基于煤炭企业内部电力调度的配电网降损措施

首先探讨了企业内部电力调度的含义、流程与方法,然后具体分析了基于煤炭企业内部电力调度的配电网降损技术流程,最后提出了相关措施,即优化与改善网络结构、加强无功建设及维护、合理进行谐波的治理和积极实行升压降损。     

探讨水泥工业节能及降低煤炭消耗的途径

水泥工业在生产过程中消耗了大量的一次能源,产生了巨大的碳排放。利用有效能分析法分析了水泥回转窑和烘干机的有效能数据,提出富氧燃烧和热风助燃是增加有效能供给的有效方法;对于窑炉排放大量的高温烟气,提出按照有效能对其进行能量品质识别,采用热风、余热发电、物料烘干、低温烟气生产热水的流程利用水泥窑炉余热,以达到节能及降低煤炭消耗的目的。     

矿渣胶凝材料激发剂配比的试验研究

胶结材料是矿山尾矿胶结充填工艺中料浆配制设计的核心,它既是决定充填体强度的关键指标,又是影响工艺成本的最重要因素。针对传统尾矿胶凝材料存在用量大、成本高及性能差等问题,探讨以高炉水淬渣及其激发剂为原料,开发低成本、性能优良的新型胶结材料。     

不同激发剂对钢渣活性影响的研究

本文选用水玻璃、氢氧化钠、硫酸钠、硅灰、铝酸钠以及复合激发剂,系统研究了不同类别激发剂对钢渣活性的影响和激发机理.利用SEM和XRD对不同激发剂制备的钢渣胶凝材料水化产物进行了微观表征和矿物相分析,比较了不同龄期活性激发钢渣胶凝材料的抗压强度.结果表明:激发剂能促使钢渣水化产物中水化硅酸钙凝 胶含量增加,促进钙矾石晶体生成,破坏钢渣中玻璃体网络结构,增大钢渣水化浆体的密实度.硅灰作为激发剂对钢渣活性的激发效果最好,制备的水泥试块28 d抗压强度能达15.9 MPa.     

活性炭局部降氡效率理论模型研究

活性炭具有较强的吸氡能力,利用该特性可实现局部空间降氡的目的。本文研究了活性炭局部降氡实际应用中最大降氡效率与活性炭吸附系数、活性炭质量、空间体积、环境温度及湿度等的关系,建立了计算活性炭局部降氡效率的理论模型,并通过菲律宾产4×8目和12×20目两种粒径的活性炭对理论模型进行了实验验证。结果表明,理论值和实测值的一致性较好,相对偏差均在±4.7%以内。     

基于词贡献度的垃圾短信分类方法

针对垃圾短信分类问题, 提出了一种以词贡献度为基础的分类方法。该方法引入词贡献度的概念表达词在不同短信分类中的权重差别,通过构建词贡献度——分类矩阵和计算矩阵行均方差来实现降维,以词贡献度为基础计算短信隶属于短信分类的隶属度,并通过比较隶属度密度的方法解决分类冲突问题。实验结果表明,该方法在分类效果和实时性方面优于其他常用垃圾短信分类方法。     

基于马氏距离度量的局部线性嵌入算法

局部线性嵌入算法(LLE)中常用欧氏距离度量样本间相似度。而对于图像等高维数据,欧氏距离不能准确体现样本间的相似程度。文中提出基于马氏距离度量的局部线性嵌入算法(MLLE)。算法首先从现有样本中学习到一个马氏度量,然后在LLE算法的近邻选择、现有样本及新样本降维过程中用马氏度量作为相似性度量。将MLLE算法及其它典型的流形学习算法在ORL和USPS数据库上进行对比实验,结果表明MLLE算法具有良好的识别性能。     

基于窗口斜率表示法的心电波形相似性分析

针对心电波形形态相似度高和分类困难的问题,提出一种新的心电波形特征表示方法——窗口斜率法。该方法对心电波形在平面内进行窗口划分,以每个窗口内最大最小幅值差与窗口宽度的比值作为心电波形的特征信息,进行相似性分析。实验结果表明,在基于距离的分类方法中,这种特征表示方法在降低维度同时,能够减小同类波形之间的差距,扩大不同类波形之间的差距。将此方法用于心电波形的分类,可以提高分类的准确性和效率,以及分类灵敏度和特异度的稳定性。     

基于多标签ReliefF的特征选择算法

针对传统特征选择算法局限于单标签数据问题,提出一种多标签数据特征选择算法——多标签ReliefF算法。该算法依据多标签数据类别的共现性,假设样本各类标签的贡献值是相等的,结合三种贡献值计算方法,改进特征权值更新公式,最终获得有效的分类特征。分类实验结果表明,在特征维数相同的情况下,多标签ReliefF算法的分类正确率明显高于传统特征选择算法。     

用简化核主成分分析法实现高光谱遥感影像降维

提出用基于Nystrm算法的简化核主成分分析方法（SKPCA）实现高光谱遥感影像的快速降维。首先随机选取部分样本构成子核矩阵并计算其特征向量,然后进行矩阵外推迭代得到近似核矩阵,并分解近似核矩阵不断更新特征向量,最后实现高光谱影像的降维处理。利用OMIS与ROSIS遥感影像进行试验,从运算速度、提取特征信息量以及分类后效果对SKPCA和KPCA（未简化的核主成分分析法）进行比较,结果表明,SKPCA和KPCA提取的特征信息量相当,提取特征与分类效果相近,但SKPCA的运算速度至少要高于KPCA数百倍。