基于BP神经网络的太阳质子事件预报模型

为了提高太阳质子事件的预报精度,采用反向传播神经网络(BackPropagation,BP)建立太阳质子事件预报模型。预报模型是三层网络结构,输入层有6个神经元组成,分别对应预报因子的特征值;隐层设置3个神经元;输出层的一个单元对应于活动区是否爆发质子事件。模型选择描述活动区特征的参量作为预报因子。数据实验采用2002年的数据进行模拟预报,结果显示预报模型具有较高的报准率。     

变加速直线运动带电黑洞的熵

由零曲面方程得到变加速直线运动带电黑洞的视界。从Klein-Gordon方程出发，利用薄膜brick-wall模型，给出了变加速直线运动带电黑洞的熵，得到的熵正好是视界面积的1／4。     

用brick-wall方法计算黑洞熵的再讨论

在薄层模型brick-wall方法的基础上，进一步研究了黑洞熵的计算，发现黑洞熵来源于其视界面上每一个面元的贡献，熵与视界面积正正比，不但适用于整个黑洞，也适用于黑洞视界的局部，这一思想不但可以用于计算表面各点温度不同的动态黑洞的熵，而且使得人们对黑洞熵与视界面积关系的认识更加深入了一步。     

基于支持向量机和k近邻的太阳质子事件预报模型

应用支持向量机和k近邻相结合的方法，建立了太阳质子事件预报模型。预报因子包括黑子面积、磁分型、McIntosh分型、太阳射电流量、活动区位置和软X射线流量。太阳质子事件模型包括两个子模型：质子有无模型和质子峰值流量模型。质子有无模型能对未来24小时是否发生质子事件给出预报，质子峰值流量模型对已发生的质子事件预报峰值流量等级。用2002年和2004年的数据进行了模拟预报，结果显示模型具有较高的报准率，同时显示出活动区位置和软x射线通量是比较敏感的预报因子。     

大型轧机本体的快速安装技术

本文以重钢4100mm宽厚板工程为例,较详细地提出了轧机的安装方法及注意事项。按照轧机的构造特点,对轧机的安装进行了较全面细致的论述。     

电磁匀加速黑洞的熵

利用赵峥和戴宪新提出的方法,得到了黑洞的温度和事件视界。利用薄层brick-wall模型,从Klein-Gordon方程得到黑洞在视界面上的熵密度,积分后得到总熵,符合熵与面积成正比的关系。     

一种研究动态非球对称黑洞熵的普适方法

从统计物理的角度研究动态黑洞的熵是十分困难的.前不久我们在t Hooft砖墙模型的基础上提出薄层模型,解决了动态球对称黑洞熵的计算问题[1-2].最近我们找到了一个用薄层模型计算动态非球对称黑洞熵的有效方法,此方法原则上可用于任何黑洞,不论是动态的还是稳态的,球对称的还是非球对称的.下面我们以变加速直线运动黑洞为例来介绍这一方法.与球对称黑洞不同,加速黑洞视界面上的不同点可能具有不同的温度[3].由于时空的轴对称性以及视界面上各点温度的不同,我们首先计算视界面每一点的熵密度,再对视界面积分得到总熵[4].     

均匀直线加速观测者Rindler视界的熵

选取超前爱丁顿坐标，采用薄层模型brick-wall方法，计算均匀直线加速观测者Rindler视界单位面积上的熵，可以得到与洞熵面积定理相符的结论，这一结果表明，熵与视界面积成正比的结论，不仅适用于整个视界，也适用于视界面上的局部，推广这一方法，便可以计算界面上各点温度不同的加速黑洞（M≠0）的熵。     

匀加速直线运动黑洞的熵

采用薄膜brick-wall模型,计算了Kinnersley度规表述的匀加速直线运动黑洞的熵.对于加速黑洞,时空具有轴对称性,视界面上各点的温度不是一个常数,首先计算视界面每一点的熵密度,再对视界面积分得到总熵.