为了证实岩石地层学界线和命名法，对伊克潘库乌和伊胡贝轴上的露头沉积物进行了详细的描述，这引起了最近学者的争论。 随机方法建立了主要相相和首选堆积模式，用于解释沉积环境（EOD），​​而有孔虫和孢粉学分析则同时记录了古深度和沉积物的年龄。 结果表明，在这两个断面的基部，相似的岩相占主导地位，表明可绘制的地质单元和同一岩石地层单元的成员。 但是，基础岩相是由KM 75和Ikpankwu剖面中的不同岩性单元继承的。 使用岩相演替对EOD的解释预测，潮汐到潮汐影响的浅海沉积物是河流的，这是彼此密切相关的环境。 使用丰富和多样的微型动物进行的解释也支持了非海洋（沿海-三角洲）到中性古生物深水深度，这是边缘到浅海EOD的典型特征。 从两部分上部的页岩样品中发现的有孔虫组合，尽管描述了岩相组合的变化，但仍描绘了Nsukka组的沉积物，因为确定的分布在上部单元中的单倍体已经被用来定义马斯特里赫特-新世晚期。 在这两个断面具有可映射岩性单位的基底部分的沉积物中，有大量的物种构成，这些物种暗示着在沉积马姆组沉积物时的Campanian-Maastrichtian时代。 从基部和上部均采集到的古柏形岩也表明

鄂尔多斯盆地东南部奥陶系地层烃源岩厚度大,类型多种多样,成熟度高,为了客观认识鄂尔多斯盆地东南部奥陶系地层烃源岩有机质丰度和生烃潜力,通过有机岩石学和有机地球化学相互结合综合分析的方法开展对鄂尔多斯盆地东南部地区奥陶系烃源岩评价研究。结果表明:鄂尔多斯盆地东南部奥陶系发育泥质烃源岩和碳酸盐岩烃源岩,其主要分布在南缘古坳陷和陕北古坳陷;烃源岩残余有机碳平均值0.30%3.12%;有机质类型主要为Ⅰ-Ⅱ1型;烃源岩热演化程度达到高成熟-过成熟阶段;奥陶系烃源岩在三叠系朱（T3y末）进入生气高峰,至侏罗系末（J末）属持续埋藏生气阶段,从晚白垩世开始抬升隆起,生气强度逐渐降低。综合区域地质分析认为,渭北隆起北部与伊陕斜坡南部过渡带在晚古生代沉积后,奥陶系烃源岩埋深一般大于2500 m,生气时间长,有利于天然气形成,是有利的勘探目标区。

东南大学 C++ 郑莉 C++语言程序设计习题与实验指导 PDF

16-20年4张带答案期末试卷，可以参考我的博客中的研究生期末总结栏目进行复习

计算机控制系统的控制规律.数字PID控制的工程实现

我上数值分析时使用的课件，有这个课件可以不用看书了，看这个足够了，东南大学数学系吴宏伟做的课件

东南大学研究生数值分析期末试题（2010-2019）

密码学与安全协议考点整理——东南大学网络空间安全学院研究生课程

东南大学C++视频配套ppt课件(全)1095页

原资源可在github中搜索到，这里只是用于个人学习方便。 课程内容 第1讲 知识图谱概论 （2019-3-1,2019-3-8） 1.1 知识图谱起源和发展 1.2 知识图谱 VS 深度学习 1.3 知识图谱 VS 关系数据库 VS 传统专家库 1.4 知识图谱本质和核心价值 1.5 知识图谱技术体系 1.6 典型知识图谱 1.7 知识图谱应用场景 第2讲 知识表示 (2019-3-15) 2.1 知识表示概念 2.2 知识表示方法 语义网络 产生式系统 框架系统 概念图 形式化概念分析 描述逻辑 本体 本体语言 统计表示学习 第3讲 知识建模 （2019-3-15，2019-3-22） 3.1 本体 3.2 知识建模方法 本体工程 本体学习 知识建模工具 知识建模实践 第4讲 知识抽取基础:问题和方法（2019-3-22） 4.1 知识抽取场景 4.2 知识抽取挑战 4.3 面向结构化数据的知识抽取 4.4 面向半结构化数据的知识抽取 4.5 面向非机构化数据的知识抽取 第5讲 知识抽取:数据采集（2019-3-29） 5.1 数据采集原理和技术 爬虫原理 请求和响应 多线程并行爬取 反爬机制应对 5.2 数据采集实践 百科 论坛 社交网络等爬取实践 第6讲 知识抽取:实体识别（2019-3-29） 6.1 实体识别基本概念 6.2 基于规则和词典的实体识别方法 6.3 基于机器学习的实体识别方法 6.4 基于深度学习的实体识别方法 6.5 基于半监督学习的实体识别方法 6.6 基于迁移学习的实体识别方法 6.7 基于预训练的实体识别方法 第7讲 知识抽取:关系抽取（2019-4-19，2019-4-26） 7.1 关系基本概念 7.2 语义关系 7.3 关系抽取的特征 7.4 关系抽取数据集 7.5 基于监督学习的关系抽取方法 7.6 基于无监督学习的关系抽取方法 7.7 基于远程监督的关系抽取方法 7.8 基于深度学习/强化学习的关系抽取方法 第8讲 知识抽取:事件抽取（2019-3-29） 8.1 事件抽取基本概念 8.2 基于规则和模板的事件抽取方法 8.3 基于机器学习的事件抽取方法 8.4 基于深度学习的事件抽取方法 8.5 基于知识库的事件抽取方法 8.6 基于强化学习的事件抽取方法 第9讲 知识融合（2019-4-28） 9.1 知识异构 9.2 本体匹配 9.3 匹配抽取和匹配调谐 9.4 实体匹配 9.5 大规模实体匹配处理 9.6 知识融合应用实例 第10讲 知识图谱表示学习（2019-5-5） 10.1 知识表示学习概念 10.2 基于距离的表示学习模型 10.3 基于翻译的表示学习模型 10.4 基于语义的表示学习模型 10.5 融合多源信息的表示学习模型 10.6 知识图谱表示学习模型的评测 10.7 知识图谱表示学习前沿进展和挑战 第11讲 知识存储（2019-5-10） 11.1 知识存储概念 11.2 图数据库管理系统、模型、查询语言 11.3 RDF数据库管理系统、模型、查询语言 11.4 基于关系型数据库的知识存储 第12讲 基于知识的智能问答（2019-5-10） 12.1 智能问答基础 12.2 问题理解 12.3 问题求解 12.4 基于模板的知识问答方法 12.5 基于语义分析的知识问答方法 12.6 基于深度学习的知识问答方法 12.7 IBM Watson原理和技术剖析 12.8 微软小冰的原理和技术剖析 第13讲 实体链接（2019-5-17） 13.1 实体链接基本概念 13.2 基于概率生成模型的实体链接方法 13.3 基于主题模型的实体链接方法 13.4 基于图的实体链接方法 13.5 基于深度学习的实体链接方法 13.6 基于无监督的实体链接方法 第14讲 知识推理（2019-5-17） 14.1 知识推理基础概念 14.2 基于逻辑的知识推理方法 14.3 基于统计学习的知识推理方法 14.4 基于图的知识推理方法 14.4 基于神经网络的知识推理方法 14.5 多种方法混合的知识推理方法