针对淮南煤田走向长壁垮落式采煤法条件下导水裂缝带高度难以精确预测的问题,建立基于偏最小二乘法的BP神经网络模型,提高了导水裂缝带高度的预测精度。首先运用偏最小二乘法对导水裂缝带高度的影响因素进行分析,对原始数据降维处理提取主成分,优化了原始数据,克服了变量间因样本量小而产生的多重相关性影响,并对自变量、因变量具有很强的解释能力。再将提取的主成分作为BP神经网络模型的输入层,导水裂缝带高度为输出层,对网络进行训练。该方法既简化了网络结构,其精度也高于经验公式以及单一的偏最小二乘法模型与BP神经网络模型。

针对煤炭近红外光谱原始数据的高维、多重共线性、建模容易过拟合等问题,研究了煤炭光谱的特征波长筛选方法,提出了基于平均影响值的改进连续投影算法。实验表明,所提出的算法可以有效降低数据维数、提高数据质量。

包含 DmJdbcDriver16.jar、DmJdbcDriver17.jar、DmJdbcDriver18.jar、dm8-oracle-jdbc16-wrapper.jar 以及配置说明 包含 DmJdbcDriver16.jar、DmJdbcDriver17.jar、DmJdbcDriver18.jar、dm8-oracle-jdbc16-wrapper.jar 以及配置说明 包含 DmJdbcDriver16.jar、DmJdbcDriver17.jar、DmJdbcDriver18.jar、dm8-oracle-jdbc16-wrapper.jar 以及配置说明 包含 DmJdbcDriver16.jar、DmJdbcDriver17.jar、DmJdbcDriver18.jar、dm8-oracle-jdbc16-wrapper.jar 以及配置说明 包含 DmJdbcDriver16.jar、DmJdbcDriver17.jar、DmJdbcDriver18.jar、dm8-oracle-jdbc16-wrapper.jar 以及配置说明

unittestreport介绍 1、什么是unittestreport unittestreport是基于unittest开发的的一个功能扩展库，关于unittestreport最初在开发的时候，最初只是计划开发一个unittest生成html测试报告的模块，所以起名叫做unittestreport。在开发的过程中结合使用者的反馈，慢慢的扩展了更多的功能进去。后续还会持续的扩展和开发一些新的功能，目前实现了以下功能： HTML测试报告生成 unittest数据驱动 测试用例失败重运行 多线程并发执行用例 发送测试结果及报告到邮箱 测试结果推送到钉钉 测试结构推送到企业微信 2、安装unittestreport unittestreport是基于python3.6开发的，安装前请确认你的python版本>3.6 安装命令 pip install unittestreport 3、使用文档

利用TEM，EBSD和X射线衍射技术研究了Al-Mg-Si-Cu合金在热轧和冷轧过程中的组织，组织和力学性能的变化。 结果表明，热轧后形成亚晶界和<110> // RD纤维织构有利于合金伸长率的提高。 <110> // RD纤维和γ纤维的剪切织构在热轧过程中占主导地位，而冷轧过程中的主要织构是β纤维的轧制织构。 β纤维和τ纤维的纹理成分被识别为冷轧过程中的两种主要纹理成分，随着变形的增加，黄铜成分{011} <211>转变为高斯成分{011} <100>。

会员制是一个很古老的商业模式。 但在数字世界中，尤其是在今天强调企业自有私域流量生态的数字世界中，针对会员的更深度的运营，不仅可能，而且很有价值。在数字技术和数据驱动的帮助下，会员制也有很多的进化。与普通私域运营相比，会员制有优势，但门槛也更高。

%% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input); [t_train, ps_output] = mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output); %% 转置以适应模型 p_train = p_train'; p_test = p_test'; t_train = t_train'; t_test = t_test'; %% 创建网络 k = 7; % 保留成分个数 [theta, ch0] = my_pls(p_train, t_train, k); %% 仿真测试 t_sim1 = sim_pls(p_train, theta, ch0); t_sim2 = sim_pls(p_test , theta, ch0); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim

为解决智能化综采工作面关键技术难题之一的开采设备协同控制问题，提出了基于数据驱动的综采装备仿人智能协同控制模型，重点研究了大数据背景下智能综采装备的协同控制知识自学习、开采行为自决策、分布协同自运行等关键技术理论与方法。具体包括：从数据应用的角度分析了智能综采系统的数据特点，阐明了智能综采的三大数据化特征：泛在感知(数据获取)、信息融合(数据挖掘)、智能控制(数据决策)；构建了面向经验操作员决策过程表征的综采装备协同控制框架；提出了基于扩展有限状态机的综采装备运行状态演化方法和基于多标记决策信息系统的综采装备运动行为模式学习方法，来实现数据驱动下智能综采装备行为决策知识的获取；提出了面向经典采煤工艺过程的综采装备行为模态类的决策知识划分方法和基于CBR与RBR融合的决策行为混合推理方法，来实现智能综采装备动作行为的自主决策；探讨了人工控制模式下综采装备驾驶员控制策略的表征方法，发展了具有自学习、自决策、工况自适应的综采“三机”仿人智能协同控制方法；给出了基于平行系统理论的平行综采技术逻辑，为综采装备协同控制的研究提供方法。所提综采装备协同控制系统为大数据背景下的综采生产系统的协同控制提

数据驱动的锂离子电池寿命终止和充电预测（Matlab） 数据驱动的锂离子电池寿命终止和充电预测（Matlab） 数据驱动的锂离子电池寿命终止和充电预测（Matlab）

本篇文章是对表驱动法进行了详细的分析介绍，需要的朋友参考下