SPS高压物性取样器地面转样方法

井下成功取到单相高压物性样后,因为APR的RD取样器或SPS(Single Phase Sampler)取样器不适合运输,就必须把样品转到样瓶中。为了保持样品的单相状态,就要使用特殊的样瓶和转样程序。详细的讲述了特殊样品的结构,样品准备,连接取样器、转样台和样瓶,以及转样方法。     

氯化钠对氧化镁水化产品形貌的影响

为考察以NaCl为晶型诱导剂,常压下水化反应制备一维状氢氧化镁的可行性,以六水氯化镁低温煅烧生成的活性氧化镁为原料,常压下水化合成氢氧化镁。结果表明:NaCl浓度为0.034 mol/L时,水化反应产品主要呈片状;NaCl浓度为0.171 mol/L时,水化产品呈槽沿的凹槽状;NaCl浓度为0.342 mol/L时,形成半管状产品,且分散性较好。即随着NaCl浓度的提高,水化产品逐渐向一维状趋势发展。当NaCl浓度较低时,新生成的氢氧化镁只能任意吸附在已生成的氢氧化镁晶体上,生成分散性较好的规则片状氢氧化镁;当NaCl浓度较高时,NaCl能够选择性地吸附在氢氧化镁的特定晶面上,使片状颗粒沿着垂直的晶面优先生长,最终发生定向排列形成槽状;随着NaCl浓度的进一步提高,Na~+易于扩散到[Mg(OH)_6]~(4-)八面体中,取代部分Mg~(2+)的位置,降低氢氧化镁生长的梯度能量,进而改变氢氧化镁晶体在不同方向的生长速率,有利于诱导晶体沿一维方向生长,可快速诱导生成一维管状产品。     

居家老人接受健康监测产品的影响因素研究

目的 为应对代际支持减弱所造成的空巢老人现象,城镇社区开始着力打造以家庭为单位的智慧居家养老生态模式。本研究立足于智慧康养背景,基于UTAUT整合性技术接受模型,以构建居家老人对健康监测产品的技术接受模型。方法 通过李克特五级量表回收55~80岁的老年人主体样本,使用SPSS检验数据信效度并采用结构方程模型验证相关路径假设。结果 研究模型拟合度较好,其中努力期望、社会影响、感知价值、产品特征对行为意愿有显著影响;绩效期望和感知风险对行为意愿无显著影响;经验、教育、自感健康状况在该模型中无显著调节作用。结论 针对研究结果对相关影响因素进行深入探讨并就有效提升老年人使用健康监测类产品的意愿提出理论指导和策略建议。     

改进麻雀搜索算法优化SVM的异常点检测

支持向量机是检测异常点的常用方法，但其仍然存在难以高效获取最优参数，导致检测效率低、稳定性差的问题。鉴于此，提出一种改进的麻雀搜索算法ISSA,并将其用于优化支持向量机参数。首先，采用改进折射反向学习和可变对数螺线改进传统麻雀搜索算法；然后，利用改进麻雀搜索算法ISSA对支持向量机参数进行优化；最后，将优化后的支持向量机用于异常点检测。仿真实验结果表明，在G-mean和F-measure 2个评价指标上，利用ISSA优化后的支持向量机检测效果明显优于其它3种分类算法，具有更优秀的检测效率、稳定性和泛化能力。     

不平衡数据多粒度集成分类算法研究

针对传统模型在解决不平衡数据分类问题时存在精度低、稳定性差、泛化能力弱等问题,提出基于序贯三支决策多粒度集成分类算法MGE-S3WD。采用二元关系实现粒层动态划分;根据代价矩阵计算阈值并构建多层次粒结构,将各粒层数据划分为正域、边界域和负域;将各粒层上的划分,按照正域与负域、正域与边界域、负域与边界域重新组合形成新的数据子集,并在各数据子集上构建基分类器,实现不平衡数据的集成分类。仿真结果表明,该算法能够有效降低数据子集的不平衡比,提升集成学习中基分类器的差异性,在G-mean和F-measure1 2个评价指标下,分类性能优于或部分优于其他集成分类算法,有效提高了分类模型的分类精度和稳定性,为不平衡数据集的集成学习提供了新的研究思路。     

基于粒计算的极限学习机模型设计与应用

在数据智能处理中属性重要度差异很大且具有高度非线性的特征,在这种情况下直接应用机器学习进行建模处理往往很难获得问题的有效解。针对此问题,文中探索了基于粒计算的属性重要度的排序方法且结合排序结果应用二元关系实现粒层划分算法;应用极限学习机对不同划分获得的粒层空间进行学习,进而对不同粒层空间的学习结果进行对比分析,从而获得最优划分与粒层;此外,将提出的粒度极限学习机模型应用于空气质量的预报问题,不仅加快了预报速度,而且获得的结果与实际预测高度吻合,实证了粒度极限学习机模型的有效性和可靠性。     

模糊层次商空间的快速属性约简算法

针对传统属性约简算法利用等价关系计算过程繁琐,样本集较大时运行时间长的问题,提出一种利用模糊欧氏距离的快速属性约简算法。定义模糊欧氏距离计算属性间距离;应用层次商空间结构构建约简粒层空间;以粒层空间聚类结果作为约简基础,实现样本集属性约简。仿真结果表明,该算法约简速度不受样本集样本数量限制,运算速度较快,能够在不删除样本的情况下实现数据的快速约简,约简后对数据集分类精度影响小,部分数据集分类精度有所提升,为大规模数据集约简提供了新的研究思路。     

基于优化随机森林的软件缺陷预测算法研究

针对传统随机森林应用于软件缺陷预测领域存在预测精度低、参数难以优化的问题，提出一种分数阶变异麻雀优化随机森林参数的软件缺陷预测算法(FMSSA-RF)。首先，使用分数阶变异麻雀算法(FMSSA)提高麻雀算法全局寻优能力，在4个基准测试函数中，FMSSA具有更高的寻优精度；然后，使用分数阶变异麻雀算法优化随机森林参数；最后，将FMSSA-RF算法应用于软件缺陷预测领域。实验结果表明，在4个项目的10个公开软件缺陷数据集上，FMSSA-RF算法的评价指标明显优于其它3种对比算法的，表明FMSSA-RF算法具有更高的预测精度和更好的稳定性。Friedman ranking和Holm’s post-hoc test的检验结果表明，FMSSA-RF算法具有明显的统计显著性。