对近年来的相关工作进行全面分析、横向比较，梳理出基于深度学习的EEG数据分析闭环流程. 对EEG数据进行介绍，从深度学习在EEG数据预处理、特征提取以及模型泛化3个关键阶段的应用进行展开，梳理深度学习算法在相应阶段提供的研究思路和解决方案，包括各阶段所存在的难点与问题. 全方位总结出不同算法的主要贡献和局限性，讨论深度学习技术在各个阶段处理EEG数据时所面临的挑战及未来的发展方向.

为了实现城市高架桥或高速公路改扩建工程超大规模盖梁的装配化、快速化施工，提出由钢板和超高性能混凝土（UHPC）制作的外壳及现浇核心混凝土（NC）组成的新型UHPC-NC组合盖梁.为了探究外壳UHPC和钢模板厚度对受力性能的影响，对不同UHPC和钢板厚度进行参数分析. 分析结果表明，在自重作用下，外壳的刚度受UHPC和钢板厚度及其比例的共同影响. 当张拉预应力和浇筑混凝土时，UHPC和钢板越厚，外壳的受力性能越好，但是经济性会降低，建议采用UHPC厚70 mm，钢板厚6 mm的方案. 为了验证该方案的可行性和安全性，设计1∶2.5的缩尺模型，开展静力加载试验. 结果表明，新型UHPC-NC组合盖梁的受力性能好，安全储备较高，可以为盖梁的装配化施工提供参考.

现有的交通流量预测方法关注交通信息的时空相关性，未充分考虑外部因素对交通的影响，为此提出融合静态和动态知识图谱的时空多图卷积交通流量预测模型. 基于道路交通信息和外部因素，构建城市交通知识图谱和4个不同语义的路网拓扑图，将城市交通知识图谱输入关系演化图卷积神经网络，实现知识嵌入；使用知识融合模块将车流量矩阵与知识嵌入融合；将4个路网拓扑图和融合知识的车流量矩阵输入时空多图卷积模块，提取时空特征，通过全连接层输出交通流量预测值. 在杭州交通数据集上评估模型性能，与先进的基线模型对比，所提模型的性能提高了5.76%~10.71%. 鲁棒性实验结果表明，所提模型具有较强的抗干扰能力.

为了确保施工过程中的安全和效率，提出施工现场动态三维重建技术. 部署双目摄像头对重建现场进行三维扫描获取模型基底和目标活动轨迹，基于YOLOv8模型引入注意力量表序列融合(ASF)模块形成YOLOv8-ASF框架，提高预测模型精度和性能，解决如目标遮挡、目标丢失的痛点. 融合改进的半全局立体匹配 (SGBM)算法，与YOLOv8-ASF集成YOLOv8-ASF-SGBM算法，实现基于二维图像的目标近实时识别和定位. 利用获取的深度信息，将动态要素行为轨迹三维动态投影至模型基底中，实现对真实施工现场的近实时、全视角监控. 实验结果表明：所提技术高精度三维复现了施工动态要素的运动轨迹，且与动态要素真实运动轨迹的相对误差小于5%，实现了基于二维图像视频信息的高精度全视角三维立体化监控，具有良好的应用场景和工程价值.

现有类案检索研究忽略了模型应当蕴含的法律逻辑，无法适应实际应用中案件相似标准的要求；类案检索任务的中文数据集较少，难以满足研究需求现状. 为此提出基于法律逻辑、有较强可解释性的类案检索模型，构建以谓语动词为基础的案件事理图谱. 将各类罪名对应的法条知识融入所提模型，将提取的不同要素输入以神经网络为基础的评分器以实现准确、高效的类案检索. 构建针对类案检索任务、以易混淆罪名组为主要检索案由的Confusing-LeCaRD数据集，所提模型在LeCaRD数据集和Confusing-LeCaRD数据集上的归一化折损累计增益分别为90.95%和94.64%，在各项指标上均优于TF-IDF、BM25和BERT-PLI模型.

为了综合分析YOLO（You Only Look Once）算法在提升交通安全性和效率方面的重要作用，从“人-车-路” 3个核心要素的角度，对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结. 概述了YOLO算法常用的评价指标，详细阐述了这些指标在交通场景中的实际意义. 对YOLO算法的核心架构进行概述，追溯了该算法的发展历程，分析各个版本迭代中的优化和改进措施. 从“人-车-路”3种交通目标的视角出发，梳理并论述了采用YOLO算法进行交通目标检测的研究现状及应用情况. 分析目前YOLO算法在交通目标检测中存在的局限性和挑战，提出相应的改进方法，展望未来的研究重点，为道路交通的智能化发展提供了研究参考.

针对由散射、吸收和色偏等多种因素导致的水下图像模糊、对比度低、图像失真辨识困难的问题，提出基于改进CycleGAN的多失真类型水下图像增强算法. 为了提高图像增强效果，在CycleGAN的生成器中采用Auto-Encoder+Skip-connection的网络结构，添加全局色彩校正结构，从像素方面以及颜色方面进行全局增强，从而更好地捕捉水下图像中的色彩信息. 设计多维感知判别器来学习图像的全局特征和局部特征，此设计更加注重图像局部细节部分，有效针对散斑和色彩噪声，从多维空间上感知图像，提取特征能力更强，从而能提高图像判别的精度. 在EUVP、UIEB和U45数据集上的实验结果表明，所提出的方法取得了较好的结果，相较其他算法，在处理多种水下失真类型的图像方面，该算法的SSIM指标平均比第2名高出1.57%、PSNR指标高出1.836%、UIQM指标高出1.324%、UCIQE指标高出1.086%，在处理颜色和噪声细节方面表现出色.

针对路面病害生成和恶化的预测问题，提出应用图卷积神经网络的路面病害态势预测方法. 通过聚类算法建立拓扑网络，选取目标病害在演化过程中的主要影响因素；为了增强图神经网络对病害信息的表达能力，采用图拓扑增强的方法，从静态和动态方面分别构造与病害信息相关的视图；采用图神经网络(GNN)架构增强的方法，在视图维度上应用注意力机制调整不同视图的影响力，并在时间维度上应用Transformer和GRU模块，增强模型在长时间序列中对病害状态的预测性能. 设计模型的内部调整测试，经消融试验、多样本测试和超参数对照组的验证，证明所提模型的适用性和稳定性. 针对大型稀疏的路面病害数据集，此模型的平均绝对误差均值收敛在4.0以内，综合性能优于传统预测算法.

现有研究较少涵盖最先进的多目标粒子群优化（MOPSO）算法. 本研究介绍了多目标优化问题（MOPs）的研究背景，阐述了MOPSO的基本理论. 根据特征将其分为基于Pareto支配、基于分解和基于指标的3类MOPSO算法，介绍了现有的经典算法. 介绍相关评价指标，并选取7个有代表性的算法进行性能分析. 实验结果展示了传统MOPSO和3类改进的MOPSO算法各自的优势与不足，其中，基于指标的MOPSO在收敛性和多样性方面表现较优. 对MOPSO算法在生产调度、图像处理和电力系统等领域的应用进行简要介绍. 并探讨了MOPSO算法用于求解复杂优化问题的局限性及未来的研究方向.

针对人工划分空域扇区耗时长且难以比较不同扇区划分方案优劣的问题，提出改进的快速非支配排序遗传算法(NSGA-II）. 以均衡管制员扇区内工作负荷和减少管制员扇区间工作负荷为目标，基于网格-区域块-扇区层级提出三维扇区划分多目标优化模型. 为了提高种群的可行解数量、多样性及算法的解算速度，在NSGA-II算法中引入适应度评估算子、变概率组合交叉算子和动态变异算子. 对西安高空空域进行三维扇区自动划设的仿真模拟. 结果表明，与实际划分构型相比，优化后的方案将扇区内工作负荷均衡性提高了37%，扇区间工作负荷减少了24%；与传统的加权多目标优化算法相比，基于改进的NSGA-II算法得到的扇区划分方案可以为不同偏好的决策者提供更广泛的选择.

为了提高铝合金电弧增材制造的质量和效率，采用新型的电弧增材制造工艺——熔滴复合电弧增材制造（DAAM）技术来制造铝合金样品. 采用全新的熔滴生成系统（DGS）代替传统的送丝系统，使得材料的添加与电弧能量相互独立. 成形的材料为2219铝合金，通过熔滴系统添加了微量Mg元素. 利用熔滴复合电弧增材制造设备沉积了薄壁结构，沉积速率较传统电弧增材制造技术大幅提升（约为160 mm³/s）. 观察和分析薄壁结构截面的微观组织表明，薄壁结构的晶粒形态以柱状晶为主，呈现层内柱状晶和层间等轴晶的周期性分布规律. 经过T6热处理后，试样水平和垂直方向的平均抗拉强度分别为455.4和417.0 MPa，屈服强度分别为342.4和316.4 MPa. 较之前的研究结果对比表明，Mg元素的添加提升了2219铝合金的屈服强度，但导致延伸率降低.

针对疲劳驾驶检测方法泛化能力差、特征提取模式单一、模型不可解释等问题，提出多模态特征融合模型nsNMF-PCNN-GRU-MSA，通过分析驾驶员脑电图（EEG）信号实现疲劳程度的检测. 在网络浅层设计通道加权模块，引入非平滑非负矩阵分解（nsNMF）算法计算电极通道的贡献度；在网络中层设计多模态特征融合模块，引入格拉姆角场成像方法将一维EEG数据映射成二维图像，并采用PCNN-GRU并行方式融合不同模态的时空特征；在网络深层融合多头自注意力机制（MSA），完成疲劳驾驶状态分类任务. 实验结果表明，该模型在数据集SEED-VIG和SAD的混合样本上的疲劳检测准确率分别为93.37%、90.78%，单个被试数据准确率最低分别为86.60%、85.59%，高于近年先进模型. 将特征激活值映射到大脑拓扑图上的分析方法不仅提高了模型的可解释性，而且为疲劳驾驶检测提供了新视角.

传统计算智能技术缺乏实时性和适应性，基于并行计算的计算智能技术能够提高计算效率，解决多模态信息兼容处理的问题. 分别从智能计算的3个分支（神经网络、进化算法和群智能算法）介绍计算智能与大数据并行计算融合的研究现状. 总结并行计算智能面临的问题与挑战，思考相关研究的发展方向.

针对三重移相协同控制（CTPS）加入桥臂死区后，会导致双有源桥（DAB）变换器回流功率发生及软开关失效的问题，提出针对CTPS控制的死区补偿策略. 通过分析CTPS控制不同模式下桥臂死区引起的变压器原副边电压及漏感电流的变化，基于回流功率产生的原理，更正了不同模式移相比之间的耦合关系，对功率传输模型及CTPS控制模式的切换条件进行修正，实现了死区对CTPS控制影响的有效控制. 利用所提的补偿方案，抑制了由死区引起的回流功率，恢复了CTPS控制的软开关性能，具有较补偿前更优的电流应力. 分别开展死区补偿前、后的实验，对死区影响的分析和所提出的补偿策略进行验证.

基于65 nm CMOS 工艺，设计适用于高速SerDes串行链路的低抖动高速电荷泵锁相环(CPPLL)电路. 通过优化环路带宽以及压控振荡器（VCO）、电荷泵和鉴频鉴相器的电路结构, 抑制电压纹波和内部噪声引起的抖动, 以在满足SerDes链路需要的宽频范围和高速要求的同时, 电荷泵锁相环能够获得较小的抖动偏差和稳定的时钟信号. 包括整个焊盘在内的芯片面积为0.309 mm². 测试结果表明, 电荷泵锁相环能够实现10.9~12 GHz的输出时钟信号, 其在10 MHz频偏处的相位噪声、参考杂散和品质因数(FoM)分别为?111.47 dBc/Hz、?25.14 dBc和?223.5 dB. 当输入参考频率为706.25 MHz 时, CPPLL能够在600 μs后输出稳定的11.3 GHz时钟信号, 且RMS抖动为973.9 fs, 约为0.065 UI. 在电源电压为1.2 V下, 电路的功耗为47.3 mW. 所设计的锁相环（PLL）电路能够适用于20 Gb/s及以上的高速通信链路系统.

为了解决传统目标检测算法对无人机(UAV)航拍小目标存在错漏检严重的问题，提出基于YOLOv5的无人机小目标检测算法FDB-YOLO. 在YOLOv5的基础上增加小目标检测层，优化特征融合网络，充分利用网络浅层小目标细粒信息，提升网络感知能力；提出损失函数FPIoU，通过充分利用锚框的几何性质，采用四点位置偏置约束函数，优化锚框定位，加快损失函数收敛速度；采用结合注意力机制的动态目标检测头(DyHead)，通过增加尺度、空间、任务感知提升算法检测能力；在特征提取部分引入双级路由注意力机制(BRA)，通过有选择性地对相关区域进行计算，过滤无关区域，提升模型的检测精确度. 实验证明，在VisDrone2019数据集上，本算法与YOLOv5s目标检测算法相比，精确率提升了3.7个百分点，召回率提升了5.1个百分点，mAP₅₀增加了5.8个百分点，mAP_50∶95增加3.4个百分点，并且相比当前主流算法而言都有更加优秀的表现.

为了解决基于深度学习的三维反演方法中存在的内存占用大、训练耗时久的问题，提出基于多特征重构的三维目标反演算法. 通过特征分解提取目标的水平区域、中心深度、垂直厚度和剩余密度4类特征，实现对三维模型的压缩，降低内存占用. 设计多特征重构反演网络(MRNet)，通过不同的Decoder实现对目标4类特征的预测，利用4类特征重构三维模型，实现对三维目标的反演. 在网络输入端引入梯度联合实现对目标边界信息的增强. 在跨层连接处引入CA注意力机制，实现对Decoder预测功能的分化，优化反演效果. 模拟实验结果显示，MRNet的局部相对准确度相对于3D U-Net提升了30%以上，达到88.91%，每轮训练时间仅为3D U-Net的1/13. 将MRNet应用于Vinton盐丘地区，较准确地得到了盖岩的分布情况，验证了MRNet具备一定的泛化性.

为了刻画以短视频形式传播的交通事件舆情对公众情绪的导向，通过文本情感分析和多模态生理信号特征提取，构建生理特征图谱. 爬取抖音平台136个高赞视频及38 805条评论，以所有视频为文档集，单个视频为文档，评论为单词，采用隐狄利克雷分布主题模型进行主题挖掘，获得不同主题的评论单词分布和不同视频的主题分布. 使用基于朴素贝叶斯的SnowNLP计算评论单词的情感分数，分析不同舆情主题表达的情感倾向. 开展神经科学实验，采集脑电、眼动、心电和呼吸等多模态生理信号及情绪评分. 统计检验结果表明，不同情感倾向的视频会诱发不同情绪，不同情绪下脑电的相对谱功率、眨眼频率、呼吸标准差和心电极低频功率等多模态生理特征具有特异性，评论文本中蕴含的情感语义会在视频诱发情绪的基础上对公众情绪造成不同方式的影响.

为了提高欠采样并行磁共振成像的图像重建质量，提出基于变分模型和Transformer的多尺度并行磁共振成像重建模型(VNTM). 该模型利用欠采样多线圈k空间数据来估计灵敏度图，并利用中期增强策略以提高灵敏度图的准确性. 将欠采样多线圈k空间数据和估计的灵敏度图输入变分模型进行重建，在变分模型中，通过前处理模块对图像数据进行降分辨率处理，以减少计算负担. 通过具有Transformer的多尺度U型网络，实现多尺度特征的有效融合. 使用后处理模块恢复分辨率，并对输出数据进行数据一致性操作以确保保真度. 在公开数据集进行大量定量和定性实验以验证所提方法的有效性. 结果表明，在峰值信噪比、结构相似度和视觉效果方面，所提出的重建模型均表现出更优的重建质量和更稳定的重建性能. 多组消融实验和不同自校准信号(ACS)区域大小的鲁棒性实验，验证了VNTM在不同条件下均能保持良好的重建性能.

针对复杂环境下苹果叶片病害图像背景杂乱、病斑大小不一，以及现有模型参数多、计算量大的问题，提出基于注意力和多尺度特征融合的苹果叶片病害识别网络(MA-ConvNext). 通过引入多尺度空间通道重组块(MSCB)和融合三分支注意力机制的特征提取模块(TAFB)，有效提取苹果叶片病害图像不同尺度的特征，增强模型对叶片病斑的关注. 采用分步关系知识蒸馏方法，将“教师”网络(MA-ConvNext)和“中间”网络(DenseNet121)融合，指导“学生”网络(EfficientNet-B0)训练，实现模型轻量化. 实验结果表明，MA-ConvNext网络识别准确率为99.38%，较ResNet50、MobileNet-V3和EfficientNet-V2网络分别提高了3.98个百分点、7.55个百分点和4.27个百分点. 经过分步关系知识蒸馏后，识别准确率较蒸馏前提高了1.76个百分点，并且具有更小的网络规模和参数量，分别为1.56×10⁷、5.29×10⁶. 所提方法能为后续精准农业的病虫害检测提供新思路和技术支持.