1.1 电路模型 一、实际电路组成与功能 二、电路模型 1.2 电路变量 一、电流 二、电压 三、电功率 1.3 电阻元件与欧姆定律 一、电阻元件 二、欧姆定律 三、电阻元件上消耗的功率与能量 1.4 理想电源 一、理想电压源 二、理想电流源 1.5 基尔霍夫定律 一、基尔霍夫电流定律 二、基尔霍夫电压定律 1.6 电路等效 一、电路等效的一般概念 二、电阻的串联与并联等效 三、理想电源的串联与并联等效 1.7 实际电源的模型及其互换等效 一、实际电源的模型 二、电压源、电流源模型互换等效 1.8 电阻△形、Y形电路互换等效 一、△形电路等效变换为Y形电路 二、Y 形电路等效变换为△形电路 1.9 受控源及含受控源电路的等效 一、受控源 二、路含受控涣电路的等效 1.10 运算放大器概述 一、理想运放的符号及电路模型 二、理想运放的三种运算方式 三、运放的两种典型运算

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法

一、模型的设定—F检验 二、固定影响变截距模型 三、随机影响变截距模型 四、固定影响/随机影响模型的检验

第一章 前言 第二章 估计方法引论 第三章 经济计量检验 第四章 线性回归模型 第五章 经典单方程计量经济学模型的扩展 第六章 联立方程计量经济学模型理论与方法 第七章 时间序列计量经济学模型理论与方法 第八章 横截面时间序列模型 第九章 非参数回归计量经济学模型理论与方法 第十章 soft

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

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正-稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82%降低到1.17%、从5.87%降低到4.73%.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求

◼ 问题的提出 ◼ 一室模型的给出 ◼ 一室模型假设 ◼ 一室模型建立 ◼ 一室模型参数估计 ◼ 改进后的参数估计 ◼ 对实际问题的模拟

由于协作机器人的结构比普通工业机器人更为轻巧，一般动力学模型所忽略的复杂特性占比较大，导致协作机器人的计算预测力矩误差较大。据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上，采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿。在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动，以电机电流估算关节力矩，获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络。网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差。计算与实验结果表明，补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果，各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等，表明了文中所提出补偿方法的有效性

采用旋转柱体法对不同类型的含氟连铸保护渣黏度进行检测，并基于Arrhenius方程通过非线性回归分析建立了新的黏度预测模型，分析了组分变化对黏度的影响。结合模型计算和实验检测，建立了CaF2?Na2O?Al2O3?CaO?SiO2?MgO渣系的等黏度图。结果表明，与传统的含氟连铸保护渣黏度预测模型相比，该模型计算的偏差在10%以内，当渣中w（CaF2）超过20%时，偏差逐渐增大，主要由于氟化物挥发造成炉渣成分变化，最终黏度实测值与炉渣初始成分不符，造成模型无法对黏度有效预测。此外，研究发现，CaF2的增加能显著降低炉渣黏度，而Al2O3和Na2O对黏度的影响受CaF2含量的限制。当w(CaF2)>17%，炉渣黏度随Al2O3含量增加而减小，当w(CaF2)<17%，Al2O3的增加使炉渣黏度显著增大；当w(CaF2)>11.5%，炉渣黏度随Na2O含量增加显著下降，当w(CaF2)<11.5%，Na2O含量变化对黏度的影响并不明显。此外，该等黏度图表明低黏度区w(CaF2)接近14%。通过调整等黏度图中各组分比例，可以改善保护渣的黏度和流动性，供钢铁工业应用

为了提升航班运行风险预测精度，基于某航空公司2016—2018年航班运行风险数据，在验证15个风险时间序列的混沌特性后，构建基于多变量混沌时间序列的风险预测模型。首先，对15个风险时间序列进行多变量相空间重构，采用主成分分析法（PCA）对相空间进行降维处理；然后，基于迭代预测的方式，分别采用极限学习机、RBF神经网络、回声状态网络和Elman神经网络建立风险短期预测模型；最后，以降维后的相空间作为输入，计算并比较分析未来1～7 d的风险预测结果。结果表明：多变量相空间重构后总维数为62维，经PCA降维处理，降至31维；在不同的预测模型中，降维后RBF模型预测效果最佳；其中，预测第1天结果相对误差<25%出现频数为82.62%，至第5天仍达75%以上；该模型第1天预测结果的修正平均绝对百分比误差（MAPE）值为11.32%，且前5 d均低于20%，满足航空公司使用要求。1～5 d预测结果对航班风险管控具有实践操作价值，证明基于多变量混沌时间序列的风险预测方案可行、有效