从炼铁新技术及基础理论研究方面介绍了烧结球团提质降耗新技术、焦炭在高炉内行为解析研究、高炉喷吹清洁燃料技术、高炉长寿技术、高炉炼铁数据建模技术以及冶金尘泥再处理技术。从基础研究出发，提出了目前最具有潜力的炼铁新技术；然后在国家碳中和战略的大背景下，综述了目前国际上的非高炉炼铁技术研究进展，为我国低碳炼铁发展提供依据；最后从最新微观研究手段出发，介绍了目前炼铁研究领域在微观尺度的研究进展，多尺度综合调控研究高炉炼铁过程机理，为未来低碳炼铁发展方向提供思路

为探究不同加载角度下A7085铝合金Ⅰ-Ⅱ复合型疲劳裂纹扩展机理，在MTS疲劳试验机上采用紧凑拉伸剪切试件（CTS）对A7085铝合金进行不同加载角度的疲劳实验；用有限元分析计算不同裂纹扩展长度的裂纹尖端应力强度因子，通过七点递增多项式法对数据进行处理，计算出A7085铝合金Paris公式中的参数C和m.结果表明不同加载角度的裂纹基本沿着与外载荷垂直的方向扩展，裂纹扩展路径近似为一条直线，裂纹扩展角测量结果基本符合最大环向拉应力理论；Ⅰ-Ⅱ复合型裂纹一旦发生扩展，Ⅱ型应力强度因子KⅡ所占比例急剧减小，Ⅰ型应力强度因子KⅠ不断增大，此后KⅡ远远小于KⅠ，有效应力强度因子（KⅠ和KⅡ的组合）基本等于KⅠ，相当于裂纹扩展主要受Ⅰ型应力强度因子控制，研究结果有助于对Ⅰ-Ⅱ复合型疲劳裂纹扩展机理的理解

针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势，然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测，最后将若干预测结果进行有效集成。结果表明，所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%，平均相对误差在3%以内，且优于其他预测模型

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

人体在进入疲劳状态时生理参数会发生相应的变化.为了探讨砌砖工人在持续体力劳动作业时心率和心率变异(HRV)对人体生理疲劳的影响,针对疲劳与心率的关系提出评价生理疲劳的数学模型.选取15名健康受试者(男性)在搭建的86 cm平台模拟砌砖工人作业.持续作业30 min进行一次心率变异数据的收集.同时,使用心率传感器对心率进行实时监测.本文采用方差分析、t检验和非线性拟合的方法对疲劳对心率和心率变异的影响进行分析.结果表明,生理疲劳使心率波动程度有显著变化(检验水准α=0.05水平,概率P0.05).非线性拟合结果(R2=0.8892)显示,生理疲劳的发展趋势呈现出\S型\的趋势.据此提出,生理疲劳分为3个阶段:疲劳调整期、疲劳稳定期和疲劳失稳期.在疲劳失稳期前(试验中约为90min)受试者休息,可以减缓或延迟生理疲劳的发生

通过对Q235钢退磁试件的拉伸、压缩试验,利用磁记忆在线监测系统实时跟踪记录了不同拉压应力作用下试件表面的磁信号变化特征. 结果表明:拉伸载荷对合成磁场的影响是先减小后增加的,在接近材料屈服强度的0.3倍左右后趋于稳定不变;而压应力引起的合成磁场初期快速下降,之后处于上下波动变化. 通过引入拉压应力所产生的不同应力退磁项,对J-A磁机械效应模型进行了改进,模拟结果与试验数据具有较好的的一致性,可用于拉压不同应力致磁机理的理论解释

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

针对七自由度机械臂控制系统提出了一种七自由度机械臂隐蔽攻击模型。首先基于推导的机械臂逆运动学方程，对基于EtherCAT总线的七自由度机械臂进行运动规划与建模；其次，根据粒子群算法的研究与分析，提出了基于混沌理论的多种群粒子群优化的七自由度机械臂系统PID参数辨识算法；最后搭建了七自由度机械臂的攻击实验平台并使用辨识的参数结合隐蔽攻击原理开展了机械臂系统的攻击实验，并且将所提出的隐蔽攻击技术与其他传统攻击技术进行了比较。结果表明，所提出的七自由度机械臂隐蔽攻击方法可以破坏机械臂系统的数据完整性和准确性，并且具有很好的隐蔽性，验证了所建立的攻击模型的有效性和可行性

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

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