根据300t钢包RH真空处理超低碳铝镇静钢的实验数据,建立了RH处理过程钢中总氧含量的预测模型,得到了钢中氧含量的预测公式.模型综合考虑了处理时间、真空室吹氩流量、钢水环流量、浸渍管直径和钢包渣中(FeO+MnO)含量等因素对总氧含量的影响,并对改进RH处理工艺进行了讨论.模型分析表明,促进夹杂物上浮的手段有增大吹氩流量、增加浸渍管直径,但都有一个合适的范围

提出了在矿砂粒径尺寸级配情况下,不同粒径的筛下累积含量公式.在分析超声衰减基本理论模型的基础上,将不同粒径的筛下累积含量集成到超声波衰减模型中,推导出超声波衰减与矿浆浓度、粒度之间的关系模型.将所推导的模型结合实验和数据分析以确定超声波衰减与粒度分布的关系,且采用遗传算法反演计算获得矿浆中粒的粒度分布.结果表明,反演的计算结果精度较高

通过对影响脱硫反应限制性环节的分析,将持续接触和瞬时接触两种反应模式综合考虑,建立了精炼脱硫动力学模型,并通过实验室“极低硫钢精炼脱硫”实验数据对模型进行验证.结果表明,本模型的预测结果与实验结果比较吻合

浮选回收率是金矿选矿过程重要的生产指标，目前主要是通过人工化验的方法检测获得，人工检测周期较长，造成金矿厂不能及时把握浮选工艺水平.在大量现场生产数据的基础上，分别采用多元线性回归和BP神经网络的方法，建立了金矿厂浮选回收率的预测模型.预测误差分析表明，BP神经网络预测模型能较好地预测金矿厂的浮选回收率，当预测相对误差在±3%范围内时，模型的预测精度达到91%，对于实际生产具有良好的参考作用

理解功能/数据的目的，学会使用U/C矩阵的建立、校验、求解过程；掌握新的管理信息系统逻辑模型的含义和内容

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强

根据轧制数量、测量数据质量和轧制力预报误差的影响,建立了轧制力自学习速度因子优化模型.在长期自学习的判定条件中综合考虑了规格分档的变化以及厚度、宽度的改变量,减少了换规格的次数.长期自学习系数计算时利用了从前一块钢数据中分离出的设备状态信息,从而改善了模型自学习的连续性.离线仿真分析结果表明,轧制力计算精度相对于自学习算法优化前有较大的提高

提出了基于偏最小二乘回归模型的带钢热镀锌质量监控方法.以带钢热镀锌生产中带钢力学性能和锌层质量的质量监控为研究对象,用偏最小二乘方法建立了生产过程参数与质量结果之间的回归模型,对生产过程控制能力进行了分析,并给出了产品质量的预测方法.用鞍钢股份有限公司带钢热镀锌的实际生产数据进行验证.结果表明,偏最小二乘法比传统的多元线性回归方法具有更好的预测精度,基于偏最小二乘回归的锌层质量预测模型,其相对预测误差可达到5.93%

一、地学模型概述 地理信息系统以数字世界表示自然世界，具有完备的空间特性，可以存储和处理不同 地理发展时期的大量地理数据、并具有极强的空间系统综合分析能力，是地理分析的有力 工具。因此，地理信息系统不仅要完成管理大量复杂的地理数据的任务，更为重要的是要 完成地理分析、评价、预测和辅助决策的任务，必须发展广泛的适用于地理信息系统的地 理分析模型，这是地理信息系统走向实用的关键

因子分析( Factor Analysis)是多元统讣分析技术的一个分支,其主要目的 是浓缩数据。它通过研究众多变量之间的内部依赖关系,探求观测数据中的基本 结构,并用少数几个假想变量来表示基本的数据结构。这些假想变量能够反映原 来众多的观测变量所代表的主要信息,并解释这些观测变量之间的相互依存关 系,我们把这些假想变量称之为基础变量,即因子( Factors)。因子分析就是研 究如何以最少的信息丢失把众多的观测变量浓缩为少数几个因子 因子分析是由心理学家发展起来的,最初心理学家借助因子分析模型来解释 人类的行为和能力,1904年查尔斯·斯皮尔曼( Charles spearman)在美国心理学 杂志上发表了第一篇有关因子分析的文章,在以后的三四十年里,因子分析的理 论和数学基础逐步得到了发展和完善,它作为一个一般的统计分析工具逐渐被人 们所认识和接受。50年代以来,随着计算机的普及和各种统计软件的出现,因 子分析在社会学、经济学、医学、地质学、气象学和市场营销等越来越多的领域 得到了应用