针对无人直升机(Unmanned Aerial Helicopter，UAH)在空地协同跟踪过程中的避障和控制问题，提出了新型路径避障规划和跟踪控制设计方法。针对不确定性的线性UAH模型，通过对UAH警示范围内二维环境信息进行处理判断，借助摸墙算法(Wall?Following Algorithm) 提出合适的避障策略，计算避障路径的行进角度以及能够弥补绕行距离的跟踪速度；将所得避障方法拓展至三维环境中，根据水平和垂直方向上的障碍物信息确定UAH飞行角度，从而减小由避障环节所带来的绕行距离；在上述避障算法的基础上，引入人工神经网络(Approximate Nearest Neighbor，ANN)估计模型不确定项，进而结合前馈补偿与最优控制等技术建立了跟踪控制设计方案。仿真结果表明，所提避障策略和控制算法有效。

新冠肺炎病毒等疫情受多种复杂现实因素的影响，因此疫情的发展存在不确定性。为了解决基于传染病仓室模型受自身诸多理想假设条件的限制而导致疫情预测结果误差较大的问题，采用基于深度学习的时序预测模型对疫情发展进行预测，建立了一种基于Transformer模型的Informer模型，并将注意力机制和蒸馏机制应用到疫情数据的时序预测中。以门限自回归(Threshold AutoRegressive, TAR)模型和多种主流的循环神经类时序预测模型作为对比模型，通过仿真实验，对中国、美国和英国的疫情数据当前尚存感染人数进行短期预测，并以均方根误差（RMSE）和平均绝对误差（MAE）为评价指标，选择最佳模型进行了中长期的预测。结果表明，无论是RMSE还是MAE，Informer模型的指标值都是最优的，表明Informer模型对中国、美国和英国疫情的预测精度比其他对比模型高。最后，使用Informer模型对中国、美国和英国的疫情发展进行了中长期预测。

随着环境不确定性的提高，中国石化企业供应链稳定性需求日渐攀升，供应链韧性评价已经成为判断石化企业风险应对能力的重要手段。基于双循环背景，通过构建石化企业供应链韧性评估指标体系，利用层次分析法和BP神经网络，对石化企业供应链韧性强度进行评估，确定了供应链韧性水平。结果表明，各石化企业的供应链韧性强度存在较大差异，供应链韧性整体水平偏低。在研究结果的基础上，对韧性供应链锻造提出了切实可行的建议。

磁层析成像管道检测方法已经被广泛应用于埋地和海底管道的无损外检测。该方法基于金属磁记忆原理，通过在管道外测量空间磁场分布中的异常情况来判别应力集中区的危险等级和位置。为了研究磁层析成像法管道检测信号在空间中的分布特征和传递规律，对磁化管道的应力集中区空间磁记忆信号的能量分布和变化规律进行了研究。利用磁偶极子场建立管道内壁应力集中区磁场模型，基于磁能理论对管道外不同提离空间磁记忆信号的磁场能量和磁能密度进行有限元计算，得出空间磁场的分布规律，分析了不同提离磁信号磁能密度之间的相关性。结果表明，管道外空气中的磁场能量随着提离值的增加而衰减，在管道外壁至提离值小于50 mm时衰减最快；管道外磁层析成像法检测的磁信号与管道内壁应力集中区信号同源。从理论上解释了磁层析成像管道检测的有效性，为从检测数据中提取有效信号提供了理论依据。

化工过程的数据往往含有动态时序特性，传统故障检测对动态信息的使用率较低，限制了故障诊断性能。针对这个问题，提出了一种基于注意力增强的编解码网络模型的化工过程故障诊断新方法。编码部分利用LSTM提取过程数据的特征信息，结合注意力机制，更加有效地利用过程数据间的动态信息；解码部分利用LSTM并结合注意力机制提供的上下文向量，为归一化指数的回归提供更加精准的状态信息，最后利用归一化指数回归得到各个样本数据的故障类别概率值。结果表明，注意力机制的引入，提高了模型在时域下对过程动态信息的使用效率。针对本文提出的方法，利用田纳西伊士曼过程数据进行了实验，并与标准的PCA?SVM、DBN和ResNet的结果进行了对比。结果表明，该方法诊断故障的效果更加理想。

针对大倾角煤层工作面底板的不规则性和飞矸形状的多样性，利用工作面底板等高线等地理信息系统数据建立真实工作面底板三维网格模型，结合能量跟踪法（ETM）自编C++程序，模拟得到相同质量不同形状的四类典型形状飞矸在实际工作面运移的运动轨迹，以及任意时刻的线速度、角速度和能量变化曲线，分析了形状对飞矸运移规律的影响。为验证本文方法的准确性和可行性，与采用Rockyfor3D软件模拟的轨迹进行了对比。结果表明，椭球体飞矸的运移能力远大于多面体飞矸；正多面体飞矸比一般多面体飞矸运移距离更远，碰撞的能量损失更小；正多面体飞矸的棱边数与飞矸在碰撞中的能量损失量成反比，多棱边正多面体飞矸造成危险的可能性最大。

基于图像对天气现象进行识别，对天气状况的分析至关重要。针对传统的机器学习方法对各类天气特征难以准确提取且天气现象分类效果差，以及深度学习对天气现象识别的准确率不高的问题，提出了基于图像分块和多头注意力机制的天气识别模型。该模型首次将Swin Transformer引入天气识别领域中，采用了窗口多头自注意层与移位窗口多头自注意层相结合的多头注意力机制。结果表明，其区域相关特征提取能力弥补传统方法的不足，能够提取图像中复杂的天气特征。采用迁移学习对模型进行训练，将微调模型的全连接参数输入到Softmax分类器，实现了对多类别天气图像的识别，识别准确率为99.20%，优于对比的几种主流方法。因此，该方法可以作为天气识别模块应用于地面气象识别系统。

高压断路器操作过程中的振动信号反映断路器的机械状态。针对基于浅层的振动信号分析模型的特征提取及故障诊断精度等方面存在的不足,提出了一种基于遗传算法优化的卷积神经网络高压断路器故障诊断方法。利用遗传算法的全局寻优能力,通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等，进而优化卷积神经网络,并将优化后的卷积神经网络应用于高压断路器的故障诊断。结果表明,所提方法的诊断性能优于未进行优化的卷积神经网络、动态支持向量机和多层感知机。

针对图卷积神经网络的双人交互行为识别方法存在交互语义信息表达不充分的问题，提出了一种新的双人交互时空图卷积神经网络（DHI?STGCN）用于行为识别的方法。该网络包含空间子网络模块和时间子网络模块。将基于交互动作视频获取的3D骨架数据生成一种双人交互动作的空间动作图用于空间信息的表示，图中根据关节点位置信息对双人之间的连接边赋予不同的权重。时间信息处理中，在构造的邻接矩阵中增加了上下文时间信息的联系，图中关节点与其一定时间范围内的节点增加连接。将生成的时空图数据送入空间图卷积网络模块，结合时间图卷积网络模块增强帧间运动特征连续性进行时序建模。该模型充分考虑了双人交互动作的紧密关系，具有较强的鲁棒性，获得了比现有模型更好的交互动作识别效果。

在常压管式加热炉热效率的研究中，需要对热效率进行有效的在线测量并且选用相对可靠的先进控制方法。在研究加热炉燃烧机理的基础上，采用基于原理和数据处理的在线测量方法，并在加热炉效率优化控制的过程中引入了动态矩阵控制方法。与传统的控制方法相比，动态矩阵控制的引入使系统具有更好的控制效果。同时，选择粒子群算法对动态矩阵控制的参数进行了寻优处理。粒子群算法在动态矩阵参数的寻优过程中相对缩短了寻优时间，并提升了控制品质。最后，与内模控制进行了比较。结果表明，动态矩阵控制方法可以达到更好的控制效果。

因客户数据量庞大、各种理财产品的兴起和疫情的短期冲击，银行面临的压力越来越大，使用数据分析和预测方法能够更大程度提升银行的业务量。使用传统的分类树模型无法根据客户信息对可能长期存款的客户做出更加精准的预测，从而导致无法对客户进行精准营销。因此，提出了一种分三层搭建的神经网络模型。通过实验，对葡萄岛银行机构客户数据进行预测，并和传统的决策树模型、随机森林模型、Adaboost模型、XGBoost模型的预测结果进行了对比。结果表明，相比于其他四种模型，神经网络模型预测效果更好，模型评估AUC达到了0.977 7，准确率达到了99.06%。

针对传统神经网络对变压器时序关系挖掘缺失、分类泛化性差、对异构数据分类准确率低的问题，提出了一种基于改进的双向循环神经网络的变压器故障诊断模型。该模型通过双向循环神经网络进行特征提取，将前后时刻的特征进行融合，采用多核学习支持向量机方法对特征数据进行分类，在多核学习支持向量机中进行核融合，从而提高特征数据分类的准确性。数值仿真分析了时序通道对长短时序网络诊断性能的影响，以及多核学习对支持向量机泛化能力和对异构数据处理能力的影响，通过变压器故障数据分类试验验证了基于多核学习支持向量机的双向循环神经网络模型的正确性和有效性。结果表明，基于多核学习支持向量机的双向循环网络诊断性能较好，与几种常用的神经网络相比，模型预测正确率更高。

针对无线传感网络中LEACH协议在进行簇头节点选择时能量消耗过快导致的生存周期短、数据吞吐量低等问题，提出了一种基于簇头节点能量均衡选择的LEACH优化算法。该算法选取WSNs中剩余能量高的普通节点作为簇头节点，同时考虑普通节点与簇头节点、簇头节点与基站之间的距离，以及所有节点的剩余能量和平均能量等因素来选择通信方式和传输路径。通过MATLAB工具，对提出的算法进行了仿真实验。结果表明，在100 m×100 m的小面积监测区域和200 m×200 m的大面积监测区域内，与LEACH、DEEC、IMP?LEACH算法相比，该算法降低了WSNs中节点的能量消耗，延长了生存周期，同时提高了数据吞吐量。

在点云处理领域中深度学习是一种主流的方法，但是现有方法对三维点云的局部结构信息利用不够充分，对局部形状感知较差。为此，提出了一种基于改进PoinetNet的三维点云处理模型，本模型将位置自适应卷积引入到PointNet中。位置自适应卷积采用动态的方式组合权重库中的权重矩阵来构造核函数，其中权重矩阵的系数是通过位置相对系数网络从点与点相对位置自适应学习得到的。通过此方式构建的核函数，可以更好地解决点云数据的不规则性和无序性问题。位置自适应网络在三维物体分类实验上分类准确率相较于PointNet提升3.60%，在三维物体零件分割实验上平均交并比相较于PointNet提升2.20%，在三维场景语义分割实验上平均交并比相较于PointNet提升9.14%。

反抗性负载的快速制动与位能负载的落速控制对提高电机拖动装置的运行效率和安全具有重要意义。提出了一种由功率场效应管取代常规能耗制动电阻，通过压控方式在线调节其漏极与源极之间等效阻值实现直流电机全程恒流制动和吊物落速动态调节的方法。理论分析和实验结果表明，在无须改变硬件系统的条件下，该方法可将停车制动时间和吊物落速达到稳定的时间分别缩短为常规能耗制动方法的66.7%和33.3%，有效提高了电机拖动系统的动态工作效率以及控制系统的灵活性。

粒子群工作时系统的鲁棒性很高，有助于解决图像重建的病态问题。但是，重建图像的像素较大，导致粒子维度较大，粒子在寻优过程中很难达到最优解。为了解决这一问题，对粒子的位置加入约束条件，以Tikhonov正则化图像重建算法成像作为粒子位置参考，约束粒子在Tikhonov正则化算法重建图像的一定范围内搜索，并用罚函数求解，提高粒子搜索速度；粒子群的惯性权重采用线性递减权值，从而实现惯性权值的自适应动态调整，提高算法的灵活性；将混沌算子加入粒子群位置搜索过程中，当粒子陷入局部最优时，混沌变量在一定范围内波动，降低最优解的错失率。仿真实验结果表明，与传统的LBP算法和Tikhonov算法相比，改进的粒子群算法的电容层析成像图像重建更精确，效率更高。