基于宽度学习的浓密机底流浓度软测量

由于浓密脱水过程中浓密机的底流浓度难以在线检测，本文提出了一种基于宽度学习的软测量建模方法，用以解决底流浓度的在线检测问题.该方法精度高，泛化能力强.首先，在浓密机内部安装压力传感器，建立正常工况下的历史数据集;然后，利用宽度学习系统对软测量模型进行训练，从而实现浓密机底流浓度的在线预测;最后，通过仿真实验验证了该方法的有效性.与传统的机器学习方法相比，宽度学习方法具有更高的预测精度.     

卷积神经网络发展

卷积神经网络作为深度学习的重要代表算法之一,被应用到人脸识别、行为识别、字符识别和图像处理等多个领域,推动着人工智能的快速发展.本文在分析整理大量文献后,总结了卷积神经网络的发展阶段,介绍了卷积神经网络的基本结构和关键技术,选取LeNet、AlexNet、VGGNet、GoogLeNet和ResNet等几种具有代表性的网络进行分析对比,并指出各个网络的应用场景和优缺点,最后提出卷积神经网络未来的研究发展方向.     

原位生成NbC增强YCF102熔覆层热力学与耐磨性研究

熔覆层性能难以满足特定的工艺要求，已成为限制激光熔覆发展的关键因素之一.鉴于此，在45号钢基体上制备出原位生成NbC增强YCF102熔覆层，并进行了热力学分析.通过XRD，SEM和EDS对其微观形貌及组成成分进行了分析，对其显微硬度及耐磨性进行了研究.结果表明:激光功率的改变对激光熔覆过程中原位反应的反应程度有显著影响，过大或者过小的激光功率均会对原位反应的发生起到抑制作用;YCF102熔覆层中原位生成的NbC颗粒的主要形态为四边形和花瓣形;当激光功率为525W时，原位生成NbC增强YCF102熔覆层具有较高的显微硬度及良好的耐磨性.     

一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

制造商融资决策:银行、商业信用或区块链供应链金融

基于收益共享契约构建银行信用融资、商业信用融资和区块链供应链金融的对比模型，探讨各模式下供应链的最优决策方案，定量分析各融资模式下供应链绩效随不同参数的变化情况.研究表明，当零售商资金成本低于制造商资金成本时，商业信用融资一定优于银行信用融资;存在两个区块链供应链金融平台费率的阈值，只有当平台费率低于低阈值点时，区块链供应链金融才是同时利于制造商和零售商的最优模式.此外，收益共享比率越高，制造商收益越高，则零售商收益越低.     

微粒受介电泳效应的动力学建模和仿真

Velocity-Verlet或ODE算法分析微粒的运动特征，涉及的偏微分方程存在求解困难、运算量大和使用效率低的难点.采用COMSOL Multiphysics 5.3a有限元软件，通过AC/DC模块中的边界条件设定可快速求解Laplace方程，为介电泳力的求解提供先决条件.后期根据软件提供的粒子追踪模块，将介电泳力、斯托克斯拖曳力、排斥力和浮力内联进粒子追踪模块的应力参数表中，设定固定的时间步长和范围对介电泳芯片的粒子受力运动问题进行了仿真.结果表明，该方法可以有效模拟微粒受介电泳效应的运动行为，并且与Velocity-Verlet或ODE算法模拟结果相似，能有效降低计算程序的繁琐程度，提高动态模拟的人机可视化效果.     

ZrO2添加量对等离子放电烧结制备WC-6Co组织和性能的影响

以WC-6Co为主体原料，通过添加不同含量的ZrO₂作为烧结助剂，采用SPS烧结技术制备出性能出众的WC-6Co硬质合金，研究了ZrO₂烧结助剂对硬质合金显微组织及力学性能的影响规律.结果表明:随着ZrO₂添加量的增加，试样的显微组织更加致密，相对密度更大，硬度和断裂韧性也有一定程度的增加.并且，当添加ZrO₂的质量分数为3%时，试样的相对密度达到96.7%，维氏硬度增加到20.28kN·mm^-2，断裂韧性增长到12.7MPa·mm^1/2，综合性能最优.研究发现，ZrO₂可以通过促进离子的扩散和颗粒的重排促进烧结，最终使得材料的相对密度和性能均得到提升.     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于FSCD-CNN的深度图像快速帧内预测模式选择算法

针对3D-HEVC的多视点视频加深度图的编码格式和四叉树编码结构所带来的编码复杂度问题，提出了一种深度图像快速帧内预测模式选择算法。首先，从深度视频序列中以最优的深度图最大编码单元（largest coding unit，LCU）划分深度为标签获取训练集；其次，构建了适用于LCU的Cu深度快速选择卷积神经网络（fast selecting Cu’s depth-convolutionalneural network，FSCD-CNN）；最后，对深度图LCU进行划分深度预测，跳过部分编码模式决策，实现最佳LCU划分。实验结果表明，与相关文献对比，所提算法在保持了编码性能的同时平均减少了15%的编码时间，实验验证了其有效性和可靠性。     

基于大数据挖掘的热油管道闭环安全生产体系

长输加热原油管道运行工艺复杂,安全生产与优化相互矛盾,且存在管道沿线油温理论计算误差大,管壁结蜡评估难度大等问题。本研究利用管道实际生产数据,基于数据挖掘算法从热力和水力两个方面,构建了热油管道闭环安全生产体系。其中热力系统是利用BP神经网络,ARMA和Seq2Seq算法模型,建立稳态和非稳态油温预测模型,预测误差小于0.5℃。水力系统则是通过分析管道清管后一定时间内管道摩阻,利用MEA-BP神经网络建立管道标准摩阻预测模型,可对高含蜡热油管道管壁结蜡情况进行有效评估。建立摩阻数据库,利用高斯公式,对历史摩阻数据进行分析,设置历史摩阻数据的90%、95%为预警值和报警值,有效监控由于管道结蜡等引起的长周期摩阻变化。将研究成果应用于指导HY热油管道工艺调整,实现节能达92.4%。基于生产数据建立的油温预测模型,构建的热油管道闭环安全生产体系,具有很好的适用性,为未来管道智能化控制奠定了基础。