在650、680和710 ℃不同温度条件下对碳质量分数为0.66%的淬火高碳钢进行了石墨化处理，并利用场发射扫描电子显微镜、电子探针、X-射线衍射仪和透射电子显微镜对其石墨化过程的组织进行金相分析，以及利用组织转变动力学理论，绘制了其石墨化过程的动力学曲线，并建立了相应的动力学方程。研究结果显示：在石墨化过程中，淬火马氏体首先向析出碳化物的稳定状态转变，且在碳化物为渗碳体Fe3C时，石墨粒子析出速度开始明显增加；基体组织中针叶状α-Fe发生再结晶，由等轴状铁素体逐步代替针叶状的α-Fe；铁素体中的碳含量随着石墨化时间的延长而逐步降低，即由过饱和状态转变为稳定态，碳含量在石墨粒子中突变增为峰值，而铁含量则突变降为谷值，由此表明，渗碳体分解的碳向石墨核心扩散，铁自石墨核心处扩散出来，而形成石墨粒子；石墨粒子面积分数随时间变化的曲线呈S形状，即该动力学过程符合动力学模型JMAK（Johnson-Mehl-Avrami-Kolmogorov）方程，且该方程中的n值为1.5～1.7

深度神经网络近年在计算机视觉以及自然语言处理等任务上不断刷新已有最好性能，已经成为最受关注的研究方向.深度网络模型虽然性能显著，但由于参数量巨大、存储成本与计算成本过高，仍然难以部署到硬件受限的嵌入式或移动设备上.相关研究发现，基于卷积神经网络的深度模型本身存在参数冗余，模型中存在对最终结果无用的参数，这为深度网络模型压缩提供了理论支持.因此，如何在保证模型精度条件下降低模型大小已经成为热点问题.本文对国内外学者近几年在模型压缩方面所取得的成果与进展进行了分类归纳并对其优缺点进行评价，并探讨了模型压缩目前存在的问题以及未来的发展方向

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

为了获得钢渣制备陶瓷过程中,烧结温度和保温时间的影响规律及实现样品的致密化,在传统研究关于配方试制及性能检测的基础上,以钢渣、黏土等为主要原料制备出钢渣陶瓷,针对低镁样品和高镁样品,研究了烧结温度和保温时间对样品烧结性能的影响及致密化规律.基于烧结速率方程建立了烧结温度和保温时间对样品线性收缩率的函数关系.通过动力学分析,得出不同条件下的烧结激活能,分析认为不同Mg含量下陶瓷样品的致密化方式为扩散控制,低镁样品烧结温度为1000℃时,物质迁移由表面扩散控制,1100℃时,以体积扩散为主;高镁样品在1110℃以上烧结时,主要由液相烧结过程的扩散控制

研究了微波加热条件下（500～800 ℃），AlCl3氯化钒渣中有价金属Fe、Mn、V和Cr变温动力学。通过X射线衍射和扫描电镜能谱表征了氯化产物随时间的物相演变和形貌变化，考察了AlCl3/钒渣的质量比和熔盐配比对氯化提取率的影响。结果表明，AlCl3/钒渣的质量比为1.5、(NaCl-KCl)/AlCl3熔盐质量比为1.66∶1时Fe、Mn、V和Cr的提取率最佳，分别为91.66%、92.96%、82.67%、75.82%和63.14%，微波加热30 min，5种元素的提取率达到或者超过常规加热方式6 h的氯化提取效果。通过热力学和动力学分析，橄榄石相优先于尖晶石相发生氯化反应。而且V和Cr的氯化反应速度小于Fe和Mn。Fe和Mn氯化过程为扩散控制，其非等温扩散活化能为17.02和17.10 kJ·mol?1, V和Cr在氯化过程中的限制性环节为界面化学反应，其表观活化能分别为40.00和50.92 kJ·mol?1；微波与熔盐耦合强化氯化反应的机理可以描述为扩散作用增强和局部化学反应增强

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

含硫胶结充填体随着养护龄期的延长会出现膨胀开裂现象，存在明显裂隙的充填体试件再进行单轴抗压强度测试其结果十分离散，已不能有效地获得充填体力学参数.在室内进行配比试验，采用数字图像处理技术对得到的充填体表面裂隙图像进行二值化、去噪等预处理，而后计算其分形维数并分析其演化规律，且将分形维数与单轴抗压强度关联分析.研究结果表明：充填体试件面表的裂隙存在自相似性，表面裂隙越发育，其分形维数越大；分形维数与单轴抗压强度存在负相关关系，分形维数越小，其单轴抗压强度越高；分形维数可判别含硫充填体试件的完整性，当充填体表面裂隙的分形维数小于某阈值时，强度试验的结果更为可靠

含氟矿石中生物浸出技术推广应用存在瓶颈,究其原因在于伴随含氟脉石矿物溶解,氟对浸矿微生物有较强的抑制作用.本研究利用氟的水化学特性,通过添加可形成稳定络合物的物质来转换F离子存在形态,进而使浸矿微生物可以耐受高氟环境.本文系统研究了氟对细菌的抑制机理,明确了氟的真实毒性形态HF,发现了氟对细菌存在跨膜抑制作用,氟胁迫条件下,干细胞内氟离子质量分数明显高于无氟对照组达到18%以上.选择在生物冶金体系中常见Fe3+做为研究对象,研究了Fe3+对F-的络合解毒作用,热力学分析结果可知,Fe3+可以与HF发生一级竞争络合反应,破坏HF络合结构.在铁离子存在条件下,细菌最高可以耐受F-质量浓度1.0 g·L-1的环境下生长.铁氟络合形态分析可知,只有当培养基中Fe3+质量浓度5倍过量于F-质量浓度,细菌才能正常生长,对应的FeF2+在氟化物中质量分数达45%时,而游离氟离子浓度为2.87×10-5 mol·L-1.络合机理实验结果表明,根据配位化学原理,随着F-/Fe3+浓度比的减小,配体浓度相对较低,氟与铁的络合物向低配位方向移动,可以通过调整培养基中的氟铁浓度比来调整氟铁络合产物,使细菌在高氟环境中生长成为可能

作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响