‘壹’ 悬挂系统中ks/ms怎么算
ms=240kg,mt=36kg,ks=16kN/m,b=980N·s/m,kt=160kN/m。
所用的悬架模型参数名义值为；ms=240kg,mt=36kg,ks=16kN/m,b=980N·s/m,kt=160kN/m。以C级路面的垂直速度为激励输入进行仿真。路面不平度系数Gq（n0）=256×10-6m2/m-1,车速v=20m/s,参考空间频率n0=,速度功率谱密度为一白噪声Gq·（f）=4π2Gq（n0）n20v。仿真中神经元控制器参数为:学习速率d1=30,d2=63.3,d3=15.9；比例系数k=148.7；
仿真时,先对模型参数取名义值进行验证；然后将悬架参数的车身质量增加20%,同时轮胎刚度下降20%,考察控制器在模型参数变化时的适应能力。以上两种情况着重考察车身加速度响应,见图4及图5；根据悬架系统时域输出仿真数据,计算车身加速度、悬架动挠度、车轮动位移的均方根值及综合性能指数G。
在名义参数情况下,两种主动悬架都能有效地降低车身加速度,改善平顺性。尽管悬架动挠度有所增大,但车辆的综合性能仍得到了改进。而且,自适应神经元控制下的车轮动位移也有一定程度的改善,其综合减振效果要明显优于PID控制。由图5和表1可见,在悬架参数变化时,两种主动悬架仍然都能减少车身加速度,有效地改善平顺性。自适应神经元控制的减振效果仍然优于PID控制。由此表明:自适应神经元控制能有效地跟随模型参数的变化,将车身加速度控制在一个较好的范围内,降低了参数不确定性对车辆平顺性能的影响；虽然神经元控制的悬架动挠度、车轮动位移相对被动悬架有所增大,但相对PID控制仍有改善,尤其是其综合性能也得到了改进。
‘贰’ 如何通过Ks值和中性突变率来计算物种的分化时间
致死率测定：取同一份菌液，分成两份，一份经诱变处理后进行平板计数，另一份不诱变就进行平板计数，将他们的结果作个比较就知道致死率了。
正突变率：将经诱变处理后还存活的菌株，分别挑取接种到营养缺陷型培养基中。接种后存活数除以致死率计算中不经诱变处理的
‘叁’ 变压器的铁心截面积怎么计算啊
按图中骨架尺寸，铁芯的毛截面积应为： 51 * 80 = 4080 mm^2，但实际中，如果有拉板，还要减去拉板的截面积。比如拉板厚1mm,宽51mm,那么铁芯的截面积则为：4080 - 2*1*51 = 3978mm^2,同时考虑铁芯不可能叠得很紧，再乘以一个0。99左右的系数，那么最后铁芯的净截面积为： 3978 *0.99 = 3938.22mm^2
供参考。
‘肆’ ks检验算法
全称是Kolmogorov-Smirnov检验（柯尔莫哥洛夫-斯摩洛夫），用来检验你的数据的分布是不是符合一个理论的已知分布。也就是说你的原假始是H0: F=F0.
具体计算要用到经验分布函数：Fn(x)=1/n SUM_{i=1}^n I{Xi<=x},
以此来计算检验统计量
D=sup_{x} | Fn(x)-F0(x)|, sup可以换成MAX.
用这个公式手算也可以得到答案的。
‘伍’ 酶的Ks表示什么意义,其数值等于多少
Km的意义： ①当ν=Vmax/2时,Km=[S].因此,Km等于酶促反应速度达最大值一半时的底物浓度. ②当k-1>>k+2时,Km=k-1/k+1=Ks.因此,Km可以反映酶与底物亲和力的大小,即Km值越小,则酶与底物的亲和力越大；反之,则越小. ③Km可用于判断反应级数：当[S]100Km时,ν=Vmax,反应为零级反应,即反应速度与底物浓度无关；当0.01Km
‘陆’ 你应该知道的模型评估的五个方法
你应该知道的模型评估的五个方法
好久没更新了，我怕再不更，我要掉粉了，这次来更新的是模型评估的常见的五个方法：
1、混淆矩阵。
2、提升图&洛伦兹图。
3、 基尼系数
4、ks曲线
5、roc曲线。
1
混淆矩阵
混淆矩阵不能作为评估模型的唯一标准，混淆矩阵是算模型其他指标的基础，后面会讲到，但是对混淆矩阵的理解是必要的。
模型跑出来的“Y”值为每个客户的预测违约概率，可以理解为客户的有多大的可能违约。把概率等分分段，y坐标为该区间的人数，可以得到这样子一个图表。
可以看到图中这条线，一切下去，在左边就算是违约的客户，那么右边就是正常的客户，本身模型没办法百分百的判断客户的状态，所以cd就算是会误判的，d本来是是左边这个小山的客户，那就是坏客户，但是模型预测他的概率比较高别划分到了好客户的这边了，所以d就是被预测为好客户的坏客户，同样的道理，c就是被预测为坏客户的好客户。
2
提升图&洛伦兹图
假设我们现在有个10000的样本，违约率是7%，我们算出这10000的样本每个客户的违约概率之后降序分为每份都是1000的记录，那么在左图中，第一份概率最高的1000个客户中有255个违约的。违约客户占了全部的36.4。如果不对客户评分，按照总体的算，这个分组；理论上有70个人是违约的。
把刚才的图，每组中的随机违约个数以及模型违约个数化成柱形图，可以看到假设现在是p值越大的客户，违约概率越大，那就是说这里第一组的1000个人就是概率倒序排序之后的前1000个人。那么可以看到通过模型，可以识别到第一组的客户违约概率是最高的，那么在业务上运用上可以特别注意这部分客户，可以给予拒绝的处理。
那么洛伦兹图就是将每一组的一个违约客户的个数累计之后连接成一条线，可以看到在12组的时候，违约人数的数量上升是一个比较明显的状态，但是越到后面的组，违约人数上升的越来越少了。那么在衡量一个模型的标准就是这个条曲线是越靠近y轴1的位置越好，那样子就代表着模型能预测的违约客户集中在靠前的几组，所以识别客户的效果就是更好。
3
基尼系数
洛伦茨曲线是把违约概率降序分成10等分，那么基尼统计量的上图是把违约概率升序分成10等分，基尼统计量的定义则为：
G的值在0到1之间，在随机选择下，G取0。G达到0.4以上即可接受。
4
ks值
ks曲线是将每一组的概率的好客户以及坏客户的累计占比连接起来的两条线，ks值是当有一个点，好客户减去坏客户的数量是最大的。那么ks的值的意义在于，我在那个违约概率的点切下去，创造的效益是最高的，就图中这张图来说就是我们大概在第三组的概率的中间的这个概率切下，我可以最大的让好客户进来，会让部分坏客户进来，但是也会有少量的坏客户进来，但是这已经是损失最少了，所以可以接受。那么在建模中是，模型的ks要求是达到0.3以上才是可以接受的。
5
roc
灵敏度可以看到的是判断正确的违约客户数，这里给他个名字为违约客户正确率(tpr)，误判率就是判断错误的正常客户数（fpr）。特殊性就是正常客户的正确率，那么roc曲线是用误判率和违约客户数画的一条曲线。这里就需要明确一点就是，我们要的效果是，tpr的越高越好，fpr是越低越好。ROC曲线就是通过在0-1之间改变用于创建混淆矩阵的临界值，绘制分类准确的违约记录比例与分类错误的正常记录比例。具体我们来看图。
我们首先来看A,B点的含义，A点的TPR大概为0.7左右，FPR大概是0.3左右，那么就是说假设我错误的将30%坏客户判断是坏的，那么可以识别70%的客户肯定坏的。B点的TPR大概为0.3左右，FPR大概是0.7左右，那就是我错误的将70%好客户当做坏客户，只能得到30%的客户是确定 坏客户。所以这么说的话，点越靠近左上方，模型就是越好的，对于曲线也是一样的。
总结
我个人建议，要依据不同的业务目的，选取不同的评估方式， 基尼系数、提升图可以用于用人工审批情况的业务目的，不同的分组突出客户的质量的高低，ks、roc可以用于线上审批审核的情况，根据最小损失公式，计算出概率点。
‘柒’ 高二数学。图中用铅笔划出来的求解释！ 为什么知道那个是直角三角形 还有KS的值是怎么算出来的
∠PKS是直角，∠QSK是直角（PK、QS是引向l的垂线）
∠PKF=90°-∠FKS，∠QSF=90°-∠FSK
因为PF=PK，QF=QS
∴∠PFK=∠PKF=90°-∠FKS，∠QFS=∠QSF=90°-∠FSK
根据图片可知，∠PFK+∠QFS+∠KFS=180°
即（90°-∠FKS）+（90°-∠FSK）+∠KFS=180°
即∠KFS+180°-∠FKS-∠FSK=180°
∠KFS-∠FKS-∠FSK=0°
∠KFS=∠FKS+∠FSK
又因为∠KFS、∠FKS和∠FSK是三角形FKS是三个内角
所以∠KFS+∠FKS+∠FSK=180°
所以∠KFS=180°÷2=90°
所以三角形FKS是直角三角形。
‘捌’ 倾斜表面的辐照量怎么算
不同倾斜面上的直射辐照度可利用下式求出：
S（β，α）= Sm·cosθ
式中θ是太阳光线对倾斜面的入射角，可由下式得出：
cosθ=cosβSinh+Sinβcoshcos(Ψ-α)
式中
β是倾斜面与水平面间的夹角，h是太阳高度角，Ψ是太阳的方位角，α是倾斜面的方位角，方位角从正南算起，向西为正，向东为负。对于水平面来说，由于β=0，所以cosθ=Sinh，因此：
S（0，0）= Sm·Sinh
设KS=S（β，α）/S（0，0），将前面的公式代入，则有：
KS=cosθ/Sinh=cosβ+Sinβ·cos(Ψ-α) /tanh
KS称为换算系数。
有了KS值，根据水平面上的辐射值很容易求出倾斜面的辐射值。对于不同时段的曝辐射量，也是如此。只时求算KS时，Ψ、α、h等值要代入相应时段的平均值。
（这是我查到的。有些东西我也不知道什么意思。）