从数据中挖掘模糊规则及其系统实现

针对一类多输入单输出模糊逻辑系统，提出一种简单而有效的方法从数据库中挖掘模糊规则．该方法产生的模糊规则库具有良好的完备性和鲁棒性，从仿真实验可以看出利用数据挖掘方法建立的模糊系统具有更好的逼近能力．为了使该方法在应用上具有良好的通用性，设计和实现了基于组件技术的数据挖掘系统．     

草莓红色素的提取及其稳定性的研究

以草莓为原料，用酸性无水乙醇溶液浸泡提取天然红色素，并对该色素的稳定性进行了研究，该色素在酸性条件下对热、光均有较好的稳定性。     

准正则环和强正则环

环R称为准正则环，如果环R的每个右理想是由R的若干个幂等元所生成，主要结果是：(1)设R是准正则环，如果R的分式环Q作为右R模是右Noether的，则R是半单Artin环。(2)设R是准正则环，如果环R的每个素右理想都是极大右理想，则R是强正则环。     

大孔树脂提取中药有效成分的放大研究

用两种不同的方法对大孔树脂吸附柱进行了工艺放大,确定了大柱的上柱流量,计算出其吸附量、吸附效率等参数.结果表明,采用保持柱内通过时间不变(v/L=常数)的方法进行放大,其计算值与实验值吻合较好,树脂的吸附效率在90%左右,处理能力能够满足生产需要,可以作为大孔树脂吸附柱工艺放大的依据.当上柱流量在40～170L·h-1范围内变动时,其吸附效率在71 15%～91 56%的范围之内变化.     

铁酸镧超细粉末的制备

以La(NO3)3·6H2O、(NH4)2Fe(SO4)2和Fe2O3为原料,运用正交实验法确定最优实验条件,利用固-液界面法制备稀土铁酸盐超细粉末———铁酸镧.对产物进行部分物理测试,分别测定其全铁、亚铁离子含量,用扫描电子显微镜测定其形貌和粒径.结果表明,产物为均匀的圆球状纳米微粒,平均粒径76.0nm,反应中没有经过中间化合物,而是在固液界面上进行的.     

条件不完全确定的发散思维型数学问题

“在条件A之下,会产生哪些、什么样的结果B”的问题,就是发散思维型的问题。若其中的条件A带有某种不确定成份,这就构成一种“条件不完全确定的发散思维型数学问题”。这种问题求解过程中的思维活动,有许多特点,对于培养学生的创造性思维有相当高的教育价值。本文以实例为基础对此做了讨论。     

有穷长半模偏序集上的一个定理

本文是对参考文献[1]第二章定理14证明的补充和改进。该定理乃指: 定理14.在任何上(或下)半模的有穷长的偏序集内,Jordan-Dedekind链条件成立。 文献[1]中,考虑上半模情形,谈到已知一个连接链:γ∶a=x_0相似文献   

边界元法在计算地下水稳定水位和流量中的应用

边界元法是一种新的数值计算方法。该法易于处理无限区域的地下水流问题,并且计算流量也较其他方法准确。本文介绍在二维稳定流的情况下如何计算地下水的水头和流量。承压含水层中的稳定流动,水头H满足拉普拉斯方程。利用格林第二公式,可以得到边界积分方程,即边界元的基本公式。可以用数值方法计算这一边界积分。为此,在边界上选取有限个点,称为节点,两节点间的线段称为单元。本文中选用线性单元和线性插值。引进局部坐标系,可以得到表示H和( H/ n)关系的方程。我们可以选一个节点作为固定的基点,其他节点为动点,对于每一选择都可得到一个方程。依次把每一节点作为基点,可得到N个方程,构成一个线性代数方程组。根据边界条件,每一节点中的H或( H/ n)有一个是已知的,解方程组可求出另一个。解出边界上的全部H和( H/ n)以后,可算出内部的水头和流量。对于非均质问题可划分为几个区域来处理。分界线上要满足相容性方程。对于( H/ n)的不连续点,可用“节点多值法”处理。     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。