2.1 基本概念 2.2 热化学 2.3 熵 2.4 自由能

7.2水蒸气的定压发生过程 7.3水蒸气表和焓一熵(h-s)图 7.4水蒸气的基本热力过程

现有的大坝整体性态评价方法以定性评价为主，主观性较强.针对这一问题，以单测点监控模型的计算值与监测仪器实测值之间的残差为基础，提出采用多测点融合残差表征大坝整体性态.结合信息熵理论研究了不同测点的残差变化规律，从而对各测点残差的融合权重进行了分配，计算了融合残差.通过对融合残差进行分布分析，利用逆向云发生器、正向云发生器建立了表征大坝不同性态的概念云，即评价标准.在此基础上，结合云相似度算法，建立了大坝整体性态的评价模型.算例表明，该模型能够有效识别大坝监测资料中的异常测值，并能够定量、客观地评价大坝整体性态，评价结果合理、可靠，可为保障大坝安全运行提供重要参考

《工程科学学报》：难熔高熵合金：制备方法与性能综述

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

人工智能基础：灰度熵和混沌粒子群的图像多阈值选取

人工智能基础：一种新的聚类有效性函数模糊划分的模糊熵

【机器学习】基于极大熵的知识迁移模糊聚类算法

【机器学习】基于相关性的小波熵心电信号去噪算法

10-2 特征函数 10-3 数学基础 10-4 热系数 10-5 熵、内能和焓的微分关系式 10-6 比热容的微分关系式 10-7 克拉贝龙方程和焦-汤系数 10-8 实际气体对理想气体性质的偏离 10-9 维里方程 10-10 经验性状态方程 10-11 普遍化状态方程与对比态原理