热镀锌工艺对无Si含P的TRIP钢力学性能影响

利用光学显微镜、透射电镜、X射线衍射和拉伸试验等方法,分析测试了热镀锌工艺对无Si含P的TRIP钢力学性能和微观组织的影响.结果表明:实验用钢可获得780 MPa以上的抗拉强度和24%以上的断后延伸率.在热镀锌工艺中,两相区加热温度和贝氏体等温温度对钢的力学性能影响较小,而贝氏体等温时间的影响最为显著.当贝氏体等温时间由20 s增加到60 s时,实验用钢的屈服强度上升了65 MPa,抗拉强度下降了45 MPa,延伸率大幅度增加,从23.01%增加到27.56%,出现最佳的综合力学性能.无Si含P热镀锌TRIP钢的微观组织由铁素体、贝氏体、残余奥氏体和马氏体组成,随着贝氏体等温时间的减少,钢中残余奥氏体含量和稳定性降低,相应地,马氏体含量明显增加,实验用钢从典型的TRIP钢力学特征慢慢转变为与双相钢相似的力学特征.     

基于数据特征的加热炉钢温预报模型

针对加热炉工业过程具有复杂、非线性、时滞性的特点和钢坯出炉温度预报问题,提出了一种基于数据特征的改进主元回归(PCR)加热炉钢温预报模型的建立方法.首先通过对原始数据进行同步化处理来解决各数据变量间存在的时间滞后问题;然后提取生产过程中各批次钢坯的统计特征和熵特征,并依据一定顺序将这些特征排列组合,构造等长的数据特征向量;最后通过PCR方法建立过程变量的数据特征和钢坯出炉温度之间的回归预报模型.本文以某钢厂加热炉工业过程为背景进行实验仿真,采用实际生产数据求取建模参数,并对钢坯出炉温度预报进行了测试.实验的校验与误差分析表明,该方法在预测钢坯出炉温度方面具有更好的性能,且预测误差满足工业应用的精度要求.     

高强钢动态力学性能本构模型研究

为了研究高强钢材料在动态加载过程中的力学响应,采用分离式霍普金森压杆对材料进行了不同应变率（3000到 12000s-1）和不同温度（20℃到800℃）单轴压缩实验.实验结果表明：高强钢的动态力学行为受应变率和温度的强烈影响.流动应力随着应变率的升高而增加,随着温度的升高而降低.提出了一个经验型本构模型来描述材料的加工硬化和温度软化行为.该本构模型预测的应力——应变曲线与实验结构较好吻合,表明该本构模型可进一步用于高强钢动态变形过程的数值模拟研究.     

LF-RH工艺生产超低硫钢钢水温度预报模型

根据LF-RH精炼超低硫钢的工艺流程,基于冶金热力学、传热和热量平衡等原理,同时考虑钢包的热状态,建立出钢至浇注过程中的钢水温度预报模型。通过该模型可以得到不同时刻钢水温度和钢包内衬温度的分布曲线。实例验证结果显示,模型计算值与实测值的平均误差为5.6℃,误差在±8℃以内的占87.5%。另外,运用该模型分析了钢包热状态、出钢过程、传运时间、RH真空室内壁温度等因素对钢水温度的影响规律,可为超低硫钢精炼工艺的优化提供参考。     

基于粒子群优化的神经网络漏钢预报模型研究

针对BP神经网络在训练过程中收敛速度慢以及用于模式识别泛化能力差的问题,将粒子群优化算法PSO引入到BP神经网络的训练过程,建立了PSO-BP神经网络模型,并将其应用到连铸漏钢预报系统中。结合某钢厂连铸现场历史数据对该连铸漏钢预报系统进行了测试,测试结果以98.03%的预报率及100%的报出率,验证了基于粒子群优化算法的BP神经网络连铸漏钢预报系统模型的可行性和有效性。     

基于梯度提升决策树的焦炭质量预测模型研究

焦炭是高炉炼铁的重要原料,其质量是影响铁水质量和高炉顺行的重要因素,针对焦炭质量存在检验难、滞后性、预测误差大等问题,提出一种基于梯度提升决策树算法的焦炭预测模型;结合专家经验与相关性分析方法,深入研究配合煤质量对焦炭质量的影响;最后利用配合煤质量指标对焦炭质量指标灰分、硫分、耐磨强度、抗碎强度进行建模预测;根据某焦化厂历史生产数据对模型进行评估,实验结果表明:基于梯度提升决策树的焦炭质量预测模型相较于线性回归模型、随机森林模型,决策树模型误差小、准确率高,可以为焦化厂配煤炼焦提供一定的理论依据。     

基于改进鲸鱼优化算法的GBDT回归预测模型

针对梯度提升决策树（gradient boosting decision tree, GBDT）参数难以选择的问题, 提出一种基于改进鲸鱼优化算法（improved whale optimization algorithm, IWOA）的GBDT回归预测算法. 首先, 提出一种改进的鲸鱼优化算法, 利用混沌映射初始化种群提高种群多样性, 引入惯性权重与差分进化算法中的变异交叉策略解决迭代后期易陷入局部最优的问题; 其次, 利用IWOA对GBDT的关键参数寻优, 避免参数选择的盲目性, 提高回归预测模型的泛化能力; 最后, 建立IWOA-GBDT回归预测模型, 并利用UCI数据集对模型进行验证. 实验结果表明, 相比于决策树、 支持向量机、 Adaboost和GBDT算法, 该模型算法具有更好的拟合效果, 并有一定的实用价值.     

基于梯度提升树模型的网络优惠券使用预测

互联网与实体经济融合发展背景下,网络优惠券往往承担了提升用户体验、促进再次消费的重要功能。构建梯度提升树、随机森林等模型,预测网络优惠券使用行为;并对影响因素的重要性进行排序。结果表明:梯度提升树算法的五折交叉验证平均测试精度、曲线下面积值分别为0. 804与0. 886,高于随机森林与单棵决策树算法。优惠券折扣率对于用户使用优惠券行为起着决定性影响,用户经常活动的地点离该商户最近门店的距离、领取优惠券时间等特征对用户使用优惠券行为具有重要影响。     

基于词条聚合和决策树的文本分类方法

根据词条聚合和决策树原理,提出了一种文本分类的新方法.决策树分类方法具有出色的数据分析效率和容易抽取易于理解的分类规则等优势,但只能应用于维数较低的特征空间.本方法将与各个类别相关程度相似的词条聚合为一个特征,有效地降低了向量空间的维数,然后再使用决策树进行分类,从而既保证了分类精度又获得了决策树易于抽取分类规则的优势.     

特征融合和集成学习在大学生助学金预测中的应用

随着数字化校园的推行,利用大数据和机器学习算法识别真正困难的大学生,实现助学金公平发放,可为高校资助问题提供技术支持和辅助决策。首先,提出了一种利用多特征融合和集成学习的助学金预测方法,对消费、成绩、出入宿舍、图书借阅等大学生日常行为数据进行预处理和特征提取,分析特征的重要性,并进行特征融合,构造了一个21维特征向量。然后,利用集成学习方法对梯度提升决策树,随机森林,AdaBoost,SVM等分类器进行集成,采用过采样和交叉验证的方法,利用不同组合策略对大学生助学金进行分类预测。通过对10 885位大学生日常行为数据进行实验,结果表明,在3种性能指标(F1、召回率、精确度)上进行测试,平均精确度达到0.954 5,为大学生助学金发放提供了一种辅助决策手段。     

基于混合模型的广告转化率问题研究

现有广告转化率预估模型缺乏对深层特征间相互作用的研究,针对这一问题提出了一种新的混合模型.通过高效的梯度提升机(light gradient boosting machine,LightGBM)模型提取高阶组合特征,并结合基于区域的因子分解机(field-aware factorization machines,FFM)模型有效处理稀疏数据的优点进行转化率的预估.为了验证模型的有效性和泛化能力,在两个数据集上讨论了参数对预估结果的影响,并将模型与其他模型进行对比实验.实验结果表明提出的混合模型的预估结果更准确.     

基于集成算法的路段短时行驶时间预测

为了更好地解决路段行驶时间的短时预测问题,提出并改善了一种基于树的集成算法。针对小时间尺度下交通时变性强这一特性,构建更加鲁棒的梯度提升树（GBDT）以减少突变点的干扰。为了克服偏差 方差窘境,将随机树（RF）与GBDT进行融合,提出RF-GBDT的集成算法,并考虑各种历史旅行时间数据的相关变量以提高模型的可解释性。预测结果表明,与单独的RF或GBDT相比,RF-GBDT具有更好的预测准确度与算法稳定性。     

基于混合互信息的决策树入侵检测

为了提高入侵检测的准确度和速度,针对入侵规则属性相关性的特点,将属性与类间的互信息与属性间的互信息结合,提出了一种新的混合互信息的决策树分类算法.在对此算法进行了算法设计和分析的基础上,将由此算法构造的决策树分类方法对入侵规则进行组织,改变了传统的入侵规则逐条串行检测,以增加预处理时间为代价,提高了数据包的过滤速度和准确度.实验分析表明,应用该算法的入侵检测系统比使用传统方法具有更高的准确率和速度.     

Ordinal Decision Trees

<正>In many decision making tasks,the features and decision are ordinal.Several ordinal classification learning algorithms have been developed in recent years,it is shown that these algorithms are sensitive to noisy samples and do not work in real-world applications.In this work,we propose a new measure of feature quality, called rank mutual information.Then,we design an ordinal decision tree(REOT) construction technique based on rank mutual information.The theoretic and experimental analysis shows that the proposed algorithm is effective.