基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

以碳热预还原和氢气深还原两步制备的纳米钨粉作为烧结原料，即先通过碳黑还原脱除三氧化钨中的大部分氧，再以氢还原脱除残留的氧。该方法制备的钨粉颗粒呈球形形貌，平均晶粒度可达90 nm。同时，向钨粉中掺杂质量分数为1%和2%的氧化铝，探究了氧化铝对钨粉烧结行为的影响。通过烧结样品的断口形貌和晶粒的平均尺寸分析发现，氧化铝对烧结后期的晶粒长大有明显的抑制作用，相同的烧结温度下晶粒的尺寸随着氧化铝含量的上升而减小。在1600 ℃时，纯钨粉烧结坯的晶粒平均尺寸为2.75 μm，但添加质量分数为1%和2%氧化铝的烧结样品晶粒平均尺寸约为1.5 μm，这是由于氧化铝能有效地抑制烧结后期的钨粉晶粒长大。纯钨粉和掺杂氧化铝钨粉的烧结坯的硬度随温度升高具有不同的趋势。掺杂钨粉烧结坯的硬度随着温度的升高而升高，且其最大值高于800 HV。但是，纯钨粉烧结坯的硬度随烧结温度增加而先增加后降低，在1400 ℃时取得最大值（473.6 HV），这是由纯钨粉烧结坯的晶粒在高温下急剧长大所导致。在烧结温度为1600 ℃时，纯钨粉、掺杂质量分数1%和2%的氧化铝掺杂的钨粉的烧结坯的相对密度依次为98.52%、95.43%和93.5%

为探究干湿循环对水泥基复合充填材料长期稳定性的影响，以水灰比4∶1水泥基复合材料为研究对象，借助ETM力学试验系统、X射线衍射及扫描电镜扫描装置，对不同干湿循环次数下“饱水”状态和“失水”状态的试件进行单轴抗压强度试验，并通过物相分析及微观结构探讨干湿循环对其影响机理。结果表明，随着干湿循环次数的增加，“饱水”状态下失水率逐渐增大，含水率和容重呈下降趋势，峰值强度先增加后减小，增幅最高达9%；“失水”状态下失水率、含水率和容重均变化不大，峰值强度较初始状态有所降低，最高达13.5%；两种状态弹性模量和残余强度都呈下降趋势。通过机理分析发现，“干”过程中碳化反应是材料强度降低的主要原因，而“湿”过程中吸水将部分碳酸钙等物质转化为具有承载能力的钙矾石（AFT）和碳硫硅钙石（TSA）是材料强度恢复的主要原因，但恢复能力有限，长期的干湿循环会对水泥基复合充填材料稳定性产生不利影响

采用等温凝固实验、差示扫描量热仪(DSC)研究了K424合金的凝固行为以及冷却速度对其影响.利用光学显微镜、扫描电镜以及能谱分析仪分析了合金在不同温度等温凝固、不同冷却速度下的微观组织以及凝固后期的元素的偏析行为,确定K424合金的固相线、液相线和主要相的析出温度等凝固特性以及冷却速度对γ'相、MC碳化物以及共晶组织的影响规律.研究结果表明:K424合金的凝固顺序为:1345℃,γ相从液相析出,随后在1308℃析出MC型碳化物,在非平衡凝固条件下,共晶组织在1260℃析出,1237℃,凝固结束;共晶组织的形成与凝固末期Al、Ti元素的偏析行为以及冷却速度密切相关;随着冷却速度的增加,MC和共晶组织尺寸及数量均呈现先增大后减小的趋势;γ'相形貌从花瓣形状向规则立方及球形转变,尺寸也从2 μm减小至60 nm

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

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

丁昇 2002年毕业于复旦大学生命科学学院。2002年至今为复 旦大学发育生物学研究所发育生物学专业直博研究生。 本科期间多次获得复旦大学人民奖学金一、二、三等奖, 并被评为1999-2000学年复旦大学三好学生和2002年复旦 大学优秀毕业生。 研究生期间获得复旦大学研究生奖学金一、二、三等奖, 并被评为2005年上海市三好学生

第一节 肿瘤的概念 第二节 肿瘤的形态 第三节 肿瘤的分化与异型性（atypia） 第四节 肿瘤的命名与分类 第五节 肿瘤的生长与扩散 第六节 肿瘤的分级与分期 第七节 肿瘤对机体的影响 第八节 良性肿瘤与恶性肿瘤的区别 第九节 癌前期病变、非典型增生、原位癌 第十四节 常见肿瘤举例 第十节 肿瘤的发病学 第十一节 环境致瘤因素 第十二节 遗传与肿瘤 第十三节 肿瘤免疫