祁连山玉石沟橄榄岩中非生物成因甲烷‒石墨流体包裹体及其形成条件

研究北祁连造山带玉石沟橄榄岩中富甲烷流体包裹体。激光拉曼光谱原位分析结果显示, 这些流体包裹体主要由液态或气态 CH₄+C(石墨)组成, 次要成分为N₂, H₂O, C₂H₆和C₃H₈, 代表还原性的C-H流体形式。根据石墨的拉曼特征谱峰, 利用石墨化碳质拉曼光谱(RSCM)温度计计算石墨形成温度, 结果指示石墨在流体中沉淀的最低温度介于430~590°C之间, 表明CH₄+C是非生物成因的, 并形成于地幔环境。     

模糊微分方程的反周期解

主要利用微分包含的方法得到模糊微分方程的反周期解的存在性结果，并给了一个例子说明主要结果的可行性.     

基于粗糙集和证据理论的设备状态评估方法

为准确判定复杂设备健康状态，提出一种基于粗糙集理论和证据理论的健康状态评估方法。鉴于粗糙集只能处理离散指标，首先提出一种基于动态模糊C-均值聚类算法的连续型评估指标的离散化方法；再通过基于互信息的属性约简算法对复杂设备健康状态评估指标进行约简；然后对约简的评估决策表进行处理，构建基本信度分配函数；最后利用D-S合成规则进行多指标合成得到健康状态，进一步挖掘评估指标与健康状态间的关系。实例研究及对比分析表明该方法能有效提高决策可信度，减少评估的不确定性。     

增氮析氮法生成气泡去除钢液中显微非金属夹杂物

为了进一步完善增氮析氮法生成气泡去除钢液中显微非金属夹杂物技术，研究了真空处理时间、充氮压力、气体类型等因素对钢中全氧和显微非金属夹杂物的影响.结果表明：减压处理过程中，钢液中非金属夹杂物可为过饱和气体氮气形成气泡提供非均相形核核心；增氮析氮法可有效地降低钢中全氧，去除钢中显微非金属夹杂物；真空处理时间越长，钢中全氧和显微非金属夹杂物数量越低，当真空处理时间为30 min时钢中全氧去除率达到了81.6%，而且全氧质量分数最低达到7×10-6.     

基于粗糙集全局离散和粒子群算法的启发式航材订货模型

为了解决目前航材订货模型单纯依托人为经验,对航材消耗规律变化反应滞后且可信度不高工作量过大的问题,提出在原始订货模型的框架下,使用PAM聚类、粗糙集全局离散和粒子群算法,计算模型中的航材分类、属性离散和区间权重,从而建立启发式航材订货模型,并在测试集上对比新老模型的均方离差。结果表明,启发式航材订货模型可以使人摆脱依靠经验确定模型的繁琐工作,并且能有效提高模型的准确性和及时性,从而提高航材订货工作效率。     

从定积分的角度看粗糙集

对于粗糙集的定义及其基本性质,从定积分的角度,给出了一种全新的描述.     

广义模糊粗糙集的粗糙度

提出基于模糊关系的广义模糊粗糙集的α,β上、下近似算子,讨论近似算子的性质.给出广义模糊粗糙集的粗糙度,就给定的模糊集研究模糊关系对粗糙度的作用.通过算例验证该粗糙度的有效性.     

基于快速傅里叶变换的三维非高斯粗糙表面数值仿真

实际工程粗糙表面多数符合非高斯分布,非高斯粗糙表面的数值仿真和生成对于研究两表面间润滑、接触行为具有重要意义。基于有限脉冲滤波技术,利用快速傅里叶变换算法,生成具有给定峰度、偏态和自相关函数的非高斯粗糙表面。当非高斯粗糙表面生成时,将其高度分布视为随机序列,用幅值和相角两个分量来表示,通过分别求解这两个分量使粗糙表面具有给定的表面粗糙度参数。结果表明,对于各向同性和各向异性表面,生成表面的自相关函数与给定的自相关函数吻合良好,并具有给定的峰度和偏态。     

粗糙海面对空气中声源激发水下声场的影响

提出一种计算粗糙海面条件下空气中声源激发水下声场的方法,并通过数值仿真研究粗糙海面对水下声场的影响.在波数积分模型的基础上,采用微扰法将声场分为平均声场和散射声场之和.其中,平均声场采用国际流行的波数积分模型OAST计算,散射声场采用自相容扰动法计算.对不同风速、不同声源频率条件下的声场进行仿真,结果表明风速越大、声源频率越高,总声压变化范围越大,同时,水下接收到的平均声压和均方声压受到的影响越大.     

Yarn Quality Prediction and Diagnosis Based on Rough Set and Knowledge-Based Artificial Neural Network

In the spinning process, some key process parameters（ i. e.,raw material index inputs） have very strong relationship with the quality of finished products. The abnormal changes of these process parameters could result in various categories of faulty products. In this paper, a hybrid learning-based model was developed for on-line intelligent monitoring and diagnosis of the spinning process. In the proposed model, a knowledge-based artificial neural network（ KBANN） was developed for monitoring the spinning process and recognizing faulty quality categories of yarn. In addition,a rough set（ RS）-based rule extraction approach named RSRule was developed to discover the causal relationship between textile parameters and yarn quality. These extracted rules were applied in diagnosis of the spinning process, provided guidelines on improving yarn quality,and were used to construct KBANN. Experiments show that the proposed model significantly improve the learning efficiency, and its prediction precision is improved by about 5. 4% compared with the BP neural network model.