融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率

在输电场景中，吊车等大型机械的运作会威胁到输电线路的安全。针对此问题，从训练数据、网络结构和算法超参数的角度进行研究，设计了一种新的端到端的输电线路威胁检测网络结构TATLNet，其中包括可疑区域生成网络VRGNet和威胁判别网络VTCNet，VRGNet与VTCNet共享部分卷积网络以实现特征共享，并利用模型压缩的方式压缩模型体积，提升检测效率，从计算机视觉和系统工程的角度对入侵输电场景的大型机械进行精确预警。针对训练数据偏少的问题，利用多种数据增强技术相结合的方式对数据集进行扩充。通过充分的试验对本方法的多个超参数进行探究，综合检测准确率和推理速度来研究其最优配置。研究结果表明，随着网格数目的增加，准确率也随之增加，而召回率有先增加后降低的趋势，检测效率则随着网格的增加迅速降低。综合检测准确率与推理速度，确定9×9为最优网格划分方案；随着输入图像尺寸的增加，检测准确率稳步上升而检测效率逐渐下降，综合检测准确率和效率，选择480×480像素作为最终的图像输入尺寸。输入实验以及现场部署表明，相对于其他的轻量级目标检测算法，该方法对输电现场入侵的吊车等大型机械的检测具有更优秀的准确性和效率，满足实际应用的需要

通过对不同厂家或产线生产的相近成分和显微组织的8种低合金工程结构钢样品进行中性盐雾加速腐蚀试验，结合成分测试、微观组织分析、腐蚀产物分析及数据统计与计算拟合等方法，提出了评价低合金结构钢耐蚀性的综合耐蚀指数及其包含钢材成分、夹杂物、组织及晶粒度等多因素的数学表达式。研究结果表明，低合金工程结构钢的耐蚀性除与传统的耐蚀指数I相关外，还受钢中夹杂物、显微组织、晶粒度等多种材料因素的耦合影响，其影响程度按从大到小排序依次为耐蚀合金元素所决定的耐蚀指数I、夹杂物总量、珠光体含量和晶粒度级别。综合耐蚀指数Y可作为比耐蚀指数I指数更有效的低合金钢耐蚀性判据，具有重要的工程应用价值

选取3种不同变质程度的原煤,制成5种不同粒径的煤粒,并压制成型煤,在压力3 MPa和温度25℃条件下对型煤试样进行等温吸附实验,并利用SH-X多路温度测试仪和CHI660E型电化学工作站测试煤吸附瓦斯过程中的温度变化和电流-时间曲线,基于Clausius-Clapeyron方程和相关性系数,分析和研究不同粒径煤吸附瓦斯过程中煤的热电效应及其相关性,试图从煤的热电效应方面研究煤的吸附能力.结果表明:煤在吸附瓦斯过程中伴随有明显的热电效应,在吸附平衡时,煤的温度升高了0.93~8.74℃,煤的电阻率比稳定时降低了0.14~0.16倍;煤的温度随粒径减小和吸附量的增加而升高,煤的电阻率变化却相反;煤体温度和电阻率变化与瓦斯吸附量变化呈现很强的相关性,相关性系数rw和rd分别介于0.9502~0.9899和-0.9316~-0.9916之间,均接近于±1.因此,吸附过程中的热电效应可反映煤的吸附能力,在吸附平衡时,煤体温度变化越大,温度越高,电阻率越小,说明煤的吸附能力越强;相反,说明煤的吸附能力越弱

采用恒载荷拉伸应力腐蚀试验和电化学试验研究取向对Al-Zn-Mg合金型材的应力腐蚀(SCC) 开裂的影响, 腐蚀介质采用质量分数3. 5%的Na Cl溶液, 容器温度维持在50±2℃, 并通过光学金相显微镜(OM)、扫描电子显微镜(SEM)、电子背散射衍射(EBSD) 等研究不同取向试样应力腐蚀前、后的微观形貌.结果表明横向试样在315 h时断裂, 而纵向试样在整个加载过程中未发生断裂, 纵向试样有更好的抗应力腐蚀开裂性能; 纵截面(L-S面) 的腐蚀电流密度为0. 980 m A·cm-2, 约为横截面(T-S面) 的5倍, 腐蚀倾向于沿挤压方向发展; 相比T-S面, L-S面晶粒间取向差较大, 大角度晶界多, 容易被腐蚀产生裂纹; 在应力腐蚀加载过程中, 试样先发生阳极溶解, 形成腐蚀坑, 聚集的腐蚀产物所产生的楔入力和恒定载荷的共同作用促使裂纹在腐蚀介质中加速扩展, 两种取向试样均发生了明显的晶间腐蚀, 存在应力腐蚀开裂的倾向

提出了一种面向网络长文本的话题检测方法.针对文本表示的高维稀疏性和忽略潜在语义的问题，提出了Word2vec&LDA（latent dirichlet allocation）的文本表示方法.将LDA提取的文本特征词隐含主题和Word2vec映射的特征词向量进行加权融合既能够进行降维的作用又可以较为完整的表示出文本信息.针对传统话题发现方法对长文本输入顺序敏感问题，提出了基于文本聚类的Single-Pass&HAC（hierarchical agglomerative clustering）的话题发现方法，在引入时间窗口和凝聚式层次聚类的基础上对于文本的输入顺序具有了更强的鲁棒性，同时提高了聚类的精度和效率.为了评估所提出方法的有效性，本文从某大学社交平台收集了来自真实世界的多源数据集，并基于此进行了大量的实验.实验结果证明，本文提出的方法相对于现有的方法，如VSM（state vector space model）、Single-Pass等拥有更好的效果，话题检测的精度提高了10%~20%

利用自制外控电位浮选槽研究了矿物粒度、矿浆pH值、外控电位大小等因素对黄铜矿和辉钼矿浮选行为的影响, 从而找到二者分离的条件并进行了铜钼混合精矿的外控电位浮选分离, 采用循环伏安测试和腐蚀电偶测试验证了上述试验结论. 研究结果表明, -150+31 μm的黄铜矿受外控电位影响大, 容易被抑制, 而辉钼矿则不容易被抑制. -31 μm的黄铜矿和辉钼矿可浮性均较差, 受外控电位影响较小. 外控电位浮选在碱性条件下进行有利于实现抑铜浮钼. 在pH值11的条件下, 抑铜浮钼的最佳分离外控电位为-1100~-700 mV(vs Ag/AgCl). 在pH值为11、外控电位-800 mV(vs Ag/AgCl)的条件下对多宝山铜钼混合精矿进行浮选分离, 经过一次浮选分离可得到钼回收率80.57%、铜回收率10.19%的钼粗精矿, 辉钼矿和黄铜矿的浮游差达到70.38%, 这使外控还原电位下浮选分离黄铜矿和辉钼矿成为可能. 另外, 腐蚀电偶测试结果表明: 黄铜矿和辉钼矿间的电偶腐蚀对于抑铜浮钼浮选有促进作用

脏腑定位，即明确病变所在的脏腑，是中医脏腑辨证的重要阶段。本文旨在通过神经网络模型搭建中医脏腑定位模型，输入症状文本信息，输出对应的病变脏腑标签，为实现中医辅助诊疗的脏腑辨证提供支持。将中医的脏腑定位问题建模为自然语言处理中的多标签文本分类问题，基于中医的医案数据，提出一种基于预训练模型ALBERT和双向门控循环单元（Bi-GRU）的脏腑定位模型。对比实验和消融实验的结果表明，本文提出的方法在中医脏腑定位的问题上相比于多层感知机模型、决策树模型具有更高的准确性，与Word2Vec文本表示方法相比，本文使用的ALBERT预训练模型的文本表示方法有效提升了模型的准确率。在模型参数上，ALBERT预训练模型相比BERT模型降低了模型参数量，有效减小了模型大小。最终，本文提出的脏腑定位模型在测试集上F1值达到了0.8013

为解决堆浸过程中由于大量矿粉存在而导致矿堆渗透性差、浸出率低等问题，以次生硫化铜矿为原料，开展了制粒试验研究.考察了不同制粒黏结剂对矿粉的黏结效果，确定了最佳的制粒黏结剂、制粒工艺以及制粒方法.通过正交制粒试验，明确了影响制粒试验的主要因素.试验结果表明：不同制粒黏结剂的黏结效果排序依次为：SFS-2 > SFS-3 >水泥>半水石膏> SFS-1 > SFS-0 >硅酸钠>阳离子型聚丙烯酰胺.当选用黏结剂SFS-2，黏结剂占矿粉质量分数为8%、加酸量为25 kg·t-1以及制粒过程喷水质量分数为30%时，所制矿团效果最佳.其湿强度达到94.62%，抗压强度达到417.44 N，矿团酸浸维持完好时间超过25 d，矿团形态基本维持不变，无明显破裂现象.正交制粒试验得到多因素对次生硫化铜矿制粒的影响由大到小依次为：黏结剂占矿石质量分数、加酸量和制粒喷水量.对选定的黏结剂进行细菌接种试验显示，黏结剂对细菌群落无明显影响.添加黏结剂试验组细菌数量为8.79×107 mL-1，未添加黏结剂试验组细菌数量为8.86×107 mL-1.对制粒后矿团进行浸矿试验结果显示，矿粉制粒后铜浸出率提高了12.74%，制粒通过增大矿物之间的孔隙，增加浸出液与矿石的接触，进而提高铜浸出率

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪