导读:本文包含了孪生函数论文开题报告文献综述及选题提纲参考文献，主要关键词:转炉炼钢,数字孪生模型,烟气分析,函数型数据分析
孪生函数论文文献综述
徐钢,黎敏,徐金梧,贾春辉,陈兆富[1]（2019）在《基于函数型数字孪生模型的转炉炼钢终点碳控制技术》一文中研究指出由于转炉冶炼过程中的热力学和动力学反应复杂,副枪控制模型和传统的烟气分析模型存在很大的局限性,导致了转炉冶炼终点碳含量的预测精度偏低,是实现智能炼钢的主要技术瓶颈.针对上述问题,提出了基于烟气分析的炼钢过程函数型数字孪生模型.首先,利用烟气分析得到连续监测的实时数据,以此来实时监控转炉熔池内钢水的碳氧反应状态;然后,根据熔池反应所处的不同阶段,利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型;在此基础上,按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数,从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测.通过260 t氧气转炉的工业应用实例,证实函数型数字孪生模型具有良好的自学习和自适应能力,对异常冶炼状态具有良好的鲁棒性,可以实现全过程的熔池碳含量动态预测,终点碳质量分数在±0. 02%范围内的命中率为95%.利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点.更为重要的是,在保证入炉原料成分、温度、质量等参数稳定的前提下,采用该模型可以有望取消基于副枪的停吹取样步骤,从而降低生产成本,提高产品质量和生产效率,具有广泛的工业应用前景.(本文来源于《工程科学学报》期刊2019年04期）
张安琪[2]（2018）在《基于孪生卷积神经网络与叁元组损失函数的图像识别模型》一文中研究指出深度学习作为近年来迅速发展的全新领域,在科学研究与工业生产等方面受到了广泛的关注。其中,卷积神经网络(Convolutional neutral networks, CNN)作为深度学习中一种经典的神经网络架构,已在图像分类、人脸识别以及信号处理等领域得到了广泛的应用。在此基础上,本文对传统CNN结构进行改进,取消了CNN输出层用于普通分类的Softmax函数,采用基于孪生神经网络(Siamese neutral networks)的CNN架构,并使用叁元组损失(Triplet Loss)作为图像分类的目标损失函数。为检验模型效果,我们在国际数据建模和数据分析竞赛平台Kaggle的座头鲸图像识别挑战赛上运用该模型。(本文来源于《电子制作》期刊2018年21期）
武锋[3]（2013）在《均值不等式孪生兄弟对勾函数模型》一文中研究指出高中北师大版数学必修五第叁章给出这样一个定理:如果a,b都是非负数,那么a+b2≥ab/(1/2),当且仅当a=b时等号成立.我们称上式不等式为基本不等式,又称均值不等式.(本文来源于《中学生数理化(学研版)》期刊2013年01期）
付岚[4]（2012）在《用简化的孪生支持向量回归机同步学习函数及其导数》一文中研究指出孪生支持向量回归（Twin Support Vector Regression,TSVR）算法是在Jayadeva等提出的孪生支持向量机（TSVM）基础上的一种新回归算法．其基本思想是构造一对非平行的超平面，它们分别确定目标回归函数的-不敏感上、下界函数，最终目标函数取为上、下界函数的平均值．而简化的孪生支持向量回归（Reduced TwinSupport Vector Regression, RTSVR）算法是通过引入矩形核的概念，将孪生支持向量回归机中的QPP简化．同步研究函数及其导数问题，在很多领域都有广泛应用．本文围绕着如何运用简化的孪生支持向量回归机同步学习函数及其导数这个课题，展开了以下的工作：本文分析了传统的支持向量回归（SVR）和正则化的最小二乘支持向量回归（RLSVR）两种基本的同步学习函数及其导数的方法；研究了将TSVR算法运用到同步学习函数及其导数的问题上，并分别讨论了同时学习单个实变量及多个实变量的实值函数及其导数的问题．分析该算法的学习精度及其收敛性．通过实验比较SVR、RLSVR、TSVR这叁种算法的优缺点．大量的实验表明TSVR算法在多于一个变量的回归中较其它两种算法有更好的学习精度，并且在大型数据集中保持了较好的稀疏性．但在大型数据集下，解决QPP产生的巨大计算量使得学习效率低下．本文进一步通过引入矩形核的概念改进了TSVR算法，提出了简化的孪生支持向量回归算法．实验结果表明简化后的新算法有效的减少了训练所耗时间，促进了它在大型数据集情形下的应用．(本文来源于《西安电子科技大学》期刊2012-01-01）
蔡勇全[5]（2011）在《领悟一组“孪生”结论 解决一类函数问题》一文中研究指出在平时学习中,留心识记并灵活运用一些典型结论,往往会给解题带来事半功倍的效果.本文谈一组来源于课本的"孪生"结论及其在抽象函数中的巧妙运用,供读者参考.(本文来源于《中学数学研究》期刊2011年02期）
龙伦海[6]（2003）在《一对孪生函数的构造、性质及分形结构》一文中研究指出构造了一对孪生函数f(x)=limi→+∞x-iai(x),g(x)=limi→+∞x-ibi(x),这里i∈N,x>1,a0(x)=b0(x)=0,ai(x)=P((ai-1(x)+1)x),bi(x)=Q((bi-1(x)+1)x),符号P( ),Q( )分别是< 和≤ 的最大整数.对其连续性、可导性和函数的分形结构进行了讨论,并提出了一个数论问题:对每个>1的有理数x,是否存在一个整数i∈N使得(ai(x)+1)x是整数?(本文来源于《海南大学学报(自然科学版)》期刊2003年04期）
吕国一[7]（2003）在《孪生素数筛函数的性质》一文中研究指出研究并给出了孪生素数筛函数的五条基本性质。(本文来源于《株洲师范高等专科学校学报》期刊2003年05期）
吕国一[8]（2002）在《一组新的孪生素数与哥德巴赫猜想筛函数》一文中研究指出给出一组新的筛函数 ,并提出一种新的筛法理论 ,为孪生素数问题与Goldbach猜想的研究提供一条新的思路(本文来源于《株洲师范高等专科学校学报》期刊2002年05期）
孪生函数论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
深度学习作为近年来迅速发展的全新领域,在科学研究与工业生产等方面受到了广泛的关注。其中,卷积神经网络(Convolutional neutral networks, CNN)作为深度学习中一种经典的神经网络架构,已在图像分类、人脸识别以及信号处理等领域得到了广泛的应用。在此基础上,本文对传统CNN结构进行改进,取消了CNN输出层用于普通分类的Softmax函数,采用基于孪生神经网络(Siamese neutral networks)的CNN架构,并使用叁元组损失(Triplet Loss)作为图像分类的目标损失函数。为检验模型效果,我们在国际数据建模和数据分析竞赛平台Kaggle的座头鲸图像识别挑战赛上运用该模型。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
孪生函数论文参考文献
[1].徐钢,黎敏,徐金梧,贾春辉,陈兆富.基于函数型数字孪生模型的转炉炼钢终点碳控制技术[J].工程科学学报.2019
[2].张安琪.基于孪生卷积神经网络与叁元组损失函数的图像识别模型[J].电子制作.2018
[3].武锋.均值不等式孪生兄弟对勾函数模型[J].中学生数理化(学研版).2013
[4].付岚.用简化的孪生支持向量回归机同步学习函数及其导数[D].西安电子科技大学.2012
[5].蔡勇全.领悟一组“孪生”结论解决一类函数问题[J].中学数学研究.2011
[6].龙伦海.一对孪生函数的构造、性质及分形结构[J].海南大学学报(自然科学版).2003
[7].吕国一.孪生素数筛函数的性质[J].株洲师范高等专科学校学报.2003
[8].吕国一.一组新的孪生素数与哥德巴赫猜想筛函数[J].株洲师范高等专科学校学报.2002