以金山店铁矿充填采矿法优选为工程背景，将采矿方法优选视为多目标决策的系统工程问题来处理.综合考虑技术、经济、资源利用、劳动效率、安全、环境等多方面因素，构建了较为全面的采矿方法优选多目标决策指标体系.分别采用层次分析法、模糊判断矩阵及Delphi法对决策指标进行赋权，得到了三组单一权重.在此基础上，通过Kendall非参数检验及Spearman等级相关性分析，确定了各赋权方法的相关程度，得到了较为合理的采矿方法优选多目标决策指标的组合权重，并基于组合权重，采用模糊多目标决策确定了最优采矿方法为分段空场嗣后充填法.本文采用的组合权重赋权方法较好地解决了多目标决策时指标权重的分配问题，提高了采矿方法优选指标权重确定的合理性及科学性

采用热力学软件FactSage对CaO-Al2O3-SiO2-MgO四元系夹杂物的低熔点区域面积进行了分析计算，发现其低熔点区域可以根据碱度的不同分为两个区域，利用KTH模型对这两个低熔点区域内的硫容量进行了计算比较，并结合临氢钢12Cr2Mo1R对钢液成分及脱硫的要求，对其适用的低熔点区域进行了讨论.结果表明：如将夹杂物控制在碱度高的低熔点区域，则CaO的质量分数在30%左右，Al2O3在15%左右，MgO在10%左右，SiO2大于40%，且SiO2越多，低熔点区面积越大；如果将夹杂物成分控制在低碱度区域，则CaO在50%左右，Al2O3在45%左右，MgO的质量分数在5%左右，SiO2的质量分数小于5%.高碱度低熔点区的硫容量明显小于低碱度低熔点区，在两个低熔点区内，硫容量均随碱度的增加而增加，且钙铝比越大，硫容量随碱度增加的幅度越大；对于临氢钢12Cr2Mo1R来说，应将CaO-Al2O3-SiO2-MgO四元系夹杂物控制在高碱度低熔点区域，且碱度和钙铝比越大越好

当可口可乐、麦当劳席卷全球市场时，意味着全球消费者共性的一面:不同国家、不同 区域的消费者共同的消费选择。也说明可口可乐、麦当劳等国际品牌运用成功的行销策略适 应了不同文化的需要。 然而，不能忘记另一面: 消费者的差异性是更基本的，是营销存在之基础

对教育进行的研究，主要有调查研究和思辨式研究两种方式。目前，我国教育理论研 究者和实践工作者在面临各种教育问题，寻求解决方法的过程中，越来越自觉地选择调查研 究的方式。这反映了我国的教育研究开始逐步走出书斋，走向教育实践,直面教育的现实问 题

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性

任何组织中的管理人员都要面临这样一个问题，就是如何为组织制定计划。在这里我们首先应该明 确计划到底是一件什么样的工作，可以这样说，计划就是对于未来行动的一个预先安排。计划是所有管 理职能最为基本的一个方面，管理者必须首先具备预测将来可能会发生什么样的事情的能力。除了少数 极其常规性的工作之外，任何的组织和管理活动都需要制定计划，管理者必须详细地计划许多事情

一 问题的提出 日常生活中有许多决策问题。决策是指在面临多种 方案时需要依据一定的标准选择某一种方案。 例1 购物 买钢笔，一般要依据质量、颜色、实用性、价格、 外形等方面的因素选择某一支钢笔

上面给大家介绍的是两种生存分析方法，但它们只能研究一至两个因素对生 存时间的影响，当对生存时间的影响因素有多个时，它们就无能为力了，下面我 给大家介绍 Cox Regression 过程，这是一种专门用于生存时间的多变量分析的 统计方法

利用ANSYS软件,采用直接耦合方法,对带有周向槽和径向槽的摩擦片在滑摩过程中的温度场和应力场进行仿真计算和分析。在计算过程中考虑了摩擦片和对偶钢片摩擦所产生的热分配情况,以及摩擦片与沟槽内润滑油和外界空气的热交换,并同时考虑了各种位移约束。研究发现在滑摩过程中摩擦片的最高温度出现在摩擦表面,最高等效应力出现在沟槽内,两者的最大值出现在滑摩过程的中前期,数值分别为148.1℃和146 MPa;在每个小摩擦表面会形成椭圆热区,并且温度中间高,四周低;沿半径方向,半径越大,温度越高,小摩擦面上的温度分布为凸抛物线型,沟槽面为凹抛物线型

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度