电磁测量中误差产生的原因及消除方法

对电磁测量中所产生误差的原因进行分析,提出了消除不同误差所应采取的方法。     

冷轧带肋钢筋在砼排水管中的应用研究

简述了冷轧带肋钢筋的生产工艺及性能。4种不同管径的砼排水管按等强度设计原则，以冷轧带助钢筋替代原用的冷拔低碳钢丝后，可节省钢材10％～31％，并提高砼排水管的裂缝荷载，破坏荷载等质量指标和安全度。     

基于PCA-BP神经网络的装甲车辆柴油机状态评估

针对装甲车辆柴油机摩托小时不能真实反映实际技术状况的问题,通过提取气缸压缩压力、加速时间、减速时间、供油提前角、振动能量和平均燃油流量等状态参数,运用主成分分析和BP神经网络相结合的方法构建了一种柴油机状态评估模型;该模型首先利用主成分分析方法将多个参数简化为两个综合参数,并根据综合参数的散点图对柴油机的状态进行初步划分,得到BP神经网络的训练数据;最后通过建立BP神经网络进行状态评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

Enhanced Photoelectrochemical Performance of Hematite Photoanode by Decorating NiCoP Nanoparticles Through a Facile Spin Coating Method

Catalysis Letters - Hematite (α-Fe2O3) is a potential photoanode material for photoelectrochemical (PEC) water splitting, but its short hole diffusion length and low water oxidation kinetics...     

大型复杂结构件抛丸改进方案

为解决某大型焊接结构件抛丸时工件上面大量堆积钢丸并可能导致安全事故的问题,从改变工件吊挂状态和在工件上增加漏丸工艺孔两方面入手,令工件可安全地在已有抛丸线上进行自动除锈.     

单晶高温合金定向凝固过程中初生碳化物的上浮现象SCIEI

本文在一种抗热腐蚀单晶镍基高温合金平面及胞状液-固界面定向凝固条件下,发现了初生碳化物(TiC)的上浮现象并分析了其形成原因。     

镍基高温合金定向凝固过程中MC型碳化物的分形分析

利用分形物理分析的方法定量地描述了定向凝固过程中MC型碳化物的生长形态发现随着凝固速率的增加,MC由宽大的枝叶状演化为三级分支的枝簇状,其信息维数随凝固速率呈指数规律上升,并结合非平衡热力学分析了在改变外界控制参数时MC型碳化物形态变化的物理机制     

高浓度熟料溶出的工艺研究

优化烧结法生产 ,提高产量、节约能耗是氧化铝生产急需解决的问题之一。实现高浓度溶出可以提高精液浓度 ,减少湿法系统物料流量 ,达到提高产能、增加产量、降低成品成本的目的。本文通过对国内外高浓度熟料溶出发展情况和烧结法影响高浓度溶出的因素进行分析研究 ,提出了提高熟料A/S的必要性 ;指出了适合我国条件的熟料A/S大小和生料配方 ;分析了温度和αk 对溶出和分离的影响机理和规律 ;提出了适合高浓度溶出的溶出条件和浓度大小。对生产有一定的指导意义。     

墙地砖边缘检测中的小波去噪

在墙地砖的边缘检测过程中,噪声的引入是不可避免的,有效地消除噪声而不影响检测结果是检测过程中需要解决的关键问题。本文采用了小波去噪方法—对图像进行去噪后再进行边缘检测的方法,其检测结果较好地满足了检测要求。     

An efficient KPCA algorithm based on feature correlation evaluation

Classic kernel principal component analysis (KPCA) is less computationally efficient when extracting features from large data sets. In this paper, we propose an algorithm, that is, efficient KPCA (EKPCA), that enhances the computational efficiency of KPCA by using a linear combination of a small portion of training samples, referred to as basic patterns, to approximately express the KPCA feature extractor, that is, the eigenvector of the covariance matrix in the feature extraction. We show that the feature correlation (i.e., the correlation between different feature components) can be evaluated by the cosine distance between the kernel vectors, which are the column vectors in the kernel matrix. The proposed algorithm can be easily implemented. It first uses feature correlation evaluation to determine the basic patterns and then uses these to reconstruct the KPCA model, perform feature extraction, and classify the test samples. Since there are usually many fewer basic patterns than training samples, EKPCA feature extraction is much more computationally efficient than that of KPCA. Experimental results on several benchmark data sets show that EKPCA is much faster than KPCA while achieving similar classification performance.