金刚石合成机制的研究

孤立原子不存在轨道混合问题。碳原子在形成金刚石时，原子间互相影响，使电子运动状态发生变化，形成sp^3的杂化轨道，C-C形成共价键。文章分析了金刚石合成的机理，论述和比较了片状触媒和粉状触媒合成金刚石的过程和差异，提出了“单间生长机制”的观点，认为在粉状触媒工艺中金刚石生长的环境条件优越，合成出的金刚石晶体均匀对称，品质良好。     

选矿过程精矿品位自适应在线支持向量预测方法

本文提出了一种基于支持向量回归的选矿过程精矿品位自适应在线预测方法,通过使用新的混合核函数和参数在线更新机制提高了精矿品位的预测精度.在分析经典核函数特性后,构造了一种混合核函数以兼顾模型的学习能力与泛化能力,同时为了提高预测方法对选矿生产动态过程的适应性,模型依据新工况样本对现有样本集统计特性的影响,引入了模型参数自适应调整机制,并采用在线迭代学习机制更新模型,提高了模型的计算速度.使用某选矿厂生产实际数据进行实验分析,结果表明本文方法比现有方法在计算时间和预测精度上都有明显优势,适合应用于动态变化的选矿生产过程.     

绝热硝化法生产硝基苯工艺概况

介绍了国内外绝热硝化工艺进展概况．并重点阐述了美国氰胺公司开发的绝热硝化工艺，及我国沈阳化工学院开发的新绝热硝化工艺——采用静态混合反应器的管道式绝热硝化工艺。     

循环结构的形式化推导

介绍了Dijkstra的形式化推导方法的主要思想、步骤及要点。该方法主张程序开发和程序证明同时进行,先确定好描述程序功能的断言,再通过形式化方法推导出正确的程序。选择具有代表性的循环结构的实例进行推导证明,并对循环结构的形式化推导进行阐述说明。     

一种基于高斯混合模型的分块背景更新算法研究

随着经济建设的快速发展,城市交通问题成为了人们亟待解决的问题。在智能交通系统领域中,背景提取和背景更新成为近年来计算机视觉领域的研究热点[1]。提出了一种应用于智能视频监控中的背景更新方法。在视频图像中,通过利用高斯混合模型获取背景图像,通过分块背景更新的方式提高背景更新的速度。     

一种改进的多群协作粒子群优化算法

提出了一种改进的多群协作粒子群优化算法,该算法整个种群采用主从模式,分为一个主群和多个从群,多个从群粒子统一地进行初始化操作,从而避免了多个粒子群重复搜索现象。同时,算法采取了一种扰动策略,即当前全局最优解在扰动因子的迭代周期内保持不变时,就重置粒子的速度,迫使粒子群摆脱局部极小。该算法不仅增加了种群的多样性,扩大了搜索范围,而且还改善整个种群易陷入局部极小值的缺陷。通过9个基准函数进行测试,实验结果表明,IMCPSO与MCPSO算法相比具有明显的优越性。     

水泥酸溶性的理论计算与试验研究

根据化学反应方程式计算出溶解一定质量的水泥熟料需要盐酸的摩尔数,结果发现该值明显低于测定水泥酸不溶物常用的摩尔数。根据计算结果,通过正交试验获取较佳的条件组合,提出了测定水泥活性组分的酸溶解测定方法。试验表明,测定方案可行,酸不溶物的测定结果与实际混合材掺量的偏差<0.6%。     

贝叶斯决策树在客户流失预测中的应用

针对电信企业客户流失问题,提出采用贝叶斯决策树算法的预测模型,将贝叶斯分类的先验信息方法与决策树分类的信息熵增益方法相结合,应用到电信行业客户流失分析中,分别将移动公司的客户数据以及UCI数据纳入到模型中得出相应的结果。加入贝叶斯节点弥补决策树不能处理缺失值以及二义性数据的缺点。检验结果表明,基于贝叶斯推理的决策树算法在牺牲了较小的训练时间与分类时间的情况下,得到了比仅基于决策树算法更高的覆盖率与命中率。     

自适应混合多目标分布估计进化算法

针对多目标分布估计算法全局收敛性较弱的缺陷,提出了一种自适应混合多目标分布估计进化算法。其基本思想是:在多目标分布估计算法中引入全局收敛性较强的差分进化算法,当函数变化率较大时,用分布估计算法产生新种群;当函数变化率较小即算法可能陷入局部收敛时,用差分进化算法产生新种群。理论分析和数值实验结果表明,这种混合算法不仅具有良好的全局收敛性,而且解的分布性和均匀性较没有考虑目标函数变化率的混合多目标分布估计算法也有了一定程度的提高。     

基于稀疏表征的话者识别

近年来,随着信号的稀疏性理论越来越受到人们的关注,稀疏表征分类器也作为一种新型的分类算法被应用到话者识别系统中。该模型的基本思想是:只要超完备字典足够大,任意待测样本都能够用超完备字典进行线性表示。基于信号的稀疏性理论,未知话者的向量系数,即稀疏解可以通过L1范数最小化获取。超完备字典则可视为语音特征向量在高斯混合模型-通用背景模型(GMM-UBM)上进行MAP自适应而得到的大型数据库。采用稀疏表征模型作为话者辨认的分类方法,基于TIMIT语料库的实验结果表明,所采用的话者辨认方法,能够大大提高说话人识别系统的性能。