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

针对一类具有空间不均匀性的辨识和回归问题，提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发，构造一簇紧支撑正交小波作为隐层激活函数，并利用改进的误差最小化极限学习机训练输出层权重，避免了新加入高分辨率子网络后的重新训练.同时，由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间，对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明，与标准极限学习机相比，小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度

被称为第二代实证主义的马赫主义继承近代经验主义传统，从 19世纪末现代物理学革命中获取营养和启示，把哲学归结为科学 的认识论，主张取消现象以外的存在和本质问题，用所谓非心非 物的中性东西――要素（现象，现象之间的关系）取代传统哲学 作为实体的心或者物，把物质和精神统统纳入科学和人类认识所 及的经验世界，取消因果联系，将哲学的任务说成是为了实用的 目的而描述要素之间的函数关系，在西方世界以及俄国产生了广 泛的影响并受到曾经一度是热烈的欢迎。本章主要介绍马赫、阿 芬那留斯和彭加勒的生平及核心思想

在引言中我们已经提到, Riemann积分在处理连续函数或者逐段连续函数时,在计算 些几何和物理的量时它是很有用的.但它也存在一些缺陷,使得 Riemann积分在处理分析数 学中的一些问题时显得不够有力.因此需要建立新的积分的理论二十世纪初, Lebesgue建 立了一种新的积分理论.新的积分理论消除了上述缺陷,并且包含了原有的 Riemann积分理 论.这就是本章将要介绍的 Lebesgue积分理论 由于现代数学的许多分支如概率论,泛函分析,群上调和分析等越来越多的用到一般 空间上的测度与积分理论,因此我们将在一般的测度空间上介绍积分理论

本章概述 被称为第二代实证主义的马赫主义继承近代经验主义传统,从 19世纪末现代物理学革命中获取营养和启示,把哲学归结为科学 的认识论,主张取消现象以外的存在和本质问题,用所谓非心非 物的中性东西—一要素(现象,现象之间的关系)取代传统哲学 作为实体的心或者物,把物质和精神统统纳入科学和人类认识所 及的经验世界,取消因果联系,将哲学的任务说成是为了实用的 目的而描述要素之间的函数关系,在西方世界以及俄国产生了 泛的影响并受到曾经一度是热烈的欢迎。本章主要介绍马赫、阿 芬那留斯和彭加勒的生平及核心思想