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.

针对单模态特征提取存在的模态特征异质性难以保留问题和跨模态特征融合存在的特征冗余问题，基于跨模态Transformer，提出新的多模态情感分析模型（MTSA）. 使用长短时记忆(LSTM)与多任务学习框架提取单模态上下文语义信息，通过累加辅助模态任务损失以筛除噪声并保留模态特征异质性. 使用多任务门控机制调整跨模态特征融合，通过层叠Transformer结构融合文本、音频与视觉模态特征，提升融合深度，避免融合特征冗余. 在2个公开数据集MOSEI和SIMS上的实验结果表明，相较于其他先进模型，MTSA的整体性能表现更好，二分类准确率分别达到83.51%和84.18%.

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.

为了经济高效地回收超临界CO₂布雷顿循环（SCBC）的余热，分别采用卡琳娜循环（KC）和有机朗肯循环（ORC）作为底循环，设计了SCBC/KC及SCBC/ORC这2种系统方案. 对2种方案系统进行参数分析并利用NSGA-Ⅱ多目标遗传算法对联合循环系统进行多目标优化计算，将优化结果与SCBC系统性能进行比较，突出联合循环系统的性能优势. 参数分析结果表明：2种联合循环系统热力性能均存在最佳压比；升高底循环膨胀比有助于提升系统热力性能；提高底循环涡轮机进口温度有助于改善系统?经济性能. 对比结果表明：优化后的SCBC/KC系统热效率和?效率较优化前SCBC系统分别升高了9.27%和8.69%，?经济成本仅升高了0.92%；SCBC/ORC系统热效率和?效率较优化前SCBC系统分别升高10.73%和10.08%，?经济成本升高了1.87%. 通过比较分析可知，SCBC/KC系统更经济，而SCBC/ORC系统更节能.

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.

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.

失效模式与影响分析（FMEA）方法在语言信息表达、语言建模、因子赋权上无法完全适应复杂情境下的风险评估活动，为此提出基于个性化语义的语言型FMEA风险评估方法. 一组专家采用分布式语言偏好关系对风险因子和评价专家的重要性进行评价，另一组专家采用分布式语言偏好关系对风险模式进行评价，利用数值刻度模型将语言评价结果转化为相应的数值偏好关系. 构建第一阶段的个性化语义模型，得到风险因素和评价专家的权重值，基于权重值构建第二阶段的个性化语义模型，算出失效模式的最终得分并完成优先级排序. 选取某型航空发动机研制过程中的风险评估问题，验证所提语言型FMEA方法的可行性与有效性. 实验结果表明，相比均匀分布方法，所提方法得到的个性化语义在获得高一致性水平风险评估结果方面具有优越性，有助于提升复杂实践背景中风险评估结果的可靠性与准确性.

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.

针对人工驾驶车辆轨迹的预测难题及对自动驾驶决策的影响，建立基于时空图注意力网络的车辆多模态轨迹预测模型（STGAMT）. 模型基于车辆的历史信息，对车辆时间和空间维度的特征进行建模. 利用二维卷积神经网络识别车辆的横纵向的变道状态信息，将横纵向变道状态信息分别与时空动态交互模块输出信息桥连为横纵向运动特征，采用Softmax函数识别车辆的驾驶意图. 利用基于高斯条件分布的GRU网络对轨迹进行多模态轨迹输出. 实验结果表明，在短期预测范围内，STGAMT模型在HighD和NGSIM数据集上的RMSE较其他5个经典模型的平均RMSE降低了63.8%和41.0%；在长期预测范围内，STGAMT模型在HighD和NGSIM数据集上的RMSE较其他5个经典模型的平均RMSE降低了62.5%和19.1%. STGAMT模型可以有效提高人工驾驶车辆轨迹预测精度.

现有时序数据异常检测方法侧重于提取时序数据的时间变化特征，忽略了多变量之间的空间依赖特征，为此提出基于时空图注意力网络的检测方法. 将多变量时序数据转换为具有时空依赖关系的时序图结构数据，设计时空图注意力网络分别提取时序图结构数据的时间变化特征和空间依赖特征. 通过多层感知机学习时空特征的周期性模式，根据时序数据的预测值与观测值的异常分数进行异常检测. 在公开数据集上的实验结果表明，所提方法在异常检测精准度和鲁棒性方面显著优于现有先进的基线方法.

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.

为了引入电池表面原位膨胀力拓展电池荷电状态(SOC)估计的输入数据维度从而提高估计精度，开展磷酸铁锂电池在不同温度和电场下的机械特性与电化学特性研究，包括设计并搭建电池多物理场信号采集台架，开展不同温度下的开路电压(OCV)测试、混合功率脉冲测试(HPPC)、表面原位膨胀力测试，分析电池的机械与电化学特性及其在不同工况下的多物理场行为. 结果表明，电池表面原位膨胀力随着SOC增加先增大后减小再增大，较开路电压对SOC的灵敏度更高. 膨胀力曲线的极值点位置受温度的影响较小，随温度升高有微小延后；受电流的影响较大，随电流增大明显提前并逐渐消失. 电池内阻随温度升高而明显下降，开路电压曲线在不同温度下具有较高的一致性. 实验研究展示了膨胀力信号在电池SOC估计应用中的潜力，为基于膨胀力信号的电池SOC估计提供理论基础和数据支持.

针对现有服务推荐方法中高阶服务特征提取不够充分的问题，提出基于超图卷积神经网络的多行为感知服务推荐方法(MBSRHGNN). 该方法根据服务交互类型和服务组合信息构建多重超图，基于谱分解理论和多重超图的功能结构特性以设计双通道超图卷积网络. 利用切比雪夫多项式近似超图卷积核来降低计算复杂度；在超图卷积过程中，结合多行为推荐方法和自注意力机制度量多行为交互之间的重要性差异，提出HG-DiffPool超图池化方法来降低特征维度；通过融合服务嵌入向量和超图信号，学习不同服务的推荐概率分布；爬取真实服务数据，构造不同稀疏度的数据集进行实验. 实验结果表明，所提的MBSRHGNN服务推荐方法能够适应数据高度稀疏的推荐场景，并且在推荐精确度和相关性上的表现优于现有基线方法.

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.

为了研究工业园区综合能源系统的多能互补新路线，提出基于高低温相变材料的新型蒸汽卡诺电池. 建立计及设备性能与质量流量的热力学循环计算模型，分析设计参数、多级压缩结构对系统热泵系数、循环效率、储电损失与供热?效率的影响. 通过探究发现，低温相变材料的相变温度和高温相变材料的相变温度是影响蒸汽卡诺电池性能的主要因素，得到蒸汽卡诺电池的高循环性能区. 优化蒸汽卡诺电池的参数与结构，结果表明，循环效率可达56.96%，热泵系数可达2.55，供热?效率可达68.74%.

为了探究空间异质性对建成环境与共享单车出行量之间非线性关系的影响，构建考虑空间异质性的GW-XGBoost模型，采用SHAP模型解释建成环境因素的作用程度和空间差异. 相较于地理加权回归和极端梯度提升树模型，模型GW-XGBoost通过引入地理空间加权和自适应带宽显著提升了模型解释力和预测力，整体拟合优度平均提高15.59%，同时能够揭示建成环境对单车出行量非线性影响的强度方向和局部差异. 结果显示，建成环境因素对单车出行量呈现非线性影响. 在人口密度增加到20 000 人/km²后，影响由负转正；离CBD的距离位于15~20 km时，由中心向外围影响效应由正转负随后趋于平稳；在容积率增加到1.8后，影响效应由负转正. 研究结果为城市共享单车系统的资源优化提供科学依据和方法支撑.

为了准确、方便地识别多类型眼底病变，提出光学相干断层扫描技术（OCT）图像的轻量化分类模型MB-CNN. 降低卷积核的使用个数，调节每个阶段卷积块的使用比例，设计轻量化主干网络L-Resnet，通过加深网络深度增强对深层语义信息的提取. 使用深度可分离卷积设计多尺度卷积块MultiBlock，利用MultiBloc深度挖掘病灶区域的特征，使用不同的卷积核提取不同尺寸病变的特征，提高网络对病变OCT图像的识别能力. 构建特征融合模块FFM，融合浅层信息和深层信息，充分提取病变特征的纹理和语义信息，提高对小目标病变的识别能力. 实验结果显示，MB-CNN在UCSD、Duke和NEH3个数据集上的总体分类精度分别达到97.2%、99.92%和94.37%，模型参数量明显降低，所提模型能够针对眼底的多种病变进行分类.

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.