针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法

分析了解析法与简化方法的缺点，采用有限元法建立轧辊热变形计算模型.针对轧制过程中轧辊热变形计算数据特点，将计算任务分为负责静态数据准备的预计算和负责动态数据准备与热变形求解的更新计算，换辊时进行预计算，计算任意时刻的热变形时只需进行更新计算，计算量远小于标准有限元程序.根据特殊处理的计算流程，编写了基于轴对称有限元法的轧辊热变形程序，其计算结果与ANSYS结果一致，精度均高于简化方法约30%.自编轧辊热膨胀有限元程序计算精度高，耗时少，满足在线热膨胀预报要求

针对自动化高速公路（Automated highway system，AHS）车队稳定性问题，发展了一种多目标自适应巡航控制算法，根据李雅普诺夫（Lyapunov）稳定性理论对该问题进行了量化分析，并给出了同质与异质车队稳定性的设计要求，基于模型预测控制（Model predictive control，MPC）理论，综合协调驾驶员期望响应、跟驰安全性、车队稳定性、车队整体品质等控制目标， 采用加权二次型性能泛函以及线性矩阵不等式约束的形式，将协同式多目标自适应巡航（Adaptive cruise control, ACC）设计问题最终转化成带约束的在线凸二次规划问题

对单个K线的分析只能理解其含义，对于 投资实践并无太大指导意义，所以在实 践中还需要分析不同K线组合的含义，一 般K线组合都是由若干条单个K线组成， 至于多少条K线才能有代表性，学术界并 无定论。下面我们分析常见的K线组合的 代表意义。常见的K线组合的指导意义分 为两种，即买进信号和卖出信号

对单个K线的分析只能理解其含义, 对于中长期投资实践并无太大指导意义 ,所以在实践中还需要分析不同K线组合 的含义,一般K线组合都是由若干条单个 K线组成,至于多少条K线才能有代表性 ,学术界并无定论。下面我们分析常见 的K线组合的代表意义。常见的K线组合 的指导意义分为两种,即买进信号和卖 出信号

该图上有两条曲线,一条为白线,是大盘 加权指数曲线(即证交所公布的股价指数 曲线),一条为黄线,是不含加权的大盘 指数。 意义:黄、白线的相对位置显示小盘股与 大盘股涨跌的差距,黄线在白线之上,表 示小盘股涨幅较大或跌幅较小,黄线在白 线之下,则刚好相反

以工业PID控制中控制器参数调整困难为背景,在分析神经网络特性的基础上,提出神经网络控制方法,设计了具有自适应性的神经网络PID控制器。在描述了神经网络的学习机理的基础上,给出了控制器控制算法。通过2个实例验证了神经网络在线控制的可行性

分析了高碳硬线钢82B在冶炼过程中复合夹杂物-钢液-渣及耐火材料局部动态平衡反应过程及Mn、Si和Al脱氧条件下夹杂物成分变化规律.利用热力学计算软件FactSage进一步计算分析了硬线钢获得良好变形能力的Al2O3-SiO2-MgO-CaO-MnO五元系夹杂物所需要的条件:钢液中[Al]的质量分数控制在(25～100)×10-6时,相应地钢液中溶解[O]的质量分数可以控制在(5～20)×10-6.在低熔点区域内,[Si]的质量分数可以控制在0.1%～1.5%;[Mn]的质量分数控制在0.2%～1%

对无初始织构的工业纯铝轧制织构的研究和分析表明,取向空间、取向分布函数、正态分布模型以及取向线分析是研究织构得力而又十分简便的手段,具有许多优点。在多晶铝轧制过程中取向空间内的β线是取向最终稳定线。随变形量的提高,晶粒在β线上的聚集程度不断提高。轧制过程中主要的织构分量为C{112}、S{123}、B{110}和G{110}。它们在变形中的稳定性在此也作了分析和讨论

本文在对浙江沿海港口岸线利用现状调查基础上,重点对港口岸线利用效率和效益情况进行深入分析,剖析港口岸线资源配置和利用管理等方面存在问题,提出相应对策建议,为行业管理部门提供参考