通过对镍铁冶炼生产工艺中物质流和能量流平衡过程研究,获得了镍铁冶炼工艺中各个环节热量的利用率和损耗情况,以及红土矿、还原剂和熔剂在各部分中反应率,并分析了红土矿和镍铁合金中Ni含量对炉渣中镍铁成分的影响.构建针对镍铁冶炼工艺系统的总体物质流和能量流计算模型,在保证系统总体计算模型的前提下,又具有协同各子工艺系统的物质流和能量流计算模型的功能.依据各子工艺系统中物质流和能量流的关联性,计算烟气和炉气的利用率及热量损失,并利用VB软件对冶炼工艺流程计算软件进行开发

基于块体化程度和物元可拓理论,提出一种适用于顶板稳定性分级的BET法(classification method based on blockiness and extension theory).从三维空间上运用块体化程度指标刻化顶板围岩的完整性,建立以块体化程度、单轴抗压强度、节理条件和地下水条件为指标的评价体系;构建物元可拓模型的经典域、节域和待评物元,分析指标间不相容问题,用可拓层次分析法计算指标权重;综合计算关联度,制定出稳定性分级方法与标准.选取广西铜坑矿四个裂隙岩体试验区,进行BET分级法的工程应用研究.将BET法分级结果分别与RMR法、RSR法、Q法等传统方法及BT法的结果进行了对比.结果表明:与其他各类分级方法相比,BET法所选指标体系更全面,评价方法更客观、科学,评价结果更准确

针对煤与瓦斯突出预测准确率问题,在分析煤与瓦斯突出瓦斯地质因素的基础上,构建了包含瓦斯指标、煤体指标、地应力指标3个一级指标和瓦斯压力、构造煤厚度等12个二级指标的预测指标体系,通过综合运用网络分析法和多类别距离判别法对灰色关联模型中的输入端和输出端进行研究,建立了煤与瓦斯突出多指标耦合预测模型.该模型基于对煤与瓦斯突出瓦斯地质因素的综合分析,计算预测指标权重,划分煤与瓦斯突出可能性等级,建立了对突出可能性进行判别的2个判别式.以平煤八矿为例应用该模型对8组预测样本进行了煤与瓦斯突出可能性判断,预测结果与实际符合,为矿井煤与瓦斯突出防治提供了技术支撑,证明了煤与瓦斯突出多指标耦合预测模型的准确性和适用性

第一节 分形理论概述 一、分形相关概念 二、典型分形图形 第二节 分形维数及其测算 一、拓扑维数 二、豪斯道夫维数 三、信息维数 四、关联维数 五、变维分形 第三节 空间地理要素分维计算方法 一、点状地理要素分维计算 二、线状地理要素分维计算 三、面状地理要素分维计算 第四节 分形理论在城镇方面的应用 一、巫山县农村居民点分形特征 二、云南省城镇体系分形研究 第五节 分形理论在自然灾害方面的应用 一、滑坡灾害敏感性影响因子提取与定量 二、滑坡影响因子分段变维分形特征 第六节 R/S 分析 一、概述 二、主要方法 三、应用实例

社会上，许多现象之间也都有相互联系，例如：身高与体重、教育程度和收入、学业成就和家庭环境、智商与父母智力等。在这些有关系的现象中，它们之间联系的程度和性质也各不相同。本书第十章提出了两总体的检验及估计的问题，这意味着我们开始与双变量统计方法打交道了。双变量统计与单变量统计最大的不同之处是，客观事物间的关联性开始披露出来。这一章我们将把相关关系的讨论深入下去，不仅要对相关关系的存在给出判断，更要对相关关系的强度给出测量，同时要披露两变量间的因果联系，其内容分为相关分析和回归分析这两个大的方面

我们前面已经比较系统地讨论了双样本的参数和非参数检验的问题。现在，我们希望利用一般的方法来检验三个以上样本的差异， 检验法和方差分析法就是解决这方面问题的。检验法可以对拟合优度和独立性等进行检验，方差分析法则可以对多个总体均值是否相等进行检验。后者由于通过各组样本资料之间的方差和组内方差的比较来建立服从F分布的检验统计量，所以又称F检验。 第一节：拟合优度检验 第二节：无关联性检验 第三节：方差分析 第四节：回归方程与相关系数的检验

首先从绿色通信入手, 对网络能量效率的国内外研究现状进行了分析. 在此基础上, 对超密集网络的关键性能指标, 即能量效率的各种定义进行了梳理, 为建模奠定了基础. 其次, 讨论了网络能量效率建模和优化过程中经常使用的4种理论模型: 随机几何、博弈论、最优化理论和分数阶规划. 并综述了能效提升的技术, 包括高能效部署与规划、高能效基站休眠、高能效用户关联、高能效资源管理、高能效传输方式. 最后, 指出未来的可能的技术挑战: 网络能效理论与超密集网络体系架构、超密集小基站高能效覆盖机理、超密集网络的柔性资源匹配机理、移动用户群体行为建模与高能效服务方法. 通过研究超密集网络高能效覆盖机理和柔性资源匹配机理, 为未来无线通信网络建模和分析提供设计依据与技术支撑

7.1 数据处理与分析的概念 7.1.1 数据分析与数据挖掘 7.1.2数据分析与数据处理 7.1.3大数据处理与分析 7.2机器学习和数据挖掘算法 7.2.1概述 7.2.2 分类 7.2.3聚类 7.2.4 回归分析 7.2.5关联规则 7.2.6协同过滤 7.3 大数据处理与分析技术 7.3.1技术分类 7.3.2 流计算 7.3.3 图计算 7.4大数据处理与分析代表性产品 7.4.1 分布式计算框架MapReduce 7.4.2 数据仓库Hive 7.4.3数据仓库Impala 7.4.4 基于内存的分布式计算框架Spark 7.4.5 TensorFlowOnSpark 7.4.6 流计算框架Storm 7.4.7 流计算框架Flink 7.4.8大数据编程框架Beam 7.4.9查询分析系统Dremel

 大数据处理的基本流程  大数据处理模型  大数据关键技术  大数据处理工具  大数据时代面临的新挑战 WordCount 关联规则基本模型 聚类 本章内容首先介绍了大数据处理的基本流程和大数据处理模型，接着介绍了大数据的关键技术，其中，云计算是大数据的基础平台和支撑技术，本章以Google 的相关技术为主线，详细介绍Google 以及其他众多学者和研究机构在大数据技术方面已有的一些工作，包括文件系统、数据库系统、索引和查询技术、数据分析技术等；接下来，介绍了大数据处理平台和工具，就目前技术发展现状而言，Hadoop 已经成为了大数据处理工具事实上的标准。最后，介绍大数据时代面临的新挑战，包括大数据集成、大数据分析、大数据隐私问题、大数据能耗问题、大数据处理与硬件的协同、大数据管理易用性问题以及性能测试基准。 大数据采集架构 预测模型

在客观世界中,普遍存在着变量之间的关系数学的一个重要作用就是从数量上来揭 示、表达和分析这些关系。而变量之间关系,一般可分为确定的和非确定的两类.确定性关 系可用函数关系表示而非确定性关系则不然 例如,人的身高和体重的关系、人的血压和年龄的关系、某产品的广告投入与销售额 间的关系等,它们之间是有关联的,但是它们之间的关系又不能用普通函数来表示我们 称这类非确定性关系为相关关系