直接和间接电合成制备出的高铁酸钾的物理和电化学性能

K2FeO4 powders were synthesized by the ex-situ and in-situ electrochemical methods, respectively, and characterized by infrared spectrum （IR）, scanning electron microscopy （SEM）, X-ray powder diffraction （XRD） and BET. Their electrochemical performances were investigated by means of galvanostatic discharge and electrochemical impedance spectroscopy （EIS）. The results of physical characterization showed that the two samples have simi- lar structural features, but their surface morphologies and oriented growth of the crystals are different, which results in smaller specific surface area and lower solubility of the ex-situ electrosynthesized K2FeO4 sample. The results of discharge experiments indicated that the ex-situ electrosythesized K2FeO4 electrode has much larger discharge capacity and lower electrode polarization than the in-situ electrosynthesized K2FeO4 electrode. It was found from the results of EIS that lower electrochemical polarization might be responsible for the improvement on the discharge performance of the ex-situ electrosynthesized K2FeO4 electrode.     

Failure mode and strength anisotropic characteristic of stratified rock mass under uniaxial compressive situation

A stratified rock mass model was founded by FLAC^3D. The failure mode and anisotropic characteristic of strength for stratified rock mass were analyzed. The analysis results show that the numerical simulation can visually reflect the failure modes of rock samples under different inclination angles β of structural plane. The stiffness of rock sample before peak strength changes in the compressive procedure. With the increase of β, the compressive strength σ _c of rock sample decreases firstly and then increases; when β is in the range of 20°–30° and 80°–90°, σ _c has the largest sensitivity to β; while β falls in the range of 30°–70°, σ _c varies little. When ϕ _j <β<90° (β _j is friction angle of structure plane), the results obtained from numerical simulation and theoretical analysis are in almost the same values; while β⩽ ϕ _j or β=90°, they are in great different values. The results obtained from theoretical analysis are obvious larger than those from numerical simulation; and the results from numerical simulation can reflect the difference of compressive strength of rock samples for the two situations of β⩾ ϕ _j and β=90°, which is in more accordance with the real situation. Foundation item: Project (50099620) supported by the National Natural Science Foundation of China     

基于样本分析的试题难度系数修正算法

针对当前题库试题难度系数的确定和评价标准不明确,提出一种以考试结果为样本获得难度系数并自我修正的算法:将样本数据序列{dk}构造到希尔伯特空间上,利用空间的完备性,从理论上确保序列{dk}收敛于常量D。基于该算法构造机器学习模型,它具有快速收敛和对历史数据进行学习和修正的特点。     

定数截尾数据缺失场合下k/N(G)系统可靠性指标的Bayes估计

在定数截尾缺失数据样本下,研究了不可修k/N(G)系统的可靠性指标评估问题。将经典估计方法和Bayes方法相结合得到了部件的平均寿命、系统可靠度及平均寿命等可靠性指标的Bayes估计。最后利用随机模拟例子说明了本研究方法的正确性和可行性。     

一种有效的齿轮故障识别方法

针对齿轮故障特征信息往往被信号中的噪声淹没的问题,提出了一种基于谐波小波包、样本熵和灰色关联度的齿轮故障识别方法。首先,采用顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮振动信号进行顺序形态滤波降噪预处理。然后,采用谐波小波包将不同故障的齿轮振动信号分解到3层共8个频带上,并计算各频带的样本熵。最后,以样本熵为元素构造特征向量,通过计算标准故障模式特征向量与待识别样本的灰色关联度来判断齿轮的工作状态和故障类型。试验结果表明,该方法能够有效地应用于齿轮系统的故障诊断。     

一种改进的K值最近邻自动分类方法

K值最近邻法是常用的一种自动分类算法。当待分类文本与样本集中多个决策样本的距离相等的时候,固定的K值取法不能充分利用样本集,给分类结果带来一定的随机性,影响了自动分类的准确性。本文通过对K值最近邻算法的原理进行深入分析,提出了一种K值动态选取的方案,使得K值最近邻算法的分类准确性有了显著的提高。     

卫生陶瓷制品缺陷分析神经网络骨架系统

本文介绍神经网络概念及其感知算法原理,论述陶瓷制品缺陷类型、缺陷根源及其克服缺陷措施如何形成神经网络骨架系统。这些因果关系在神经网络骨架系统中是用权系联接来描述。文中还论述如何使用各个工厂制品的实际存在缺陷范例(样本),来训练神经网络骨架系统的知识库。     

基于混合采样的图对比学习推荐算法

在推荐系统领域中,图卷积网络具有对于图结构数据更强的信息抽取能力。然而,现有的图卷积网络推荐算法主要关注改进模型结构,忽视了提高原始样本采样质量与挖掘用户—项目间隐式关系的重要性。针对上述问题,提出一种基于混合采样的图对比学习推荐算法。首先使用混合采样方法,提取出正样本中部分信息并将其注入负样本,从而生成全新的富含信息的难负样本;其次,通过轻量图卷积网络对难负样本进行特征提取,得到用户和项目的节点表征,采用邻域对比学习方法挖掘样本隐式关系;最后,利用多任务策略对推荐监督任务和对比学习任务进行联合优化。在真实数据集Yelp2018和Amazon-book上进行实验,采用recall和NDCG指标进行评估,实验结果表明,提出的模型相较其他基准模型取得了更好的效果。     

基于AERF模型的油井结蜡预测

油井结蜡是一种在开发以及开采油田时对油井正常产出造成了负面影响的现象,该现象会引起油流通道堵塞,导致油井开采过程中出油量降低.对油井结蜡状况做出智能预警,完成油井设备提前修复,对油田提高产能效率、降低维护成本及智能化管理有非常关键的价值.为了解决油井正常数据和结蜡数据严重不平衡问题,本文引入了自适应合成抽样法(ADASYN)和最近邻规则欠抽样法(ENN)两种非均衡样本处理方法,分别对类别为结蜡的样本和非结蜡的样本进行处理,最终使用随机森林算法对新构成的数据集训练,构造出AERF智能模型来预测油井结蜡.实验结果表明,提出的AERF模型在油井的结蜡数据集中预测效果更佳,明显地提高了预测精度.     

多代表点的加权近邻分类算法

传统的KNN算法存在分类效率低等缺点.针对这些缺点,本文提出一种高效的结合多代表点思想的加权KNN算法,利用变精度粗糙集上下近似区域的概念,结合聚类算法生成代表点集合构造分类模型,再运用结构风险最小化理论优化分类模型并对影响分类模型的因素进行分析.分类过程中根据测试样本与各代表点的相似度,得到测试样本的相对位置.其中属于样本点下近似区域的测试样本可直接判断其类别.若测试样本在其他区域,则根据测试样本与各代表点的相对位置对各代表点覆盖范围内的样本进行加权后判断测试样本的类别.在文本分类领域的数据集上进行实验,结果表明该算法能有效的提高分类模型的性能.