油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

深锥浓密机的面积或占地大小主要由其固体通量决定.通过量筒静态沉降实验，计算得到深锥浓密机固体通量，分析了絮凝剂单耗、料浆浓度对深锥浓密机固体通量的影响，得到了两种因素对深锥浓密机固体通量的影响规律.结果表明，尾矿在5～30 g·t−1的絮凝剂单耗下，基本呈现二次函数关系；料浆的固相质量分数为6%～26%时，固体通量呈现先增大后减小的趋势，与实验所得的规律相契合.通过对絮凝剂单耗和料浆浓度耦合效应下的固体通量方程回归分析，得到三者之间的数学关系，进而确定二者对固体通量的贡献为：料浆浓度>絮凝剂单耗.结合絮凝剂及料浆浓度对固体通量的影响分析，总结了絮凝剂单耗和料浆浓度贡献值不同的原因.最后，结合单因素和耦合条件下的数学方程，对深锥浓密机的设计和运行提出工程建议.在深锥浓密机运行过程中，需要优先保证料浆浓度，其次是絮凝剂单耗

《工程科学学报》：基于支持向量回归与极限学习机的高炉铁水温度预测

第一章 绪论 第二章 统计数据搜集 第三章 统计数据的整理与显示 第四章 总量指标和相对指标 第五章 数据分布特征的描述 第六章 抽样调查 第七章 相关与回归分析 第八章 时间数列分析 第九章 统计指数 第十章 统计综合分析 第十一章 国民经济核算

西安石油大学理学院：《数学模型与数学实验》课程教学资源（PPT课件）第十章 统计回归模型

（1）散点图概述 （2）散点图在回归分析中的应用 （3）散点图在HRV分析中的应用 （4）双信息图概述 （5）双信息图在心泵功能分析中的应用

《思想道德修养与法律基础 Thought Morals Tutelage and Legal Foundation》教学资料：第七章 反思错案，回归常识

延安大学：《社会统计学 Social Statistics》课程教学资源（作业习题）第十二章 相关与回归分析

3.1 分析化学中的误差 3.2 有效数字及其运算规则 3.3 分析化学中的数据处理 3.4 显著性检验 3.5 可疑值取舍 3.6 回归分析法 3.7 提高分析结果准确度的方法