针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

采用数学模拟方法研究钢轨钢连铸坯脱氢退火行为，分析不同退火温度、退火时间条件下连铸坯脱氢效果，优化了脱氢退火工艺.在脱氢退火过程中，连铸坯角部和边部的氢含量快速降低，而连铸坯中心氢含量在加热段后期开始降低；随着退火温度的升高，连铸坯中心脱氢的起始点明显提前，最大脱氢速率显著增加.随着均热段时间逐渐延长，连铸坯中心氢含量明显降低，但脱氢速率的增加幅度逐渐减小.通过优化脱氢退火工艺参数，连铸坯中心氢的质量分数能够降低至0.6×10−6，脱氢效果显著

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战

Al−Li 合金具有低密度、高强韧性和低的腐蚀疲劳扩展速率的优点，在航空领域有着广泛应用. Al3Li（δ′）相是 Al−Li 合金中主要强化相之一，因含有活性元素 Li 对该合金的腐蚀行为产生显著影响. 为明确 δ′相在 Al−Li 合金电化学腐蚀中的 作用，真空熔炼制备 Al−2Li 二元合金，固溶后进行 180 ℃ 等温时效，用 X 射线衍射（XRD）检测合金的相组成. 在质量分数为 3.5% 的 NaCl 水溶液中，用动电位极化的方法测量了该合金的极化曲线. −0.85 V vs SCE 钝化电位下形成钝化膜后，用电化学 阻抗（EIS）检验钝化膜的耐蚀性；用恒电位阳极极化和 Mott−Schottky（M−S）曲线对该合金钝化膜的结构进行分析

通过热处理制备出具有回火马氏体组织、下贝氏体组织以及粒状贝氏体组织的718钢，利用光学显微镜、扫描电子显微镜、X射线衍射仪、万能拉伸实验机比较其显微组织及力学性能。同时借助高速铣削实验及光学轮廓仪，研究力学性能以及组织结构对切削性能的影响。结果表明，当切削速度低于145 m·min?1时，贝氏体组织类型比回火马氏体组织更易切削，切削贝氏体组织比切削回火马氏体组织的刀具使用寿命高30%～40%。当切削速度高于165 m·min?1时，马氏体组织发生了加工软化现象，刀具使用寿命提高，切削性能上升。粒状贝氏体组织加工表面因为严重的刀具黏附而出现背脊纹路，马氏体组织具有最佳的切削表面粗糙度。综合考虑之下，三种组织的综合切削性能从高到低排序为：下贝氏体组织、马氏体组织、粒状贝氏体组织，采用300 ℃等温淬火工艺可以有效提升718塑料模具钢的综合切削性能

介绍了模拟结晶器内渣膜形成的实验方法, 综述了国内外学者在保护渣传热方面所做的研究工作, 包括固态渣膜的界面热阻、保护渣的导热系数、辐射传热以及渣膜的光学性质, 并提出了今后在渣膜形成及传热研究中有待进一步完善的内容和方向.现有的研究结果表明利用热丝法可以对渣膜的形成过程进行原位观察, 采用水冷铜探头法可以获取用于研究渣膜微观组织的固态渣膜样品.渣膜的界面热阻在0.0002~0.002 m2·K·W-1之间.在800℃以下, 保护渣的导热系数在1.0~2.0 W·m-1·K-1范围内, 且随温度的升高而逐渐增加.渣膜中的晶体一方面可以增加渣膜的界面热阻, 另一方面可以提高固态渣膜的反射率, 起到降低辐射热流的作用.此外, 过渡族金属氧化物的加入以及固态渣膜中弥散分布的微小颗粒也能改变渣膜的光学性质, 从而影响通过渣膜的辐射传热

通过在Na2SiO3-KOH基础电解液中加入石墨烯添加剂,在镁锂合金表面制备出一层自润滑的含碳陶瓷层. 利用扫描电镜、原子力显微镜以及X射线衍射仪分析了陶瓷层的表面形貌、粗糙度以及物相组成,利用摩擦磨损试验仪对陶瓷层在室温下的摩擦学性能进行研究. 其结果表明,加入石墨烯后制备出的含碳陶瓷层表面放电微孔分布均匀,且其微孔尺寸和表面粗糙度均明显降低. 相比于镁锂合金,陶瓷层的表面硬度也得到明显的提高. 此外,含碳陶瓷层主要由SiO2、Mg2SiO4以及MgO物相组成,而石墨烯则以机械形式弥散分布于陶瓷层中并起到减摩作用. 当石墨烯体积分数为1%时,陶瓷层表面显微硬度为1317.6 HV0.1 kg,其摩擦系数仅为0.09,其耐磨性明显提高. 同时,陶瓷层磨痕的深度和宽度均明显小于镁锂合金,而且较为光滑,表明陶瓷层表面没有发生严重的黏着磨损

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

为了深入探讨胶磷矿难选的具体原因，采用化学分析、X射线衍射以及矿物自动分析系统（AMICS）测试手段对云南某胶磷矿浮选给料进行了系统深入的工艺矿物学研究，探索了该矿样难浮选分离的内在机理。结果表明：该样品中磷主要以氟磷灰石形式存在，其脉石矿物以白云石和石英为主。氟磷灰石的嵌布粒度较细，主要分布于10～75 μm的粒度范围，其单体解离度为59.17%。除了以单体的形式存在以外，氟磷灰石主要与白云石、石英连生，连生体的质量分数分别为26.23%和9.92%。而白云石和石英的单体解离度相对较低，分别为46.82%和39.10%。进行了粗选脱镁、一粗两扫脱硅的闭路流程浮选试验，获得了精矿P2O5品位为29.75%、P2O5回收率为81.95%，SiO2品位为12.63%的浮选指标。结合工艺矿物学分析结果，指出该浮选样品中胶磷矿嵌布粒度细、难以获得较好的解离度、泥化严重是浮选难于获得更好指标的主要原因

研究了全状态约束与输入饱和情况下的全向移动机器人轨迹跟踪控制问题.首先，针对一类三轮驱动的全向移动机器人，考虑系统存在模型参数不确定与外部扰动，建立了运动学与动力学模型；其次，利用障碍Lyapunov函数，结合反步设计方法，有效处理全向移动机器人跟踪过程中存在的状态约束，保证所有状态变量不会超出状态约束的限制区域；然后，针对系统参数不确定和未知有界扰动，设计相应的自适应律进行处理；同时，提出一种抗饱和补偿器保证机器人输入力矩满足饱和约束；并且利用Lyapunov理论分析证明了当选取合适的控制参数时闭环系统中的所有信号均能保证一致有界；最后，通过与未考虑状态约束和输入饱和的控制器以及经典比例-微分控制器进行仿真对比，验证了该方法的有效性和鲁棒性