火电企业全面运营管理沙盘模拟系统构建

正中国电力国际有限公司(文中简称"中电国际")和中国电力投资集团公司高级培训中心(文中简称"高培中心")均为中国电力投资集团公司的二级单位。中电国际主要从事电源项目的开发、建设、运营,海外投融资和资本运营,是中国电力投资集团公司的旗舰企业,拥有2家香港上市公司。高培中心是中电投集团人才培养主基地,中心紧密围绕集团公司发展战略,开展多类别、分层次的教育培训,服务于集团公司人才强企的"三支队     

外加纳米SiC颗粒对Q235钢组织与硬度的影响

在实验室条件下通过对纳米颗粒进行预分散的方法,研究了向熔体中外加SiC纳米粉的可行性以及对Q235钢组织与性能的影响.结果表明,采用将超细颗粒预分散的方法可以将纳米SiC颗粒加入高温熔体中;外加纳米SiC颗粒在Q235钢熔体中可成为形核核心,对铸态组织起到明显细化作用;加入5%的纳米陶瓷颗粒和未加入纳米陶瓷颗粒的Q235铸态晶粒组织相比,晶粒组织大幅度细化;与原Q235钢的硬度相比,经纳米SiC粉体强化后的Q235钢的硬度明显增加,当纳米SiC的加入量为5%时,显微硬度的提高幅度高达147%.     

含Nb-Ti低碳微合金钢中纳米碳化物的相间析出行为

采用热膨胀实验研究了等温温度对Nb-Ti微合金钢组织、性能及析出行为的影响规律,利用TEM对不同温度等温后试样的析出行为进行观察和分析.结果表明,不同温度等温后试样中均可观察到相间析出碳化物,且降低等温温度可显著细化相间析出碳化物所在面面间距、相间析出碳化物所在面内析出物间距及相间析出碳化物尺寸.具有层状分布特征的相间析出碳化物所在面呈现弯曲和平直2种形态,其中平直型相间析出碳化物所在面平行于铁素体的{011},{012},{013}和{035}面.经HRTEM确定相间析出碳化物具有Na Cl型晶体结构,晶格常数为0.434 nm,且与铁素体基体符合Baker-Nutting(B-N)关系,经EDS分析确定相间析出碳化物为(Nb,Ti)C.利用Orowan机制对析出强化量进行估算,结果表明不同等温温度下析出强化量均大于300 MPa.     

基于免疫粒子群优化的一种动态递归神经网络辨识与控制非线性系统

提出了一种采用免疫粒子群优化算法对动态递归神经网络进行训练的方法,实现了对Elman网络的结构、权重、结构单元的初始输入和自反馈增益因子等参数的同时进化训练。进而针对非线性系统分别提出了相应的辨识与控制算法,并设计出了相应的辨识器和控制器。最后以超声马达为对象进行了仿真,结果表明:基于所提出的算法而设计的辨识器和控制器在辨识和控制过程中不仅都能取得很高的收敛精度和速度,而且对于随机扰动有较强的鲁棒性,从而为非线性系统的辨识和控制提供了一条新的途径。     

颜料色浆的选择对外墙涂料耐候性的影响

探讨色浆的选择对外墙涂料色漆耐候性的影响因素。重点讨论色浆类型的选择对性能的影响,同一种颜色用不同的复合色浆对耐候性的影响,色浆与调色基础漆配方设计对耐候性的影响以及墙面基材对保色性的影响。     

组建简单局域网的一种简便方法

文章介绍了运用Windows 98自带的直接电缆连接通信工具 ,通过并行口或串行口将两台计算机直接相连进行资源共享的方法 ,并讨论了它的优点和不足之处     

可分解马尔可夫网络参数学习中的噪声平滑

对于存在噪声的可分解马尔可夫网络参数学习,目前可通过调整可分解马尔可夫网络的结构来增强其抗噪声能力,但调整后的结构往往会降低网络的有效性和可靠性,而且不能从源头上减少噪声对参数的影响&针对该问题,首先建立基于可分解马尔可夫网络理论的邻域最优预测;然后以变量为基本单位,使用预测值平滑噪声.实验结果显示,使用平滑后的数据进行参数学习,其可靠性能够得到显著的改进.

     

小数据集的贝叶斯网络结构学习

针对直接基于小数据集贝叶斯网络结构学习不可靠, 以及目前对小数据集的处理只强调扩展而忽略对扩展数据的修正等, 提出了将扩展与修正相结合的小数据集处理机制, 以及在此基础上的基于结点排序和局部打分--搜索的贝叶斯网络结构学习方法. 可不需要完全结点顺序的先验知识, 但能够结合专家的部分结点顺序信息. 实验结果显示了这种方法的有效性和可靠性.     

基于日志挖掘的查询概念图扩展

提出将概念图引入查询扩展,从概念的层面上进行语义的扩展。使用概念图表示查询可以更准确地表明用户的查询意图,并在此基础上进行语义的扩展,通过这种方法给出的扩展查询更符合用户的查询意图。对用户查询进行基于概念图的查询扩展,并将结果与百度的相似查询进行了比较,证明基于概念图的查询扩展能更准确地把握用户的查询意图。     

一种从不完备关系数据中学习PRM的方法

现有的关系学习研究都是基于完备数据进行的,而现实问题中,数据通常是不完备的.提出一种从不完备关系数据中学习概率关系模型(probabilistic relational models,简称PRMs)的方法——MLTEC(maximum likelihood tree and evolutionary computing method).首先,随机填充不完备关系数据得到完备关系数据.然后从每个随机填充后的数据样本中分别生成最大似然树并作为初始PRM网络,再利用进化过程中最好的网络结构反复修正不完备数据集,最后得到概率关系模型.实验结果显示,MLTEC方法能够从不完备关系数据中学习到较好的概率关系模型.