为了研究人体皮肤中最重要的2种色素:黑色素与血色素,提出一种基于光密度空间的图像通道差的算法,从单张彩色图像中自动提取黑色素与血色素的浓度分布.该算法以皮肤的结构和光学属性为理论基础,构建色素与图像的数学模型.整个算法先将输入图像分为若干个子区域.在每个子区域利用独立成份分析ICA技术计算分离向量,根据归纳的原则对分离向量进行合理性验证.将所有合理的分离向量重组,生成新的向量,从中找出偏差最小的作为最终的全局分离向量,并以此计算色素浓度分布图.结果表明,该算法获得了理想的效果,并具有很好的鲁棒性.

型腔压力和熔体温差是反映塑料制品质量好坏的2项重要质量指标.考虑到塑料制品的薄壁特性,从黏性流体力学的基本方程出发,建立一种简化流动模型作为代理模型代替耗时的塑料注射成型模拟软件快速预测上述质量指标,基于代理模型的预测结果,采用粒子群算法实现注射参数的迭代优化,该方法计算速度快效率高,对知识的依赖程度低.最后通过实验对代理模型的正确性和优化方法的有效性进行验证,实验结果表明,基于代理模型的型腔压力预测值与实验值吻合较好,相对误差值只有8.41%,提出的优化方法与响应面方法的优化结果基本一致,但运行时间仅为响应面方法的0.02%.

大多复合故障诊断方法视复合故障为一种新的单一故障类型，忽视了内部单一故障的相互作用、故障分析粒度含糊和解释性差. 为了解决复合故障难解耦的问题，针对工业环境中复合故障数据极少的情况，提出一种基于改进Transformer的复合故障解耦诊断方法. 诊断流程分为预处理、特征提取和故障解耦3个步骤. 故障解耦引入Transformer的解码器，利用交叉注意力机制使得每个单一故障标签可以在提取的特征层中，自适应地关注到与故障特征相对应的判别特征区域，进一步预测每个单一故障标签的输出概率以实现复合故障解耦. 设计多组复合故障试验与业界先进算法进行对比，以验证方法的有效性. 结果表明，所提方法在少量单一故障训练样本和极少量复合故障训练样本情况下，有较高的诊断准确度. 当训练集中复合故障样本数仅为5时，复合故障诊断准确度达到88.29%，与其他方法比较更具有显著优势.

目标检测模型在电子元件生产环境中的实时检测能力不佳，为此采用GhostNet替换YOLOv5的主干网络. 针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况，在YOLOv5主干网络中加入坐标注意力机制，在避免大量计算资源消耗的前提下增强感受野，将坐标信息嵌入通道注意力中以提升模型对目标的定位. 使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构，提升多尺度加权特征的融合能力. 在自制缺陷电子元件数据集上的实验结果表明，改进的GCB-YOLOv5模型平均精度达到93%，平均检测时间为33.2 ms，相比于原始YOLOv5模型，平均精度提高了15.0%，平均时间提升了7 ms，可以同时满足电子元件表面缺陷检测精度与速度的需求.

针对多智能体追逃问题，提出基于优先经验回放和解耦奖励函数的多智能体强化学习算法. 将多智能体深度确定性策略梯度算法（MADDPG）和双延迟-确定策略梯度算法（TD3）相结合，提出多智能体双延迟-确定策略梯度算法（MATD3）. 针对多智能体追逃问题中奖励函数存在大量稀疏奖励的问题，提出利用优先经验回放方法确定经验优先度以及采样高价值经验. 设计解耦奖励函数，将奖励函数分为个体奖励和联合奖励以最大化全局奖励和局部奖励，提出DEPER-MATD3算法. 基于此算法设计仿真实验，并与其他算法对比，实验结果表明，该算法有效解决了过估计问题，且耗时相比MATD3算法有所减少. 在解耦奖励函数环境下该算法训练的追击者的全局平均奖励升高，追击者有更大的概率追击到逃逸者.

针对现有的结构化图像超分辨重建算法大多只能解决特定单一种类的结构化图像超分辨问题，提出一种基于改进Transformer的结构化图像超分辨率网络（TransSRNet）. 该网络利用Transformer的自注意力机制在空间序列中挖掘大范围的全局信息. 采用沙漏块结构搭建空间注意力单元，关注低分辨率空间和高分辨率空间在局部区域的映射关系，提取图像映射过程中的结构化信息，使用高效通道注意力模块对自注意力模块和空间注意力模块做特征融合. 在高度结构化CelebA、Helen、TCGA-ESCA 和TCGA-COAD数据集上的模型评估结果表明，相较于主流超分辨算法，TransSRNet整体性能表现更好. 在放大因子为8时，人脸数据集和医学峰值信噪比（PRNR）可以分别达到28.726、26.392 dB, 结构相似性（SSIM）可以分别达到0.844、0.881.

针对当前区块链Kademlia网络研究中通常以牺牲安全性为代价提升可扩展性的问题，提出基于小世界理论的区块链Kademlia网络改进方法. 该方法遵循小世界理论的思想，提出置换扩容节点的概率公式，概率与节点间距离呈反比，节点置换次数和额外增加的节点数量可以根据实际情况灵活调整. 通过理论分析和实验验证，证明了采用该方法改造的网络能够达到最终的稳定状态. 实验结果显示，利用该方法将全网广播交易消息时须经历的传输层级减少了15.0%~30.8%，加快了定位节点的速率. 与其他改变网络结构的优化算法相比，该方法降低了网络的结构化程度，增强了网络的安全性.

保证焚烧烟气在大于850 ℃区域内停留2 s以上是保证垃圾稳定燃烧和避免二次污染的重要途径，但目前只采用炉膛出口热电偶测温对其定性评估，难以定量计算和预测烟气在高温区域停留时间. 本研究基于热力学计算方法、运行参数关联性分析和多种机器学习算法（反向传播神经网络、循环神经网络、随机森林算法），对我国某典型生活垃圾循环流化床焚烧锅炉开展了烟气高温段（>850 ℃）停留时间计算、关键运行参数关联计算和停留时间预测模型构建等研究. 结果表明，炉膛温度、一二次风温度和压力等10个关键运行参数与高温烟气停留时间具有强关联性和预测性. 循环神经网络预测模型相对最优，其拟合度及准确性较反向神经网络、随机森林算法更高，均方根误差(MSE)为0.11626，预测值与真实值的平均绝对误差为1.174%. 本研究可以用于预测炉内高温区域烟气温度变化，为炉内焚烧工况优化和污染物减排超前调控提供支撑.

针对现有基于深度学习的印刷电路板（PCB）缺陷检测算法无法同时满足精度和效率要求的问题，提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷. 将主干网络替换为ResNeSt50，提高特征提取能力，减少参数量. 引入SPP模块，融合不同感受野的特征，丰富了特征的表达能力. 改进PANet结构替换FPN，插入SE模块提升有效特征图的表达能力，增加1组高分辨率特征图的输入输出，提升对小目标物体的敏感程度，检测尺度由3个增加到4个. 使用K-means算法重新聚类生成锚框尺寸，提高了模型的目标检测精度. 实验证明，AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%，参数量为3.523×10⁷，平均检测速度为36帧/s，满足精度和效率的要求.

综述直接空气捕集CO₂吸附剂的研究进展，对比碱/碱土金属基吸附剂、金属有机框架吸附剂、负载胺基吸附剂、变湿吸附剂的优缺点，从吸附容量与胺效率、动力学与载体选择、再生方式与能耗、热稳定性与抗降解等方面对吸附剂性能进行评估. 简要叙述相关工程示范项目和技术经济性；总结研究中存在的问题，展望未来的研究方向.

针对水质数据在时间和空间维度上的复杂依赖关系，提出基于图神经网络（GNN）的地表水水质预测模型. 该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系，使用长短时记忆网络（LSTM）建模水质指标序列在时间上的复杂依赖关系，将编码结果输入到解码器中得到预测输出. 实验结果表明，与时间序列分析方法、通用回归方法和一般深度学习方法相比，该模型能够实现23.3%、26.6%和14.8%的性能提升.

针对现有疲劳状态检测方法无法适用于疫情防控下的驾驶员，利用改进后的YOLOv5目标检测算法，对驾驶员的面部区域进行检测，建立多特征融合的疲劳状态检测方法. 针对公交驾驶特性，建立包含佩戴口罩和未佩戴口罩情况的图像标签数据. 通过增加YOLOv5模型的特征采样次数，提高眼、嘴、面部区域的检测精度. 利用BiFPN网络结构保留多尺度的特征信息，使得预测网络对不同大小的目标更敏感，提升整体模型的检测能力. 结合人脸关键点算法提出参数补偿机制，提高眨眼、打哈欠帧数的准确率. 将多种疲劳参数融合归一化处理，开展疲劳等级划分. 公开数据集NTHU和自制数据集的验证结果表明，该方法对佩戴口罩和未佩戴口罩情况均可以进行眨眼、打哈欠识别，可以准确地判断驾驶员的疲劳状态.

针对考虑运输时间的柔性作业车间调度问题，以最小化最大完工时间为优化目标，提出自适应樽海鞘群算法. 设计基于随机密钥方法的3层编码方案，将编码的离散解空间连续化. 引入惯性权重评价跟随者之间的相互影响程度，增强算法的全局探索与局部搜索能力. 提出自适应更新领导者-跟随者种群数量策略，根据种群迭代状态对领导者和跟随者的数量进行自适应调整. 在邻域搜索中引入禁忌搜索策略，防止算法陷入局部最优. 通过基准算例测试，验证了算法的有效性和优越性，发现AGV数量对完工时间的影响符合边际效应递减的规律.

为了提高软件的开发效率，目前已出现应用人工智能技术进行智能化开发的趋势，如何理解程序语义是智能化开发中需要重点解决的问题. 针对该问题，出现了一系列程序表示学习的研究，程序表示学习可以自动地从程序中学习有用的特征，将特征表示为低维稠密向量，高效地提取程序语义并使用于相应的下游任务. 对程序表示学习的研究工作进行综述，介绍了主流的程序表示学习模型，包括基于图结构和基于token序列的程序表示学习框架. 展示了程序表示学习技术在缺陷检测、缺陷定位、代码补全等任务上的应用，总结了程序表示学习的常用工具集和测试集. 分析了程序表示学习未来需要应对的挑战.

为了提升自动驾驶汽车对周边环境的感知能力，提出优化DeepSort的前方多车辆目标跟踪算法. 采用Gaussian YOLO v3作为前端目标检测器，基于DarkNet-53骨干网络训练，获得专门针对车辆的检测器Gaussian YOLO v3-vehicle，使车辆检测准确率提升3%. 为了克服传统预训练模型没有针对车辆类别的缺点，提出采用扩增后的VeRi数据集进行重识别预训练. 提出结合中心损失函数与交叉熵损失函数的新损失函数，使网络提取的目标特征有更好的类内聚合以及类间分辨能力. 试验部分采集不同环境的实际道路视频，采用CLEAR MOT评价指标进行性能评估. 结果表明，与基准DeepSort YOLO v3相比，跟踪准确度提升1%，身份切换次数减少4%.

为了增加新闻推荐的辅助信息并提高预测精度，提出基于Transformer和知识图谱的新闻推荐方法. 为了结合新闻语义信息和实体信息，利用自注意力机制获取新闻单词之间和新闻实体之间的联系，采用加法注意力机制捕捉单词和实体对新闻表示的影响. 考虑到用户对新闻的偏好具有时序性特点，引入Transformer以捕捉用户点击新闻间的关联信息及用户兴趣随时间的变化情况. 利用知识图谱中的高阶结构信息，融合候选新闻邻接实体，提升候选新闻嵌入向量所含信息的完整性. 在2个版本的MIND新闻数据集上与5个典型推荐方法的对比实验表明，注意力机制、Transformer和知识图谱的引入提高了算法在新闻推荐方面的表现.

概述工业锅炉设计的特点和引入数字孪生技术的必要性. 通过对工业锅炉数字化设计技术的发展和研究现状的综述，提出以设计过程优化为核心、以数字孪生为基础的新一代工业锅炉数字化设计技术是提升工业锅炉设计能力和综合性能的关键. 分析数字孪生技术在工业锅炉设计中的应用特点，总结数字孪生驱动的工业锅炉数字化设计的三大关键技术问题：面向设计过程多元信息表达的工业锅炉数字孪生建模技术；基于人机交互与虚拟现实智能验证的设计过程优化技术；面向全生命周期的工业锅炉数字孪生数据管理技术. 在此基础上，提出数字孪生驱动的工业锅炉数字化设计技术框架，以期为面向高性能工业锅炉的数字化设计技术研究和应用提供思路和有价值的参考.

研究金融领域基于自然语言查询的结构化查询语言(SQL)生成问题(Text-to-SQL), 构建一个金融领域Text-to-SQL数据集，称为SOFT数据集. 该数据集覆盖了金融领域的常见查询，具有鲜明的特点，并对Text-to-SQL提出了挑战. 提出金融领域Text-to-SQL模型FinSQL，该模型优化了对金融领域复杂查询的支持. 通过分析一类复杂计算查询（行计算查询）的特点，提出一种基于分治的方法，即先将一个行计算查询分解为若干个子查询，分别针对每个子查询生成SQL语句，再将子查询的SQL语句组合在一起得到原始查询的SQL语句. 在SOFT数据集上进行验证，结果显示，本研究所提的方法在复杂查询上效果优于已有方法. 特别地，所提出的模型FinSQL能够较好地支持行计算查询.

针对现有基于深度学习的视频目标检测算法无法同时满足精度和效率要求的问题，在单阶段检测器YOLOX-S的基础上，提出基于混合加权采样和多级特征聚合注意力的视频目标检测算法. 混合加权参考帧采样(MWRS)策略采用加权随机采样操作和局部连续采样操作，充分利用有效的全局信息与帧间局部信息. 多级特征聚合注意力模块(MFAA)基于自注意力机制，对YOLOX-S提取的分类特征进行细化，使得网络从不同层次的特征中学到更加丰富的特征信息. 实验结果表明，所提算法在ImageNet VID数据集上的检测精度均值AP50达到77.8%，平均检测速度为11.5 ms/帧，在检测图片上的目标分类和定位效果明显优于YOLOX-S，表明所提算法达到了较高的精度，具有较快的检测速度.

针对大跨度钢-混凝土组合楼盖的经济适用工况和优化方向，以重要参数为基础，对大跨钢-混凝土组合楼盖的优化设计问题进行研究. 在优化分析时，以组合楼盖的经济等效用钢量为目标函数，变量包括钢梁截面尺寸、钢梁间距和混凝土翼板厚度等8个参数，约束条件服从塑性设计理论、规范规定和工程经验. 在不同跨度和可变荷载下，利用广义简约梯度（GRG）算法求解获得经济等效用钢量最小的组合梁截面. 根据优化结果，跨度小于60 m、可变荷载小于6 kN/m²的组合楼盖能够有效地发挥组合结构的组合作用，具有较好的经济效益. 对于传统组合楼盖经济适用性不强的超大跨楼盖，从提高腹板承载效率的角度，可以使用波形钢腹板组合楼盖体系，考虑张弦梁受力高效的优点提出新型弦支组合楼盖体系.