排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
在有线电视系统中,通过射频电缆对放大器进行集中供电(即内馈电)是目前采用最多的一种方式,下面介绍该系统干线容易发生的几类故障及检修方法.…… 相似文献
2.
3.
在有线电视系统中,通过射频电缆对放大器进行集中供电(即内馈电)是目前采用最多的一种方式,下面介绍该系统干线容易发生的几类故障及检修方法。 相似文献
4.
管道运输是当前长距离输送石油、天然气等能源最经济的方式之一,具有优异的低温韧性是保证管线钢安全运输的重要特征.落锤撕裂试验(Drop weight tear testing,DWTT)是衡量管线钢低温韧性的最有效的方法.在目前的工作中,根据钢厂提供的产线数据集和文献收集的管线钢数据集,建立了基于机器学习的DWTT剪切面积预测模型.基于纯产线数据和文献数据辅助的产线数据构造了两种机器学习策略方案,测试了不同机器学习算法,效果最好的均是随机森林模型,策略一的纯产线数据模型的性能指标皮尔逊相关系数(PCC)为0.64,策略二的文献数据辅助的产线数据模型的性能指标皮尔逊相关系数(PCC)为0.92,文献数据的增加有效提高了DWTT剪切面积预测精度.机器学习技术为优化和预测DWTT剪切面积提供了一种新的思路. 相似文献
5.
6.
在有线电视系统中,通过射频电缆对放大器进行集中供电(即内馈电)是目前采用最多的一种方式,下面介绍该系统干线容易发生的几类故障及检修方法。(1)在一条干线上,最后一级放大器所带的区域没有电视信号 相似文献
7.
在材料基因工程的背景下,数据驱动的机器学习技术推动着材料研究进入了新的范式.机器学习能够充分利用已有的实验数据,在不明晰机制原理的情况下实现对材料服役性能的准确预测,极大地减少了实验所需的时间与成本.本文以机器学习预测金属材料的典型服役性能为主题,总结并分析了四种预测金属材料服役性能的常用机器学习模型.以疲劳、蠕变、腐蚀这三种常见的服役性能为代表,介绍了机器学习在这三个性能方面的研究情况,并列举了几个具体的案例进行简要分析.最后,总结了机器学习预测金属材料服役性能的特点,分析了当下机器学习预测金属材料服役性能存在的一些科学问题,并对其发展前景进行了讨论和展望. 相似文献
1