为实现结晶器过程可视化和辅助漏钢预报技术，提出一种等值线区域填充法快速高效绘制直观的结晶器在线热像图的方法.该方法通过离散数据网格化、等值线生成和等值多边形填充绘制云图.其中，等值线生成采用网格序列法和单元剖分法结合，避免了已往的等值线追踪和二义性问题，高效准确，实现简单.将该方法与扫描母元法相比，前者绘制云图速度快，保证了精度和质量，优于后者，且算法复杂度的分析也证明了前者时间效率较高.实际应用结果表明，该方法绘制的结晶器在线热像图能很好地反映正常和非正常情况下结晶器内部温度场的特征，可满足实际生产要求

利用插入突变的方式获得了一株衣藻不运动突变体ift81,该突变体表现出鞭毛缺失或者短鞭毛的性状.基因序列分析表明,外源基因aphⅧ插入了突变体中IFT81(intraflagellar transport,IFT)基因的第五个外显子内,并导致该外显子原有的52个碱基对被替换.把含有完整IFT81基因的重组质粒导入突变体ift81后,其鞭毛恢复为野生型且可以检测到IFT81-HA融合蛋白的表达,这证明突变体的鞭毛缺陷确实是由于IFT81基因突变所导致.电镜观察显示突变体中鞭毛的显微结构发生改变,免疫荧光实验证实IFT81蛋白主要定位于基体和鞭毛部位.上述结果表明:IFT81蛋白缺失会导致衣藻鞭毛组装缺陷,在鞭毛组装所需蛋白的运输过程中,IFT81蛋白是必不可少的

为较好地表征当前北京整个区域大气颗粒物质量浓度随时间尺度的变化及区域分布污染特征，根据北京市35个监测站点获得的2013年3—5月颗粒物质量浓度1 h均值，分析和研究PM2.5和PM10质量浓度的季节性变化并提高其空间分辨率，在此基础上探讨颗粒物可能的影响因素及污染来源.结果表明，3—5月颗粒物质量浓度具有周期性变化规律和显著相关性，应用MATLAB空间插值算法实现的颗粒物质量浓度区域分布图具有一定精度，可外推并揭示颗粒物区域污染特征.分析表明当前北京颗粒物污染的影响因素有冬末的冷锋和降雪、春季的沙尘和大风、夏初的降雨和湿热等；污染区域则呈现南高北低的特征，污染来源除了本地人为源以外，周边区域传输也有较大影响.通过颗粒物污染的时间序列和空间插值的结合分析，可为进一步研究颗粒物时空关系及掌握区域污染特征提供方法

本文提出了一个利用复合码与和码来辨识H模型和前馈非线性系统的方法,而这些伪随机码是由相位相差1/2半周期的逆重复m序列所组成。采用此方法进行辨识时,即使非线性元件的奇次系数全为零,仍然能够辨识出线性系统的脉冲响应和非线性元件的偶次系数。文中附有辨识H模型的数字仿真结果,验证了所提方法的正确性

为了实现多金属地下矿山生产计划编制的动态性和科学有效性,以开采过程中技术经济要求和空间序列关系为约束条件,以利润最大化为目标构建多金属地下矿山生产计划动态优化模型.模型将采准、切割、爆破、回采和充填过程抽象为基本作业单元并加以模型化处理,将地下开采的均衡性要求和接续性问题转化为空间约束条件,以开采状态作为决策变量,构建生产计划优化的0-1整数规划模型,并给出基于人工蜂群模型的求解算法.以西藏某铜钼矿的生产计划动态编制为应用案例,优化解算出矿山未来3年的生产计划,并给出矿床开采时序的三维可视化展示.优化结果表明,通过开采区域的动态调整,在有效保证生产连续性的同时,提升了矿山开采的经济效益

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

《数字信号处理》是电子信息工程、电子信息科学与技术专业的一门重要的必修课。本课程的目的是通过学习使学生掌握应用数字计算机分析、处理用数字或符号的序列表示的信号的基础理论和基本方法，提取其中有用的信号，如变换、滤波等，了解数字信号处理的现状、应用领域及发展方向，为今后解决具体技术问题和进一步深造打下良好的基础。要求学生先期修过积分变换，信号与系统、线性代数等

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

微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题，导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件，为进一步提高模型对106能级微震事件预测的准确率，对模型进行改进并使用混合采样方法训练改进后的模型；利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正确率达到98.4%，其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100%

《工程科学学报》：自注意力指导的多序列融合肝细胞癌分化判别模型