c代码-platinum.c

c代码-platinum.c

swift5.0 UITextView基础使用

swift5.0 UITextView基础使用, 自学练习

姚桥煤矿7013工作面撤架期间自燃隐患点防灭火技术的研究及应用-论文

针对姚桥煤矿7013工作面撤架期间，工作面支架顶部易出现各类高冒点、裂隙、采空区遗煤等隐患点，若处理不到位易引发煤炭自燃。理论分析了撤架期间煤自燃影响因素为顶板松散煤体、采空区遗煤、采空区漏风和撤架速度慢等因素，提出了综合防灭火技术，包括上下隅角封堵技术、支架顶部压注防灭火材料技术、工作面稳定通风系统技术、快速撤架方案、定期向采空区注浆或注惰气。通过在姚桥煤矿7013工作面撤架期间应用普瑞特Ⅱ型防灭火材料，对工作面上下隅角、沿空侧及高冒点区域采取充填技术，工作面气体浓度降到了正常水平，保障了安全撤架工作以及采空区封闭后采空区防灭火安全。

活化温度对无灰煤基活性炭结构及性能的影响-论文

以无灰煤(HPC)为原料,KOH为活化剂,采用直接活化法制备无灰煤基活性炭(HAC),并在不同活化温度下探究HAC孔结构的衍化规律。结果表明:活化温度较低时,活化过程表现为无规则碳的烧失,同时微晶单元参与反应,片层明显减小,主要形成0.5 nm以下的微孔，以开孔作用为主。随活化温度的升高,KOH刻蚀微晶结构加剧，以扩孔作用为主,孔径大于0.5nm的孔居多,同时发展超微孔和中孔。将HAC作为电极材料应用于水系双电层电容器(EDLC)时,其显示出优异的电化学性能,在电流密度为50 mA/g时的比电容达258.2 F/g,在电流密度为5 000 mA/g时的比电容保持率在80%以上。研究还发现,EDLC的比电容随HAC电极中0. 5nm~1.5 nm微孔的增加而增大。

煤炭开采与岩层控制的空间尺度分析-论文

论述了煤炭开采与岩层控制研究中涉及到的不同空间尺度，从全球尺度到煤体中的纳米级微孔隙。包括全球煤炭资源、煤田、矿区与井田、采掘钻空间、岩石力学试验、煤岩组分与结构、支护与加固材料组分及结构的尺度分布。介绍了不同尺度范围内煤炭开采与岩层控制的主要研究内容及研究方法。指出煤炭开采与岩层控制研究的空间尺度集中分布在 10...～ 10. m之间，跨17个数量级。不同尺度研究的重点内容不同，研究方法也不同。岩层控制中的一些岩层结构只能出现在一定尺度内。巷道与采场顶板中形成的梁、拱、层、壳等结构的尺度一般为 10..～10. m，远离这些尺度，岩层结构无法形成。岩层控制研究中，有些问题，如软岩遇水软化和膨胀，煤层的渗透性等必须从微观尺度开始研究；有些问题，如研究巷道和采场周围应力场与位移场分布，一般只需了解煤岩层的宏观物理力学性质即可；而还有些问题，如岩石的破裂，需从微观到宏观不同尺度进行研究。目前，从宏观、细观到微观的多尺度研究方法已在煤炭开采与岩层控制研究中得到广泛应用，不同尺度之间的相互联系非常重要。

基于深度学习的信息级联预测方法研究综述

在线社交媒体极大地促进了信息的产生和传递，加速了海量信息之间的传播与交互，使预测信息级联的重要性逐渐突显。近年来，深度学习已经被广泛用于信息级联预测（ InformaTIon Cascade PredicTIon领堿。文中主要对基于深度学习的信息级联预测方法的研究现状与经典算法进行分类、梳理与总结。根据信息级联特征刻画的侧重点不冋，将基于深度学习的信息级联预测方法分为时序信息级联预测方法与拓扑信息级联预测方法，并进一步将时序信息级联预测方法分为基于随机游走（ Random walk的方法与基于扩散路径的方法，将拓扑信息级联预测方法分为基于全局拓扑结构的方法与基于邻域聚合的方法;并对每类方法进行详细的原理阐述与优缺点介绍，介绍了信息级联预测领堿常用的数据集与评价指标，在宏观与微观两种信息级联预测场景下对基于深度学习的信息级联预测算法进行实验对比，并讨论了一些信息级联预测算法中常用的算法实现细节。最后，总结了该领堿未来可能的研究方向与发展趋势。

三维无线自组织网络的最小虚拟骨干近似算法

在均质无线自组织网络中，虛拟骨干（ Virtual backbone，VB）的大小是衡量无线自组织网络质量的一个重要因素，虚拟骨干越小，网络路由开销越少。最小虚拟骨千的求取问题能够抽象为最小连通控制集问题。针对二维无线自组织网络上的单位圆盘图（ Unit Disk Graph，UDG）中最小连通控制集问题，目前已有很多研究成果，但是在现实中的某些情况下，单位圆盘图并不能准确地抽象网络。因此，文中提出了在单位球图（ Unit Ball（raph，UBG）中构建高质量的连通控制集（ Connected DominaTIng Set，CDS）的算法ST-CDS，给出了单位球图中独立节点个数的一个优仳上界，并进一步利用该优化上界得到连通控制集的性能比。所提算法主要运用构造最小斯坦纳节点的斯坦纳树（ Steiner tree with minimum Number of steiner Nodes）方法来优化节点之间的连通部分。理论分析表明，ST-CDS算法的性能比为11.8080十ln11，是目前已知该方向研究中最妤的结果。仿真结果也验证了 ST-CDS算法的可行性。

股票买卖最佳时机leetcode-stock_prediction:一个使用自然语言处理预测未来两周股票价值增长的项目

股票买卖最佳时机leetcode 自然语言处理 问题陈述 做出买卖股票的决定通常取决于有关公司业绩的最新消息。 我使用自然语言处理来收集在线文章，将这些文章的内容矢量化，并根据这些文章的内容创建一个买卖给定股票的标准。 为了选择将要使用的模型，将尝试使用具有交叉验证的网格搜索来尝试一系列不同的模型，并且将选择在初始阶段具有最佳性能的模型。 数据说明 数据是使用 Selenium Web 驱动程序从 . 对于任何给定的股票代码，从网站上提取了 100 篇文章。 股票价值是从使用 . 一旦数据被拉入数据框，就会发现没有任何有用数据的广告文章也被保存了。 由于其中没有文本数据，因此在数据清理期间删除了这些行。 目标列是通过取下一周股票价值的汇总值的差异创建的。 如果平均百分比差异为正，则将值 1 分配给目标。 否则分配值为 1。 计数向量器用于处理文本数据。 训练和测试数据上的模型性能 确定对我们的模型性能进行基准测试的第一件事是基线准确度。 测试集的基线准确率为 0.59 我们的数据是在 5 个不同模型上训练的，使用 2 个不同的向量化器来处理标题的文本。 每个模型的训练和测试分数如下所示

牛客的代码leetcode代码区别-leetcode-and-niuke:leetcode-and-niuke

牛客的代码leetcode代码区别 leetcode-and-niuke

错误的理由：对伊塞尔戴克、阿尔戈津、里根和波特的澄清

Right for the wrong reasons: A clarification for Ysseldyke, Algozzine, Regan, and Potter PI I < hologi>3.0.co;2-5.pdf