HX法水分测定仪的设计与分析

测定和控制物料的含水量,对提高产品质量、产量、节省能源和原材料等方面具有重要意义。本文讨论了以湿性基准含水率表示的粉状物料含水量的快速测定法,并对其工作原理、特点、设计方法等均作了介绍和分析。     

开潭水电站砼纵向围堰方案优化剖析

1 概述 开潭水电站土建合同价款1．12亿元，砼方量23万m^3。该电站导流采用分期导流。先围右岸，修建泄洪闸和厂房，后围左岸，修筑船闸和泄洪闸，左岸围堰修筑到Δ↓48m后即可蓄水发电。一期围堰是在一期土石临时围堰的保护下修筑的，它包含上下游横向土石围堰、纵向砼围堰，导流标准为汛期10年一遇的洪水标准。堰顶高程为50．15m。     

含加工等待和工序跳跃的炼钢-连铸调度方法

现有的钢铁冶炼生产过程广泛存在精炼工艺不同和设备转运时间可变的限制条件,目前的炼钢-连铸调度多面向单工序路径生产进行分析和建模,未解决实际应用与投产问题。针对国内某大型炼钢厂炼钢-连铸过程中精炼工艺路径不同和相邻炉次之间存在设备转运时间的问题,建立了符合实际的优化调度模型,且为处理加工等待和工序跳跃的子问题提出了前向法,为处理连铸工序无等待时间的子问题提出了反向法,同时以冶炼的最大完工时间为优化指标,通过制定排程方案验证前向-反向法。排程甘特图表明,本文的方法避免了错排程和重叠排程,能有效指导生产,证明了该方法是可行和有效的。     

面向数据挖掘的教学系统的设计与实现

由于数据挖掘技术具备从大量数据中提取特定数据模型的优势,已得到广泛的认可和应用。目前,数据挖掘在教育领域中应用的主要热点之一是如何构建面向数据挖掘的教学系统的研究。介绍一种面向数据挖掘技术的教学网站的设计思想和实现方法。该网站实现传统教学系统的通用模块,并增加对教学日志的支持功能。该功能为数据挖掘研究提供实验数据和实践平台。     

数据挖掘技术在学生评估中的应用

近几年随着科技和现代教育的发展,数据库和网络技术得到飞速的发展和广泛的应用,智能教学系统也就大量地出现,这样就有大量的数据伴随着出现,而怎样处理这些数据使人们从中获得有用的信息变成一个热门的话题。数据挖掘技术就是将大量数据以一定的方式进行处理,得到对人们有用的信息,来帮助人们学习和预测。将数据挖掘技术引入到教学过程中学生的个人学习素质评估当中,创新性地通过决策树算法和聚类算法相结合的方法对学生数据分析,挖掘潜在的信息资源,找出影响个人综合素质的关键因素及各因素之间的关系,总结优秀学生的个人综合素质的培养方法,弥补不足,提高学生的个人综合素质。     

基于曝光适度评价的多曝光图像融合方法

针对数字相机在拍摄宽亮度范围场景时动态范围不足的问题,提出一种高效的多曝光图像融合方法.该方法通过场景的多次采样曝光,分析不同像素的亮暗变化,利用高斯数学模型计算评价数值.将结合图像亮度信息的曝光适度评价方法应用于图像分块区域,并计算每个像素的权重值,消除图像块效应.将不同曝光度下成像的图像序列融合为一幅局部自适应曝光的高动态范围(HDR)图像,实现动态范围扩展.与另外3种方法进行对比分析,结果表明:该方法简便有效,细节纹理与颜色信息具有更强的表现能力,且熵值更高.     

立体图像对亮度差异对立体视融合的影响研究

针对具有亮度差异的立体图像对如何影响立体融合,提出了对不同亮度差异的立体图像对识别融合的影响范围。通过8名被试对亮度差异分别为0,10,20,30,40,50,60,70,80,90的立体图像对融合识别的反应时和正确率进行分析,给出了亮度差异对立体视融合的定量影响范围。结果表明:反应时随着亮度差异的增大逐渐增加,但识别正确率逐渐降低。亮度差异为20以下,立体识别可达到较好的识别效果,反应时较短并且正确率很高。当亮度差异介于20~60之间,反应时急剧增加,正确率稍有降低。但当亮度差异达到60以上,不仅反应时急剧增加,而且正确率急剧降低,达到很难识别的程度。     

浅谈二肋波浪产生的原因及其控制方法

作者根据生产实践中积累的经验,简述了冷轧铝合金板带时产生的二肋波浪的危害,分析了产生二肋波浪的原因,找出了控制二肋波浪的方法。     

西江航道封开段整治工程检测实践与探讨

结合西江(封开境内)航道整治工程第三方检测的实施过程,对航道整治工程第三方检测工作的流程和方法进行了探讨.     

引入自监督机制的燃料电池水管理系统健康状态检测方法EI北大核心CSCD

为保证质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)运行过程中的安全性和平稳性,该文提出一种引入自监督机制的燃料电池水管理系统健康状态检测方法。该方法的计算网络引入自监督机制挖掘数据特征,具体通过堆叠两层稀疏收缩自编码器(sparse contractive autoencoder,SCAE)实现功能。该自编码网络以逐层贪婪训练的方式完成参数初始化,避免因初值取值不佳使得网络参数训练陷入局部最优解。同时,改进的自编码网络也能有效避免模型过拟合,从而达到良好的特征提取效果。用Softmax分类器替换最后一个自编码器的输出层,然后运用Adadelta算法进行基于自适应学习率的自编码网络权值微调,从而完成系统识别网络的搭建。该算法根据梯度动态调节学习率大小,使得网络权值快速逼近符合数据特点的最佳取值。实验结果表明,该方法能快速准确地识别PEMFC正常、水淹和膜干3种状态,检测正确率高达98.5%,检测时间为3.24s。与线性判别分析-概率神经网络(linear discriminant analysis-probabilistic neural network,LDAPNN)、稀疏自编码器-支持向量机(sparse autoencodersupport vector machine,SAE-SVM)和主成分分析-向后传播神经网络(principal component analysis-backpropagation neural network,PCA-BPNN)方法相比,所提方法计算时间分别减少3.08、5.38和7.15s,准确率分别提高7.92、25.08和9.08%。普适性验证表明,该方法对于多节电池的健康状态检测同样适用。