为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好

作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性

随着物联网技术的发展，前端传感器的使用使得低合金钢的海水腐蚀监测成为了现实，从而获得了大量的腐蚀数据。针对传统均值法处理双率腐蚀数据带来的数据信息损失以及建模精度下降问题，提出了一种基于综合指标值(CIV)和改进相关向量回归(IRVR)的双率腐蚀数据处理和建模算法(CIV-IRVR)。首先，通过构建CIV表征输入数据的综合影响并采用天牛须搜索(BAS)算法对其参数进行寻优；然后，建立最优CIV序列与输出数据间的线性回归模型将双率数据转化为建模用的单率数据，能够更多地保留原始数据信息；最后，给出了一种BAS算法优化的具有组合核函数的改进相关向量回归建模方法(IRVR)，并建立了针对低合金钢海水腐蚀双率数据的CIV-IRVR预测模型。结果表明：相比于均值方法处理双率腐蚀数据，所提方法将建模样本数量由196提升到了1834；相比于海水腐蚀建模领域常用的人工神经网络(ANN)和支持向量回归(SVR)建模方法，所提模型的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(CD)分别为1.1914 mV、1.5729 mV以及0.9963，在各项指标上均优于对比算法，说明所提模型不仅减少了信息损失还提高了建模精度，对于双率海水腐蚀数据建模具有一定现实意义

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

5特征值和特征向量矩阵的对角化 5.1矩阵的特征值和特征向量相似矩阵

工程实践中有多种振动问题,如桥梁或建筑物的振 动,机械机件、飞机机翼的振动,及一些稳定性分析和 相关分析可转化为求矩阵特征值与特征向量的问题 1已知A=(an)mn,求代数方程q(1)=det(I-A)=0 的根。φ(λ)称为舶特征多项式,一般有n个零点,称 为的特征值 2设为伯的特征值,求相应的齐次方程(4/-A)x=0 的非零解(即求Ax=λx的非零解),x称为矩阵A对应 于孔的特征向量

本章主要内容简介 1.向量的内积,长度的概念;向量空间的规范正交基;正交矩阵;正交变换; 2.矩阵的特征值,特征向量; 3.相似矩阵,实对称矩阵正交相似与对角矩阵的方法; 4.二次型及其矩阵表示,二次型秩的概念;二次型的标准形,规范形; 5.配方法化二次型为标准形;二次型与对应矩阵的正定性判别

5特征值和特征向量矩阵的对角化 5.1矩阵的特征值和特征向量相似矩阵

一般情况下,多个同步观测站之间的基线向量解算, 均可由基线解算软件自动完成。数据处理结果:观测 站之间的基线向量及其方差与协方差,或观测站在上 述坐标系中的坐标值及其方差与协方差。 当布设的GPS卫星网点数较多时,需在不同的时段, 按照预先设计的作业计划,依次进行观测。在这种情 况下,为了提高定位结果的可靠性,通常须将不同时 段观测的基线向量网连接成网,并通过观测量的整体 平差,以提高定位结果的精度。 整体平差的目的,在于消除图形闭合条件的不符值, 并建立网的基准

《概率论》课程教学资源（教案讲义）第二章 随机变量及其概率分布 2.6 关于分布函数 第三章 随机向量及其概率分布 3.1 连续型随机向量及其概率密度函数 3.2 离散型随机向量及边缘分布函数