为实现弹药传输机械臂中不可测参数的辨识,建立了机械臂的虚拟样机,并将其作为样本数据的来源;考虑到样本数据的连续性和平滑特性,使用函数型数据分析和函数型主成分分析对样本数据进行了特征提取,并利用提取的特征参数和待辨识参数作为训练样本对极限学习机(ELM)进行了训练.为提高极限学习机的辨识精度和泛化能力,利用粒子群算法对极限学习机的输入层与隐含层的连接权值和隐含层节点的阈值进行了优化.最后,分别利用仿真数据与测试数据对此方法进行了验证,仿真数据的辨识结果表明,优化后的极限学习机具有更高的辨识精度和泛化能力;同时,通过对比将测试数据的辨识结果代入模型中进行仿真得到的支臂角速度与测试角速度,验证了此方法的可行性和有效性

●CRM的客户数据及数据库的构建 ●CRM数据仓库 ●CRM数据挖掘及数据挖掘技术

针对复杂采空区激光探测中存在探测“盲区”和点云数据分布不均的问题，研究激光多点扫描和点云数据拼接与精简方法.通过多点探测避免了单次探测“盲区”，加密了数据稀疏区.提出了基于公共坐标和最小二乘法的靶标矩阵转换方法，实现了多点探测点云的拼接.统计了点云密集区的分布规律；对密集散乱点云，提出了沿y轴方向分层剖分，层内数据以x和z坐标极值分区，区内每点以x值排序后依步长筛选的精简算法.大型贯通采空区验证表明：基于最小二乘法的拼接算法最优，误差范围在0.1 mm左右；数据精简率为15%-25%，确保了边界三维信息的完整性

为研究高强钢300 M静态再结晶行为,采用Gleeble-3800型热模拟试验机对300M钢进行单/双道次热压缩试验.通过双道次热压缩试验分析了变形温度、应变速率、变形量和初始晶粒尺寸对静态再结晶体积分数的影响.变形温度越高,应变速率越大,变形量越大,初始晶粒尺寸越小,则静态再结晶体积分数越大.其中变形温度、变形量和应变速率对静态再结晶体积分数影响较大,初始晶粒尺寸的影响相比较小.基于双道次热压缩试验结果建立了300 M钢的静态再结晶体积分数模型,基于单道次热压缩试验结果建立了300 M钢完全静态再结晶晶粒尺寸模型,并验证了静态再结晶体积分数模型的正确性

为了确定适合工业应用的膏体浓度范围，从屈服应力角度完善了膏体定义：以屈服应力为（200±25） Pa时料浆中固相的质量分数为恰饱和质量分数，反推饱和率为101.5%～105.3%时料浆中固相的质量分数范围，即为工业应用膏体浓度.采用不同矿山的两种尾矿（1#尾矿和2#尾矿）对膏体定义分别进行室内实验和工程验证.结果表明：1#尾矿室内动态压密实验获得的底流中固相的最大质量分数为73.71%，膏体定义预测的理论膏体浓度最大值为73.89%，二者相差0.18%；2#尾矿通过深锥浓密机获得底流中固相的最大质量分数为68%，膏体定义预测的理论膏体浓度最大值为68.97%，二者相差0.97%.完善后的膏体定义对膏体浓度预测更可靠

2.5.1n阶方阵,对角矩阵,数量矩阵,单位矩阵,初等矩阵,对称、反对称、上三角、 下三角矩阵。 定义(数域K上的n阶方阵)数域K上的nn矩阵成为K上的n阶方阵,K上全 体n阶方阵所成的集合记作Mn(K)

在750、800、825和850℃温度下，利用Gleeble1500热模拟试验机对430不锈钢冷轧薄板的等温退火过程进行了详细的实验研究，分析了退火过程中再结晶织构和组织的变化规律，并对关键织构体积分数的演变进行了定量分析.结果发现：随着退火过程的进行，α取向线上的织构强度逐渐减弱，而γ取向线上的织构强度则略有加强，并保持在较高的值；再结晶过程中，{111}和{112}织构的体积分数逐渐降低，而{100}和随机取向晶粒的体积分数逐渐增加.定量分析表明，退火温度越低，完全再结晶后材料内部关键织构的体积分数越偏离冷轧态.最后，针对{111}、{112}、{100}和随机取向织构的体积分数在再结晶过程中的演变规律，建立了JMAK型再结晶织构演变动力学模型

主要内容 3.1C的数据类型 3.2常量与变量 3.3整型数据 3.4浮点型数据运行 3.5字符型数据

3.5条件数学期望与方差 一、条件数学期望概念

在流控传输协议(stream control transmission protocol,SCTP)中,多路径并行传输利用多家乡特性实现数据在关联的多条端到端路径中的并行传输.然而,受不同路径性能差异的影响,多路径并行传输将带来接收端的数据乱序.为了减轻数据乱序的程度并提高网络吞吐量性能,需要尽可能准确地估计每条路径的实时带宽与往返时间(round trip time,RTT).本文利用扩展矢量卡尔曼滤波对多路径并行传输中每条路径的可用带宽与往返时间进行联合预测,同时提出了一种综合考虑发送端未经接收端确认的数据的路径选择算法.仿真结果表明,通过实时准确地预测可用带宽和往返时间,路径选择算法能够减轻接收端数据乱序的程度.对于带宽敏感的多路径应用场景而言,该算法的收敛速度比Kalman-CMT算法更快,对网络吞吐量性能也有一定程度地提高;对时延和带宽都敏感的多路径应用场景来说,算法在收敛速度与吞吐量两方面优势明显