中速柴油机机体铸造裂纹的原因分析及防止措施

根据柴油机机体裂纹产生的原因,对机体裂纹缺陷进行分析,找到了机体裂纹产生的主要原因。其主要原因可概括为铸件结构、化学成分、铸件补缩条件及开箱温度等,针对裂纹的主要原因采取相应的措施后,裂纹缺陷得到了根本的控制。     

核算前移在冶炼企业优化成本控制中的应用

针对国际黄金价格的走低,黄金冶炼企业如何在激烈的市场竞争中寻求更大的利润空间,优化成本控制显得尤为重要。以某冶炼厂为例,阐述核算前移在优化企业成本控制中的应用,以达到降本增效的目的,实现企业利润的最大化。     

采用八叉树和OSG分页结点的海量点云三维可视化

针对现有海量点云可视化方法存在索引构建时间长、内存占用大等问题，研究一种八叉树索引结合OSG分页结点的快速可视化方法，可在占用较小内存的基础上快速建立点云索引并实时调度。采用八叉树索引结构对海量点云进行数据组织，建立各层级的八叉树结点并以文件映射的方式分块保存，对结点文件重组织转换为支持OSG渲染引擎的多分辨率点云数据。采用基于OSG分页结点的实时调度技术，对海量点云进行高质量可视化。与目前两款主流的点云数据处理商业软件进行实验对比分析，结果表明所提方法具有索引建立速度快、内存占用小等优点，同时可视化交互更加流畅，适用于各种配置计算机下海量点云数据的调度管理与实时可视化。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

萍钢高炉大修放残铁工艺实践

对萍乡萍钢炼铁厂2号、3号高炉大修放残铁的过程进行分析,总结放残铁的工艺控制心得,为今后高炉安全、顺畅、干净放残铁提供借鉴。     

机床再生颤振及颤振抑制方法

再生颤振是加工和结构变形之间不稳定相互作用的结果,它极大地制约了生产加工。主要描述车削和铣削加工的建模、分析、检测以及对再生颤振的控制。     

自动气动无压平衡风门系统

为使风门系统开闭方便、动作灵活、减小破损、延长使用寿命,设计了平行四连杆机构、左右门扇同步异向开闭的无压平衡风门,分析了自动气动风门系统装置组成、工作原理、设备布置和动作过程。风门系统工作可靠能满足矿井通风系统和安全生产要求。     

数据挖掘技术在软件系统中的应用

随着高新科学技术的发展,科学家研究出的利于人类工作生活的技术程序越来越多,大部分技术主要集中在如何帮助人们简化平时的工作量,能快速查找到自己所需要的信息,毕竟现代社会,工作效率和工作质量是关键。数据挖掘技术就具备这样的特点,数据挖掘技术在软件系统的应用将大大降低我们的工作量,提高我们的工作效率。现在我们研究数据挖掘技术在软件系统的应用,分析它是如何发挥其作用的,希望能提高使用该挖掘技术人员的使用效率。     

Model Selection for Unsupervised Learning of Visual Context

This study addresses the problem of choosing the most suitable probabilistic model selection criterion for unsupervised learning of visual context of a dynamic scene using mixture models. A rectified Bayesian Information Criterion (BICr) and a Completed Likelihood Akaike’s Information Criterion (CL-AIC) are formulated to estimate the optimal model order (complexity) for a given visual scene. Both criteria are designed to overcome poor model selection by existing popular criteria when the data sample size varies from small to large and the true mixture distribution kernel functions differ from the assumed ones. Extensive experiments on learning visual context for dynamic scene modelling are carried out to demonstrate the effectiveness of BICr and CL-AIC, compared to that of existing popular model selection criteria including BIC, AIC and Integrated Completed Likelihood (ICL). Our study suggests that for learning visual context using a mixture model, BICr is the most appropriate criterion given sparse data, while CL-AIC should be chosen given moderate or large data sample sizes.