一、计算机数据的特殊性 1、存在明显的数据模式: 许多数据都具有某种固有的模式。这主要是由数据冗余和数据结构引起的。各种计算机语言的语句和指令都十分有限,因而在程序中便表现为少量的语句和指令的大量重复

设有两个变量X和Y,其中X是可以精确测量或控 制的非随机变量,而Y是随机变量,Y随X的变化而变 化,但它们之间的变化关系是不确定的.给定X的取 值,Y服从一定的概率分布,则称随机变量与变量X 之间存在着相关关系 设进行n次独立试验,测得试验数据如下:

测定了高喷煤比的高炉炉尘(重力灰和瓦斯灰)中矿物组成,给出了在不同煤比条件下未消耗焦炭和煤粉面积比.分析了高喷煤比对高炉炉尘中碳质量分数和未消耗煤粉比例的影响.确定了宝钢高炉在高喷煤比时高炉炉尘中未消耗煤粉量、焦炭颗粒量和煤粉在高炉内的利用率.通过试验发现,随着喷煤比增加,炉尘量增加,但在高喷煤比后,炉尘量波动较大.高炉炉尘中未消耗碳量和煤粉量随着喷煤比的增加逐渐增加,而未消耗焦炭量不受喷煤比变化的影响,基本上保持在3 kg·t-1的水平,表明宝钢高炉焦炭品质很高

为进一步完善对电弧炉炉气成分变化规律的研究,本文分别对电弧炉炉气中CO、CO2、O2和N2间的相互关系,以及电弧炉供氧流量、电弧炉熔池碳含量对电弧炉炉气成分的影响进行实验研究.结果表明,炉气中CO在有大量CO2气体存在下开始出现,并随着CO2含量的增加而增加;O2与CO2、N2含量呈线性关系;O2与CO与呈指数关系;随着供氧流量的提高,炉气中CO和CO2的含量逐上升,O2和N2的含量降低,氧气的利用率提高;当钢水中碳质量分数为1.3%左右时,炉气中CO、CO2含量达到最大

通过热力学平衡相计算方法,系统研究了某新型镍基粉末高温合金时效温度下合金元素对热力学平衡相析出行为的影响.计算结果表明:René 104合金析出的主要平衡相为γ'、MC、M23C6、M3B2和TCP相.Cr和Co含量主要影响TCP相的析出行为及γ'相的析出温度,Cr含量对M23C6和M3B2的析出行为有一定的影响,Cr的建议质量分数为13%;Mo和W含量影响TCP相和M3B2的析出行为.质量比Al/Ti和Nb/Ta影响γ'相的析出行为,建议控制Al/Ti和Nb/Ta比平衡,以使γ'相起到理想的强化效果.C和B含量显著影响碳化物和硼化物的析出量,还可间接抑制TCP相析出;Zr含量对MC和M23C6碳化物的析出有影响;增Co降Cr和调节合金元素含量以获得小的点阵错配度是第3代涡轮盘用粉末冶金高温合金成分优化设计的趋势

研究了N、Cr、Mo和Ni四种合金元素含量的变化对核电主管道用固溶态316LN不锈钢的晶粒尺寸以及常规力学性能和点蚀性能的影响.随着N含量的升高,316LN的晶粒明显细化,其在固溶处理过程中晶粒长大趋势也减小.N含量的升高可改善316LN的力学性能和耐点蚀性能,但是当N质量分数达到0.20%时,其耐点蚀性能又开始变差.晶粒细化对316LN强度的影响远小于N含量对316LN强度的影响.Cr及Ni含量对316LN的晶粒尺寸及抗拉强度、屈服强度等力学性能影响不大;Cr含量增加可轻微改善316LN的抗点蚀能力,Ni元素对316LN的耐点蚀性能影响不大,但可增大钝态的腐蚀速度从而不利于钝化膜的稳定.随Mo含量增加,316LN的晶粒尺寸略有减小,强度增大,延伸率显著降低,耐点蚀能力改善

对国内一钢厂EAF→LF→VD→CC工艺生产的高品质GCr15轴承钢进行系统取样,针对DS类非金属夹杂物随机性强的特点,利用能够进行大面积试样检测的ASPEX自动扫描电镜分析统计钢中非金属夹杂物的成分、尺寸、数量等信息.研究发现:GCr15轴承钢冶炼过程中非金属夹杂物主要为MgO-Al2O3-CaO复合夹杂物和MnS,同时有少量的SiO2-Al2O3和MgO-Al2O3复合夹杂物;夹杂物尺寸主要集中在38μm,并有少量DS类夹杂物出现且尺寸范围波动很大,最大可以达70μm以上,形貌为圆形或近似圆形;VD有较强的去除夹杂物功能,经过VD真空精炼,夹杂物中CaO含量有增加趋势;吊包至铸坯过程,夹杂物成分向Al2O3含量增多的区域移动,最终轴承钢铸坯中夹杂物成分位于高Al2O3含量（≥80%）,少量MgO（<20%）和低CaO（<5%）的区域;DS夹杂物的生成和去除具有较强的随机性

使用常规铸锭冶金方法制备了不同Zn含量的AlMgSiCu合金.利用光学显微镜、扫描电镜、拉伸测试和纳米压痕方法研究了Zn含量对铝合金微观组织和力学性能的影响.研究发现Zn元素能够轻微细化AlMgSiCu合金铸态组织.随着合金中Zn含量的增加,铸态铝合金的晶界变宽,晶界析出相增多.Zn的添加未影响铸态合金的相组成和形貌.随Zn含量的增加,铝合金的强度和延伸率呈现先增后降的变化趋势,添加质量分数0.5%Zn可使合金具有最高的强度,而0.75%Zn使合金获得最高延伸率.对含Zn铝合金的纳米压痕测量表明:随着Zn含量的增加,铝合金的弹性模量呈现逐步降低的趋势

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高

• 支持向量机 • 二元线性SVM • SVM用于非线性分类 • 机器学习方法 • 人工神经网络（Artificial Neural Network, ANN） • 深度学习（Deep Learning）现状 • 经典的深度学习模型/算法 • 卷积神经网络 Convolutional Neural Networks (CNN) • 多层反馈网络 Recurrent neural Network(RNN) • 自动编码器 AutoEncoder • 受限玻尔兹曼机 Restricted Boltzmann Machine, RBM • 深度置信网络 (Deep Belief Nets，DBN）