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

第一节观测数据的测后处理过程 第二节 Ashtech Locus数据处理软件的操作方法 第三节南方数据处理软件的操作方法 本章重点: Ashtech Locus接收机随机软件的使用方法。培养学生操作GPS软件进行数据处理的能力

一、中文数据库简介 二、《中文社科报刊篇名数据库》 三、《人大复印报刊资料》系列数据库 四、《万方数据资源系统》

一、书目数据库概述 二、常用书目数据库介绍 中国人民大学馆藏书目数据库查询 CALIS联合目录数据库

数据处理流程:数据传输手簿输入数据加工数据预处理 基线解算——重复基线检验——同步环检验——异步环 检验(以上为当天应完成的任务)重测与补测—WGS -84中无约束平差网精度分析北京54/80/地方独立中 三维无约束平差三维约束平差—二维平差—成果报 告——技术总结

结构体的概念 前面,我们介绍了基本类型(或称简单类型)的变量(如整型, 实型,字符型变量等),也介绍了一种构造类型数据___数组。 但这些数据类型还很不够,为此,C语言提供了一种数据结构, 称为结构体(structure)。可以将不同类型的数据组合成一个有 机的整体，且数据是互相联系的

在此之前，所介绍的数据都是属于基本类型（整型、字符 型、实型），C语言还提供了构造类型的数据，它们有：数组 类型、结构体类型、共用体类型。构造类型是由基本类型数 据按一定规则组成的，因此有的书称它们为“导出类型”。 本讲介绍的数组，数组是有序数据的集合。数组中的每 一个元素都属于同一个数据类型。用一个统一的数据名和下 标来唯一地确定数组中的元素

当今时代是信息技术飞速发展的时代。而作为信息技 术主要支柱之一的数据库技术在社会各个领域中有着广 泛的应用。对信息进行收集、组织、存储、加工、传播、 管理和使用都以数据库为基础，利用数据库可以为各种 用户提供及时的、准确的、相关的信息，满足这些用户 的各种不同的需要

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

➢ （一）SCIENCE DIRECT数据库浏览 ➢ （二）SCIENCE DIRECT数据库检索 ➢ （三）检索式的保存和调用