排序方式: 共有16条查询结果,搜索用时 500 毫秒
1.
为开拓稀土元素在铜及其合金中的有效利用,本文在1390—1475 K温度下,用固相-液相平衡法研究了Cu-La-O体系的热力学,用固体电解质氧浓差电池法测定了铜液中氧的活度,得到镧的脱氧常数,及脱氧常数与温度的关系式。由测得的数据还求得镧在熔铜中的溶解自由能、活度系数与温度的关系和铜液中镧自身的相互作用系数。 相似文献
2.
3.
4.
曲轴坐标系构成原理及图形可视化意义 总被引:1,自引:0,他引:1
量化图形具有形象直观、一目了然的效果,很容易被读者所理解和接受,并能很快形成具体概念,实现地学量化信息的高效传输.曲轴坐标系作为量化图形展现的数学基础之一,它的创立突破了直轴坐标系的局限,把坐标轴选取的范围由直线轴扩展到曲线轴,引入了曲轴、曲率、轴向、曲向等图形变量,拓展了量化图形制图空间,丰富了量化图形表现形式,为地理数据的图形可视化表达提供了新的途径.探讨了曲轴坐标系的构成原理、构成条件及现有直轴坐标系的演化方法,说明了曲轴坐标系创立的制图意义. 相似文献
5.
跨项目软件缺陷预测(cross project defect prediction,CPDP)旨在实际的软件开发场景中,需要进行缺陷预测的目标项目可能是一个新启动项目,或这个项目已有的训练数据较为稀缺,需要利用其他项目已经搜集的训练数据来构建缺陷预测模型,其已经成为软件质量保证的一种手段,吸引了国内外研究人员的关注.然... 相似文献
6.
用直接合成法制备了Caβ″-Al_2O_3 固体电解质,在10~(-2)~1 MHz 频率范围内,于 1073~1523 K 温度区间测定了电解质的阻抗谱,并计算得到电导率,其数量级为 10~(-6) ~10~(-5)Ω~(-1)·cm~(-1)。用Caβ″-Al_2O_3 作为固体电解质,以Sn-Ca 合金为参比电极,组装成电池 Mo|Sn-Ca|Caβ″-Al_2O_3|[Ca]_(Fe)|Mo(ZrO_2),于 1833 K 温度下测定了纯铁液中溶解态钙的活度,证明该种固体电解质有希望用于直接测定钙的活度。 相似文献
7.
为了避免在低氧分压时由于固体电解质的电子导电给电动势测量所带来的影响,本工作对文献报导的零点(null point)法用小型固体电解质电池进行了探讨。电池形式为: Ni-Cr(Pt)|Cr,Cr_2O_3|JZfO_2(+MgO)|H_2,H_2O|Ni-Cr(Pt)所测结果与文献值一致。实验证明零点法可行,但不易调节;而接近零点的任一电动势法更具优越性。同样可不考虑电子导电的影响。实验也证明了用小型周体电解质管和用粉末状的电极物质直接填充组成电池可以测得可信的热力学数据。用小型管组装方便、节省原料。经我们测定所用电解质的特征气相分压P_(e′)为lgp P_(e′)=25.1-(76970)/T(1200~1650℃)。 相似文献
8.
BaCe0.95Y0.05O3α固体电解质材料的热性质 总被引:2,自引:0,他引:2
用甚高温量热计对BaCe0.95Y0.05O3-α固体电解质材料在300-1400℃范围做差热分析,证明其结构是稳定的。在1000-1500℃范围做焓测定,得到焓与温度的关系H=-6598+1.45(J.g^-1)及平均热容c=1.45J.(gK)^-1。 相似文献
9.
类别不平衡问题是机器学习与数据挖掘领域中主要关注的问题之一,目前已有多种解决方法,而样本采样技术是其中最为简单有效、同时也是最为常用的一类方法.本文主要针对SMOTE(synthetic minority oversampling technique)这一最为流行的采样算法易于受到噪声样本影响及泛化能力差的缺点,提出了一种基于概率密度估计的改进算法.首先,假定各类样本均服从高斯混合分布,并采用高斯混合模型测得各样本的概率密度,针对各样本在类内与类间所测得概率密度间的排序比较关系来实现噪声信息的过滤.其次,在过滤后的少数类样本上进行概率密度的重新计算,并根据其特点将其划分为三类:边界样本、安全样本与离群样本.最后,针对上述三类样本,分别采取不同的策略来进行SMOTE采样.此外,为了进一步提升泛化性能,本文也对SMOTE算法的邻域计算规则进行了修正.通过多个基准的二类不平衡数据集对该算法进行了验证,实验结果表明其是有效且可行的,同时显著优于多种已有的采样算法. 相似文献
10.
为了提升推荐模型的预测精度,传统方法通常是利用更多的附加信息参与模型的构建.然而,此类方法在提高算法精度的同时也大大增加了算法的时间开销,同时对数据集也存在一定的要求.为了解决上述问题,提出一种基于Bagging集成的矩阵分解模型.该模型根据用户、产品评分数为基学习器动态分配权重,并通过加权求和得到预测评分.在三个不同规模的真实数据集上的实验结果显示:该动态加权Bagging矩阵分解模型拥有与传统矩阵分解模型一样的时间消耗,并且在各个衡量指标上都优于传统的矩阵分解模型. 相似文献