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.

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.

针对高性能并联机器人优化设计的难题，提出考虑多源不确定混合扰动的并联机器人降敏设计方法. 利用一阶摄动方法进行误差建模，建立概率误差模型. 在分析工作子区域所对应的高价值靶目标后，采用多靶分域元启发式迭代获取最优的尺寸设计参数. 构建性能敏感度指标，对机器人设计公差进行优化分配. 通过建立在役精度性能敏感性模型，计算获取维保效果对于预防性维保策略参数的敏感性，制定得到低敏预防性维保策略. 以增材制造并联机器人为例进行分析，结果表明，利用降敏设计方法，能够有效地提高静态设计性能及动态在役精度保持能力.

针对高铁轨枕运行年限增加导致裂纹缺陷增多的安全隐患，以及高铁轨枕表面裂纹漏检与误检问题，提出改进的YOLOv5s轨枕裂纹目标检测算法. 在YOLOv5s算法主干网络中使用基于多维注意力机制的全维动态卷积代替传统卷积，提升网络整体的特征提取能力以提高细小裂纹的检测精度；根据ConvNeXt模块和深度可分离卷积提出改进的轻量化C3结构，压缩模型体积和加速网络的收敛以提高检测效率；使用尺度优化的加权GFPN特征融合网络，解决小目标多尺度下采样过程中细节特征丢失的问题，改进的YOLOv5s轨枕裂纹目标检测算法能够有效改善轨枕表面细小裂纹漏检问题. 实验结果表明：改进后的算法模型参数量减少了19.7%，精确率、召回率、平均精度均值分别提高了1.8、2.4和4.2个百分点，检测速度达96帧/s. 结果表明，提出的轻量化YOLOv5s-OCG算法模型为轨枕表面裂纹的实时性检测提供了一种有效解决方案.

针对共享单车短期借还量预测中存在的空间范围小、模型时空信息捕捉能力不足及准确性有限等问题，提出基于多通道图聚合注意力机制的预测方法. 根据共享单车在不同区域的流量，采用基于流量调整的虚拟站点划分方法，将城市划分为多个共享单车虚拟站点，并以站点间的借还量矩阵构建动态邻接矩阵，形成共享单车图网络结构. 通过多通道图聚合模块捕捉不同时间段的站点空间信息，并结合多头自注意力模块捕捉时间相关性. 引入交叉注意力机制模块，结合外生变量，获取不同变量之间的潜在联系. 在深圳市和纽约市进行实验，结果表明，与其他深度学习方法相比，该模型在不同时间段和地区均表现出显著优势，保持了稳定且较低的预测误差，证明了动态邻接矩阵以及融合外部特征的交叉注意力机制模块能够有效提高共享单车借还量的预测准确率.

为了解决在传统番茄叶片病害检测中出现的误检和漏检现象，提出基于改进CenterNet算法的番茄叶片病害检测模型. 构建融合注意力机制的特征融合模块，增强模型的跨尺度特征融合能力. 在骨干网络中加入多分支卷积模块RFB，扩大感受野，加强对目标特征的提取能力. 在骨干网络中引入金字塔卷积PyConv，通过计算不同尺度的感受野来强化多尺度特征的提取，减少信息损失. 设计剪枝优化策略，减少引入模块给模型参数量和计算量带来的影响. 试验结果显示，改进后模型的准确率、召回率、mAP₅₀和mAP_50:95达到96.3%、80.2%、91.4%和78.7%. 利用提出的模型，能够有效地提升番茄叶片病害检测的准确性，模型具有良好的泛化性.

为了解决合成孔径雷达（SAR）图像中部分船舶目标体积小、目标尺寸变化大及背景噪声复杂等问题，提出基于YOLOv8的船舶目标检测算法DD-YOLO. 其中，在骨干网络中采用改进的C2f模块增强多尺度特征提取与融合能力，结合新设计的SPA模块优化梯度流信息传递，显著提升多尺度目标检测的效果. 颈部使用更轻量的动态上采样，在降低计算开销和模型复杂性的同时优化复杂背景中小型船舶的识别. 检测部分设计加入多维度注意力机制，开展轻量化处理，增强模型对复杂背景中关键特征的敏感性，提高检测准确性. 在HRSID和SSDD 2个公开数据集上进行实验，DD-YOLO的mAP₅₀分别达到92.2%和98.5%，比基线分别提高了2%和2.2%，模型复杂度显著低于主流算法，实现了精度与效率的平衡.

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.

针对车用动力铝-空气燃料电池的产热行为表征问题，提出面向该型电池的原位热表征理论模型和方法. 研究工作温度、电解液浓度和电流密度对电池放电升温、热量损失、产热率和放电效率的影响机制. 结果表明，铝-空气电池的升温幅度、热损和发热率随着工作温度的降低和电解液浓度的增大而增大. 电池的发热率随着放电时间的增加而逐渐降低，放电效率随着工作温度、电流密度的增大而提升. 电解液浓度对电池的放电效率影响较大，当浓度为3.0 mol/L时电池的工作效率接近78%，当浓度为1.0和6.0 mol/L时工作效率低于60%，浓度过高和过低都会影响电池的放电效率.

针对飞机装配中工业机器人孤立作业、通用性不足、自主化智能化程度低的问题，研究飞机装配机器人任务表达与规划方法，提出基于任务驱动的飞机装配机器人加工系统框架，建立飞机装配机器人任务管理与规划集成系统. 针对飞机装配现场常见的加工任务，设计任务的层次化表达，建立基于分层任务网络的飞机装配机器人任务表达方法. 根据加工任务特点，提出面向工艺约束的任务规划流程. 考虑到现场可能出现的外部扰动，根据扰动作用范围分层设计系统的重规划方案. 测试结果表明，利用提出的方法，有效地实现了装配机器人的任务规划与重规划求解，提高了飞机装配机器人的通用性和加工系统的自主化智能化水平.

针对传统的以集计数据或抽样数据在个体活动序列预测研究中的局限性，提出基于多源数据的个体活动序列多步预测方法. 基于手机信令数据和兴趣点 (POI)数据，使用考虑规则和潜在狄利克雷分配（LDA）主题建模方法推断居民活动类型，构建多日活动序列. 引入nTreeClus聚类框架，识别出杭州市居民6种典型的多日活动模式，融合交通环境中的气象、日历数据，应用时间融合Transformer (TFT) 模型进行活动序列的多步预测，微平均F1分数为87%. 与传统统计模型及主流深度学习模型进行比较，分别提升了11%、6%、3%，F1分数在“娱乐”、“个人维护”活动上较序列到序列门控循环单元（S2SGRU）模型分别提升了31%、27%，显著提高了个体活动序列多步预测的准确性.

为了解决混合车辆队列协作控制中的能耗优化问题，同时保障乘客舒适度，提出实时优化的分布式模型预测控制与智能驾驶员模型结合的协作控制方法. 针对队列中的网联自动驾驶车辆，建立乘客舒适度约束，使用精确的油耗模型建立实时优化的分布式模型预测控制方法，在确保队列一致稳定的基础上降低实时能耗. 针对队列中的人工驾驶车辆，采用乘客舒适度和能耗性能良好的智能驾驶员跟驰模型描述跟驰行为，推理分析得到跟驰稳定性条件. 分别在恒速与变速领航车辆场景下开展仿真实验，验证所提控制方法在满足乘客舒适度约束条件下的跟踪性能. 以从初始状态到稳态的平均发动机功率为能耗优化指标，进行多组对比仿真实验，结果表明，相比对比算法，所提控制方法能够有效降低混合车辆队列的能耗.

为了提升人体工学康复器具与个体关节运动学的匹配性能，提出运动关节康复外骨骼定制设计的新方法. 通过医学图像重建骨骼关节，利用锥规划迭代计算形貌特征匹配关系，重建个性化的关节运动姿态，提高重建精度. 与分层匹配方法相比，所提锥规划重建方法的均方根误差、平均绝对误差和最大误差分别降低了10.95%、12.29%和6.05%. 基于重建的运动关节姿态同步推算其瞬时旋转中心轨迹，结合三心定理，以减小瞬时旋转中心轨迹误差为目标，优化康复外骨骼反向双摇杆机构设计，实现运动域中精确的人机协同变瞬心运动. 结合增材制造约束进行拓扑优化，通过赫兹接触理论分析外骨骼零件的载荷传递和应力分布，优化材料分布，实现康复外骨骼结构的个性化定制设计.

针对传统位姿估计方法中依赖CAD模型的问题，提出基于多视图几何的双目数据集制作方法及基于3D关键点的物体6D位姿估计网络StereoNet. 通过3D关键点估计网络获取物体的3D关键点，在网络中引入视差注意模块，提高关键点预测的精度. 采用运动恢复结构（SfM）方法重建物体的稀疏点云模型，将查询图像的3D点与SfM模型中的3D点输入图注意力网络（GATs）中进行匹配，通过RANSAC和PnP算法计算得到物体的6D位姿. 实验结果表明，当对3D关键点估计时，StereoNet的MAE评价指标较KeypointNet、KeyPose高1.2~1.6倍. 在6D位姿估计方面，StereoNet的5 cm 5°和3 cm 3°评价指标均优于HLoc、OnePose、Gen6D，平均精确度达到82.1%，证明该网络具有良好的泛化性和准确性.

在虚拟现实（VR）环境下，特别是精细作业场景中，研究照明对用户操作和视觉感知的影响. 在VR环境中模拟不同光照条件，通过控制光照强度、色温和照明角度测试用户对于虚拟物体的感知精度变化，提升虚拟环境中用户的交互体验和认知效率. 在虚拟光照实验中，进行操作对象的图形分析和细节提取以优化虚拟环境中的照明设计方案，使虚拟环境更加真实，进一步指导虚拟光照环境的搭建与VR环境中的交互设计. 在三维场景设计中，通过实验表明照明在增强数字展品的视觉效果和用户交互体验中的积极作用，论证光照作为互动媒介进行细节展示在沉浸感、专注度方面的优势. 结果表明，特定的光照组合（如较高强度、中性色温、侧向45°照明）能显著提升用户的操作精度和细节辨识能力，有效增强沉浸感与任务专注度.

针对配备电子机械制动(EMB)系统的车辆在弯道发生制动失效时易发生失稳跑偏的问题，提出结合制动力重构和路径跟踪的控制策略. 针对黏菌优化算法(SMA)的缺陷，引入高斯扰动和分阶段寻优改进算法的不足. 使用改进的黏菌算法，对线性二次调节器(LQR)的权重矩阵进行寻优. 当检测到EMB系统出现单轮失效时，利用改进的LQR算法计算车辆的横摆力矩，对制动力进行重构以维持车辆稳定. 对纯跟踪算法进行改进，通过转移跟踪控制点，提高算法的响应速度. 引入自适应模糊算法以考虑路面、速度各动态因素的影响，提高算法的适应性. 当检测到EMB系统出现双轮失效时，利用路径跟踪的方法，使车辆沿既定路线行驶直至安全停止. 试验结果表明，相较于传统方法，单轮失效下的横向偏差最大下降了59.15%，双轮失效的横向偏差最大下降了41.95%. 利用该控制策略，可以更有效地保证弯道制动失效时的行车安全.

通过非参数方法分析帕金森病不同亚型患者的静息态脑电的脑网络特征. 基于θ、个体化α（IAF）以及β频段的小波变换格兰杰因果构建非参数脑网络，提取杠杆中心性和效率密度，探讨其与临床表现的关联. 研究发现，姿势不稳和步态困难型（PIGD）在额叶和枕叶的杠杆中心性较高，体现出显著的信息处理优势；PIGD亚型在IAF频段的网络性能与精神和行为表现呈显著负相关. 震颤主导型（TD）的效率密度在全频段优于PIGD亚型，且在β频段，杠杆中心性与日常生活能力显著正相关. 不确定型（IT）在不同脑区和频段间的杠杆中心性和效率密度无明显差异，表现出较高的一致性. 结果表明，不同帕金森病亚型的临床表现差异与个体化脑电特征及脑网络活动的异常密切相关.

为了解决平衡优化器（EO）算法在处理复杂优化问题时易陷入局部极值、寻优精度有时不佳的问题，提出高效的自适应动态分级平衡优化器CGTEO，对其收敛性进行理论和实验分析. 引入基于正余弦系数的自适应交叉更新机制，增强种群多样性. 加入动态分级搜索策略，平衡各子种群对探索和开发能力的不同需求. 融合基于三角形拓扑单元的精英邻域学习策略，改善收敛精度并有效避免局部极值. 通过概率测度法，证明了CGTEO算法的全局收敛性. 采用CEC2017测试集，对CGTEO与9种代表性对比算法进行全面测试与对比分析，结合寻优精度、收敛曲线、Wilcoxon 秩和检验及小提琴图等多种方法评估优化结果. 实验结果表明，CGTEO算法在优化精度、收敛性能和稳定性方面均表现出色. Wilcoxon秩和检验表明，该算法的优化结果在统计上显著优于其他对比算法.