一、单项选择题(每题1分,共15分。请从题后的备选项中选出你认为正确的选项,将其序号填在题后的括号内。) 1.b2.3.4.B5.a6.b7.b8.d 9.b10.c11.c12.a13.14.c15.c 二、多项选择题(每题2分,共10分。题后的备选项中,至少有两个选项正确。请从题后的备选项中选出你认为正确的所有选项,将其序号填在题中或题后的括号内。错选、漏选均不给分。) 1. ABE 2. ABC 3. ABC 4. ABE 5. AC

研究了多智能体网络中受集合约束的一致性最优化问题，提出了基于原始–对偶梯度的定步长分布式算法。算法中包括步长在内的参数会影响收敛性，需要先进行收敛分析，再根据收敛条件设置合适的参数。本文首先针对一般的定步长迭代格式，提出一种基于李雅普诺夫函数的收敛分析范式，它类似于一般微分方程关于李雅普诺夫稳定的分析方法。然后，针对所考虑的分布式梯度算法，构造了合适的李雅普诺夫函数，并根据收敛条件得到了算法参数设定范围，避免了繁冗复杂的分析论证。本文提出的理论与方法也为其他类型的分布式算法提供了一个框架性、系统性的论证方法

一、学习者特征分析概述 二、认知发展特征分析 三、学习者的起点水平分析 四、学习者学习风格的分析

结合沉降和压滤实验, 对脱水性能数据进行曲线拟合获得连续网状结构形成浓度、压缩屈服应力和干涉沉降系数, 引入Usher提出的稳态浓密性能预测算法, 建立了无耙深锥浓密模型, 分析了絮凝剂单耗、底流中固相的体积分数、泥层高度等对固体通量和固体处理能力的影响规律.研究结果表明: 絮凝剂添加量对沉降区域影响大于压密区域, 20 g·t-1时浓密性能较好, 底流中固相的体积分数越大固体通量越小; 在沉降区域, 固体通量仅与浓度有关, 不受泥层高度影响; 在压密区域, 固体通量为浓度与泥层高度的方程; 模型参数范围内, 当泥层高度 < 3.5 m时, 固体处理能力为浓度与泥层高度的方程, 当泥层高度>3.5 m时, 固体处理能力与固体通量随底流中固相的体积分数变化规律一致

为了研究不同絮凝条件下超细尾砂的絮凝效果, 本文基于超级絮凝理论, 应用超级絮凝测试仪UFT-ТFS-029, 采用相对絮凝率表征人造超细尾砂在pH值为9~12、絮凝剂单耗fd=2~20 g·t-1、料浆剪切速率γ=100~2000 s-1、料浆固体体积分数φ=2%~14%等条件下的絮凝行为. 发现相对絮凝率随着pH、絮凝剂单耗、剪切速率的增加均先增加后减少, 而随着浆料固体体积分数的增加逐渐减少, 并获得了一定条件下的最优絮凝条件, 即pH值为11、fd=12 g·t-1、γ=500 s-1、φ=4%. 同时, 固体体积分数越高, 达到最优相对絮凝率所需的最优剪切速率对固体体积分数的依赖性也越高. 因此, 在实际生产中需要对pH、絮凝剂单耗、剪切速率与固体体积分数等工况参数进行调整, 以达到最优絮凝效果. 应用超级絮凝理论可实现超细尾砂在极短时间内实现很好的絮凝, 为基于流场剪切速率与停留时间的深锥浓密机进料井设计提供参考

一、自然界中,化学物质的分解方式: 1、光分解:在紫外线具有吸收的化合物,吸收太阳光的短波而分解; 2、化学分解:在温度、pH、金属离子,土壤矿物的作用下而产生的化学分解;

以往对全尾砂膏体屈服应力的研究局限于理想屈服应力流体框架内，认为一定材料配比条件下，膏体的屈服应力是确定的，即认为屈服应力是膏体料浆固有的一个物理属性值。通过开展不同质量分数全尾砂膏体屈服应力测量实验，分析了测量速率与测量时间对不同浓度膏体屈服应力的影响，发现屈服应力值的大小与测量过程相关。对比分析峰值屈服应力、动态屈服应力、静态屈服应力，发现全尾砂膏体屈服应力随测量时间–测量速率在一定条件下的变化规律，即峰值屈服应力、静态屈服应力正比于膏体的测量速率，动态屈服应力反比于测量时间，以变异系数Cv评价料浆屈服应力的离散程度，其中74%质量分数膏体动态屈服应力变异系数最大，Cvmax=27.07%，而66%质量分数膏体静态屈服应力变异系数最小，Cvmin=2.33%。进而从细观层面分析了膏体屈服过程中颗粒间作用力、颗粒网络结构随测量时间–测量速率的变化规律，解释了全尾砂膏体屈服应力易变性机理

第8章产业投资的风位分析 第一节风险概述 第二节敏感性分析 第三节概率分析 第四节决策树分析

在学习了饲料常规成分分析的基础上,要求掌 握纤维素分析测定的 Van soest方案以及氨基 酸、常量元素与微量元素检测分析的基本原 理、方法和基本技能训练

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