搪玻璃压力容器用热轧中厚Q245R钢板的性能

采用箱式炉模拟热轧正火态20 mm厚Q245R钢板的高温烧成。检测了钢板的微观组织、拉伸性能、冲击性能和氢穿透时间(t_(H2))。结果表明:模拟高温烧成的钢板表层、1/4和1/2厚度处的微观组织与正火态类似,由带状珠光体和铁素体组成,烧成前后钢板的铁素体晶粒尺寸无明显变化;模拟高温烧成前后钢板的屈服强度、抗拉强度没有明显变化,断后伸长率升高,0℃冲击韧性下降,但均满足标准要求;正火态钢板表层、1/4和1/2厚度处的t_(H2)为2.70~4.35 min/mm^(2),远低于钢板双面或全表面涂搪玻璃要求的6.7 min/mm^(2)临界值,且从钢板表面至中心的t_(H2)值有明显差异;随着钢中碳质量分数的降低和珠光体体积分数的减少,玻璃层中气泡的数量和直径减小,有利于提高玻璃层质量。

KNO_(3)对NaCl胁迫下苹果砧木T337幼苗生理特性的影响

【目的】研究100 mmol/L NaCl胁迫下不同浓度KNO_(3)对T337幼苗生理特性的影响。【方法】以盆栽2年生苹果砧木T337为试验材料,本试验设置6个处理,即CK1(浇灌清水)、盐胁迫(CK2)以及盐胁迫+喷施4种浓度KNO_(3)[0.1(T_(1))、0.2(T_(2))、0.3(T_(3))、0.4 mg/L(T_(4))],测定各处理叶片的叶绿素含量、光合荧光参数、抗氧化酶活性及渗透调节物质的含量,并利用主成分分析对其进行综合评价。【结果】随盐胁迫(CK2)时间的延长,T337叶片光合色素(Chl a、Chlb、Chla/b、Chla+b),气孔导度(Gs)、蒸腾速率(Tr)、净光合速率(Pn)、PSⅡ最大光化学效率(Fv/Fm)、光化学淬灭系数(qP)含量均呈逐渐下降的趋势,非光化学淬灭系数(qN)、初始荧光(Fo)、胞间二氧化碳浓度(Ci)、相对电导率(REC)、丙二醛(MDA)含量、脯氨酸(Pro)均呈上升趋势,超氧化物歧化酶(SOD)、过氧化物酶(POD)、过氧化氢酶(CAT)呈先升后降的趋势。与CK1相比,盐胁迫+外源KNO_(3)(T_(1)-T_(4))处理后T337幼苗叶片各指标均呈现不同幅度变化,且存在明显的浓度效应,并以T_(3)(0.3 mg/L KNO_(3))处理叶片叶绿素含量、Gs、Tr、Pn、Fv/Fm、qP降幅最小,Ci、REC、MDA、qN、Fo升幅最小,Pro及SOD、POD、CAT升幅最大。综合评价表明,各处理对T337幼苗特性的效应依次为:CK1>T_(3)>T_(1)>T_(2)>T_(4)>CK2。【结论】综上,施用适宜浓度外源KNO_(3)可有效改善盐胁迫下T337幼苗光合能力,显著提高抗氧化酶活性和渗透调节物质含量,降低细胞膜透性,从而达到缓解盐胁迫的作用,且以0.3 mg/L KNO_(3)处理缓解盐胁迫对T337造成的伤害效果最好。

连续属性完全贝叶斯分类器的学习与优化

针对连续属性朴素贝叶斯分类器不能有效利用属性之间的条件依赖信息,而依赖扩展又很难实现属性条件联合密度估计和结构学习协同优化的问题,文中在使用多元高斯核函数估计属性条件联合密度的基础上,建立了具有多平滑参数的连续属性完全贝叶斯分类器,并给出将分类准确性标准与区间异步长划分完全搜索相结合的平滑参数优化方法,再通过时序扩展构建了动态完全贝叶斯分类器.我们使用UCI机器学习数据仓库中连续属性分类数据和宏观经济数据进行实验,结果显示,经过优化的两种分类器均具有良好的分类准确性.

基于类约束的贝叶斯网络分类器学习

分类能力是人类经过学习得到的重要而基本的能力 ,也是机器学习、模式识别和数据采掘研究的核心问题 .在0 - 1损失率下 ,证明了基于类约束的贝叶斯网络分类器是最优分类器 .建立该分类器的核心问题是基于类约束属性贝叶斯网络结构学习 ,给出了学习属性贝叶斯网络结构的方法 ,在学习过程中使用了根据弧方向因果语义确定边方向的方法 ,并和碰撞识别定向相结合 ,在边定向之后进行冗余弧检验 ,解决了目前冗余边检验在定向之前所导致的问题 ,显著提高了结构学习效率和准确性 .并使用模拟数据进行了分类实验和分析 .

小数据集的贝叶斯网络结构学习

针对直接基于小数据集贝叶斯网络结构学习不可靠,以及目前对小数据集的处理只强调扩展而忽略对扩展数据的修正等,提出了将扩展与修正相结合的小数据集处理机制,以及在此基础上的基于结点排序和局部打分-搜索的贝叶斯网络结构学习方法,可不需要完全结点顺序的先验知识,但能够结合专家的部分结点顺序信息,实验结果显示了这种方法的有效性和可靠性。

具有丢失数据的贝叶斯网络结构学习研究

目前主要基于EM算法和打分-搜索方法进行具有丢失数据的贝叶斯网络结构学习,算法效率较低,而且易于陷入局部最优结构.针对这些问题,建立了一种新的具有丢失数据的贝叶斯网络结构学习方法.首先随机初始化未观察到的数据,得到完整的数据集,并利用完整数据集建立最大似然树作为初始贝叶斯网络结构,然后进行迭代学习.在每一次迭代中,结合贝叶斯网络结构和Gibbssampling修正未观察到的数据,在新的完整数据集的基础上,基于变量之间的基本依赖关系和依赖分析思想调整贝叶斯网络结构,直到结构趋于稳定.该方法既解决了标准Gibbssampling指数复杂性问题,又避免了现有学习方法所存在的主要问题,为具有不完整数据的不确定性知识表示、推断和推理提供了有效和可行的方法.

基于高斯Copula的约束贝叶斯网络分类器研究

具有连续属性的分类问题普遍存在,目前主要采用两种方法来处理连续属性:一种是将连续属性进行离散化;另一种是基于高斯函数或高斯核函数来估计属性密度.连续属性的离散化可能导致信息丢失、引入噪声和类对属性的变化不够敏感等问题,而高斯函数和高斯核函数在属性密度估计中各有优势与不足,但它们具有很强的互补性.该文依据Copula和贝叶斯网络理论,结合高斯Copula密度函数、引入平滑参数的高斯核函数和以分类准确性为标准的属性父结点贪婪选择,建立连续属性约束贝叶斯网络分类器,既可以避免连续属性离散化所带来的问题,又能够实现高斯函数和高斯核函数在属性密度估计方面的优势互补.分别采用真实数据和模拟数据进行实验,结果显示,使用结合边缘高斯核函数的高斯Copula估计属性密度的约束贝叶斯网络分类器具有良好的分类准确性.

用于风险管理的贝叶斯网络学习

结合专家知识和数据进行贝叶斯网络学习.首先利用专家知识建立初始贝叶斯网络结构和参数;然后基于变量之间基本依赖关系、基本结构和依赖分析方法,对初始贝叶斯网络结构进行修正和调整,得到新的贝叶斯网络结构;最后将由专家和数据确定的参数合成为新的参数,得到融合专家知识和数据的贝叶斯网络.该方法可避免现有的贝叶斯网络学习过于依赖数据、对数据的数量和质量要求过高等问题.

具有丢失数据的可分解马尔可夫网络结构学习

具有丢失数据的可分解马尔可夫网络结构学习是一个重要而困难的研究课题 ,数据的丢失使变量之间的依赖关系变得混乱 ,无法直接进行可靠的结构学习 .文章结合最大似然树和Gibbs抽样 ,通过对随机初始化的丢失数据和最大似然树进行迭代修正 调整 ,得到修复后的完整数据集 ;在此基础上基于变量之间的基本依赖关系和依赖分析思想进行可分解马尔可夫网络结构学习 ,能够避免现有的丢失数据处理方法和可分解马尔可夫网络结构学习方法存在的效率和可靠性低等问题 .试验结果显示 ,该方法能够有效地进行具有丢失数据的可分解马尔可夫网络结构学习 .

贝叶斯网络结构学习分析

贝叶斯网络结构学习(以下简称结构学习)的目标是寻找对先验知识和数据拟合得最好的网络结构。结构学习有两种方式,一种是模型选择,即选择一个最好的网络结构;另一种是选择性的模型平均,即选择合适数量的网络结构,以这些网络结构代表所有的网络结构。

非电解质水溶液的粘度方程

在Eyring的液体粘性流动模型基础上,根据Rother等的假定和Shealy与Sand ler的水溶液过量自由焓溶质聚集模型,导出了一个双参数非电解质水溶液的粘度模型。利用该模型可由二元水溶液的2个模型参数预测多元水溶液的粘度。用该模型计算了6个体系391个不同温度和组成的二元水溶液和3个体系164个不同温度和组成的三元水溶液的粘度,计算值与实验值的总平均相对偏差分别为1.732%和2.977%,计算值与实验数据吻合很好。

基于贝叶斯网络理论的TAN分类器无向依赖扩展

基于贝叶斯网络理论 ,对 TAN分类器进行无向网络依赖扩展 ,把属性变量之间的树结构扩展成可分解马尔科夫网络 ,使经过依赖扩展得到的分类器能够充分利用属性变量之间的依赖信息 ,提高分类能力 ,并能够通过调节阈值大小避免过度拟合 .

用于因果分析的混合贝叶斯网络结构学习

目前主要结合扩展的熵离散化方法和打分-搜索方法进行混合贝叶斯网络结构学习,算法效率和可靠性低,而且易于陷入局部最优结构.针对问题建立了一种新的混合贝叶斯网络结构迭代学习方法.在迭代中,基于父结点结构和Gibbs sampling进行混合数据聚类,实现对连续变量的离散化,再结合贝叶斯网络结构优化调整,使贝叶斯网络结构序列逐渐趋于稳定,可避免使用扩展的熵离散化和打分-搜索所带来的主要问题.

用贝叶斯网络进行因果分析

因果分析是贝叶斯网络的一个重要应用领域。因果分析不同于相关分析,无论对数据分析、扰动分析还是预测都是十分重要的。贝叶斯网络虽然有一定的因果语义(我们常常用变量的因果关系构造贝叶斯网络结构),但贝叶斯网络是条件独立性的表示,因此我们不能不加限定地用贝叶斯网络进行因果分析。

用于操作风险分析的小样本贝叶斯网络结构学习

现有的贝叶斯网络结构学习方法需要大量可靠例子进行复杂的运算,具有低效率和可靠性,而在操作风险管理方面积累大量可靠的例子非常困难。针对问题和实际需求,基于变量之间基本依赖关系、结点之间基本结构、d-separation标准和依赖分析方法进行小样本贝叶斯网络结构学习,分别使用模拟和真实数据进行了实验和分析,结果显示,该方法能够有效地进行小样本数据的贝叶斯网络结构学习。

约束高斯分类网研究

针对基于一元高斯函数估计属性边缘密度的朴素贝叶斯分类器不能有效利用属性之间的依赖信息和使用多元高斯函数估计属性联合密度的完全贝叶斯分类器易于导致对数据的过度拟合而且高阶协方差矩阵的计算也非常困难等情况,在建立属性联合密度分解与组合定理和属性条件密度计算定理的基础上,将朴素贝叶斯分类器的属性选择、分类准确性标准和属性父结点的贪婪选择相结合,进行约束高斯分类网学习与优化,并依据贝叶斯网络理论,对贝叶斯衍生分类器中属性为类提供的信息构成进行分析.使用UCI数据库中连续属性分类数据进行实验,结果显示,经过优化的约束高斯分类网具有良好的分类准确性.

石墨烯改性粘胶织物功能性分析

分析石墨烯改性粘胶织物的功能性。采用石墨烯含量为2.5%的石墨烯改性粘胶纤维纺制了石墨烯改性粘胶纱,并开发出了4种针织物,对其远红外性能、防静电性能、防紫外线性能、抗菌抑菌性、吸湿速干性能、保温率、透气性和安全性进行了测试,并与同规格的普通粘胶针织物进行了对比。试验结果表明:与普通粘胶针织物相比,石墨烯改性粘胶织物远红外辐射温升提高,静电半衰期下降,紫外线防护系数UPF值提高,保温率和透气率提高,同时具有良好的抗菌抑菌性和安全性。认为:石墨烯改性纤维织物具有优良的功能性。

基于因果语义定向的贝叶斯网络结构学习

基于变量之间基本依赖关系、基本结构、d-separation标准、依赖分析思想和混合定向策略,给出了一种有效实用的贝叶斯网络结构学习方法,不需要结点有序,并能避免打分-搜索方法存在的指数复杂性,以及现有依赖分析方法的大量高维条件概率计算等问题。