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

基于物料平衡原理,建立了尾渣全钒含量与焙烧熟料全钒含量、焙烧转化率及浸出率之间的函数方程,并结合某公司实际生产数据对方程的有效性进行了验证.在此基础上,系统研究了方程自变量间相互作用及对尾渣全钒含量的影响,进一步简化了原方程.结果表明:原方程和简化方程能够正确反映尾渣全钒含量和上述因素之间的内在作用规律,可为尾渣全钒含量的实际生产技术控制提供判断依据;而简化方程函数关系简单,更利于实际应用

为了改善M2高速钢中的碳化物分布，通过数值模拟详细分析了结晶器旋转对M2高速钢电渣重熔过程温度场、金属熔池形状的影响，并进一步通过实验室双极串联结晶器旋转电渣炉研究了旋转速率对M2高速钢电渣重熔过程的影响。采用扫描电镜观察并分析了结晶器旋转对电渣锭中碳化物形貌、分布的影响；采用小样电解萃取实验，分析了结晶器旋转速率对碳化物组成的影响。结果发现，随着结晶器旋转速率的增加，渣池的高温区从芯部向边部迁移，温度分布更加均匀；金属熔池的深度变浅，两相区的宽度收窄，从而导致局部凝固时间降低、二次枝晶间距减小。与此相对应，随着结晶器旋转速率的增加，M2电渣锭的渣皮更薄、更加均匀，结晶器对电渣锭的冷却强度更大，碳化物网格开始破碎、变薄，碳化物由片状改变为细小的棒状。X射线衍射分析表明，不论结晶器是否旋转，碳化物的类型始终不变，由M2C、MC和M6C组成，但是随旋转速率增加M2C含量增加，MC和M6C含量降低。碳化物组织得以改善的主要原因在于，结晶器旋转导致金属熔池深度降低、两相区宽度收窄，改善了凝固条件，减轻了元素偏析

当一项科研项目在完成田间试验、室内分析测定以及 对获得的数据要进行整理和统计分析等一系列工作之后, 要对科研工作进行必需的总结

一、全通函数 全通：幅度特性为常数。对所有频率的正弦信号按相同的幅度传输系数通过。 全通函数的特征：极点位于s左半平面。零、极点关于jw轴镜像对称

一、学习运算符应注意哪几点? 1、运算符功能 2、运算对象的个数: 3、运算对象的类型: 4、运算符优先级别: 5、结合方向 6、结果的类型:

数据是程序处理的对象,包括常量、变量、有返回值 的函数。 不同性质的数据需要不同大小的存储空间,导致数据 类型的划分,对某一编译程序而言,给各种数据类型分配 固定大小存储空间,使其表示的数据值在一定的范围内, 称为数据类型的值域

以一水软铝石作为前驱体,AlF3晶种为添加剂,在较低煅烧温度下制备结晶度好和形貌规整的六边形片状琢鄄鄄Al2O3.在晶种系数为2%的条件下,对煅烧产物的差热鄄鄄热重鄄鄄质荷(DSC鄄鄄TG鄄鄄MS)分析验证了气固反应的成核机理

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

通过对采空区渗流场的数值模拟,得到采空区渗流速度及氧气体积分数的分布.结合实验测得的煤自燃发火期和自燃临界参数,对采空区\三带\进行划分,并得到了采空区不自燃的工作面最小推进度.该方法计算量比模拟采空区煤自燃全过程少得多,预测精度却能够满足实际防灭火需要