针对提高Wi-Fi指纹室内定位技术性能，提出了一种基于卷积神经网络（Convolutional neural networks，CNN）的信道状态信息（Channel state information，CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息，利用CNN进行训练，保存训练后的CNN网络模型作为指纹；在线阶段，针对不同实验场景，对测试数据的幅度差信息和相位差信息进行加权处理，引入改进的基于概率的指纹匹配算法，利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外，为增强算法普适性，针对复杂室内场景，提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验，信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差，验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性

基于建立的连铸中间包及结晶器内钢液混合过程的物理模型，开发了板坯连铸异钢种连浇过程混浇坯长度及成分变化模型。以某钢厂单流板坯连铸机220 mm×1560 mm断面Q235与Q335Ti钢的混浇过程为研究对象，采用水模型试验结合数值模拟确定模型的关键参数，并通过开展现场试验对混浇坯取样验证模型的准确性。结果证明：混浇坯成分取样与模型预测的成分偏差小于5%，且模型预测的混浇坯长度与人工确定的一致。故采用该模型可跟踪不同混浇工况下中间包内及铸流上钢液的混合行为，准确预测混浇坯的长度以及成分变化规律。采用该模型研究了拉速及中间包内剩余钢液质量对混交坯长度及不同浇注长度铸坯C元素质量分数变化的影响规律。发现当拉速保持不变时，中间包内剩余钢液越多，混浇坯越长；当中间包内剩余钢液质量保持不变时，拉速越大混浇坯越短。相比而言，中间包内剩余钢液质量比拉速对混浇坯长度的影响更大。另外当拉速不变时，随着中间包内剩余钢液质量的增加，C元素质量分数由0.16%变化到0.18%的速率减慢；当中间包内剩余钢液质量不变时，随着拉速的增加，C元素质量分数由0.16%变化到0.18%的速率增加。因此异钢种连浇过程，适当提高拉速以及减少中间包内剩余钢液质量，可有效减少混浇坯长度，成分变化速率降低

为了提升航班运行风险预测精度，基于某航空公司2016—2018年航班运行风险数据，在验证15个风险时间序列的混沌特性后，构建基于多变量混沌时间序列的风险预测模型。首先，对15个风险时间序列进行多变量相空间重构，采用主成分分析法（PCA）对相空间进行降维处理；然后，基于迭代预测的方式，分别采用极限学习机、RBF神经网络、回声状态网络和Elman神经网络建立风险短期预测模型；最后，以降维后的相空间作为输入，计算并比较分析未来1～7 d的风险预测结果。结果表明：多变量相空间重构后总维数为62维，经PCA降维处理，降至31维；在不同的预测模型中，降维后RBF模型预测效果最佳；其中，预测第1天结果相对误差<25%出现频数为82.62%，至第5天仍达75%以上；该模型第1天预测结果的修正平均绝对百分比误差（MAPE）值为11.32%，且前5 d均低于20%，满足航空公司使用要求。1～5 d预测结果对航班风险管控具有实践操作价值，证明基于多变量混沌时间序列的风险预测方案可行、有效

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中\全局最优\的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的\发展潜力\,趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度

研究了全状态约束与输入饱和情况下的全向移动机器人轨迹跟踪控制问题.首先，针对一类三轮驱动的全向移动机器人，考虑系统存在模型参数不确定与外部扰动，建立了运动学与动力学模型；其次，利用障碍Lyapunov函数，结合反步设计方法，有效处理全向移动机器人跟踪过程中存在的状态约束，保证所有状态变量不会超出状态约束的限制区域；然后，针对系统参数不确定和未知有界扰动，设计相应的自适应律进行处理；同时，提出一种抗饱和补偿器保证机器人输入力矩满足饱和约束；并且利用Lyapunov理论分析证明了当选取合适的控制参数时闭环系统中的所有信号均能保证一致有界；最后，通过与未考虑状态约束和输入饱和的控制器以及经典比例-微分控制器进行仿真对比，验证了该方法的有效性和鲁棒性

采用常温镀膜技术在浮法玻璃表面沉积了不同方块电阻的氧化锌铝(Al-doped zinc oxide,AZO)透明导电膜,建立了透明导电膜的雷达散射截面(radar cross section,RCS)测试和研究方法;提出了基于雷达散射截面均值的相对反射率概念,结合方块电阻和可见光透过率综合分析了氧化锌铝透明导电膜的电磁散射特性.在微波暗室对不同方块电阻的氧化锌铝透明导电膜进行了测试,得到了10 GHz和15 GHz入射频率,水平(horizontal horizontal,HH)、垂直(vertical vertical,VV)极化的雷达散射截面曲线;从飞行器座舱隐身角度出发,研究了前向20°和60°角域雷达散射截面曲线分布特点,并分析了雷达散射截面均值影响特性;基于氧化锌铝透明导电膜雷达散射截面测试结果,研究了方块电阻对雷达散射截面相对反射率和可见光透过率的影响规律.研究表明,方块电阻较低时雷达散射截面曲线分布特性与对应金属相似,方块电阻增大时,前向两个角域内的RCS均值减小,隐身性能减弱,雷达散射截面相对反射率降低而可见光透过率增加,相对反射率降低速率大小与方块电阻相关,合适的方块电阻可同时满足隐身及采光需求.暗室测试结果表明,在满足座舱可见光透过率前提下,氧化锌铝透明导电膜方块电阻为18~45 Ω时,具有外形隐身作用,方块电阻18 Ω为最优,对应RCS相对反射率Rem2和RedB分别为84%和0.73 dB

受探测环境制约，隧道超前地质预报过程中探地雷达反射波往往具有“弱信号，强干扰”的特征，给数据处理和解译带来极大的困难。将剪切变换（shearlet变换，ST）引入探地雷达信号处理，根据有效信号和干扰信号在剪切域中不同尺度、不同方向上的能量差异，提出一种基于自适应阀值的随机干扰去除方法，并通过正演模拟数据验证了该方法在随机干扰去除上的优势；在此基础上针对隧道超前地质预报中常见的能量接近、频率异常干扰信号，以实际数据为例说明小波变换（WT）对其去除效果；从而进一步提出小波变换与剪切变换联合干扰压制方法，即首先使用小波变换对异常频率干扰进行分离，然后采用基于自适应阀值的剪切变换对随机干扰进行压制。现场溶洞探测案例应用效果表明，本文所提出的方法能在去除干扰的同时很好地保留有效信号，根据处理后的波形堆积图可以很好地凸显地质异常区域，从而提高探地雷达资料解译精度

基于残余应力测试新方法与先进电化学测试技术的进展, 围绕残余应力类型和大小对金属材料点蚀以及应力腐蚀行为的作用机理进行了总结和归纳. 研究发现, 尽管残余压应力对腐蚀行为的抑制作用得到了大量实验的证实, 但是在不同条件下其作用方式以及机理不尽相同, 并且与材料的结构特点以及腐蚀产物等密切相关. 同时, 残余拉应力的作用尚不明确, 受到材料类型和其他因素耦合的严重影响. 另外, 在某些环境下, 影响腐蚀行为的关键是残余应力梯度或残余应力的某个临界值. 但是对有色金属的研究表明残余拉应力和压应力均会导致基体中位错和微应变等结构缺陷增加, 进而促进点蚀敏感性, 降低材料服役性能. 最后, 对目前研究存在的局限进行了讨论和展望

采用溶胶凝胶法制备石墨烯气凝胶（GA），并研究了前驱液中的pH值与氧化石墨烯（GO）的质量分数对GA材料储能性能的影响。使用X射线粉末衍射（XRD）、X射线光电子能谱（XPS）、氮气吸脱附分析、扫描电子显微镜（SEM）对样品微观结构与形貌进行表征。用循环伏安（CV）、恒流充放电（CP）、电化学交流阻抗（EIS）测试了样品的电化学性能。结果表明，前驱液中的pH值及GO质量分数的不同会影响GA中团簇颗粒的大小和数量，进一步影响GA三维结构。在pH值为6.3、GO 的质量分数为1%时，制得的GA比表面积最大为530 m2?g?1，在1 A?g?1的电流密度下比电容高达364 F?g?1。此外，将该材料制成对称超级电容器具有高的库伦效率，在1 A?g?1下进行CP测试，得到电容器的比电容为98 F?g?1，循环800次后其循环稳定性能为初始比电容值的95.9%

对高炉灰在直接还原焙烧-弱磁选工艺中用作印尼某海滨钛磁铁矿还原剂的可行性及其机理进行研究.结果表明,以萤石为添加剂的条件下,高炉灰可代替煤做还原剂,通过高炉灰与萤石的共同作用,可以在直接还原过程中提高还原铁粉中铁的回收率及品位并降低TiO2质量分数,同时回收高炉灰中铁.三种不同产地高炉灰还原效果的比较表明,高炉灰性质对还原效果有影响.在相同用量条件下,津鑫高炉灰(JX)还原效果最好;在JX高炉灰用量30%、萤石用量10%、焙烧温度1250℃以及焙烧时间为60 min时,焙烧产物通过两段磨矿和两段磁选,最终得到最佳的还原铁粉中铁品位为91.28%,TiO2质量分数降至0.93%,包括海滨砂矿和高炉灰中铁的铁总回收率达到89.19%