从区块链的设计和需求出发，阐明了区块链技术中的基本概念与特征及其基础架构；其次，以比特币为例详细介绍了区块链中各种机制，包括：区块结构与防篡改机制、交易结构与脚本语言、交易人员身份鉴别机制以及网络高效交易传播机制等；而且，按照证明类、拜占庭类、传统共识类及混合共识类等类型，详细描述了当前几种主流的区块链共识算法；此外，对智能合约的概念、组织结构及模块关系以及执行方式与过程进行了讨论；最后，对区块链面临的主要安全挑战进行了总结，从而达到系统地把握区块链技术发展和趋势的目的

研究了多智能体网络中受集合约束的一致性最优化问题，提出了基于原始–对偶梯度的定步长分布式算法。算法中包括步长在内的参数会影响收敛性，需要先进行收敛分析，再根据收敛条件设置合适的参数。本文首先针对一般的定步长迭代格式，提出一种基于李雅普诺夫函数的收敛分析范式，它类似于一般微分方程关于李雅普诺夫稳定的分析方法。然后，针对所考虑的分布式梯度算法，构造了合适的李雅普诺夫函数，并根据收敛条件得到了算法参数设定范围，避免了繁冗复杂的分析论证。本文提出的理论与方法也为其他类型的分布式算法提供了一个框架性、系统性的论证方法

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义

以磁性Fe3O4微球为模板，通过St?ber法和水热法合成了一种杨梅状的新型Fe3O4@SnO2复合材料，主要应用于电磁波吸收领域。借助X射线衍射、X光电子能谱、扫描电子显微镜、透射电子显微镜、振动样品磁强计和矢量网络分析仪对其物相结构、表面元素、微观形貌、磁性及吸波特性进行了分析表征。分析结果表明，杨梅状的Fe3O4@SnO2的球径约为500 nm，无明显团聚，具有良好的形貌均匀性。其SnO2层由纳米SnO2颗粒松散堆叠而成，具有大量的空隙结构，层厚约为40 nm。杨梅状的Fe3O4@SnO2具有较强的介电损耗能力，且有利于提升阻抗匹配性能，呈现出良好的电磁波吸收能力，当厚度为1.4～2.8 mm时，其最小反射损耗RL（min）均低于?20 dB。其最优厚度为1.7 mm，此时RL（min）为?29 dB，有效带宽为4.9 GHz（13.1～18 GHz），是一种具有发展潜力的吸波材料

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

基于D值理论,考虑矿山工程实际情况,引入微震事件概率因子、监测区域重要性因子和台网布设可行性因子重新构建了台网优化目标函数.以某磷矿顶板突水的微震监测为例,对全矿区按照监测区域重要性、台网布设可行性等因素进行分区,采用专家权重法分别给出了相关因子的参考值.按照影响因子取值差异将整个监测区域再次分区,给出了分区后目标函数的积分形式,其中各监测区域控制点坐标即为相应的积分上下限.基于文中提出的微震监测网络的动态优化设计原则,最终给出了该磷矿微震监测台网布设方案.爆破试验表明,本文提出的台网布设方案具有一定的合理性和准确性,三个坐标方向的平均定位误差为6.74 m,最大为10.05 m,空间定位误差为12.51 m,定位精度可满足工程监测需要

钢铁企业面临库存增加、产能过剩、盈利艰难等问题，迫切需要通过绿色化和智能化的发展来应对当前的严峻形势.基于钢铁企业制造流程特点，通过分析企业以铁素流为核心的物质流和相应能量流网络特征，针对企业现有信息化系统在物质流和能量流协同方面存在的问题，提出钢铁制造过程的物质流和能量流的协同方法，明确物质流和能量流的耦合应从钢铁制造的单元工位设备与整体流程网络两个层面进行规划、设计和实施，并且指出可从完善信息监控、进行计划协同和调度协同三个方面来实现协同优化.构想基于现有信息系统架构，通过增加相应企业资源计划系统、制造执行系统、能源管理系统等信息系统的功能，以及建立物质流和能量流协同优化信息子系统的方式，以钢铁制造过程的物质流和能量流相关信息的数字化及模型化为支撑，实现制造流程的物质流和能量流协同优化，达成生产优化、资源优化和能源优化的效果

 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的自然语言处理方法（理性方法，传统方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译  基于语料库（数据）的自然语言处理方法（经验方法） ◼ 语言模型（N元文法） ◼ 分词、词性标注（序列化标注模型） ◼ 句法分析（概率上下文无关模型、移进-规约分析器） ◼ 文本分类（朴素贝叶斯模型、最大熵模型） ◼ 情感分析 ◼ 机器翻译 (IBM Model等) ◼ ......（基于神经网络的深度学习方法）