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

提出了基于双偏心误差齿轮副的驱动齿面与齿背面（双齿面）无负载传动误差计算模型，建立与时变侧隙计算公式的等价关系，从理论上证明了基于双齿面传动误差的侧隙测量方法。通过实验方法测量不同负载力矩、不同初始啮合面的双面传动误差并获得相应载荷下的初始回差。基于双齿面传动误差实验曲线，实现了对齿轮副整个大周期侧隙的连续测量与预测。结果表明，连续侧隙曲线与机械滞后回差法测量结果吻合良好，而侧隙预测较好地反应了侧隙值变化范围和变化趋势。同时，侧隙连续测量方法及侧隙预测均证明了理论模型的正确性，提高了侧隙测量效率并获得了更全面的侧隙数据，对齿轮传动的非线性研究、消隙控制以及齿轮精度研究等均具有指导意义和参考价值

研究对象是带有限缓冲区混合流水车间中的多目标调度问题。以各机器前置后置缓冲区容积有限、工件以批量形式运输、运载设备的运载能力有限等作为资源限制因素，以最小化完工时间、最小化物料运输时间、最小化并行机前置缓冲区空间占用率均衡指数为目标，建立调度模型。分别采用NSGA-II、NSGA-III算法求解该模型，并对比两者之间的差别；设置不同的缓冲区容积，探究不同缓冲区容积对生产目标的影响，寻找最优缓冲区容积；建立不同模型，探究以最小化并行机前置缓冲区空间占用率均衡指数为目标的意义，最后以某船用管类生产企业的实际生产案例作为对象，通过对比优化结果与实际生产数据，验证了算法有效性

通过合理的假设对H型钢变形区进行分区.基于流函数方法确定了各个变形区的速度场,建立了H型钢万能轧制力学模型.在此基础上,使用Powell多参数优化算法优化变形区参数以使变形区的总功率达到最小并最终求得H型钢轧制力能参数.计算中采用高斯积分的方法,使得计算结果更加准确.计算结果表明,腹板和翼缘的延伸率相同时,本文模型计算结果与经过实验数据验证的有限元结果的误差不超过1.53%,当偏离标准工况较大时,通过适当修正,亦可保证本文方法的计算精度.在腿腰延伸比λ=1附近时,模型计算的轧制力与有限元结果变化趋势相同.在合理的力臂系数情况下,两者结果吻合较好

介绍了几种主要的转炉烟气分析碳含量预报模型，并分析了其中的指数衰减模型及其三种改进算法的基本原理和优缺点。在综合三种模型优点的基础上，提出了基于“极限碳含量拟合+曲线同步更新”算法的改进指数模型。首先，利用历史炉次吹炼后期的脱碳氧效率和碳含量数据，通过指数拟合得到“历史脱碳曲线”和极限碳含量参数；其次，使用当前炉次吹炼中期的最大脱碳氧效率值对“历史脱碳曲线”的特征参数进行替换，得到当前炉次吹炼后期的“参考脱碳曲线”，再对其进行归一化处理，得到归一化的“参考脱碳曲线”；然后，采用多点校正的方法，计算当前炉次吹炼至各等距离校正点时“参考脱碳曲线”的脱碳量，并根据计算脱碳量与转炉实际脱碳量的偏差，对熔池碳含量及脱碳曲线参数进行计算与校正，得到“计算脱碳曲线”；最后，通过逐次迭代计算对“参考脱碳曲线”和“计算脱碳曲线”进行同步更新，进而实现对转炉吹炼后期熔池碳含量的精准预报。研究表明，改进的指数模型具有较高的准确率，终点碳含量预报误差在±0.02%范围内的命中率达到90%

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

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

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

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

通过15N-14N同位素气体交换技术消除液相传质的影响，利用在线质谱分析仪测定了在1873 K下，铁液中氮溶解的界面反应速率常数。结果表明，总流量为600～800 mL?min?1时可以忽略气相传质的影响，保护气中增加H2的比例有利于降低钢液中杂质元素的浓度。铁液中加入一定量碳、铝、硅，分析得到这三种元素对氮溶解速率是抑制的。依据本实验的数据利用空位解离模型建立反应速率常数ka与氧、硫、碳、铝、硅的活度关系，吸附系数分别是KO=0.96，KS=9.32，KC=0.02，KAl=0.51，KSi=1.16。纯铁液中氮的溶解反应表观速率常数为ka=4.8×10?6 mol?m?2?s?Pa