利用Gleeble-3500热模拟试验机对38MnB5热成形钢的高温变形行为进行研究, 分别在650~950℃温度区间内, 以0.01、0.1、1和10 s-1的应变速率对其进行等温单向拉伸测试, 并得到相应条件下的真应力-应变曲线.结果表明: 38MnB5热成形钢流变应力随着变形温度的升高而减小, 随着应变速率的增大而增大.当应变速率逐渐增加时, 热变形时发生的动态回复和动态再结晶效果并不显著, 而当温度逐渐升高时, 二者作用逐渐加强.考虑了温度、应变速率和应变的综合复杂影响, 建立38MnB5热成形钢高温下的本构方程.此本构方程通过对流变应力、应变、应变速率等实验数据的回归分析, 得到与变形温度、应变速率和应变相关的材料参数多项式.计算结果与实验结果对比发现, 通过本构方程所获得的计算值与试验值吻合良好

网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

采用挤出式3D打印技术制备锂离子电池电极，选取三元镍钴锰酸锂（LiNi0.5Co0.2Mn0.3O2）作为正极活性材料，以去离子水、羟乙基纤维素和其他添加剂为溶剂来制备性能稳定且适合3D打印技术的锂离子电池正极墨水，利用流变仪、X射线衍射仪、电池测试仪、ANSYS模拟等探究了增稠剂种类和含量、墨水黏度、打印工艺等对墨水流变性质和可打印性能的影响。结果表明：选取羟乙基纤维素/羟丙基纤维素质量比为1∶1混合且质量分数为3%时，所制备的墨水黏度为20.26 Pa·s，此时墨水具有较好的流变性，打印过程出墨均匀，打印电极光滑平整，满足后期墨水的可打印性要求，经模拟分析，墨水黏度对墨水流动性影响明显；电极材料经超声分散、打印、烧结等过程后未造成原有晶体结构的改变；电极首次充放电容量分别为226.5和119.4 mA·h·g?1，经过20次循环后，电池充放电容量的变化率减小并趋于稳定，3D打印电极表现出良好的循环稳定性

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

以茄子为原材料，通过水热处理–后续热解法及直接热解法分别制备出两种不同的茄子衍生多孔碳材料（HBPC和BPC）。以茄子衍生多孔碳材料为载体，采用真空浸渍法负载相变芯材聚乙二醇（PEG2000），制备出聚乙二醇/茄子衍生多孔碳材料复合相变材料。通过扫描电镜、拉曼光谱、压汞法、傅里叶变换红外光谱分析、X射线衍射仪、热重分析仪和差示扫描量热仪对其进行结构表征及性能测试。结果表明，通过直接热解法制得的茄子衍生多孔碳材料为载体的聚乙二醇/茄子衍生多孔碳材料复合相变材料具有更好的相变储热效果，负载聚乙二醇的质量分数高达90.60%，熔融潜热为133.98 J·g?1，达到了较好的定形相变效果及良好的循环稳定性

针对镍黄铁矿和蛇纹石浮选难分离,提出采用磁罩盖法进行磁分离.结果表明,控制一定的矿浆物化条件,随着磁种磁铁矿的添加,镍黄铁矿的磁选回收率随之升高,而蛇纹石的回收率基本保持很低,可实现两者的良好分离.人工混合矿分离结果表明,磁种质量分数为5%时,获得的精矿Ni品位为19.89%,回收率为92.46%,MgO质量分数为4.72%;X射线衍射和扫描电镜分析结果显示磁铁矿在镍黄铁矿表面产生了罩盖,在蛇纹石表面未产生明显的罩盖;Zeta电位测试和DLVO理论计算结果表明,添加六偏磷酸钠后,蛇纹石表面电性由正变负,而对镍黄铁矿和磁铁矿表面电性未产生显著影响,从而使磁铁矿与蛇纹石间的相互作用变为排斥,而与镍黄铁矿之间仍为吸引,因而磁铁矿选择性罩盖在镍黄铁矿表面,增强其磁性,实现与蛇纹石的磁分离

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

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

深锥浓密机内底部料浆的屈服应力过高容易导致压耙，为此通过对不同絮凝沉降条件下获得的浓缩超细尾砂料浆的屈服应力进行原位测量，并通过对絮凝前后料浆总有机碳的测试来分析超细尾砂颗粒表面的絮凝剂吸附量，进而分析了絮凝沉降对浓缩超细尾砂料浆屈服应力的影响规律。研究发现，絮凝沉降对浓缩超细尾砂料浆的屈服应力有显著影响，pH和絮凝剂单耗通过影响尾砂颗粒表面的絮凝剂吸附量进而影响浓缩超细尾砂料浆的屈服应力，屈服应力随着pH和絮凝剂单耗的增大均不断增大。综合考虑尾砂料浆的絮凝沉降效果和所得浓缩超细尾砂料浆的屈服应力，最佳絮凝条件是pH值为11和絮凝剂单耗为15 g·t?1，在此最优条件下料浆固液界面的初始沉降速率为0.4565 mm·s?1，沉降后上清液浊度为143 NTU，底部沉积尾砂料浆的固相质量分数为51.56%、屈服应力为243.18 Pa。初步建立了适用于超细人造尾砂的基于絮凝剂吸附量的屈服应力模型，屈服应力随尾砂颗粒表面单位面积的絮凝剂吸附量的增大而增大，为实际生产中控制全尾砂絮凝沉降参数提供参考

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