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.     

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.     

基于差异信息量的多源数据融合方法

D-S证据理论可应用于多源数据融合领域，但在处理高度冲突的证据时，可能会出现反直觉的结果.为解决这一问题，本文提出了差异信息量的概念及融合方法.首先，通过信息熵表明证据的相对重要性，采用散度获取证据可信度.然后利用证据可信度优化证据差异度以得到差异信息量，经过计算获取数据的最终权重，并将其作为D-S证据理论中的基本概率分配进行决策.在处理冲突证据、一致证据及不同数量证据等方面的数据融合问题时与其他方法对比，所提方法收敛更快，准确度更高.故障诊断的应用实例表明，所提方法的不确定性更小，优于现存的其他方法.     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。