为了寻求在瞬态下仍然有效的实时模拟模型，以便模拟连铸的全过程，基于任意拉格朗日-欧拉（ALE）方法和Lam-Bremhorst低雷诺数k-ε方程，建立了考虑湍流的传热和流体流动的实时模拟模型.该模型有效地实现了移动计算域下的动态网格扩展，可以模拟从拉坯到切割坯连铸全过程的温度场与流场的变化.作为实例，X70钢小方坯的模拟效果与实验验证吻合很好

传统人群搜索(SOA)算法通过计算搜索方向、搜索步长和搜寻更新个体位置三个步骤进行寻优.它的缺点在于计算量大,种群之间信息交流少,导致寻优速度慢.针对人群搜索算法存在的缺点,本文提出二项交叉算子改进人群搜索算法(BCOISOA)对其改进.在计算搜索步长方面,本文采用随机数与最大函数值位置乘积判断子群位置,进而提高全局寻优计算速率.在更新位置方面,本文提出二项交叉算子加强种群之间的联系,避免在更新搜索方向过程中,算法因局部最优而导致过早收敛,进而达到快速、准确寻找最优解的目的.本文将以上二项交叉算子改进人群搜索-BP神经网络算法应用在二段式磨矿过程中,实现磨矿粒度在线软测量.仿真结果表明,与人群搜索算法和粒子群算法进行比较,二项交叉算子改进人群搜索算法收敛速度更快,预测精度最高,满足对磨矿粒度实时检测的要求

隧道健康状态诊断过程作为一个模糊系统，具有随机性和模糊性的特点.传统的隧道结构健康诊断方法无法妥善地将系统的模糊性和随机性关联在一起.基于此，针对隧道结构健康状态诊断系统的模糊性和随机性特点，提出了基于云理论的隧道结构健康状态诊断方法.首先，建立反映隧道结构健康状况等级评语集的正态云模型.然后，依据逆向云发生器原理，将隧道结构健康状态指标的监测数据的归一化结果值转化为隶属度云模型.将健康状态指标的重要性语言值转化为权重云，用于表征各健康状态指标的重要程度.最后，运用云理论的计算方法对隧道结构健康状态等级进行诊断，得到健康状态等级诊断结果的云模型.应用云模型的改进方法，对某市地铁2号线盾构隧道结构健康状态进行了诊断，极大提高了诊断结果的可视化和鲁棒性

以光流法为依据,提出了一种基于光流方向信息熵(entropy of oriented optical flow,EOF)统计的方法捕捉微表情关键帧.首先,采用改进的Horn-Schunck光流法提取视频流中相邻两帧图像的微表情运动特征;其次,采用阈值分析法筛选出投影速度模值较大的光流向量;之后,采用图像信息熵统计光流变化角度,进而得到视频序列的方向信息熵向量,通过对熵向量的分析,实现微表情关键帧捕捉;最后,本实验采用芬兰奥卢大学的SMIC微表情数据库和中国科学院心理研究所傅小兰的CASME微表情数据库作为实验样本,通过与传统的帧差法比较,证明了本文提出的算法优于帧差法,能够较好地表现出微表情变化趋势,为微表情识别提供基础

以低碳钢和中碳钢为研究对象,围绕不同连铸工艺参数对方坯初始凝固行为的影响,利用CA-FE耦合模型模拟实际连铸过程结晶器内方坯的初始凝固行为,考察拉速和过热度对方坯出结晶器坯壳厚度的影响,对比二者出结晶器横截面枝晶微观形貌.研究表明:过热度和拉速增加均能使出结晶器坯壳厚度下降,而拉速的影响更为显著.不同钢种在相同条件下出结晶器坯壳厚度下降梯度不同.过热度越低柱状晶越致密细小,利于提高连铸坯质量,拉速对柱状晶的影响相对较小.由于出结晶器坯壳安全厚度限制,过热度取15℃,低碳钢拉速不能超过2.2 m·min-1,中碳钢拉速不能超过2.5 m·min-1,据此针对不同钢种设计不同拉速可提高连铸效率.同时,模型结果显示低碳钢出结晶器时刻柱状晶更为发达

最小方差无偏估计和有效估计是在某种意义下的最 优估计,两者既有区别又有密切的关系。如果求出 参数θ的一个估计量θ,判别其是否为最小方差无偏 估计或有效估计,显然具有重要的意义。倘若能直 接求出参数θ的最小方差无偏估计或有效估计,则 将更加令人满意,本节将研究这些问题

本文从电机的基本矩阵方程入手,用座标变换方法推得了无换向器电动机的数学模型及其简化传递函数,讨论了一些物理量对其动特性的影响,阐明了无换向器电动机闭环控制系统的组成与特性,提出了改善动态特性的方法。研究结果表明,简化传递函数具有足够的准确性;无换向器电动机闭环控制系统具有与直流电动机闭环控制系统极其相似的动态性能;采用磁场调节与电枢调节相结合的控制方式,可以使系统的动态性能得到很大改善

一、实验目的: 1 掌握中规模集成电路的功能及使用方法 2 学习用“反馈归零法”和“反馈置数法”构成 N进制计数器的方法 3 学会中规模集成电路的分析方法、设计方法和测试方法

Logit模型和 Probit模型 U, =V;+;(7.3.1)假定有2种可选方式。个人n选择方式1是因为方式1的效用U大于方式2的效用U2,即

7.4随机变量的数字特征 7.4.1高散型随机变量的数学期望和方差 7.4.2连续型随机变量的数学期望和方差 7.4.3常见随机变量的数学期望和方差 7.4.4随机变量函数的数学期望和方差