为了处理含高铅的镍物料,进行了电解阳极液中深度除铅的实验研究.分析了电解镍含铅量与电解液中Pb2+质量浓度的关系、共沉淀净化除铅的机理及电解液中的Cl-、Fe3+对除铅结果的影响.通过实验研究,确定了采用共沉淀法深度除铅的最优技术参数:氯化钡加入系数为150、除铅温度为55℃、搅拌除铅时间为60 min、喷淋加入氯化钡溶液的时间为21 min、絮凝剂的质量浓度为2.5 g·L-1.实验结果表明:采用氯化钡共沉淀法净化除铅,除铅后电解液中[Pb2+]≤0.0003 g·L-1,渣含镍质量分数小于4%,满足电解镍生产对电解液成分的要求.通过除铅扩大试验,证明了小型试验所确定的技术参数的可靠性,该工艺成功地应用于工业生产实践

使用赤泥、矿渣、脱硫石膏和质量分数10%的水泥熟料制备了一种充填采矿用胶结剂,研究了将胶结剂应用到不同类型矿山的适应性,并通过扫描电镜和核磁共振分析了净浆试块水化早期微观结构以及硅酸盐和铝酸盐结构变化.结果表明胶结剂制备的充填料适用于铁矿及普遍采用充填法开采的铅锌矿、铜矿和金矿,且比水泥充填料在强度和保水性方面上具有更明显的优势.胶结剂2.5 h终凝,在2.5 h内钙矾石开始形成,对凝结硬化起了重要作用.4 h后大量四配位铝向六配位铝转化,硅酸盐聚合度增加,钙矾石、C-S-H凝胶和沸石等不断形成.这些水化产物尺寸和形态各异,且交织在一起,试块结构开始变得致密,这是胶结剂4 h后强度形成并快速发展的原因

在硅钼炉中，1400℃的条件下，利用硅钙合金、稀土硅、铝基脱磷剂等对高磷硅锰合金进行还原脱磷实验研究.脱磷实验采用CaO-CaF2（质量比为25∶75）为覆盖渣，渣金比为0.2∶1.采用ICP光谱仪检测脱磷后合金中的磷含量，X射线衍射检测渣样物相成分，着重分析了不同脱磷剂及其用量对高磷硅锰合金还原脱磷的影响.结果表明：随脱磷剂用量的增加，硅锰合金脱磷率呈上升的趋势.其中，铝基脱磷剂脱磷效果最好，当其质量分数达到8%时，合金中磷的质量分数可降至0.21%，符合国标要求（≤ 0.25%），脱磷率达78%；硅钙合金次之，当其质量分数达到10%时，脱磷率为47%；稀土硅的脱磷效果最差，当其质量分数达10%时，脱磷率仅22%.铝基脱磷剂为本实验条件下的最佳脱磷剂

利用实验及CFD模拟软件分别研究非空调工况下以及空调工况的送氧口个数、送氧口管径、送氧流量及送氧方式、不同的气流组织形式(同侧上送下回、异侧上送下回)等发生变化对密闭建筑缺氧房间的富氧特性及富氧效果的影响. 结果表明: 非空调工况下, 送氧口个数、送氧口管径、送氧流量及送氧方式不同, 所形成的富氧区域差别较大, 宜采用管径为6 mm的相背45°的双送氧口进行送氧, 所形成的富氧面积为最大; 空调工况下, 送氧口个数、送氧口管径、送氧流量及气流组织形式不同, 所形成的富氧区域形状大体相似, 均为\椭圆\形状, 宜采用送氧口管径为6 mm的单送氧口且异侧上送下回的气流组织形式; 空调工况下, 送氧流量相同时, 送风风速为0.85 m·s-1所形成的富氧面积比送风风速为1 m·s-1所形成的富氧面积大约20%;当送风风速均为0.85 m·s-1, 送氧流量为1.5 m3·h-1所形成的富氧面积约为0.96 m2, 该富氧面积与单人次活动范围面积相当, 适宜作为空调工况下缺氧房间单人次的富氧基础供氧量. 模拟结果可为缺氧空调房间供氧装置的选择、布置、降低新风量、降低空调能耗等方面提供参考

为提高热轧换规格首块钢头部卷取温度命中率，采用数据挖掘技术，从历史带钢冷却数据中推断出与实际带钢相匹配的卷取温度模型水冷换热学习系数，并将其应用于模型预设定计算。首先，对冷却特征参数进行识别，按照相对型、绝对型、相等型和策略型四种方式进行定义，并对实际带钢与历史带钢的各项冷却特征参数进行相似距离计算。当历史带钢的总相似距离满足要求时，将其聚类为实际带钢的相似卷，并考虑各相似卷的时间影响，计算相似权重值；随后，基于相似带钢的头部和尾部信息，建立由卷取温度预报误差、偏离学习系数回归值惩罚项和偏离默认值惩罚项等构成的目标函数以及相应的约束条件，采用梯度下降法求解该二次规划问题，通过三次优化逐步计算出学习系数参考值和表征学习系数与带钢速度及目标卷取温度呈双线性关系的两个参数；最后，根据实际带钢的穿带速度、目标卷取温度等冷却条件计算冷却设定所需的学习系数。现场应用表明：基于十万块历史带钢冷却数据驱动的模型参数即时自适应设定算法可增强卷取温度模型对带钢头部冷却的预设定能力，学习系数即时自适应设定能力随着内存中保存的历史带钢冷却数据的多样性和检索出的相似卷数量的增加而提升

随着移动互联网技术的快速发展、无线终端设备与移动应用流量需求与日俱增,移动用户对无线通信网络的服务质量(quality of service, QoS)要求越来越高、回传网络的压力也越来越大. 新出现的云无线接入网(cloud radio access network, C-RAN)能够有效提升网络容量、提高用户服务质量,同时采用无源光网络(passive optical network, PON)作为其回传网络(backhaul),能够为其提供大带宽、高可靠、低时延的回传支撑. 在移动应用需求不断变化和回传网络资源有限的条件下,高效的资源调度策略至关重要,其能够有效的提升回传网络资源利用率、降低传输等待时延. 为节约回传网络波长资源、提高波长负载均衡性和资源利用率,提出一种下行资源调度策略. 根据高热点区域无线用户实时网络需求,综合考虑回传网络波长使用数量、负载均衡性和实时业务分配均匀度等优化目标,采用自适应权重并行遗传算法完成其优化过程,从而实现波长资源动态分配,提升网络资源利用率. 仿真结果表明,提出的下行资源调度策略能有效提高网络负载均衡性和网络资源利用率,并降低实时业务等待传输时间

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

从上一章知道，无限长单位冲激响应（IIR）数字滤波器和有限长单位冲激响应（FIR）数字滤波器的实现结构并不相同。因此，两种滤波器的设计方法也不相同。我们通常采用窗函数法和频率抽样法等来设计FIR数字滤波器；以模拟滤波器为基础，采用单位冲激响应不变法，单位阶跃响应不变法和双线性变换法等来设计IIR数字滤波器。本章首先介绍数字滤波器的技术指标，然后讨论模拟滤波器的设计，最后讨论IIR数字滤波器的设计。 9.1 数字滤波器的基本概念 9.2 模拟滤波器的设计 9.3 用单位冲激响应不变法设计IIR数字低通滤波器 9.4 用单位阶跃响应不变法设计IIR数字低通滤波器 9.5 用双线性变换设计IIR数字低通滤波器 9.6 IIR数字高通滤波器的设计 9.7 IIR数字带通滤波器的设计 9.8 IIR数字带阻滤波器的设计

对转炉采用石灰石造渣炼钢引起硅挥发的原因进行了分析，通过热力学计算得到了高碳低温铁水面上SiO稳定存在的温度及气氛条件.分析结果表明，标准状态下，铁水中各元素与CO2的氧化反应中，SiO生成反应只在火点区附近可以进行；温度为1400~2300 K时，使得SiO稳定存在的pCO/pCO2随温度升高逐渐降低，该气氛条件相当于pO2在10-25~10-13数量级；在2 min内加入石灰石的条件下，[Si]挥发时的pSiO大致在10-2数量级，与实际生产中大致相同

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断