空间向量及其线性运算 一、向量概念 1.向量:既有大小,又有方向的量,称为向量(或矢量)

5－1 正弦量 5-2 正弦量的相量表示与相量法 5-3 基尔霍夫定律的相量形式 5-4 电路元件伏安关系的相量形式

人教A版高中数学必修4第二章 平面向量2.4 平面向量的数量积导学案

为了深入探究MgO对烧结矿矿物组成及冶金性能的影响，采用扫描电子显微镜和荷重软化熔滴设备研究了MgO对含钛烧结矿矿相结构与软熔滴落性能影响.实验结果表明，随着烧结料中MgO质量分数从2.04%增加到3.96%，烧结过程液相生成量逐渐减少，烧结矿中的赤铁矿和铁酸钙等含量都有不同程度的降低，赤铁矿质量分数从13.57%降低到9.99%，铁酸钙的质量分数由38.7%降低到30.17%，磁铁矿、硅酸盐和烧结矿中的孔洞逐步增加.因此，增加烧结矿中MgO会降低烧结矿中液相生成量，不利于烧结矿转鼓强度和还原性的提高.高碱度含钛烧结矿中的镁主要分布于烧结矿中复合铁酸钙相中，进一步提高烧结矿中镁的质量分数，烧结矿的磁铁矿相比例将增加，有一部分镁固溶于磁铁矿中；在高镁烧结矿中，也会形成一定量的橄榄石，其中固溶有少量镁、钛等元素.随着烧结矿中MgO质量分数的增加，开始软化温度逐渐升高，试样软化开始温度均在1120℃以上，软化温度区间ΔtA随着MgO含量的升高而逐渐变宽

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

通常,在没有开环极点位于右半平面上的情况下,可以用增益裕 量和相角裕量来评价反馈控制系统的性能。特别地,可以根据-点附 近区域内的奈奎斯特图对系统进行性能评价。 现在考虑-1点到G(jo)曲线上的任一点的向量,它实际上就是 G(jω)+1。因此,频率为ω的闭环响应的模即为这两个向量的比值

针对胶结充填体脆性强、易开裂等问题，以聚丙烯纤维为加筋材料，通过设置水泥与尾砂质量比为1∶10和1∶20，纤维掺量为0、0.05%、0.15%和0.25%的充填体进行无侧限抗压强度试验，探究纤维掺量对胶结充填体强度及变形特性的影响，借助扫描电镜（SEM），从微观角度探讨纤维对充填体力学性质的作用机制。研究结果表明：充填料浆的屈服应力随纤维掺量增加呈线性增大，其流态模型符合Bingham流体；随着纤维掺量的增加，充填体的无侧限抗压强度呈先增大后减小趋势，纤维最优掺量为0.15%；掺入纤维有效地减缓了裂纹的扩展，约束了充填体的变形，充填体的峰后应变软化延长，残余强度增大，破坏特征由脆性向延性转变；纤维的加固效果主要受纤维与尾砂?水泥基体界面之间的黏结与摩擦作用控制

为了研究煤自燃发火气体产物与煤分子官能团之间的内在联系，进一步揭示煤自燃发火过程的微观变化特性，利用程序升温实验装置和原位红外光谱分析实验系统，得出了气体产物生成量和活性官能团含量之间的关联性。结果表明：CO、C2H4等指标气体浓度伴随温度升高显示为抛物线模式增长；活性官能团中，随着温度的不断升高，脂肪烃含量先持续增大，之后开始逐渐下降，C=C双键含量不断下降，含氧官能团含量先趋于稳定后逐渐增加。根据指标气体浓度变化，获得了高温反应过程中的5个特征温度点，进一步将其分为临界温度阶段、干裂–活性–增速温度阶段、增速–燃点温度阶段和燃烧阶段4个阶段，并对三个高温氧化阶段进行关联性分析发现：在临界温度阶段，影响CO、CO2、CH4和C2H6气体释放的主要活性官能团是羰基；在干裂–活性–增速温度阶段烷基链和桥键发生大量断裂，影响气体产物的主要活性官能团是脂肪烃和羰基；在增速–燃点温度阶段气体浓度与羰基和羧基等官能团呈负相关。得出干裂–活性–增速温度阶段是高温氧化过程中的危险阶段，需在该阶段前对氧化反应进行控制，以减少人员和物质损失

微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题，导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件，为进一步提高模型对106能级微震事件预测的准确率，对模型进行改进并使用混合采样方法训练改进后的模型；利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正确率达到98.4%，其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100%

1-2基本物理量与参考方向 一、基本物理量(基本变量): 电流i,电压u,电量q 磁链,能量W,功率p