我国铂族金属（Platinum group metals, PGMs）储量少，消费量大，对外依存度高，PGMs二次资源的回收利用是缓解我国PGMs短缺最重要的途径。废催化剂是PGMs最主要的来源，其回收成为研究的热点。本文详细介绍了PGMs消费结构与回收现状，全球PGMs回收量约占原矿产量的20%～30%，且将保持持续增长的趋势。样品的精准分析对PGMs回收有至关重要的作用，同时还原、焙烧、机械球磨等预处理能提高PGMs回收率。相对于传统氰化法和王水溶解，近年来开发出氯化浸出法、超临界萃取法、载体溶解法等较环保的浸出工艺。尽管部分湿法浸出工艺已经产业化应用，但存在废水量大、产生有毒气体及回收率低（特别是Rh）的问题。火法富集是以铅、铜、铁、镍锍为捕集剂，与PGMs形成合金富集，载体熔化造渣。本文对上述富集方法进行了综述并总结了优缺点，基于现有技术存在的污染严重、PGMs回收率不高等问题，展望了PGMs绿色高效回收技术，如活化预处理、协同提取有价金属和载体利用、贱金属协同冶炼和铁捕集–电解等，为从事该领域的科研工作者提供了良好的参考

针对现行鼓风炉挥发(熔炼)-反射炉还原炼锑工艺存在的流程长、能耗高、低浓度SO2烟气污染等问题,提出了一种基于选冶联合过程的锑提取新工艺——硫化锑精矿还原固硫焙烧直产金属锑.分别以ZnO和碳粉作为固硫剂和还原剂实现对硫化锑矿的固硫还原转化,直接产出金属锑,同时生成硫化锌,再分别分离得到金属锑粉和硫化锌精矿.本文采用控制变量法,分别考察了焙烧温度、碳粉粒度、ZnO配入量、焙烧时间对锑生成率和ZnO固硫率的影响.得到最佳条件如下:焙烧温度800℃、碳粉粒度100~150目、ZnO量为固硫所需理论量、焙烧时间2 h,在此条件下,锑生成率为90.4%,ZnO固硫率为94.8%,其中温度和ZnO加入量对焙烧效果有较大影响;同时对反应产物的分析和过程热力学计算表明焙烧过程分两步进行,即首先发生Sb2S3与ZnO的交互固硫反应生成Sb2O3,其后在高于700℃温度下Sb2O3被大量还原成金属锑.在不同品位的锑精矿综合实验中,均获得了90%左右的锑生成率和88%的固硫率,验证了工艺的可行性.新工艺低温低碳、清洁环保,易于开展工业化生产

以经典工艺矿物学研究方法为基础，结合化学物相分析、矿物解离分析(MLA)、X射线衍射、光学显微镜、扫描电镜-X射线能谱仪(SEM-EDS)等手段对印尼典型海砂矿的矿物学及其固态还原特征进行了系统研究。结果表明：印尼海砂矿的矿物组成主要为钛磁铁矿、次为少量假象赤铁矿、赤铁矿、钛铁矿以及辉石等。绝大部分钛磁铁矿呈致密单体或铁的富连生体产出，偶有由固熔体分离析出形成的微细钛铁矿片晶。赋存于钛磁铁矿中的铁占总铁的89.79%、钛为85.42%、钒则高达97.97%。海砂矿在C/Fe摩尔比1.2、温度1300 ℃条件下还原60 min可较好实现金属化。其还原历程遵循：Fe2.75Ti0.25O4 → FeTiO3, (Fe, Mg)Ti2O5 → (Fe, Mg)Ti2O5 → Fe，稳定的黑钛石相是影响金属化程度的主要因素。经固态还原处理Fe元素最终富集于金属相，V、Ti则赋存于渣中富钛相，为后续的分离提取创造了有利条件

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