宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度

研究了红格钒钛磁铁矿(HCVTM)球团等温氧化动力学及其矿物学特征. 在不同的温度(1073~1373 K)和不同的时间(10~60 min)范围内,对HCVTM球团矿进行了等温氧化动力学实验. 首先分析了球团在不同温度和时间下的微观结构和矿物组成规律. 然后根据定义的氧化率,计算和分析了氧化率及其变化规律,以及矿相结构对氧化率的影响. 最后结合缩核模型、修正的氧化率函数和阿伦尼乌斯公式,计算了反应速度常数、修正系数和反应活化能,并判断了反应限制性环节. 研究表明:随温度的提高,低熔点液相增加,赤铁矿晶粒的生成、长大和再结晶,形成连续的黏结相,空隙数量减少. 随时间的增加,生成的液相促进了赤铁矿晶粒间的黏结和长大,但是晶粒间硅酸盐相和钙钛矿类物相恶化了球团结构. 同时,钙钛矿和铁板钛矿相生成. HCVTM球团矿空隙数量的减少和黏结相的生成,表现在氧化速率随时间增加而减慢. HCVTM球团氧化反应主要受扩散控制,球团氧化前期的反应活化能为13.74 kJ·mol-1,氧化后期的活化能为3.58 kJ·mol-1,氧化率函数的修正参数u2=0.03

轧件发生局部变形是楔横轧的主要工艺特征，尤其小断面收缩率轧件轴向流动能力弱，内外变形差异显著导致楔横轧成形困难.除了容易产生心部破坏缺陷，在轧件表层一定范围内出现的螺旋组织缺陷，也会降低产品的机械性能.本文通过轧制实验，展示出轧件螺旋组织缺陷宏观上呈现为车削后在表层一定深度范围内沿展宽螺旋线分布的亮带，微观上由轧件表面折叠向内部延伸呈带状分布的组织形态.结合有限元数值模拟方法研究了缺陷产生的主要原因，发现由于成形区的金属发生沿展宽负向的金属流动，导致轧件形成沿展宽螺旋线分布的表面折叠和小轴向应变带.同时，螺旋带附近较大的径向压缩使轧件由表面向内部沿折叠裂纹方向组织具有方向性.采用对模具楔尖倒圆角局部改善金属沿负展宽方向的轴向流动，可以既消除表层螺旋组织缺陷，又避免轧件心部损伤风险，使成形质量满足使用要求.经实验验证，确定了模具楔尖圆角的最优取值

将0. 46%含碳量(质量分数) 的石墨化碳素钢在万能材料试验机上进行室温压缩变形, 试验钢表现出良好的压缩变形性能.根据载荷-位移曲线的变化特点, 试验钢的压缩变形过程以位移7. 0 mm (对应相对压下量为58. 3%) 为节点分为两个阶段: 在位移≤7. 0 mm的压缩阶段, 载荷呈线性增加, 压缩试样的鼓度值逐渐增加而达到一个极大值(14. 6%), 压缩试样中心位置的维氏硬度增幅最大, 为38. 1 HV, 至位移7. 0 mm时试样端面径向伸长率的增幅为34%;而在位移 > 7. 0 mm的压缩阶段, 载荷呈指数增加, 压缩试样的鼓度值从极大值开始逐渐减小, 至位移为10. 72 mm时(相对压下量为89. 3%), 试样端面的径向伸长率相比于位移7. 0 mm时增加了83. 1%, 压缩试样的中心位置的维氏硬度增幅最小, 为32. 7 HV.上述试验数据表明, 在位移≤7. 0 mm的压缩过程中, 压缩试样内的三个不均匀变形区的位置与传统压缩模型一致, 但是当压缩变形进入位移 > 7. 0 mm的压缩过程中, 试样中心位置已不再是传统压缩模中变形程度最大的变形区了, 即在这个阶段试样中的3个不均匀变形区的变形程度发生了改变.正因这种不均匀变形区变形程度的改变导致了变形过程中载荷的急剧增加和鼓度值的减低.另外, 在压缩变形过程中, 三个不均匀变形区中石墨粒子的微观变形量总是高于铁素体基体, 其原因之一可以归结为石墨粒子中层与层之间容易于滑动的结果

采用共沉淀法制备了Ni(OH)2前驱体材料，通过高温固相法制备了LiNiO2和B掺杂LiNiO2（B的摩尔分数为1%），利用X射线衍射（XRD）、里特维尔德（Rietveld）精修、扫描电子显微镜（SEM）、恒流充放电测试、循环伏安（CV）和电化学阻抗谱（EIS）对材料的晶体结构、表面形貌和电化学性能进行了系统性表征.XRD和Rietveld精修结果表明，LiNiO2和B掺杂LiNiO2均具有良好的层状结构，B因为占据在过渡金属层和锂层的四面体间隙位而导致掺杂后略微增大材料的晶格参数和晶胞体积，同时增大了LiO6八面体的间距，进而促进锂离子运输.由于掺杂的B的摩尔分数仅为1%，LiNiO2和B掺杂LiNiO2均表现为直径10 μm左右的多晶二次颗粒，且一次颗粒晶粒尺寸没有明显区别.长循环数据表明B掺杂可以有效提高材料的循环容量保持率，经100次循环后，B掺杂样品在40 mA·g−1电流下的容量保持率为77.5%，优于未掺杂样品（相同条件下容量保持率为66.6%）.微分容量曲线和EIS分析表明B掺杂可以有效抑制循环过程中的阻抗增长

订单接受与不相关并行机调度是订单接受与订单调度的联合决策, 广泛存在于面向定制的多品种混合生产环境中. 针对这一问题, 考虑了顺序与机器依赖的安装时间以及可加工机器限制, 并以最小化总成本为优化目标. 其中, 总成本由被接受订单的总拖期成本和被拒绝订单的总拒绝成本构成. 通过分析订单拒绝对目标的影响, 提出了列表拒绝方法和订单拒绝规则, 进而设计了协同进化遗传算法. 算法将染色体编码分解为订单列表和订单指派两个个体, 提出了基于列表拒绝方法的解码方案来进行订单拒绝决策. 由于两个个体相互独立, 且二者的进化约束不同, 因而引入协同进化策略, 并根据个体的编码特征, 分别采用单亲遗传算子和传统遗传算子进行遗传操作. 数据实验验证了算法的有效性和求解效率, 并对问题规模和订单拒绝成本对算法性能的影响进行了分析

崩塌灾害的早期预警一直是岩土工程领域研究的热点问题之一.传统的监测预警方法监测指标相对单一, 更多关注于加速破坏前兆的识别, 使得崩塌的早期预警存在诸多困难.本文首先引入动力学监测指标, 对岩土体破坏过程中的动力响应进行综述, 得出基于固有振动频率等动力学监测指标可以为危岩体的损伤提供数据支持.随后基于最新的实验研究发现动力学监测指标可以有效反应边坡的物理力学特征的变化, 进而可以实现岩体损伤与稳定性的动态识别和定量判断.在对国内外现状进行综述发现, 基于分离阶段破坏前兆识别的岩块体崩塌灾害预警思路, 具有更好的时效性, 是未来崩塌早期预警的发展方向, 同时对崩塌的早期预警指标体系进行展望, 得出基于动力学指标、静力学指标和环境量指标三位一体的早期监测预警指标体系, 必将在工程监测与灾害预警方面发挥更大潜力, 为从事应对崩塌等脆性破坏灾害预警预防的研究工作者提供有效参考

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

材料辐照损伤是核反应堆材料、尤其是核聚变堆材料所面临的重要问题。高能粒子（中子、离子、电子）辐照在材料中会产生大量的点缺陷，即自间隙原子和空位。这些点缺陷聚集在一起会形成自间隙原子团簇和空位团簇，从而对材料结构和性能的演化产生重要影响。空位团簇包括有空洞、层错四面体、空位型位错环，而自间隙原子团簇则只有自间隙型位错环。本文介绍了两种点缺陷团簇的性质、及其对于以材料辐照肿胀为主要内容的材料辐照损伤性能的影响。作为空位团簇，比较详细介绍了具有本课题组特色的空位型位错环的研究，同时分析了合金元素和氢同位素对空位型位错环的影响。在铁试样中形成的这种空位型位错环尺寸可达100 nm左右，该空位型位错环具有两种柏氏矢量， b =<100> 和 b =1/2<111>，前者的数密度比后者高一个数量级。对于自间隙原子团簇，则重点介绍了与其相关的一维迁移现象及其研究动态，该一维迁移性能有可能是影响高熵合金辐照性能的重要因素

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断