融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率

多轴联动下的串联多关节工业机器人在空间轨迹运动时，在时间上保证各关节轴单独具有良好的跟踪性能，而由于机械电气的迟滞效应，并不能完全保证理想的轮廓轨迹，这说明各个伺服轴的运动在几何空间中的同步非常重要。针对运动指令与实际位置之间的迟滞所带来的机器人末端轮廓精度不高的问题，本文结合工业机器人现有的运动学和动力学以及传统的PID控制理论，研究了六关节机器人位置域控制算法。将机器人空间轮廓轨迹的控制，通过采用主?从运动关系实时建立的方法，将时域中的各个伺服关节的同步控制方法，变换到位置域的各个伺服关节的主?从跟随的控制方法，在实现位置域的同步控制的同时，引入基于位置域的PD控制，减少了主?从跟随控制的跟随误差，从而整体提高机器人末端的轮廓运动精度。该方法在Linux CNC(Computerized Numerical Control)数控系统上，以某公司HSR-JR605机器人为对象进行了实验，证明采用位置域控制方法对六关节机器人空间运动轨迹精度的提高有积极作用

在输电场景中，吊车等大型机械的运作会威胁到输电线路的安全。针对此问题，从训练数据、网络结构和算法超参数的角度进行研究，设计了一种新的端到端的输电线路威胁检测网络结构TATLNet，其中包括可疑区域生成网络VRGNet和威胁判别网络VTCNet，VRGNet与VTCNet共享部分卷积网络以实现特征共享，并利用模型压缩的方式压缩模型体积，提升检测效率，从计算机视觉和系统工程的角度对入侵输电场景的大型机械进行精确预警。针对训练数据偏少的问题，利用多种数据增强技术相结合的方式对数据集进行扩充。通过充分的试验对本方法的多个超参数进行探究，综合检测准确率和推理速度来研究其最优配置。研究结果表明，随着网格数目的增加，准确率也随之增加，而召回率有先增加后降低的趋势，检测效率则随着网格的增加迅速降低。综合检测准确率与推理速度，确定9×9为最优网格划分方案；随着输入图像尺寸的增加，检测准确率稳步上升而检测效率逐渐下降，综合检测准确率和效率，选择480×480像素作为最终的图像输入尺寸。输入实验以及现场部署表明，相对于其他的轻量级目标检测算法，该方法对输电现场入侵的吊车等大型机械的检测具有更优秀的准确性和效率，满足实际应用的需要

针对传统熔融沉积成型面临的成型精度低和打印材料受限, 基于电流体动力熔融沉积在成形高度、材料种类、基板导电性和平整性、3D成形能力等方面的不足和局限性, 本研究提出一种电场驱动熔融喷射沉积3D打印新工艺, 其采用双加热集成式喷头并施加单极脉冲高电压(单电势), 利用电场驱动微量热熔融材料喷射并精准沉积来形成高分辨率结构.引入两种新的打印模式: 脉冲锥射流模式和连续锥射流模式, 拓展了可供打印材料的种类和范围.通过理论分析、数值模拟和实验研究, 揭示了所提出工艺的成形机理、作用机制以及成形规律.利用提出的电场驱动熔融喷射沉积3D打印方法, 结合优化工艺参数, 完成了三个典型工程案例, 即大尺寸微尺度模具、大高宽比微结构、宏微跨尺度组织支架和网格三维结构.其中采用内径250 μm喷头, 打印出最小线宽4 μm线栅结构, 高宽比达到25:1薄壁圆环微结构.结果表明, 电场驱动熔融喷射沉积高分辨率3D打印具有打印分辨率高、材料普适性广、宏/微跨尺度的突出优势, 为实现低成本、高分辨率熔融沉积3D打印提供了一种全新的解决方案

基于炼钢生产过程中残余元素砷较难脱除的特点，并结合以往实验室热态脱砷研究结果。通过钢包精炼炉（Ladle furnace refining furnace, LF炉）钢液脱砷工业试验，研究了LF精炼炼钢过程中有关砷的脱除方法。采用Al–Mg–Ca合金作为脱砷剂，研究发现，LF炉可以实现钢液精炼脱砷，但钢液精炼过程中硫和钙的含量是实现工业条件下脱砷的限制环节。因此，必须控制钢液中硫和钙的含量以保证钢液脱砷效果。LF炉精炼脱砷之前必须将钢液中的硫含量降至低于0.01%，加入Al–Mg–Ca合金后钢液中钙含量需高于0.0055%

针对机器人谐波减速器关节在转动过程中存在的波动摩擦力矩, 提出一种基于傅里叶级数函数和BP神经网络的建模方法, 并完善机器人的动力学模型, 修正了因波动摩擦力矩带来的关节力矩计算误差. 通过研究谐波减速器关节的波动摩擦力矩在不同影响因素下的变化特性, 采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模. 通过添加傅里叶级数函数作为BP神经网络的辅助输入, 克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难. 在离线环境下训练神经网络, 完成对关节波动摩擦力矩的建模, 进而完善机器人的动力学模型和修正关节中存在的波动摩擦力矩. 验证实验表明, 使用完善后的动力学模型可以有效计算谐波减速器关节的波动摩擦力矩, 并使修正后的力矩误差维持在[-0.5, 0.5] N·m的范围之内, 方差为0.1659 N2·m2, 是修正前的24.23%

网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

非刚性图像配准一直是计算机视觉领域的研究重点. 为解决上述问题, 提出一种改进的光流场模型算法, 以提高光流估计的准确度. 算法首先对原始变分光流模型进行了改进, 提出利用新的各向异性正则项来代替原来的同向扩散函数, 以避免图像模糊, 保留图像的边缘特征与细节特征; 此外, 通过引入包含邻域信息的非局部平滑项来去除光流噪点, 同时增加了一个结合图像结构与光流运动信息的权函数, 以减少过平滑所造成的细节丢失, 提高算法的鲁棒性. 最后, 利用交替最小化与金字塔分层迭代策略相结合的方法求解位移场, 实现非刚性图像的自动配准. 仿真实验结果表明, 与传统方法相比, 本文算法对不同类型的非刚性图像均具有较高的鲁棒性, 取得了理想的图像配准效果

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

基于图像处理的方法，采用了由粗及精的瞳孔定位思想，提出了一种高精度的瞳孔定位算法。该算法首先利用瞳孔区域的直方图，采用改进的最大类间方差法自适应地分割瞳孔区域，实现粗略定位，然后利用瞳孔灰度的梯度特性来精确定位瞳孔边缘点，最后在像素级瞳孔边缘点的基础上，采用亚像素定位方法，更精确地求得亚像素级瞳孔边缘点，并通过椭圆拟合的方法来精确确定瞳孔的中心位置。另外，针对瞳孔被遮挡的情况，本文提出了一种等距离补偿瞳孔的方法。多次实验结果证明了该算法对遮挡瞳孔的定位有较强的鲁棒性，可以准确地定位瞳孔的位置