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.     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测，而少有对未监测区域进行预测的问题，综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响，提出了一种联合训练模型MLP&ST （MLP&spatial-temporal），模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index，AQI）。通过实验结果对比确定最佳历史时间步长P值为29；然后将模型与其他空气质量预测模型进行对比。实验结果表明，MLP&ST模型在3种评价指标下（RMSE，MAE，MAPE）皆优于其他对比模型，验证了所提出模型具有良好的预测效果。     

BIM情境下综合设施管理服务供应商激励契约

为有效激励综合设施管理（Integrated Facility Management，IFM）服务供应商应用BIM进行IFM外包服务，实现BIM在IFM过程中的应用价值与IFM项目绩效，基于委托代理理论，针对IFM外包BIM应用过程中IFM服务供应商需要执行的BIM系统运营服务和IFM业务咨询服务两项任务，构建多任务委托代理模型；依托模型，分析在两项服务任务成本相互独立、相互依存及相互替代等三种激励模式下的激励契约；结合模型计算与MATLAB仿真结果，辨识最优的激励模式及激励契约。研究表明：3种模式下的激励契约将对IFM服务供应商产生不同的激励效果，并对业主方IFM项目造成差异性绩效；3种激励模式下的最优激励契约由高到低排序为：成本相互依存模式下的最优激励契约>成本相互独立模式下的最优激励契约>成本相互替代模式下的最优激励契约；业主方应选取合适的激励模式与契约对IFM服务供应商进行激励，且其服务能力与IFM项目绩效越高，业主方对其激励将越大。     

(3+1)维Korteweg-de Vries (KdV)方程的高阶怪波解和多波浪解

基于Hirota双线性形式，一个新的（3+1）维Korteweg-de Vries（KdV）方程的高阶怪波解和多波浪解被得到.通过作图，更直观地展示和讨论了高阶怪波解和多波浪解的动力学性质.     

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。     

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。     

基于中心点和双重注意力机制的无人机高分辨率图像小目标检测算法

无人机拍摄的图像具有分辨率高、视野大以及目标小的特点，而现有的目标检测方法对小目标特征的提取能力不足。为此，首先采用以中心点表示目标的检测网络CenterNet，引入可变形双重注意力机制，以提高对小目标的特征表达能力；然后针对原始非极大值抑制难以处理嵌套型冗余框的问题，在冗余检测剔除过程中提出了广义非极大值抑制方法；最后引入LegoNet卷积单元，减少了卷积参数，实现了精度与速度的平衡。实验主要采用的验证数据集为VisDrone2019和UAV_OUC，UAV_OUC数据集相比于VisDrone2019，其图片具有更高的分辨率。相比于CenterNet，所提出的方法在数据集UAV_OUC和VisDrone2019上的检测精度大约分别提高了10%和2%。     

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。