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

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

第一章预备知识 第一节事件和概率 第二节随机变量及其分布 第三节随机变量的特征数 第四节矩母函数与特征函数 第五节随机向量及其分布 第六节随机变量函数的分布 第七节分布参数的估计和检验

• 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）

一、名词解释 食源性疾病食物中毒微生物性食物中毒食品腐败肉的自溶肉的僵直 大肠菌群菌落总数 二、填空题 1、根据污染物质的性质不同,食品污染可以分为生物性污染、化学性污染及 放射性污染。 2、样本选择可以分为有针对性选择和随机选择两种。 3、常见的抽样方法有:1)、重量法2)、拭子法3)、灌洗法 4、常采用的微生物检验指标为三项细菌指标,即细菌数量(主要是菌落总数)、大肠菌群最近似数(MPN)和致病菌

测试了微型制氧吸附剂的平衡吸附特性,在此基础上选出适合快速真空变压吸附制氧的吸附剂.针对传统的单塔两步快速变压吸附制氧含量低问题,提出了提高产品气氧含量的单塔快速变压吸附制氧的排放气和原料气组合充压流程,并对该流程进行实验研究.结果表明:在单塔快速真空变压吸附制氧过程中,采用排放气和原料气组合充压流程可以有效提高产品气氧含量.充压前排放气的压力和氧含量是影响产品气氧含量的关键参数,采取合适的排放气压力和较高氧含量的排放气可获得更高的产品气氧含量.在吸附和解吸压力分别为240 k Pa和60 k Pa时,采用排放气和原料气组合充压的快速真空变压吸附流程可获得氧体积分数90%的产品气,其产氧率为325.08 L·h-1·kg-1

到目前为止, 我们所学习的只是一元函数的分析性质。但在现实 生活中，除了非常简单的情况之外，可以仅用一个自变量和一个因变 量的变化关系来刻画的问题可以说是非常少的。比如像物理学中研究 质点运动这么一个相对较为容易的问题，也需要用到确定空间位置的 三个坐标变量 x、y、z 和一个时间变量 t 以及多个函数值（如位置、 速度、加速度、动量等），更不用说在各种不同的学科研究中会遇到 更为复杂的问题。这种多个自变量和多个因变量的变化关系，反映到 数学上就是多元函数（或多元函数组，即向量值函数）

由于转炉冶炼过程中的热力学和动力学反应复杂，副枪控制模型和传统的烟气分析模型存在很大的局限性，导致了转炉冶炼终点碳含量的预测精度偏低，是实现智能炼钢的主要技术瓶颈. 针对上述问题，提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先，利用烟气分析得到连续监测的实时数据，以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后，根据熔池反应所处的不同阶段，利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上，按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数，从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例，证实函数型数字孪生模型具有良好的自学习和自适应能力，对异常冶炼状态具有良好的鲁棒性，可以实现全过程的熔池碳含量动态预测，终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是，在保证入炉原料成分、温度、质量等参数稳定的前提下，采用该模型可以有望取消基于副枪的停吹取样步骤，从而降低生产成本，提高产品质量和生产效率，具有广泛的工业应用前景

数据是程序处理的对象,包括常量、变量、有返回值 的函数。 不同性质的数据需要不同大小的存储空间,导致数据 类型的划分,对某一编译程序而言,给各种数据类型分配 固定大小存储空间,使其表示的数据值在一定的范围内, 称为数据类型的值域