网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

在输电场景中，吊车等大型机械的运作会威胁到输电线路的安全。针对此问题，从训练数据、网络结构和算法超参数的角度进行研究，设计了一种新的端到端的输电线路威胁检测网络结构TATLNet，其中包括可疑区域生成网络VRGNet和威胁判别网络VTCNet，VRGNet与VTCNet共享部分卷积网络以实现特征共享，并利用模型压缩的方式压缩模型体积，提升检测效率，从计算机视觉和系统工程的角度对入侵输电场景的大型机械进行精确预警。针对训练数据偏少的问题，利用多种数据增强技术相结合的方式对数据集进行扩充。通过充分的试验对本方法的多个超参数进行探究，综合检测准确率和推理速度来研究其最优配置。研究结果表明，随着网格数目的增加，准确率也随之增加，而召回率有先增加后降低的趋势，检测效率则随着网格的增加迅速降低。综合检测准确率与推理速度，确定9×9为最优网格划分方案；随着输入图像尺寸的增加，检测准确率稳步上升而检测效率逐渐下降，综合检测准确率和效率，选择480×480像素作为最终的图像输入尺寸。输入实验以及现场部署表明，相对于其他的轻量级目标检测算法，该方法对输电现场入侵的吊车等大型机械的检测具有更优秀的准确性和效率，满足实际应用的需要

无人驾驶车辆自身具有强烈的非线性、信号时延和参数不确定性，对它的控制还受到道路附着系数的变化、侧向风等外界因素影响。因此传统控制方法往往难以对其稳定和精确地控制。神经网络所具有的学习能力、自适应能力和近似非线性映射的能力，为解决车辆模型参数的不确定性、外界的扰动以及车辆自适应控制问题提供了有效的途径。针对上述几个方面，对近几年国内外学者将神经网络应用到无人驾驶车辆运动控制中所取得的成果与进展进行了归纳分类，分别介绍了应用情况并对优缺点进行评价。最后总结了神经网络在无人驾驶车辆运动控制中存在的主要问题，并展望了可能的发展方向

第一章 概述 本章主要内容： ◼ 工程项目 ◼ 工程项目管理 ◼ 工程项目管理的历史发展 第二章 工程项目的前期策划 内容提要： 第一节 工程项目的前期策划工作 第二节 工程项目的构思 第三节 工程项目的目标设计 第四节 工程项目的定义（自学） 第五节 工程项目的可行性研究 第三章 工程项目的系统分析 第四章 项目组织 主要内容： 第一节 概述 第二节 工程项目的组织形式 第三节工程项目管理组织 第五章 工程项目计划 第一节 工程项目计划系统 第二节 横道图 第三节 网络计划—双代号网络 第四节 网络计划—单代号搭接网络 第五节 工程项目成本计划和成本模型 第六节 工程项目资源计划和优化 第六章 工程项目实施控制 第一节 工程项目实施控制系统 第二节 工程项目进度控制 第三节 工程项目成本控制 第四节 工程项目质量控制 第五节 工程项目全面风险管理 第七章 工程项目沟通 第一节 概述 第二节 项目中几种重要的沟通 第三节 沟通方式 第八章 信息管理 第一节 概述 第二节 工程项目报告系统 第三节 工程项目管理信息系统 第四节 工程项目文档管理 第五节 计算机在项目管理中的应用

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

由于协作机器人的结构比普通工业机器人更为轻巧，一般动力学模型所忽略的复杂特性占比较大，导致协作机器人的计算预测力矩误差较大。据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上，采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿。在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动，以电机电流估算关节力矩，获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络。网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差。计算与实验结果表明，补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果，各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等，表明了文中所提出补偿方法的有效性

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

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

教学内容 本章讲述模糊控制与传统控制的相互关系、模糊神经网络控制、模糊控制和遗传算法的相互联系与区别、模糊控制与基于知识系统的交叉和融合。 教学重点 重点内容是讲述模糊控制与传统控制的相互关系，模糊系统与神经网络、遗传算法、基于知识的学习系统的相互联系以及交叉融合。 教学难点 对模糊控制与传统控制、神经网络控制、遗传算法以及基于知识的系统的区别和联系的准确把握和理解，学会用发展和联系的观点看待智能控制学科的发展。 教学要求 要求学生基本了解模糊控制与传统控制、神经网络控制、遗传算法以及基于知识的系统的区别和联系。 通过本章的学习，进一步加深对智能控制特点的理解，学会用发展和联系的观点看待智能控制学科的发展，从而培养学生创常新意识和能力，形成正确的工作方法

（一）理论课程 1《数据库原理》 2《Java 程序设计》 3《操作系统原理》 4《人工智能导论》 5《信息安全概论》 6《数据结构与算法》 7《ARM 基础》 8《嵌入式系统技术》 9《计算机科学导论》课程互动式教学大纲 10《数字电路基础》 11《智能算法应用开发》 12《Web 前端开发技术》 13《C 语言程序设计》 14《Linux 程序设计》 15《面向对象程序设计》 16《数值计算方法》 17《云平台系统》 18《云应用开发》 19《软件工程经济学》课程设计教学大纲 20《软件工程经济学》课程设计教学大纲 21《网络编程技术》 22《移动开发技术》 23《计算机网络》 24《单片机基础》课程设计教学大纲 25《计算机组成原理》课程设计教学大纲 26《大数据分析(数据挖掘)》 27《智能算法程序设计(Python)》 28《Java Web 应用开发》 29《web 开发技术》 （二）实验课程 30《数据库原理》 31《Java 程序设计》 32《操作系统原理》 33《文献检索》 34《智能算法程序设计(Python)》 35《信息安全概论》 36《数据结构与算法》 37《ARM 基础》 38《Linux 系统管理》 39《嵌入式系统技术》 40《数字电路基础》 41《智能程序应用开发》 42《Web 前端开发技术》 43《C 语言程序设计》 44《Linux 程序设计》 45《面向对象程序设计》 46《数值计算方法》 47《云平台》 48《云应用开发》 49《软件工程经济学》课程设计教学大纲（实验） 50《网络编程技术》 51《移动开发技术》 52《计算机网络》 53《单片机基础》 54《计算机组成原理》 55《大数据分析(数据挖掘)》 56《智能算法程序设计(Python)》 57《Java Web 应用开发》课程 58《web 开发技术》课程 （三）实践课程 59《C 语言程序概念实训》 60毕业设计教学大纲 61《毕业实习》教学大纲 62《程序设计技能实训》 63《计算机综合项目实训》 64《专业教育》 65《嵌入式系统技术》 66《云应用开发课程设计》 67《C 语言课程设计》