采用恒温量热法,针对实验室煅烧的各种生石灰试样,研究其所含SiO2、Al2O3、MgO等杂质对消化性能的影响规律,并选用烧结现场使用的五种生石灰对研究结果进行验证.研究发现:生石灰的消化放热量与其CaO含量呈正相关关系,并随SiO2、Al2O3和MgO含量的增加而下降;SiO2、Al2O3和MgO杂质对生石灰消化速率有重要影响,当SiO2质量分数增加至1%水平时,生石灰消化速率的降幅较大,之后则缓慢降低;少量的Al2O3对生石灰消化速率影响较小,但当Al2O3质量分数超过2%时生石灰消化速率急剧下降;随着MgO含量的增加,生石灰消化速率显著降低

例 设随机变量X1与X2相互独立，分别服从二项分布 B(n1 ,p)和B(n1 ,p)，求Y=X1+X2的概率分布. 解 依题知X+Y的可能取值为0,1,2,...,n1+n2,因此 对于k (k= 0,1,2,...,n1+n2 )，由独立性有

第十章时间序列分析 我们对经济量进行分析的最终目的,是为了预测某些经济变量的未来 值。进行预测的方法有两种。一种是根据一定的经济理论,建立各种相互 影响的经济变量之间的关系模型,根据观测到的经济数据估计出模型参数, 利用模型来预测有关变量的未来值。这种方法的优点在于精确地考虑到了 各经济变量之间的相互影响,有理论依据,但是由于抽样信息不完备,经 济模型和经济计量模型不可能真正准确地反映了经济现实,因而得到的结 果不可能是相当准确

通过金相显微镜、扫描电镜、电子探针显微分析、透射电镜及热力学计算软件研究C和N含量对铸态及时效态18Mn18Cr高氮钢析出相特征及形成机制的影响.研究发现在铸态，随C/N质量比降低，析出相依次为Cr23C6相、σ相和Cr2N相.增加C或N含量可分别促进Cr23C6相和Cr2N相析出.C和N含量影响实验钢凝固模式及不稳定铁素体相共析分解产物.18Mn18Cr0.44N钢凝固模式为AF模式，不稳定铁素体相共析分解反应为δ→σ+γ2（0.025% C）和δ→γ2+Cr23（CxNy）6（x/y>1）（0.16% C）；18Mn18Cr0.72N钢凝固模式为A模式，晶界处存在少量颗粒状Cr2N相.在固溶时效态，实验钢仅析出片层状的Cr2N0.39C0.61相.随C+N含量增加，片层状析出相体积分数和片层间隙增加，析出孕育时间减少

针对变形量达86%的锻造Ti-44Al-5V-1Cr-0.3Ni-0.1Hf-0.15Gd(原子分数,%)合金,对其进行热处理获得近层片组织,研究变形合金及其近层片组织的微观组织特征,并进行了室温、700℃和800℃拉伸实验.组织观察发现,近层片组织由层片团、分布于层片团界的β相以及弥散分布于基体的椭圆状Gd析出物组成.层片团的平均尺寸为40μm,层片组织、β相和Gd析出物的体积分数分别为93.73%、5.25%和1.02%.拉伸结果显示,室温下合金试样的平均抗拉强度为865MPa,平均延伸率可达4.17%,700℃时其平均抗拉强度和延伸率分别为643MPa和22%.Ti-44Al-5V-1Cr-0.3Ni-0.1Hf-0.15Gd合金不仅具有与高β相TiAl合金相当的塑性变形能力,且室温塑性也得到显著提高,这主要归因于β相体积分数的下降和Gd化合物对微观组织室温塑性的贡献

利用SEM和EDS研究了在冷速分别为1,3和6K·min-1时高温合金IN718的凝固组织、液体中Nb和Mo含量变化,并计算了液体密度差和相对Rayleigh数与温度的关系.结果表明:由于偏析,液体中Nb、Mo含量和液体密度差随着温度的降低而增加;冷速越低,Nb、Mo偏析越严重,同温度下液体密度差越大.相对Rayleigh数的计算表明,不同冷速下相对Rayleigh数都在1330℃存在最大值,随着冷速降低,其值急剧增加,黑斑形成趋势增大,大铸锭中冷速低于1K·min-1时会形成黑斑

数学建模的一个重要工作是建立变量间的数 学关系式, 但公式中几乎总是涉及一些参数. 如用下面三个数学式描述肥素的施肥水平对 土豆产量的影响：

载波同步的方法一般分为两类： 一类是插入导频法，即在发送调制信号时插入载波分量， 使调制信号本身带有载波分量，接收端直接用窄带滤波和锁 相环捕获跟踪来提取载波。 另一类是自同步法或直接法。在抑制载波的调制中，用 非线性处理提取载波。 这一节主要讨论自同步法

本文首先介绍了目前数字抠像的交互方式,然后把抠像技术分为基于颜色采样、基于像素相似性、基于能量函数以及基于机器学习的四类技术,介绍和分析了其中的典型算法和最新研究成果,并对这些算法的测试结果进行了定量和定性比较,最后总结了数字抠像技术目前的研究状况和未来的发展方向

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