设计了一种0.7C的低合金超细贝氏体钢，并通过膨胀仪、二体磨损实验、光学显微镜、扫描电镜、X射线衍射、激光扫描共聚焦显微镜及能谱仪，研究了不同等温淬火温度对超细贝氏体钢的贝氏体相变动力学、微观组织以及干滑动摩擦耐磨性的影响，揭示超细贝氏体钢在二体磨损条件下的耐磨性能和磨损机理.研究结果表明，不同等温温度下的超细贝氏体钢都由片层状贝氏体铁素体和薄膜状以及块状的残留奥氏体组成；随着等温温度的升高，超细贝氏体的相变速率提高，相变孕育期及相变完成时间缩短，但贝氏体铁素体板条厚度增加，残留奥氏体含量增加，硬度值有所降低；超细贝氏体钢磨损面形貌以平直的犁沟为主，主要的磨损机理为显微切削；不同等温温度下所获得的超细贝氏体的耐磨性能都优于回火马氏体，且随着等温温度的降低，耐磨性能提高.其中在250℃等温所获得的超细贝氏体钢具有最优的耐磨性能，其相对耐磨性为回火马氏体的1.28倍.这主要与超细贝氏体钢中贝氏体铁素体板条的细化及磨损过程中残留奥氏体的形变诱导马氏体相变（TRIP）效应有关

医生诊断需要结合临床症状、影像检查等各种数据，基于此，提出了一种可以进行数据融合的医疗辅助诊断方法。将患者的影像信息（如CT图像）和数值数据（如临床诊断信息）相结合，利用结合的信息自动预测患者的病情，进而提出了基于深度学习的医疗辅助诊断模型。模型以卷积神经网络为基础进行搭建，图像和数值数据作为输入，输出病人的患病情况。该医疗辅助诊断方法能够利用更加全面的信息，有助于提高自动诊断准确率、降低诊断误差；另外，仅使用提出的医疗辅助诊断模型就可以一次性处理多种类型的数据，能够在一定程度上节省诊断时间。在两个数据集上验证了所提出方法的有效性，实验结果表明，该方法是有效的，它可以提高辅助诊断的准确性

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

无人驾驶车辆自身具有强烈的非线性、信号时延和参数不确定性，对它的控制还受到道路附着系数的变化、侧向风等外界因素影响。因此传统控制方法往往难以对其稳定和精确地控制。神经网络所具有的学习能力、自适应能力和近似非线性映射的能力，为解决车辆模型参数的不确定性、外界的扰动以及车辆自适应控制问题提供了有效的途径。针对上述几个方面，对近几年国内外学者将神经网络应用到无人驾驶车辆运动控制中所取得的成果与进展进行了归纳分类，分别介绍了应用情况并对优缺点进行评价。最后总结了神经网络在无人驾驶车辆运动控制中存在的主要问题，并展望了可能的发展方向

铰接式车辆的路径跟踪控制是矿山自动化领域中的关键技术，而数学模型和路径跟踪控制方法是铰接式车辆路径跟踪控制中的两项重要研究内容。在数学模型研究中，铰接式车辆的无侧滑经典运动学模型较为适合作为低速路径跟踪控制的参考模型，而有侧滑运动学模型作为参考模型时则可能导致侧滑加剧。此外基于牛顿–欧拉法建立的铰接式车辆四自由度动力学模型原则上满足路径跟踪控制的需求，但是还需要解决当前的四自由度模型无法同时反映瞬态转向特性和稳态转向特性的问题。在路径跟踪控制方法研究中，反馈线性化控制、最优控制、滑模控制等无前馈信息的控制方法无法有效解决铰接式车辆跟踪存在较大幅度曲率突变的参考路径时误差较大的问题，前馈–反馈控制可以用于解决上述问题，但是在参考路径具有不同幅度的曲率突变时需要解决自动调整预瞄距离的问题，而模型预测控制，尤其是非线性模型预测控制，可以更加有效地利用前馈信息，且不需要考虑预瞄距离的设置，从而可以有效提高铰接式车辆跟踪存在较大幅度曲率突变的参考路径时的精确性。此外，对于基于非线性模型预测控制的铰接式车辆路径跟踪控制，还需深化三个方面的研究。首先，该控制方法仍然存在误差最大值随参考速度增大而增加的趋势。其次，目前该控制方法以运动学模型作为预测模型，无法解决铰接式车辆以较高的参考速度运行时侧向速度导致的精确性下降和安全性恶化的问题。最后，还需对这种控制方法进行实时性方面的优化研究

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级

针对印度尼西亚某低品位锰矿，提出盐酸法富集与酸介质高值再生的工艺。借助X射线衍射分析，光学显微镜和电子显微镜等表征方法进行工艺矿物学分析。结果表明：该锰矿矿物组成简单，主要由方解石、软锰矿和少量菱锰矿、褐铁矿、高岭石等组成。筛析结果显示该锰矿粒度越小，锰含量相对越高。粗碎后以2 mm筛孔的筛子过筛可得到锰质量分数为33.32%的锰中矿。锰中矿盐酸直接浸出的最佳条件为：浸出pH 3.0、浸出时间1.5 h、搅拌转速200 r·min?1、液固比4∶1 mL·g?1，此条件下产出的锰精矿品位为54.50%，钙质量分数为0.57%。常温下盐酸再生可产出二水硫酸钙晶须，其长径比可达50以上。再生盐酸返回浸出锰中矿，产出的锰精矿品位为52.16%，钙质量分数为1.39%，验证了该工艺流程的可行性。X射线衍射分析、扫描电镜及能谱分析结果显示产出的锰精矿主要组成成分为软锰矿，杂质为少量褐铁矿、高岭石等。酸介质循环时杂质将逐渐积累，当镁离子质量浓度积累到96.74 g·L?1时，采用水解沉淀法进行除杂

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

在进行大尺寸采空区嗣后充填过程中，胶结充填体易出现分层等结构现象。为深入分析结构特征对胶结充填体力学特性及裂纹演化规律的影响，首先制作中间层高度比为0.2、0.4、0.6和0.8，灰砂比为1∶4、1∶6、1∶8和1∶10的分层胶结充填体试件，然后利用GAW–2000伺服试验系统开展单轴压缩试验，最后借助二维颗粒流软件（PFC–2D），分析胶结充填体内部裂纹分布规律。结果表明：（1）分层充填体单轴抗压强度与高度比呈指数函数关系、与灰砂比呈多项式函数关系；弹性模量与高度比及灰砂比均呈多项式函数关系；单轴抗压强度及弹性模量均随高度比的增加而减小、随灰砂比的增大而增大，且两者对灰砂比敏感度更高。（2）充填体内部裂纹演化曲线先缓慢上升，达到单轴抗压强度的80%左右时快速上升，且灰砂比越大、高度比越大，上升速度越快，拐点到来越早，充填体试件越易发生破坏，超过单轴抗压强度后曲线开始迅速下降。（3）分层充填体主要表现为剪切破坏、张拉破坏及共轭剪切破坏，且破坏主要集中于中间软弱层；高度比越大，试件内部裂纹越密集，灰砂比越大，裂纹越易向两端演化

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