为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响

同步定位与地图构建技术（SLAM）是当前机器人领域的重要研究热点，传统的SLAM技术虽然在实时性方面已经达到较高的水平，但在定位精度和鲁棒性等方面还存在较大缺陷，所构建的环境地图虽然一定程度上满足了机器人的定位需要，但不足以支撑机器人自主完成导航、避障等任务，交互性能不足。随着深度学习技术的发展，利用深度学习方法提取环境语义信息，并与SLAM技术结合，越来越受到学者的关注。本文综述了环境语义信息应用到同步定位与地图构建领域的最新研究进展，重点介绍和总结了语义信息与传统视觉SLAM在系统定位和地图构建方面结合的突出研究成果，并对传统视觉SLAM算法与语义SLAM算法做了深入的对比研究。最后，展望了语义SLAM研究的发展方向

长期颈部前屈对颈椎造成严重影响。为定量评估长时间低头对颈椎疲劳造成的影响，选取20名健康受试者，保持低头角度40°～60°持续3 h。选择胸锁乳突肌，颈部夹肌和肩部斜方肌测量其表面肌电信号。经滤波、整流、振幅标准化等处理后，对每60 s的肌电值进行积分和求其平均功率频率。研究发现，积分肌电值的波动变化具有规律性，首次增大后的减小表征肌肉进入疲劳状态；不同肌肉的平均功率频率(mean power frequency，MPF)值具有明显差异，决定着该肌肉疲劳耐受性的持续时间，且在整个颈部前屈过程中MPF并非简单的线性关系。提出用MPF的导数来提取疲劳特征，用窗口化的MPF负数累积判定肌肉疲劳。结果表明，MPF负数累积能很好地判断肌肉疲劳，胸锁乳突肌在20 min内出现最终疲劳，而颈部夹肌和肩部斜方肌在20 min左右出现了短暂性疲劳，随后在75～100 min时又出现了最终疲劳。因此建议持续颈部前屈时长不超过20 min

立体视频在无质量保证的互联网上传输时会引发立体视频左右视图的帧延时,影响观看质量.本文提出一种利用主观评价与客观脑电(electroencephalogram,EEG)相结合的方式分别对深度和水平延时运动立体视频刺激进行分析,并对二者的差异性进行比较.共有十名被试参加实验,被试观看随机呈现的不同延时等级包括无延时、延时1帧、延时2帧和延时3帧的立体视频片段,并对是否感知到延时效应做出主观判断,同时记录被试的EEG信号.从EEG信号中提取出事件相关电位(event related potentials,ERPs)并结合主观行为数据进行分析与比较.实验结果表明,为保证观看质量,深度运动立体视频中所能存在的最大延时帧数为1帧,水平运动中则不能存在延时效应.与水平延时运动相比,深度延时运动刺激产生的P300成分幅值变化范围更大,表明在深度延时运动刺激下大脑的活跃程度更高.同时,相同延时帧数的深度运动与水平运动刺激所产生的P300成分中,深度延时运动的潜伏期更长,这表明处理深度延时运动刺激所需时间更长

提出基于普通变尺度和周期势自适应随机共振理论，检测噪声背景下轴承滚动体的故障特征.在具体实施过程中，首先用普通变尺度的方法满足随机共振中小参数的条件，然后用随机权重粒子群优化算法作为自适应随机共振参数寻优的优化算法，同时用改进的信噪比作为评价指标.噪声背景下含轴承滚动体故障的实验信号经过普通变尺度下的自适应随机共振处理和优化后，微弱的故障特征可以有效的提取出来.将普通变尺度下的双稳态自适应随机共振和周期势自适应随机共振进行了对比，结果表明周期势自适应随机共振比双稳态自适应随机共振能进一步提高信噪比，并且比双稳态自适应随机共振迭代次数少，用时短.这说明提出的基于普通变尺度和周期势系统自适应随机共振的轴承滚动体故障诊断方法具有优越性，尤其是在工程实际中，故障监测所需的数据量大，计算时间长，如能较早的预警，可以提高诊断效率并减少不必要的损失.因此，这种轴承滚动体故障诊断方法对提高机械设备故障诊断效率具有参考价值

超重力显著增大两相间的重力差，可用于加速固?液、液?液、液?气高温黏稠混和体的相分离速度；超重力具有定向性，避免搅拌等技术产生的熔体湍流返混，可用于深度脱除金属液中细小夹杂物；超重力条件下固?液界面张力微不足道，可容易实现微孔渗流；超重力条件下进行结晶凝固，按结晶顺序实现固?液分离，可用于制备梯度材料；超重力加速固?液分离，可细化凝固组织晶粒，但对非共晶熔体也易产生宏观偏析。将超重力技术应用于冶金及材料生产过程中，有望解决高温冶金和材料制备的一些难题，如复杂矿冶金渣有价组分的分离提取、冶炼渣中金属液的分离回收、多金属的熔析结晶分离、复杂矿直接还原铁的渣?金分离；在高端金属材料方面，应用超重力技术，有望解决近零夹物金属材料的精炼除杂难题，提高梯度功能材料、金属?陶瓷复合材料、多孔金属材料、器件材料表面电沉积修饰的制造水平。此外，在材料科学研究方面，超重力凝固可作为一种材料基因组高通量制备方法

针对采用以太网控制自动化技术(EtherCAT)工业总线的感应电机交-直-交变频矢量控制系统的入侵检测技术进行了研究. 首先通过对EtherCAT总线协议进行深度解析, 结合目前为止已经发现的EtherCAT工业总线常见协议漏洞, 提取协议数据包的关键特征并构建EtherCAT总线协议入侵检测规则库, 采用三维指针链表树作为针对EtherCAT总线协议规则库的检索数据结构; 其次, 根据感应电机交-直-交变频矢量控制系统的物理模型, 进行模型参数仿真计算, 并根据仿真计算值, 构建矢量控制模型入侵特征的最小二乘支持向量机(least square support vector machine, LSSVM)分类器, 使用混沌粒子群优化(choatics particle swarm optimization, CPSO)算法对分类器的参数进行优化, 二者共同构成了CPSO-LSSVM入侵检测分类算法. 异常数据包在被分类后, 会被传递给Suricata入侵检测引擎进行精确规则匹配; 最后为该入侵检测系统搭建物理实验环境, 经过测试, 本文中的交-直-交变频矢量控制模型仿真结果动态性能良好, 与实际矢量控制系统参数的波形变化趋势相近. 通过抽取KDD Cup99测试数据集中的一部分对该入侵检测系统实施DOS攻击、R2L、U2R以及PROBING攻击行为, 验证该入侵检测系统的有效性

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路