当量正态化的matlab程序

案例：已知非线性状态方程567fr-0.5H2 =0, f 服从正态分布，=0.6，变异系数=0.131，r服从正态分布，=2.18，=0.03；H 服从对数正态分布，=32.8, =0.03. 用JC 法计算可靠指标及设计验算点坐标（f*，r*，H*）。

解：功能函数梯度为g（f，r，H）=（567r，567f，-H）T。关于如何确定对数正态分布的参数见附录。

Matlab代码如下：

clear;clc;

muX=[0.6;2.18;32.8]; cvX=[13.1;3;3]/100; sigmaX=cvX.*muX;（初始均值，变异系数，标准差）

sLn=sqrt(log(1+(sigmaX(3)/muX(3))^2));mLn=log(muX(3))-sLn^2/2;（对数正态分布的初始正态化）

muX1=muX;sigmaX1=sigmaX;

x=muX; normX=eps;

while abs(norm(x)-normX)/normX>1e-6

normX=norm(x);

g=567*x(1)*x(2)-x(3)^2/2;

gX=[567*x(2);567*x(1);-x(3)];

cdfX=logncdf(x(3),mLn,sLn);（求当量正态分布函数）

pdfX=lognpdf(x(3),mLn,sLn);（求当量正态分布的概率密度函数）

nc=norminv(cdfX);（求当量正态分布函数的反函数）

sigmaX1(3)=normpdf(nc)/pdfX;（求当量正态分布函数的标准差）

muX1(3)=x(3)-nc*sigmaX1(3);

gs=gX.*sigmaX1;

alphaX=-gs/norm(gs);（cosx）

bbeta=(g+gX'*(muX1-x))/norm(gs)(可靠度计算)

x=muX1+bbeta*sigmaX1.*alphaX（新的样本点）

end

结果：设计验算点坐标（f*，r*，H*）=（0.4561，2.1590，33.4178），beta=1.9645。

焊接当量--焊接工程统计方法

焊接当量--焊接工程统计方法

焊接当量——焊接工程统计新方法探讨 （核电专辑） 张宗富1罗来丰2 （1.国家电力公司电源建设部，北京市，100011； 2.山东核电工程公司，深圳，518124） [摘要]本文介绍一种统计焊接工程量的新方法，此方法在岭澳核电站常规岛工程焊接工作量统计中发挥了重要作用。 [关键词] 焊接当量统计 Equivalent Weld----A New Method of Weld project statistics Zhang Zongfu1Luo Laifeng2 （1.State Electric Power Corporation,Beijing,100011 2.Shandong Nuclear Power Construction Company, Shenzhen,518124) 焊接工种是门特殊的工种，焊工是需要经过特殊的专业培训，耗费一定量的钢材，经过严格考试取证，才允许上岗，而真正能承担管道焊接，保证焊接质量的稳定和提高，还需要经过四、五年的实践锻炼和培养。在涉外工程或遇到新钢种时还需要进行额外的培训、考核和取证，因而培养一名优秀的合格焊工成本和代价是很高的，在电建行业属稀缺的人力资源。

1 焊接工程量和焊接定额统计缺乏统一的标准，是造成人力资源浪费或工期延长的主要因素之一 在电力建设安装过程中因种种原因会经常发生焊工数量过多，劳动效率低下，或焊工数量过少，形成工程进度的瓶径效应。如何将焊工人数控制在一个合理的范围，与安装工保持一个最佳的匹配，保证工程进度按计划进行。过去的经验做法是根据安装工程量的大小确定安装工的人数，再按一定的比例确定焊工的人数，由于安装工程焊接工作量的不确定性，有时还会发生焊工过多，造成人力资源的浪费，有时焊工不够，进度难以保证。在工地上经常听到安装队的主任抱怨焊工不够任务完不成，公司领导时常批评焊工任务不足，劳动效率低下。这都是因为对焊接工程量和焊工劳动定额缺乏一个统一的量化指标。 2 当前焊接工程量和焊接定额的统计方法及存在的问题 目前焊接工程量的统计方法有焊口数量统计法、焊缝长度统计法、焊口直径统计法、焊缝体积统计法、焊条消耗统计法、焊接劳动定额等。 (1) 焊口统计法和焊缝长度统计法是按焊口数量或焊缝长度不 考虑管径和厚度的形象统计法，能比较直观地反映焊接工程的形象工作 量，适用于相同直径和相同厚度的焊件焊接工程量的考核，但不能反映 不同管径和不同厚度的实际工程量和劳力消耗状况，以此来指导现场多 规格焊接工作，缺乏现实的指导意义。 (2) 焊接直径统计法是对焊口的直径累加的统计方法，考虑了直 径的变化，对于厚度相同的焊接工作统计和考核，具有直接、简单和方 便的优点，但对于不同厚度的焊接工作，同样缺乏现实的指导意义。 (3) 焊缝体积法是计算焊缝实际体积的一种统计方法，该方法计 算出的焊接工程量准确，但由于计算过程复杂烦琐，考虑的因素和条件 过多，难以推广使用。 (4) 焊条消耗统计法是统计焊工每天消耗焊条的数量的一种方 法，主要用来考核焊工每天完成的工作量，但这样不易保证焊接质量并 容易造成焊材的浪费。 (5) 正是由于以上统计方法存在的弊端，建设安装行业的焊接工 作者，经过长期的生产实践和经验总结，将各类材料、各种规格的焊口

matlab归一化处理数据

matlab 中归一化的几种方法及其各自的适用条件 关于神经网络（matlab）归一化的整理 关于神经网络归一化方法的整理 由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（by james） 1、线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 2、对数函数转换，表达式如下： y=log10(x) 说明：以10为底的对数函数转换。 3、反余切函数转换，表达式如下： y=atan(x)*2/PI 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布； 当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。 关于用premnmx语句进行归一化： premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T) 其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint 和maxt分别为T的最小值和最大值。 premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。 我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。 下面介绍tramnmx函数： [Pn]=tramnmx(P,minp,maxp) 其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。 （by terry2008） matlab中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx

代谢当量(MET)计算方法和应用

代谢当量（MET）计算方法 1. 任务的代谢当量（MET），或简单地代谢当量，是一种生理表示的物理活动的能源成本的措施，被定义为在一个特定的物理活动的代谢率的比值（因此能量 ·千克-1·分钟-1或等价的：消耗率）到参考代谢率，按照惯例，以3.5毫升? 2 2. 梅脱(静息坐位时的代谢水平)＝ 3.5mlO2／公斤／分＝0.0167 千卡／公斤／分 体力活动能量消耗的分级 ?低强度：≤3mets（梅脱） ?中等强度：3梅脱---6梅脱 ?高强度：≥6梅脱 例A：体重50kg，运动强度3MET，运动时间20分钟；请计算这段时间的能量消耗 3met×0.0167×20×50=50千卡 例B：体重50kg，能量监测仪上显示运动量100千卡，运动时间30分钟,请计算此段时间的运动强度? 100千卡÷30分钟÷50kg÷0.0167=4met 例C：体重50kg，运动10分钟，耗氧量。 3.5mlO2×50×10=1750 mlO2

3. 强度等级表 体力活动MET 光照强度活动<3 睡眠0.9 看电视 1.0 写作，伏案工作，打字 1.8 步行1.7英里（2.7公里/小时），水平地面上，闲庭信步，很慢 2.3 散步，4公里每小时2.5英里（） 2.9 中等强度活动3至6个骑自行车，文具，50瓦，非常轻的努力 3.0 步行3.0英里（4.8公里/小时） 3.3 课间操，家庭运动，轻或中度的努力，一般 3.5 步行3.4英里（5.5公里每小时） 3.6 骑自行车，10英里（16公里/小时），休闲，工作或休闲 4.0 骑自行车，文具，100瓦，轻便省力 5.5

剧烈强度活动> 6 慢跑，一般7 健美操（如俯卧撑，仰卧起坐，拉，跳插孔），重，大力8 跑跑步，到位8 跳绳10.0

数据标准化.归一化处理

数据的标准化 在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”

和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。 一、Min-max 标准化 min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为： 新数据=（原数据-极小值）/（极大值-极小值） 二、z-score 标准化 这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。 新数据=（原数据-均值）/标准差 spss默认的标准化方法就是z-score标准化。用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下： 求出各变量（指标）的算术平均值（数学期望）xi和标准差si ； .进行标准化处理：zij＝（xij－xi）／si,其中：zij为标准化后的变量值；xij为实际变量值。 将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，

当量法给排水计算书

给排水计算书 一、给水计算 1、生活给水设计秒流量 采用当量法计算 计算原理参照《建筑给水排水设计规范GB50015-2003》， 住宅、集体宿舍、旅馆、宾馆、医院、幼儿园、办公楼、学校等建筑物生活给水设计秒流量公式： q g=0.2a×+K×Ng 式中： Q-计算管段的给水设计秒流量（L/s） Ng-计算管段的卫生器具给水当量总数 a、K—根据建筑物用途而定的系数，办公楼，a=1.5，K=0 卫生器具的给谁额定流量、当量、连接管公称直径和最低工作压力 2、管径计算 根据已经计算出的各管段设计流量，初步选定管道设计流速，按下式计算管径 d—管道直径m q g—管道设计流量，m3/s

v—管道设计流速，m/s （1）建筑物内的给水管道流速一般按照下表取定。也可采用下列数值：1）接卫生器具的配水点支管一般采用0.6～1.0m/s； 2）横向配水管，管径超过25mm，宜采用0.8～1.2m/s； 3）环形管、干管和立管宜采用1.0～1.8m/s，但最大不超过2m/s。 4）PP-R管的选用流速不宜大于2.0m/s，一般采用1.0～1.5m/s。 生活给水管道的水流速度 计算结果：

3、管网水力计算 （1）给水管道的沿程水头损失： Hi=i×L hi——沿程水头损失（KPa） L——管道的计算长度 i——管道单位长度水头损失（KPa/m） i=105××× i——管道单位长度水头损失（KPa/m） dj——管道的计算内径（m） ——给水设计流量，m3/s q g Ch——海澄-威廉系数，塑料管、内衬（涂）塑料Ch=110 （2）局部水头损失：按照管网的沿程水头损失的百分数取值： 1）管配件内径与管道内径一致，采用三通分水时，取25%～30%； 采用分水器时，取15%～20% 2）管配件内径略大于管道内径，采用三通分水时，取50%～60%； 采用分水器时，取30%～35% 3）管配件内径略小于管道内径，管配件的插口插入管口内连接，采用三通分水时，取70%～80%；采用分水器时，取35%～40% 建筑给水聚丙烯管道（PP-R），其局部水头损失可按沿程水头损失的 25%～30%计。 计算结果：

MATLAB统计分析与应用：40个案例分析

MATLAB统计分析与应用：40个案例分析 ISBN:9787512400849 分类号:C819 /115 出版社:北京航空航天大学出版社 【内容简介】 本书从实际应用的角度出发，以大量的案例详细介绍了MA TLAB环境下的统计分析与应用。 本书主要内容包括：利用MA TLAB制作统计报告或报表；从文件中读取数据到MA TLAB；从MA TLAB中导出数据到文件；数据的平滑处理、标准化变换和极差归一化变换；生成一元和多元分布随机数；蒙特卡洛方法；参数估计与假设检验；Copula理论及应用实例；方差分析；基于回归分析的数据拟合；聚类分析；判别分析；主成分分析；因子分析；图像处理中的统计应用等。 本书可以作为高等院校本科生、研究生的统计学相关课程的教材或教学参考书，也可作为从事数据分析与数据管理的研究人员的参考用书。 【目录】 第1章利用MA TLAB生成Word和Excel文档 1.1 组件对象模型(COM) 1.1.1 什么是CoM 1.1.2 CoM接口 1.2 MA TLAB中的ActiveX控件接口技术 1.2.1 actxcontrol函数 1.2.2 actxcontrollist函数 1.2.3 actxcontrolselect函数 1.2.4 actxserver函数 1.2.5 利用MA TLAB调用COM对象 1.2.6 调用actxserver函数创建组件服务器 1.3 案例1：利用MA TLAB生成Word文档 1.3.1 调用actxserver函数创建Microsoft Word服务器 1.3.2 建立Word文本文档 1.3.3 插入表格 1.3.4 插入图片 1.3.5 保存文档 1.3.6 完整代码 1.4 案例2：利用MA TLAB生成Excel文档 1.4.1 调用actxserver函数创建Microsoft Excel服务器 1.4.2 新建Excel工作簿 1.4.3 获取工作表对象句柄 1.4.4 插入、复制、删除、移动和重命名工作表 1.4.5 页面设置 1.4.6 选取工作表区域 1.4.7 设置行高和列宽 1.4.8 合并单元格 1.4.9 边框设置 1.4.10 设置单元格对齐方式

基于Matlab的归一化二阶系统课程设计

Matlab 实训设计（一） 二阶系统变阻尼比的动态仿真系统的设计 一.设计一个二阶系统的变阻尼比的动态仿真系统 二.步骤 （1）程序功能描述 1. 典型二阶系统的传递函数为 ω ωωξ22 2 2)(n n n S s ++= Φ 2. 归一化二阶系统的单位阶跃响应 1、ζ=0（无阻尼）时，系统处于等幅振荡，超调量最大，为100%，并且系统发生不衰减的振荡，永远达不到稳态。 2、0<ζ<1（欠阻尼）时，系统为衰减振荡。为了获得满意的二阶系统的瞬态响应特性，通常阻尼比在0.4~0.8的范围内选择。这时系统在响应的快速性、稳定性等方面都较好。 3、在ζ=1（临界阻尼）及ζ>1（过阻尼）时，二阶系统的瞬态过程具有单调上升的特性，以ζ=1时瞬态过程最短。 （2）程序界面设计 图形界面中的grid on 、grid off 分别是网格和绘图框的打开和关闭按钮

（3）程序测试运行 在编辑框中+还可以输入如0:0.1:0.8的阻尼系数数组，这表示把0到0.8之间的长度以0.1为跨距等份，再以每点的数据得到响应曲线，上式就包含了 ze-ta=0、0.1、0.2···、0.8总共8个阻尼比下的响应曲线

三.控件属性设置 （1）String %显示在控件上的字符串 （2）Callback 回调函数 （3）enable 表示控件是否有效 （4）Tag 控件标记，用于标识控件 四.设计：实现如下功能的系统界面 （1）在编辑框中，可以输入表示阻尼比的标量成行数组、数值，并在按了Enter 键后，在轴上画出图形，坐标范围x[1，15],y[0，2]。 （2）在点击grid on或者grid off键时，在轴上显示或删除“网格线”。（3）在菜单[options]下，有两个下拉菜单[Box on]和[Box off]，缺省值为off。（4）所设计界面和其上图形，都按比例缩放。 五.各个控件属性设置 （1）在图形窗中设置 Name 我的设计 Rize on %图窗可以缩放 Tag figure1 %生成handles. figure1 （2）在轴框中 Units normalizen Box off坐标轴不封闭 Tag axes1 XLim[0,15]%x范围 YLim[1,2]%y范围 （3）静态文件框1 fontsize 0.696 fritunits normalizen String“归一化二阶阶跃响应” Tag text1 Horizontalignment Center

matlab图像处理归一化

matlab图像处理为什么要归一化和如何归一化 一、为什么归一化 1. 基本上归一化思想是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换 图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。 因为我们这次的图片有好多都是一个系列的，所以老师把这个也作为我研究的一个方向。 我们主要要通过归一化减小医学图片由于光线不均匀造成的干扰。 2.matlab里图像数据有时候必须是浮点型才能处理，而图像数据本身是0-255的UNIT型数据所以需要归一化，转换到0-1之间。 3.归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。目的是为了： (1).避免具有不同物理意义和量纲的输入变量不能平等使用 (2).bp中常采用sigmoid函数作为转移函数，归一化能够防止净输入绝对值过大引起的神经元输出饱和现象 (3).保证输出数据中数值小的不被吞食 3.神经网络中归一化的原因 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布；当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。 二、如何归一化 matlab中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx 2. restd、poststd、trastd 3. 自己编程 (1)线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 (2)对数函数转换，表达式如下： y=log10(x)

如何计算当量值与等价值说明

当量值”与“等价值” 当量值”与 “等价值”的基本概念 “当量值”简言之是一个计量单位的能源本身所具有的热量。 而“等价值” 则是生产一个单位的能源产品所消耗的另外一种能源产品的热量。 目前，这个规 定主要体现在电力产品的消费量折算计算上。 为了与世界接轨， 同时便于和历史资料对比， 我国统计制度明确规定， 计算 国家、省、市级的能源消费总量时，电力采用等价值（即当年每发一千瓦时电消 费的标准煤量。 截至今年 10 月份，大同市平均每发一千瓦小时电消费 327 克标准煤，也就 是每万千瓦时电折 3.27 吨标准煤）核算；而基层企业计算能源消费量时，电力 则采用当量值（即每千瓦小时电本身的热量 860 大卡/7000 大卡=0.1229 克标准 煤量，也就是每万千瓦时电折 1.229 吨标煤）核算。因此，目前各省、市能源消 费总量都是采用等价值口径核算的， 而规模以上工业企业能源消费量是采用当量 值口径核算的， 两者间由于电力的折标准煤系数不同， 由此计算出的能源消费总 量和单位增加值能耗也不同，有时差别会很大，不能直接对比。 2009 年大同市规模以上工业万元增加值能耗为 3.95 吨标准煤，同比增长 16.02%是由规模以上工业企业按当量值口径汇总计算的， 而全市等价值口径计算 的万元GDP 能耗下降7.05%，两数据是不能简单的相比的，必须调整口径进行加 工计算才能比较。 当量值”与 “等价值”的具体计算 企业综合能源消费量的计算公式为：综合能源消费量 =工业生产消费（折标 准量）- 加工转换产出（折标准量） -回收利用（折标准量） 。能源消耗“当量值” 与“等价值”的本质区别， 就在于计算综合能源消费量时， 电力这一能源品种所 使用的折标准煤系数的不同， 简言之，某一企业的“当量值”能源消费量是电力 折标准煤系数用 1.229 计算的结果；该企业的“等价值”能源消费量是电力折标 准煤系数才用 3.27（大同市 2010年 10月份水平）的计算结果。随电力折标系 数的增大， 除发电企业外， 其他企业的综合能耗“等价值”都会比“当量值”略 大，例如大同冀东水泥有限责任公司，截至到今年 10 月份，该企业能耗“当量 值”为 21.67 万吨标煤，“等价值”能耗为 25.85 万吨标煤。 对于发电企业， 由于有电力产出量， 且大同市的发电企业均为火力发电， 发 电投入以煤炭为主， 用电量占电力企业工业消费比重较小， 在计算“等价值”能 耗时，电力产出量按 3.27 计算的折标量远大于电厂自用电量的按 3.27 计算的折 标量。 1-10月份，大同市发电量 285.92 亿千瓦时，电厂自用电 26 亿，故在计 算大同市电力 与“等价值”相关规定

镍当量的计算

镍当量的计算 公司标准化编码 [QQX96QT-XQQB89Q8-NQQJ6Q8-MQM9N]

为什么要考虑镍当量只需要按照标准要求的范围验收就可以了。 Ni= 8~10%. 在304不锈钢是一种奥氏体不锈钢, 而镍在不锈钢中的主要作用在于它改变了钢的晶体结构。在不锈钢中增加镍的一个主要原因就是形成奥氏体晶体结构，从而改善诸如可塑性、可焊接性和韧性等不锈钢的属性，所以镍被称为奥氏体形成元素。 然而，镍并不是唯一具有此种性质的元素。常见的奥氏体形成元素有：镍、碳、氮、锰、铜。这些元素在形成奥氏体方面的相对重要性对于预测不锈钢的晶体结构具有重要意义。目前，人们已经研究出很多公式来表述奥氏体形成元素的相对重要性，最着名的是下面的公式： 奥氏体形成能力(Ni当量) =Ni%+30C%+30N%+%+% 请看下面的资料，相信对你有所启发。 从这个等式可以看出：碳是一种较强的奥氏体形成元素，其形成奥氏体的能力是镍的30倍，但是它不能被添加到耐腐蚀的不锈钢中，因为在焊接后它会造成敏化腐蚀和随后的晶间腐蚀问题。氮元素形成奥氏体的能力也是镍的30倍，但是它是气体，想要不造成多孔性的问题，只能在不锈钢中添加数量有限的氮。添加锰和铜会造成炼钢过程中耐火生命减少和焊接的问题。 从上述式中可以看出，添加锰对于形成奥氏体并不非常有效，但是添加锰可以使更多的氮溶解到不锈钢中，而氮正是一种非常强的奥氏体形成元素。在200系列的不锈钢中，正是用足够的锰和氮来代替镍形成100%的奥氏体结构，镍的含量越低，所需要加入的锰和氮数量就越高。例如在201型不锈钢中，只含有%的镍，同时含有%的氮。由镍等式可知这些氮在形成奥氏体的能力上相当于%的镍，所以同样可以形成100%奥氏体结构。这也是200系列不锈钢的形成 原理。在有些不符合标准的200系列不锈钢中，由于不能加入足够数量的锰和氮，为了形成100%的奥氏体结构，人为的减少了铬的加入量，这必然导致了不锈钢抗腐蚀能力的下降。 在不锈钢中，有两种相反的力量同时作用：铁素体形成元素不断形成铁素体，奥氏体形成元素不断形成奥氏体。最终的晶体结构取决于两类添加元素的相对数量。铬是一种铁素体形成元素，所以铬在不锈钢晶体结构的形成上和奥氏体形成元素之间是一种竞争关系。因为铁和铬都是铁素体形成元素，所以 400系列不锈钢是完全铁素体不锈钢，具有磁性。在把奥氏体形成元素-镍加入到铁-铬不锈钢的过程中，随着镍成分增加，形成的奥氏体也会逐渐增加，直至所有的铁素体结构都被转变为奥氏体结构，这样就形成了300系列不锈钢。如果仅添加一半数量的镍，就会形成50%的铁素体和50%的奥氏体，这种结构被称为双相不锈钢。 400系列不锈钢是一种铁、碳合铬的合金。这种不锈钢具有马氏体结构和 铁元素，因此具有正常的磁特性。400系列不锈钢具有很强的抗高温氧化能 力，而且与碳钢相比，其物理特性和机械特性都有进一步的改善。大多数400 系列不锈钢都可以进行热处理。 300系列不锈钢是一种含有铁、碳、镍和铬的合金材料，一种无磁性不锈 钢材料，比400系列不锈钢具有更好的可锻特性。由于300系列不锈钢的奥氏体结构，因此它在许多环境中具有很强的抗腐蚀性能，具有很好的抗金属超应力引起的腐蚀所造成的断裂的性能，而且其材料特性不受热处理的影响。

关于神经网络(matlab)归一化的整理

关于神经网络（matlab）归一化的整理 关于神经网络归一化方法的整理 由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（by james） 1、线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 2、对数函数转换，表达式如下： y=log10(x) 说明：以10为底的对数函数转换。 3、反余切函数转换，表达式如下： y=atan(x)*2/PI 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布； 当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。 关于用premnmx语句进行归一化： premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T) 其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint 和maxt分别为T的最小值和最大值。 premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。 我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。 下面介绍tramnmx函数： [Pn]=tramnmx(P,minp,maxp) 其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。 （by terry2008） matlab中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx 2. restd、poststd、trastd 3. 自己编程 具体用那种方法就和你的具体问题有关了

数据归一化的Matlab实现

数据归一化汇总 ============外一篇有关mapminmax的用法详解by faruto================================== 几个要说明的函数接口: [Y,PS]=mapminmax(X) [Y,PS]=mapminmax(X,FP) Y=mapminmax('apply',X,PS) X=mapminmax('reverse',Y,PS) 用实例来讲解,测试数据x1=[124],x2=[523]; >>[y,ps]=mapminmax(x1) y= -1.0000-0.3333 1.0000 ps= name:'mapminmax' xrows:1 xmax:4 xmin:1 xrange:3 yrows:1 ymax:1 ymin:-1

yrange:2 其中y是对进行某种规范化后得到的数据,这种规范化的映射记录在结构体ps中.让我们来看一下这个规范化的映射到底是怎样的? Algorithm It is assumed that X has only finite real values,and that the elements of each row are not all equal. ?y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin; ?[关于此算法的一个问题.算法的假设是每一行的元素都不想相同,那如果都相同怎么办?实现的办法是,如果有一行的元素都相同比 如xt=[111],此时xmax=xmin=1,把此时的变换变为y= ymin,matlab内部就是这么解决的.否则该除以0了,没有意义!] 也就是说对x1=[124]采用这个映射f:2*(x-xmin)/(xmax-xmin)+(-1),就可以得到y=[-1.0000-0.3333 1.0000] 我们来看一下是不是:对于x1而言xmin=1,xmax=4; 则y(1)=2*(1-1)/(4-1)+(-1)=-1; y(2)=2*(2-1)/(4-1)+(-1)=-1/3=-0.3333; y(3)=2*(4-1)/(4-1)+(-1)=1; 看来的确就是这个映射来实现的. 对于上面algorithm中的映射函数其中ymin,和ymax是参数,可以自己设定,默认为-1,1;

用MATLAB实现大数据挖掘地一种算法

一、数据挖掘的目的 数据挖掘(Data Mining)阶段首先要确定挖掘的任务或目的。数据挖掘的目的就是得出隐藏在数据中的有价值的信息。数据挖掘是一门涉及面很广的交叉学科，包括器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。它也常被称为“知识发现”。知识发现(KDD)被认为是从数据中发现有用知识的整个过程。数据挖掘被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式(patter，如数据分类、聚类、关联规则发现或序列模式发现等。数据挖掘主要步骤是：数据准备、数据挖掘、结果的解释评估。 二、数据挖掘算法说明 确定了挖掘任务后，就要决定使用什么样的挖掘算法。由于条件属性在各样本的分布特性和所反映的主观特性的不同, 每一个样本对应于真实情况的局部映射。建立了粗糙集理论中样本知识与信息之间的对应表示关系, 给出了由属性约简求约简决策表的方法。基于后离散化策略处理连续属性, 实现离散效率和信息损失之间的动态折衷。提出相对值条件互信息的概念衡量单一样本中各条件属性的相关性, 可以充分利用现有数据处理不完备信息系统。 本次数据挖掘的方法是两种，一是找到若干条特殊样本，而是找出若干条特殊条件属性。最后利用这些样本和属性找出关联规则。（第四部分详细讲解样本和属性的选择） 三数据预处理过程 数据预处理一般包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换(如把连续值数据转换为离散型数据，以便于符号归纳，或是把离散型数据转换为连续)。 本文使用的数据来源是名为“CardiologyCategorical”的excel文件中的“源数据”。该数据表共303行，14个属性。即共有303个样本。将该数据表的前200行设为训练样本，剩下后的103行作为测试样本，用基于粗糙集理论的属性约简的方法生成相应的规则，再利用测试样本对这些规则进行测试。 首先对源数据进行预处理，主要包括字符型数据的转化和数据的归一化。 数据预处理的第一步是整理源数据，为了便于matlab读取数据，把非数字数据转换为离散型数字数据。生成lisanhua.xsl文件。这一部分直接在excel工作表中直接进行。 步骤如下： 将属性“sex”中的“Male”用“1”表示，“Female”用“2”表示； 将属性“chest pain type”中的“Asymptomatic”用“1”表示，“Abnormal Angina”用“2”表示，“Angina”用“3”表示，“NoTang”用“4”表示；

基于Matlab基本图像处理程序

基于Matlａb基本图像处理程序

————————————————————————————————作者：————————————————————————————————日期： ?

图像读入 ●从图形文件中读入图像imread Sｙｎtax：A = imreａｄ（, fｍｔ） ：指定的灰度或彩色图像文件的完整路径和文件名。 fmｔ:指定图形文件的格式所对应的标准扩展名。如果imｒeａｄ没有找到所制定的文件,会尝试查找一个名为的文件。 A:包含图像矩阵的矩阵。对于灰度图像，它是一个M行N列的矩阵。如果文件包含RGB 真彩图像，则是m＊n＊3的矩阵。 ●对于索引图像，格式[X, map］＝ｉmｒead（, fmｔ) X:图像数据矩阵。 MAＰ:颜色索引表 图像的显示 ●iｍｓｈow函数：显示工作区或图像文件中的图像 ●Ｓｙntax： imsｈow（I) %I是要现实的灰度图像矩阵 imshｏw(I,［ｌow hｉgh]，pａｒam1，val1, paｒam2, vａl２,...) %I是要现实的灰度图像矩阵,指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshｏｗ(RＧB) iｍshow(BＷ) ｉmshｏw(X,map) ％map颜色索引表 imshow（) hiｍagｅ＝iｍｓhｏw(．.．)

●操作:读取并显示图像 I＝ｉmread(＇C:＼Uｓｅｒｓ\ｆaｎjiｎfei\Deｓkｔｏp\ｂaby.bmｐ');%读取图像数据imshｏw(I);%显示原图像 图像增强 一.图像的全局描述 直方图(Hisｔoｇram）：是一种对数据分布情况的图形表示,是一种二维统计图表,它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Imａge Hiｓtogｒam）：是表示数字图像中亮度分布的直方图,用来描述图象灰度值,标绘了图像中每个亮度值的像素数。 灰度直方图:是灰度级的函数,它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图,横坐标为图像中各个像素点的灰度级别,纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图:直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像素在图像中出现的概率。 图像的灰度直方图：是一个离散函数,表示图像每一灰度级与该灰度级出现概率的对应关系。 图像的灰度直方图运算: iｍhｉｓt（)函数,其横坐标表示像素的灰度级别，纵坐标为像素点的个数。 ●Imhiｓt函数=Diｓplay hiｓｔoｇraｍｏf iｍａge ｄatａ显示灰度直方图的函数 ●Syntax： ①imhisｔ（Ｉ) % I为要计算的灰度直方图图像 ②imhist(Ｉ, n) ％n指定的灰度级的数目,表示所有灰度级均匀分布在n个小区间内。 ③imhiｓt(X, ｍａp) ④[ｃounｔs,x] ＝imhist（.．.）%coｕnｔs直方图数据向量。counts（i)第i个灰度区间中的像素数目。x是保存了对应的灰度小区间的向量。 注意:若调用时不接受这个函数的返回值，则直接显示直方图;在得这些返回数据之后，也可

如何计算当量值与等价值说明

“当量值”与“等价值” 一、“当量值”与“等价值”的基本概念 “当量值”简言之是一个计量单位的能源本身所具有的热量。而“等价值”则是生产一个单位的能源产品所消耗的另外一种能源产品的热量。目前，这个规定主要体现在电力产品的消费量折算计算上。 二、能耗核算中关于“当量值”与“等价值”相关规定 为了与世界接轨，同时便于和历史资料对比，我国统计制度明确规定，计算国家、省、市级的能源消费总量时，电力采用等价值（即当年每发一千瓦时电消费的标准煤量。 截至今年 10月份，大同市平均每发一千瓦小时电消费327克标准煤，也就是每万千瓦时电折3.27吨标准煤）核算；而基层企业计算能源消费量时，电力则采用当量值（即每千瓦小时电本身的热量860大卡/7000大卡=0.1229克标准煤量，也就是每万千瓦时电折1.229吨标煤）核算。因此，目前各省、市能源消费总量都是采用等价值口径核算的，而规模以上工业企业能源消费量是采用当量值口径核算的，两者间由于电力的折标准煤系数不同，由此计算出的能源消费总量和单位增加值能耗也不同，有时差别会很大，不能直接对比。 2009年大同市规模以上工业万元增加值能耗为3.95吨标准煤，同比增长16.02%是由规模以上工业企业按当量值口径汇总计算的，而全市等价值口径计算的万元GDP能耗下降7.05%，两数据是不能简单的相比的，必须调整口径进行加工计算才能比较。 三、“当量值”与“等价值”的具体计算 企业综合能源消费量的计算公式为：综合能源消费量=工业生产消费（折标准量）-加工转换产出（折标准量）-回收利用（折标准量）。能源消耗“当量值”与“等价值”的本质区别，就在于计算综合能源消费量时，电力这一能源品种所使用的折标准煤系数的不同，简言之，某一企业的“当量值”能源消费量是电力折标准煤系数用1.229计算的结果；该企业的“等价值”能源消费量是电力折标准煤系数才用3.27（大同市2010年10月份水平）的计算结果。随电力折标系数的增大，除发电企业外，其他企业的综合能耗“等价值”都会比“当量值”略大，例如大同冀东水泥有限责任公司，截至到今年10月份，该企业能耗“当量值”为21.67万吨标煤，“等价值”能耗为25.85万吨标煤。 对于发电企业，由于有电力产出量，且大同市的发电企业均为火力发电，发电投入以煤炭为主，用电量占电力企业工业消费比重较小，在计算“等价值”能

归一化处理

数据归一化处理 1.我有一个问题不太明白，神经网络在训练时，先对数据进行归一化处理，按照常理训练完之后应该对数据再进行反归一化啊，可是再很多资料上根本就看不出有反归一化这个步骤，而且很多时候训练效果不是很好。请问，哪个大侠能帮帮我啊 2.看一下MATLAB里的premnmx函数和postmnmx函数.它们一个是归一一个是反归一 3.并不是归一化的数据训练效果就好 4.我也遇到过类似的问题,有篇论文就是用postmnmx函数.效果不好可能是样本数据不太准. 5.可以采用标准化PRESTD，效果很好。 6.样本数据和测试数据是否放在一起归一化？ 7.应该将样本数据和测试数据放在一起归一化，不然如果测试数据中有的值比样本数据最大值还大，岂不是超过1了？ 神经网络训练的时候，应该考虑极值情况，即归一化的时候要考虑你所需要识别参数的极值，以极值作分母，这样可能效果更好一点。 8.激发函数如果选用的是倒s型函数，应不存在归一化的问题吧 9.我想问大家一下:在神经网络中,只有一个函数即:purelin这个函数对训练的输出数据不用归一化,而象logsig 和tansig函数都要归一化(如果数据范围不在[-1,1]或[0,1]之间).那既然用purelin函数可以不用归一化,为何又是还用归一化呢? 用神经网络里的PRESTD, PREPCA, POSTMNMX, TRAMNMX等函数归一化和直接用purelin这个函数有什么区别啊? 我作负荷预测时,象不用归一化的效果很好呀! 10.purelin没有作归一化啊,你用logsig 和tansig作为神经元激励函数,输出范围自然限制在[-1,1]或[0,1]之间了 11. 我所知道的关于归一化： 归一化化定义：我是这样认为的，归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保正程序运行时收敛加快。 在matlab里面，用于归一化的方法共有三中，（1）premnmx、postmnmx、tramnmx（2）prestd、poststd、trastd（3）是用matlab语言自己编程。premnmx指的是归一到[－1 1],prestd归一到单位方差和零均值。（3）关于自己编程一般是归一到[0.1 0.9] 。具体用法见下面实例。 为什么要用归一化？ 为什么要用归一化呢？首先先说一个概念，叫做奇异样本数据，所谓奇异样本数据数据指的是相对于 其他输入样本特别大或特别小的样本矢量。 下面举例： m=[0.11 0.15 0.32 0.45 30; 0.13 0.24 0.27 0.25 45]; 其中的第五列数据相对于其他4列数据就可以成为奇异样本数据（下面所说的网络均值bp）。奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛，所以对于训练样本存在奇异样本数据的数据集在训练之前，最好先进形归一化，若不存在奇异样本数据，则不需要事先归一化。 具体举例： close all clear echo on clc %BP建模 %原始数据归一化 m_data=[1047.92 1047.83 0.39 0.39 1.0 3500 5075; 1047.83 1047.68 0.39 0.40 1.0 3452 4912;

matlab 数据归一化汇总

============外一篇有关mapminmax的用法详解by faruto================================== 几个要说明的函数接口: [Y,PS] = mapminmax(X) [Y,PS] = mapminmax(X,FP) Y = mapminmax('apply',X,PS) X = mapminmax('reverse',Y,PS) 用实例来讲解,测试数据x1 = [1 2 4], x2 = [5 2 3]; >> [y,ps] = mapminmax(x1) y = -1.0000 -0.3333 1.0000 ps = name: 'mapminmax' xrows: 1 xmax: 4 xmin: 1 xrange: 3 yrows: 1 ymax: 1 ymin: -1 yrange: 2 其中y是对进行某种规范化后得到的数据,这种规范化的映射记录在结构体ps中.让我们来看一下这个规范化的映射到底是怎样的?

Algorithm It is assumed that X has only finite real values, and that the elements of each row are not all equal. ?y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin; ?[关于此算法的一个问题.算法的假设是每一行的元素都不想相同,那如果都相同怎么办?实现的办法是,如果有一行的元素都相同比如xt = [1 1 1],此时xmax = xmin = 1,把此时的变换变为y = ymin,matlab内部就是这么解决的.否则该除以0了,没有意义!] 也就是说对x1 = [1 2 4]采用这个映射f: 2*(x-xmin)/(xmax-xmin)+(-1),就可以得到y = [ -1.0000 -0.3333 1.0000] 我们来看一下是不是: 对于x1而言xmin = 1,xmax = 4; 则y(1) = 2*(1 - 1)/(4-1)+(-1) = -1; y(2) = 2*(2 - 1)/(4-1)+(-1) = -1/3 = -0.3333; y(3) = 2*(4-1)/(4-1)+(-1) = 1; 看来的确就是这个映射来实现的. 对于上面algorithm中的映射函数其中ymin,和ymax是参数,可以自己设定,默认为-1,1; 比如: >>[y,ps] = mapminmax(x1) >> ps.ymin = 0; >> [y,ps] = mapminmax(x1,ps) y = 0 0.3333 1.0000 ps = name: 'mapminmax' xrows: 1 xmax: 4 xmin: 1