智慧图书馆设备故障规避的HFACS等级相关分析

大数据人工智能时代下图书馆各项新技术设备的应用为智慧图书馆的发展提供了高效智能化的技术支持,实现了智慧服务的自动化,帮助用户更加便捷地获取、利用、分享图书馆的各项资源;但随着内外环境的变化影响,设备故障问题也日益突出,如何有效规避智慧设备故障隐患,降低故障风险成为亟待解决的新课题。笔者通过自身工作实际结合相关文献资料,统计发现影响设备故障主要分为四类因素,其中人为因素占了很大比例,进一步深入分析得出含制度设计、流程执行等16种因子的四层改进型HFACS框架。通过设备故障样本集数据集计算Spearman和Kendall Tau—b相关系数得出各层等级相关度,逐步挖掘出各层内在相关逻辑因子,探究出设备故障致因链进行分析,总结归纳启示性建议为图书馆相关智慧管理和服务提供科学依据。     

水文序列相依变异识别的RIC定阶准则——以自回归模型为例

水文过程相依性是水文变异的主要表现形式之一,应用自回归模型对其进行拟合时合理确定模型阶数是一个难点问题。本文在分析AIC和BIC准则的基础上,提出了一种以原序列与其相依成分的相关系数作为拟合度指标,同时借用信息熵形式的函数式,作为模型不确定性度量指标的自回归模型定阶准则(简称RIC准则)。以AR(1)、AR(2)、AR(3)和AR(4)模型为例进行统计试验,将不同序列长度下该准则的定阶准确率与其他定阶准则进行比较,试验结果表明,RIC准则对于上述模型均具有较好的适应性,且定阶准确率远高于AIC准则,其中对于前三阶模型RIC准则优于BIC准则,但四阶模型略低于BIC准则。RIC准则的优势是可以同时满足模型定阶、相依程度分级与模型检验的需求,将其应用于实测水文序列分析,结果显示,该准则能较准确地识别自回归模型的阶数,且符合提出的"相依有变异而残差无变异的最小阶数"的检验标准。     

吉林镍业公司漂河川难选矿石的研究

通过大量试验数据的统计、分析、计算获得浮选时间与精矿品位，浮选时间与回收率有相关关系，相关系数在９５￣９９％，并确定在不同浮选时间，不同药剂制度条件下的回归方程，由定性试验转化为定量试验。     

钻井液波信号处理方法比较

无线随钻测量系统中的脉冲信号受各种噪声的干扰,在井口需要还原脉冲信号,实时监测井底的情况。采用傅立叶变换和小波变换2种方法对钻井液波信号进行了处理,并尝试性地采用相关系数来评判去噪效果的优劣。对巴特沃斯、切比雪夫和小波变换3种处理方法的结果进行了比较。结果表明:小波变换对这种信号的噪声抑制效果较好;对于钻井液波信号噪声的处理,小波变换明显地优于傅里叶变换;相关系数能够用来评判钻井液波信号处理结果的优劣。     

国产SDY—Ⅰ型砂当量试验仪在工程中的应用

本文通过国产砂当量试验仪、冲洗液同法国产砂当量试验仪、冲洗液对比试验分析,表征两者之间有很好的相关性,国产SDY—Ⅰ型砂当量试验仪及冲洗液可替代进口设备。     

放大器En-In噪声模型的完善及其与Rn-Gn噪声模型的关系

目前，微波低噪声放大器设计中采用的Ｒｎ－Ｇｎ噪声模型只适用于高频、窄带和源导纳（Ｇｓ≠０）情况，其应用范围有限，特别是不适用于低频段的低噪声放大器设计。本文对文献［１］提出的Ｅｎ－Ｉｎ噪声模型作了改进，使其不仅适用于高频、窄带，而且也适用于低频、宽带放大器的低噪声设计。进而推导出放大器Ｅｎ－Ｉｎ噪声模型与Ｒｎ－Ｇｎ噪声模型的等价关系，给出放大器Ｅｎ－Ｉｎ噪声模型的测量方法及实测结果。     

人群头发元素分布及某些特征研究

本文介绍用堆中子活化分析法测定人群头发中I、Br、Mg、Mn、Cu、Na、V、Cl、Al、Ca、S等11种元素。研究人发中元素分布特征、相关性特征、性别年令分布特征。方法学中还从法庭科学应用角度介绍同一性识别中差异率和重合几率的双判据方法。     

一种基于RSA安全可行的（t，n）门限签名方案*

分析了大多数RSA门限群签名方案存在的缺陷,RSA的模数是n,φ(n)是秘密参数,参加部分签名的成员无法知晓,求Lagrange相关系数存在困难,也为建立门限RSA密码体制带来困难.提出一种新的方案以克服上述困难,通过求ai无须在求Lagrange相关系数时进行求逆运算,使该方案在保证安全的前提下变得可行实用.     

基于差分电压和Elman神经网络的锂离子电池RUL预测方法

锂离子电池剩余使用寿命(remaining useful life,RUL)预测对电池的使用维护极为重要,提出一种基于差分电压和Elman神经网络预测锂离子电池RUL的方法.首先,根据美国国家航天航空局(National Aeronautics and Space Administration,NASA)的锂离子电池数据集,分析电池差分电压曲线和充放电曲线,提取电池容量退化特征量;其次,通过Pearson法分析特征量之间的相关性,将充电差分电压曲线初始拐点值、放电差分电压曲线峰值、放电时间、静置时间作为电池RUL预测的间接健康因子;最后,建立以上述间接健康因子为输入,电池容量为输出的Elman神经网络,进行锂离子电池的RUL预测.基于不同间接健康因子和不同神经网络的四种电池容量预测对比实验表明,在间接健康因子中加入充电差分电压曲线初始拐点值和放电差分电压曲线峰值可以提高电池寿命预测精度,Elman神经网络可准确预测电池容量.基于不同循环次数预测电池RUL,预测的平均均方根误差为1.55％.