQm(x).

3. f ( x ) = e α x ( a 1 c o s ( β x ) + a 2 s i n ( β x ) ) f(x)=e^{\alpha x}(a_{1}cos(\beta x)+a_{2}sin(\beta x)) f(x)=eαx(a1cos(βx)+a2sin(βx))

α ± i β \alpha\pm i\beta α±iβ不是特征解

则方程有特解 y ∗ = e α x ( A 1 c o s ( β x ) + A 2 s i n ( β x ) ) y^{*}=e^{\alpha x}(A_{1}cos(\beta x)+A_{2}sin(\beta x)) y=eαx(A1cos(βx)+A2sin(βx))

α ± i β \alpha\pm i\beta α±iβ是k重特征解

则方程有特解 y ∗ = x k e α x ( A 1 c o s ( β x ) + A 2 s i n ( β x ) ) y^{*}=x^{k}e^{\alpha x}(A_{1}cos(\beta x)+A_{2}sin(\beta x)) y=xkeαx(A1cos(βx)+A2sin(βx))

其中 A 1 A_{1} A1 A 2 A_{2} A2是需要带回原方程来确定的系数。

欧拉方程

形如

x n y ( n ) + p 1 x n − 1 y ( n − 1 ) + . . . + p n − 1 x y ′ + p n y = f ( x ) x^{n}y^{(n)}+p_{1}x^{n-1}y^{(n-1)}+...+p_{n-1}xy'+p_{n}y=f(x) xny(n)+p1xn1y(n1)+...+pn1xy+pny=f(x)

的方程叫做欧拉方程,它可以变形成常系数微分方程。

变形过程如下

做变换: x = e t x=e^{t} x=et, 或 t = l n ( x ) t=ln(x) t=ln(x)

于是

d y d x = d t d x d y d x = 1 x d y d t \frac{dy}{dx}=\frac{dt}{dx}\frac{dy}{dx}=\frac{1}{x}\frac{dy}{dt} dxdy=dxdtdxdy=x1dtdy

d 2 y d x 2 = 1 x 2 ( d 2 y d t 2 − d y d t ) \frac{d^{2}y}{dx^{2}}=\frac{1}{x^{2}}(\frac{d^2y}{dt^2}-\frac{dy}{dt}) dx2d2y=x21(dt2d2ydtdy)

d 3 y d x 3 = 1 x 3 ( d 3 y d t 3 − 3 d 2 y d t 2 + 2 d y d t ) \frac{d^{3}y}{dx^{3}}=\frac{1}{x^{3}}(\frac{d^3y}{dt^3}-3\frac{d^2y}{dt^2}+2\frac{dy}{dt}) dx3d3y=x31(dt3d3y3dt2d2y+2dtdy)

……

D k y = d k y d t k D^{k}y=\frac{d^{k}y}{dt^{k}} Dky=dtkdky

x y ′ = D y xy'=Dy xy=Dy

x 2 y ′ ′ = D ( D − 1 ) y x^{2}y''=D(D-1)y x2y=D(D1)y

x 3 y ( 3 ) = D ( D − 1 ) ( D − 2 ) y x^{3}y^{(3)}=D(D-1)(D-2)y x3y(3)=D(D1)(D2)y

一般的, x k y ( k ) = D ( D − 1 ) . . . ( D − k + 1 ) y x^{k}y^{(k)}=D(D-1)...(D-k+1)y xky(k)=D(D1)...(Dk+1)y.

这样,欧拉方程就是关于 y y y t t t的常系数微分方程。

解出 y y y后,将 t = l n ( x ) t=ln(x) t=ln(x)带入即得 y ( x ) y(x) y(x).

如有错误欢迎指出。

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

常见的常微分方程的一般解法 的相关文章

  • Failed to connect to https://changelogs.ubuntu.com/meta-release-lts. Check your Internet connection

    ssh连接ubuntu之后出现Failed to connect to https changelogs ubuntu com meta release lts Check your Internet connection 解决方法如下 1
  • 命令行窗口-隐藏黑窗口

    要想cmd运行时隐藏黑窗口 最好的方法是使用vbs文件实现 1 新建run vbs 编辑内容 set ws WScript CreateObject WScript Shell ws Run run bat 0 run bat放到同目录下
  • 银联与支付宝

    摘要 银联终于要结束12年的垄断生涯 在银联12年的发展过程中 最为引人注目的就是和支付宝的多年恩怨 这十年 双方经历了从最初的会面 到不欢而散 再到各自成长和冲突 十年后 银联和支付宝都已经成为各自领域的全球顶级玩家 但是目前仍未达成实质
  • Qt项目ui文件中新添加的控件在代码中不识别的问题解决

    今天在学Qt框架的信号槽 然后发现在ui中加的控件 通过ui gt 找不到 没有识别 于是上网查找了一下问题 解决方法 添加ui控件后 执行程序 退出程序 将debug目录下的ui XXXX h拷贝到程序目录下 重新打开就可以使用新添加的控
  • 偷偷学习shell脚本之循环语句和转义字符

    目录 一 for循环语句 二 while循环语句 三 until循环语句 四 结束循环 break和continue 五 IFS字段分隔符 补充 六 转义字符 面对列表重复任务时 if语句难以满足需求 按着顺序编写 又非常耗时间 这时候就需
  • 【阅读笔记】联邦学习实战——联邦学习医疗健康应用案例

    联邦学习实战 联邦学习医疗健康应用案例 前言 1 医疗健康数据概述 2 联邦医疗大数据与脑卒中预测 2 1 联邦数据预处理 2 2 联邦学习脑卒中预测系统 3 联邦学习在医疗影像中的应用 3 1 肺结节案例描述 3 2 数据概述 3 3 联
  • 超越所有MIM模型的BEiT v2来了!微软使用矢量量化视觉Tokenizers的掩码图像建模!

    写在前面 蒙面图像建模 MIM 通过恢复损坏的图像patch 在自监督表示学习中展示了令人印象深刻的结果 然而 大多数方法仍然对低级图像像素进行操作 这阻碍了对表示模型的高级语义的利用 在这项研究中 作者提出使用语义丰富的视觉标记器作为掩码
  • 【论文精读】ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision

    Hierarchical Text Conditional Image Generation with CLIP Latents 前言 Abstract 1 Introduction 2 Background 2 1 Taxonomy of
  • Android编译之常用配置及mk模板使用(汇总一)

    Android编译之常用配置及mk模板使用 引言 编译选项 1 eng 2 user 3 userdebug 模块编译常量宏 常用模块编译模板 1 编译一个APK 2 编译一个Java 共享库和静态库 3 编译一个Native 共享库和静态
  • 利用python做数据分析

    数据分析是指对数据进行控制 处理 整理 分析的过程 在这里 数据 是指结构化的数据 例如 记录 多维数组 Excel 里的数据 关系型数据库中的数据 数据表等 1 为什么要用python做数据分析 很多人都有兴趣选择python作为数据分析
  • 阿里P7大牛亲自教你!妈妈再也不用担心我的面试,讲的明明白白!

    第一次观看我文章的朋友 可以关注 点赞 转发一下 每天分享各种干货技术和程序猿趣事 前言 随着移动终端的快速发展 Android开发人员也越来越多 Android开发市场也进入了一个饱和的状态 Android开发人员也面临着难找一份好工作的
  • 虚拟机 服务器死机,VMware虚拟机开机卡死黑屏,进不了系统解决办法

    Vmware虚拟机Linux Ubuntu CentOS windowns开机启动卡死黑屏 想重置虚拟机又没有拍摄快照 重新装一次虚拟机 别着急 这里有个方法可以试一试 VMware 15 5 0 build 14665864 物理机操作系
  • python怎么算数据平均数,python怎样求10个数的平均数

    python怎样求10个数的平均数 发布时间 2021 03 12 09 18 47 来源 亿速云 阅读 100 作者 小新 这篇文章主要介绍了python怎样求10个数的平均数 具有一定借鉴价值 感兴趣的朋友可以参考下 希望大家阅读完这篇
  • Java JDBC快速上手

    一 JDBC介绍 JDBC Java DataBase Connectivity Java的数据库连接 JDBC 本质上是由sun公司开发的一套操作数据库的接口 规范 各个数据库厂商要想使用Java连接自己的数据库 都必须按照JDBC接口的
  • r如何让新增加的列出现在第一列 r如何调整新增加的列的位置

    https www cnblogs com liujiaxin2018 p 16211983 html 1 任意位置插入列 复制代码 gt a lt letters 1 5 gt b lt LETTERS 1 5 gt c lt sampl
  • 单元测试方法

    目录 一 单元测试概述 目录 一 单元测试概述 1 单元测试是什么呢 2 我们目前测试方法是怎么进行的 存在什么问题 3 Junit单元测试框架 4 JUnit优点 二 单元测试实现步骤 1 需求 使用单元测试进行业务方法预期结果 正确性测
  • AltiumDesigner下载安装

    原文来自公众号 工程师看海 AltiumDesigner的特点是交互人性化 上手简单 显示画面美观 是很多硬件工程师入门之选 在我的公众号 后台回复 altium designer 可以得到altium designer的安装包和和谐方法
  • 【ES】QueryBuilder构造ES查询条件:精准匹配、模糊搜索、范围查询、and、or

    private QueryBuilder getQueryBuilder termsQuery key obj1 obj2 一次匹配多个值 matchQuery key Obj 单个匹配 field不支持通配符 前缀具高级特性 multiM
  • Mysql分库分表方案

    Mysql分库分表方案 Mysql分库分表方案 1 为什么要分表 当一张表的数据达到几千万时 你查询一次所花的时间会变多 如果有联合查询的话 我想有可能会死在那儿了 分表的目的就在于此 减小数据库的负担 缩短查询时间 mysql中有一种机制
  • Hadoop知识点整理

    知识点大纲 一 初识Hadoop 1 mapreducer 和rdbms区别 2 结构化数据 非结构化数据 半结构化数据 3 hadoop发展历程 二 关于MapReducer 1 新老API对比 2 MapReducer 执行步骤 3 c

随机推荐

  • filebeat多个日志输出多条索引

    vim filebeat yml filebeat prospectors type log enabled true paths opt zcsy hbase logs hbase hadoop regionserver cd zcsy
  • Windows 10 安装Qt5.15.2以及vs2019

    Windows 10 安装Qt5 15 2以及vs2019 一 安装Qt5 15 2 下载Qt5 15 2 下载地址 阿里云盘 安装 Qt5 15 2 输入账号进行在线安装 点击NEXT进入下一步 注 账号密码需要去QT官网申请帐号 账号申
  • WebSocket + kafka实时推送数据(springboot纯后台)

    逻辑 kafka订阅消费者主题 消费后通过webSocket推送到前端 kafka vue financial webSocket 学习引用 SpringBoot2 0集成WebSocket 实现后台向前端推送信息 World Of Mos
  • Java_web初级学习01搭建环境

    一 安装jdk以及JAVA HOME JRE HOME配置 1 安装jdk 这里可以修改路径 2 设置JAVA HOME和JRE HOME环境变量 计算机 图标上右键 gt 属性 gt 高级系统设置 配置JAVA HOME环境变量 到jdk
  • nginx负载均衡之健康检查

    严格来说 nginx到目前为止没有针对负载均衡后端节点的健康检测的模块 但是可以通过upstream负载均衡组中的max fails number和fail timeout time来间接实现 但还是会把请求转发给故障服务器的 然后再转发给
  • 求最大子序列和及其位置(四种经典方法)

    算法部分 include
  • R

    ggplot plot 画图时 都会有自带的颜色配置 但是比较难看 个人偏向自定义颜色 当然也有很多现成好用的配色方案 如RColorBrewer包 RColorBrewer包 提供了3套很好的配色方案 连续型sequential 生成一系
  • Linux C++: error: redefinition of ‘class xxx’ 的解决方法

    我在Ubuntu上写C 运行程序时遇到error ThinkBook 15p data150 study projects 0408 g g src cpp I include o bin test01 In file included f
  • L - Candy Machine(二分+贪心)

    题意 大体就是查找大于等于这个选定集合的平均值个数的数 选定集合 分析 前提就是这个集合有序 这个可以反着理解当最后一个数加上前缀必然使平均值降低 然后大于平均的增多 不断贪心求最大 代码 include
  • IDEA使用Gradle报错:你的主机中的软件中止了一个已建立的连接

    问题详情 问题解决 关闭电脑的热点分享 再重新加载项目即可
  • 什么是HIS、PACS、LIS、RIS

    HIS 医院bai信息系统 Hospital Information System HIS 利用电子计算机和通讯设备du 为医院所属各部门提zhi供病人诊疗信息dao和行政管理信息的收集 存储 处理 提取和数据交换的能力 并满足所有授权用户
  • dubbo分布式服务

    架构 节点角色说明 Provider 暴露服务的服务提供方 Consumer 调用远程服务的服务消费方 Registry 服务注册与发现的注册中心 Monitor 统计服务的调用次调和调用时间的监控中心 Container 服务运行容器 调
  • Linux磁盘管理命令大全

    1 cd命令 Linux cd命令用于切换当前工作目录至 dirName 目录参数 其中 dirName 表示法可为绝对路径或相对路径 若目录名称省略 则变换至使用者的 home 目录 也就是刚 login 时所在的目录 另外 也表示为 h
  • RedHat7.2系统中安装snmp工具并配置服务

    简单介绍 snmpwalk是SNMP的一个工具 用户可以通过snmpwalk查看支持SNMP协议设备的一些信息 比如IP地址 内存使用率等 snmpwalk是一款比较好用的采集系统信息的工具 安装snmp工具 输入以下指令安装软件包 以普通
  • 常用的 Druid 参数

    Druid 参数 连接池初始化大小 最大连接数 最小空闲连接数这几个连接数有什么作用 他们的关系是怎么样的 初始连接数如果都被占用了 连接池会创建最小空闲数个连接吗 官网 Druid Database for modern analytic
  • 机器学习技术(八)——朴素贝叶斯算法实操

    机器学习技术 八 朴素贝叶斯算法实操 文章目录 机器学习技术 八 朴素贝叶斯算法实操 一 引言 二 导入相关依赖库 三 读取并查看数据 四 数据预处理 五 构建两种模型进行比较 1 只考虑Dayofweek以及District 2 加入犯罪
  • 高校校园网建设方案【含网络拓扑图+拓扑结构图+配置命令】(详细版)

    xxx大学xxx校区网络整体规划设计方案 目 录 一 项目综述 1 1 1学校概况 1 1 1 1 1 1 2建设目标 1 1 2 1 概述 1 1 2 2 具体目标 1 1 3建设原则 1 1 3 1 概述 1 1 3 2 具体原则 2
  • Ubuntu20.04安装g3log、glog和gflags

    建议最好先安装最新版本的cmake 在进行以下安装 cmake安装教程 1 安装gflags 方法一 首先打开终端 git clone https github com gflags gflags git cd gflags mkdir b
  • C++ Pat甲级1011 World Cup Betting (20 分)

    1011 World Cup Betting 20 分 With the 2010 FIFA World Cup running football fans the world over were becoming increasingly
  • 常见的常微分方程的一般解法

    本文归纳常见的常微分方程的一般解法 如果没有出现意外 本文将不包含解法的推导过程 常微分方程 我们一般可以将其归纳为如下n类 可分离变量的微分方程 一阶 一阶齐次 非齐次 线性微分方程 一阶 包含伯努利 二阶常系数微分方程 二阶 高阶常系数