基于人机动态协同控制的车道保持辅助系统有助于兼顾汽车的安全性与驾驶员的舒适性，分析了该系统在车道偏离决策模型、驾驶权动态分配及性能评估等方面的研究现状和发展趋势。在车道偏离决策模型方面，应根据驾驶员的状态制定不同的决策模型，既可以建立自适应调节的决策模型，又应允许驾驶员根据自己的喜好和外部驾驶环境手动调整决策模型中预设的参数；在驾驶权分配方面，应探索更加合理的驾驶权动态分配方式，设计智能的优化算法或控制模型；在性能评估指标方面，应加入与降低人机冲突及减少驾驶员控制量相关的评估指标，制定科学完善的主观评估体系。未来研究应该深度融合驾驶员因素，实时发出警报与主动干预，并能够对系统进行完善的测试与评估

当前低碳高炉冶炼条件下使得炉内焦炭层变薄,恶化了料柱的透气透液性,焦炭在炉缸高温区石墨化过程中产生的焦粉是导致该现象出现的主要原因之一.为了研究焦炭在高炉下部的石墨化过程对其在炉缸内的冶金性能影响,研究了1100~1500℃不同温度下焦炭的石墨化度改变;同种焦炭石墨化程度与焦炭反应性及反应后强度之间的关系;不同石墨化度焦炭与碱金属侵蚀之间的关系;观察并分析了试验后不同焦炭试样的微观形貌.结果表明,随着温度的升高,焦炭石墨化程度加深,且温度每升高100℃,焦炭石墨化度约提高1.8倍,层间距d002值约降低2%,微晶结构层片直径La值约提高3%,层片堆积高度Lc值约提高15%;焦炭的表面气孔减少,特别是大气孔减少,焦炭表面镶嵌组织减少,各向同性组织增多,焦炭的结构有序化程度增强.随着焦炭石墨化程度的加深,焦炭的反应性逐渐减小、反应后强度逐渐提高,焦炭表面的劣化情况减弱,生成的大气孔减少,气孔壁破坏趋势减弱.碱金属对焦炭的反应性有促进作用,使焦炭的反应性提高,反应后强度降低.而焦炭的石墨化对焦炭的碱侵害具有一定的抵抗作用,降低了焦炭表面的劣化程度

为了研究工艺参数对连续流化床内铁矿粉还原效果的影响规律,建立了两级连续流化床内氧化铁还原及煤气氧化耦合动力学模型.R1级流化床主要为FeO的还原,采用优质煤气作为还原剂,FeO来自R2级反应器;R2级流化床主要将Fe2O3还原到FeO,Fe2O3来自预热的R3流化床反应器,还原气来自R1还原尾气.模型主要计算结果与文献吻合.并以此为模型研究了矿粉粒度、流化床内压力等参数对流化床还原效果的影响.为了取得矿粉平均金属化率不小于85%、煤气利用率不低于38%和气矿比950~1050 m3·t-1的还原效果,流化床应满足如下工艺条件:矿粉平均粒度1.5 mm以下,流化床温度780~800℃,煤气还原势不低于93%,惰性气体体积分数小于5%,R1流化床内煤气平均压力3.5×105~4.0×105 Pa,停留时间的倒数ug/H=1.0~1.1 s-1,R1流化床矿粉平均停留时间30 min,R2流化床矿粉平均停留时间20 min

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

为研究三轴循环加卸载条件下三山岛花岗岩细观能量演化规律, 采用颗粒流理论确定了花岗岩的应力门槛值(起裂应力σci、损伤应力σcd和峰值强度σf), 研究了应力门槛值对应的边界能、应变能(线性接触应变能和平行黏结应变能)、耗散能(摩擦能和阻尼能)、动能随围压变化的规律, 并从能量角度建立了岩爆倾向性评价指标Wx. 结果表明: 三山岛花岗岩不同围压下相应的σci/σf位于37.0%~44.8%区间, σcd/σf位于81.2%~89.0%区间, 随着围压的增大, 起裂边界能、应变能和耗散能呈线性关系增加, 损伤(峰值)边界能、应变能和耗散能呈指数关系增加; 其中耗散能受围压影响最为敏感, 增幅倍数最大, 其次是边界能, 最后为应变能. 围压对起裂应变能比例影响不大, 损伤和峰值应变能比例随围压增大缓慢减小, 峰值应变能比例下降幅度最大. 基于岩爆倾向性评价指标Wx可知, 当围压在20 MPa内, 三山岛花岗岩岩爆倾向性相对较小; 当围压达到30 MPa时岩爆倾向性开始迅速增加. 研究成果为岩爆倾向性的评价提供了新的参考指标, 进一步为井下岩体工程的稳定性研究提供了新思路

为提高储氢反应器的传热及吸放氢速率, 对现有金属氢化物反应器进行了系统的综合分析与评价.基于强化传热传质特性, 设计优化出了一种高效的新型椭圆螺旋微管束反应器(ESMBR), 其具有结构紧凑、传热效果好、反应速度快及操作方便等特点.对研究的储氢反应器进行了建模, 并通过实验验证了该模型的准确性和有效性.通过COMSOL软件对比ESMBR、圆形螺旋微管束反应器(SMBR)和直管微管束反应器(MTBR)的数值模拟结果得出, ESMBR在储氢时具有优异的传热传质性能.进一步的敏感性分析结果表明, ESMBR中椭圆螺旋管结构参数的敏感性顺序为主直径(Dc) >椭圆截面长轴(A) >椭圆截面短轴(B) >节距(Pt) >螺旋角度(α).采用多元价值取向模型对不同的反应器方案进行了系统的分析评估, 结果表明: ESMBR的综合优度高达0.845, 对比结果也明显优于其他反应器, 在氢能领域将有广阔的应用前景

作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性

三十多年来，多种层状金属复合材料的制备方法应运而生，蓬勃发展，包括爆炸复合法、轧制复合法、热压扩散法和沉积复合法等。爆炸复合法在中厚板的制备上具有不可替代的优势，其产品广泛应用于军工、船舶、电力和化工等领域。轧制法可以批量生产大尺寸层压板，应用最为广泛，目前层压板已经广泛用于汽车、船舶和航空航天等领域。真空热压扩散法由于可以避免氧气等气体的污染，几年来在Ti/Al、Ti/TiAl和Ti6Al4V/TiAl层状复合材料的制备上备受关注。沉积复合法制备的层状金属复合材料在作为耐蚀、耐磨涂层，高强导线，人体植入材料方面表现出巨大的潜力。在综述层状金属复合材料发展历程的基础上，介绍了层状金属复合材料的制备方法及各自的优缺点，并对层状金属复合材料目前在国内外的研究现状进行了分析和介绍

为提高单晶硅纳米切削表面质量的同时, 不影响加工效率, 以扫描电子显微镜高分辨在线观测技术为手段, 在真空环境下开展了单晶硅原位纳米切削实验研究.首先, 利用聚焦离子束对单晶硅材料进行样品制备, 并对金刚石刀具进行纳米级刃口的可控修锐.然后, 利用扫描电子显微镜实时观察裂纹的萌生与扩展, 分析了单晶硅纳米切削脆性去除行为.最后, 分别采用刃口半径为40、50和60 nm的金刚石刀具研究了晶体取向和刃口半径对单晶硅脆塑转变临界厚度的影响.实验结果表明: 在所研究的晶体取向范围内, 在(111)晶面上沿[111]晶向进行切削时, 单晶硅最容易以塑性模式被去除, 脆塑转变临界厚度约为80 nm.此外, 刀具刃口半径越小, 单晶硅在纳米切削过程中越容易发生脆性断裂, 当刀具刃口半径为40 nm时, 脆塑转变临界厚度约为40 nm.然而刀具刃口半径减小的同时, 已加工表面质量有所提高, 即刀具越锋利越容易获得表面质量高的塑性表面

针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法