第9章二维数组的应用 9.1了解二维数组 9.2二维数组的简单应用 9.3利用地址和指针访问二维数组 9.4二维数组名作函数的实参 9.5二维数组操作中的常用算法

为进一步揭示柔性隔离层下散体介质流动过程的内部作用机理，基于离散元软件PFC开展了柔性隔离层下散体介质流力链演化特征的数值试验研究。结合接触力学及统计力学相关知识，对多漏斗放矿过程中散体介质体系内力链长度、数量、强度、方向和准直系数等的演化特征进行了量化研究。研究发现：多漏斗放矿过程中，强接触及力链接触占比均比较稳定，其中强接触占比稳定在33%左右，力链接触占比稳定在16%左右，上下波动幅度均不超过2%；力链总数随着放矿次数的增加不断波动减少，并在放矿后期稳定在790条左右；不同放矿次数下力链长度的概率分布几乎一致，均随着力链长度的增加呈指数形式递减；力链强度的概率分布随着放矿次数的增加先呈指数形式上升再呈指数形式下降，并在0.7$\\bar F$

由于转炉冶炼过程中的热力学和动力学反应复杂，副枪控制模型和传统的烟气分析模型存在很大的局限性，导致了转炉冶炼终点碳含量的预测精度偏低，是实现智能炼钢的主要技术瓶颈. 针对上述问题，提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先，利用烟气分析得到连续监测的实时数据，以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后，根据熔池反应所处的不同阶段，利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上，按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数，从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例，证实函数型数字孪生模型具有良好的自学习和自适应能力，对异常冶炼状态具有良好的鲁棒性，可以实现全过程的熔池碳含量动态预测，终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是，在保证入炉原料成分、温度、质量等参数稳定的前提下，采用该模型可以有望取消基于副枪的停吹取样步骤，从而降低生产成本，提高产品质量和生产效率，具有广泛的工业应用前景

第六章数组 数组:是由多个数据成员组成的构造类型的数据。组成数组的数据成员称为数组元素。(简单类型数据只包含一个数据成员)

根据数学教学目标所进行的数学教学测量,主要是研究如何对学生 的数学能力和数学学习水平提供客观的准确的、稳定的度量。数学测 验是数学教学测量的一种工具。当前数学教学改革提出了有关测验的类 型、题型、编制和定量分析等多方面值得探索的课题

1.1随机事件的直观意义及其运算 一、绪论 数学是研究现实世界中的数量关系和空间形式的科学。 一恩格斯 数学是一种科学语言; 数学是一个有力的工具; 数学是各门科学的基础;

1、设a为有理数,x为无理数。证明: (1)a+x是无理数;(2)当a≠0时,ax是无理数。 2、试在数轴上表示出下列不等式的解: (1)x(x2-1)>0;(2)|x-1|x-3|;(3)√x-1-2x-1≥3x-2 3、设a、b∈R证明:若对任何正数ε有a-b<,则a=b

第8章一维数组的应用 8.1了解一维数组 8.2一维数组的简单应用 8.3利用地址和指针访问数组元素 8.4与一维数组有关的参数传递 8.5一维数组操作中的常用算法介

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级