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.

为了在多模态图像检索任务中建立文本特征与图像特征的相关性，提出基于语义增强特征融合的多模态图像检索模型（SEFM）. 该模型通过文本语义增强模块、图像语义增强模块2部分在特征融合时对组合特征进行语义增强. 在文本语义增强模块建立多模态双重注意力机制，利用双重注意力建立文本与图像之间的关联以增强文本语义；在图像语义增强模块引入保留强度和更新强度，控制组合特征中查询图像特征的保留和更新程度. 基于以上2个模块可以优化组合特征使其更接近目标图像特征. 在MIT-States和Fashion IQ这2个数据集上对该模型进行评估，实验结果表明在多模态图像检索任务上该模型与现有方法相比在召回率和准确率上都有所提升.

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.

传统、新型岩土工程问题诸如压缩空气含水层储能、充气截排水技术、二氧化碳地质封存、油气地下储备工程等均涉及气水两相流与应力耦合. 针对这一工程实际，根据非饱和土气水两相渗流-应力弱耦合理论，开发了基于TOUGH2与FLAC3D的气水两相渗流-应力耦合计算搭接程序. 该计算程序能够较为真实地模拟气水两相渗流问题，能够探讨流动过程中气水的相互作用及其对过程的影响. 程序考虑了气水两相渗流与土体骨架变形直接的相互作用，反映了这一过程中孔隙度、渗透率、毛管压力和土体物理力学参数的变化，实现了更为完善的气水两相渗流与应力弱耦合分析. 通过与经典的排水试验和模型试验对比，验证了该程序可以较为准确地模拟气水两相流-应力之间的相互作用.

为了解决二维检测方法难以检测带有深度信息的缺陷问题，提出全新的三维重建网络. 提出基于多尺度特征增强的级联式三维重建网络(MFE-CasMVSNet)，并与点云数据处理技术结合，用于钢板表面缺陷检测. 为了提高三维重建的精度，提出位置导向的特征增强模块(PFEM)和多尺度特征自适应融合模块(MFAFM)，对特征进行有效提取并减少信息丢失. 提出基于曲率稀疏化的密度聚类方法(CS-DBSCAN)，用于精确识别不同部位的缺陷. 引入三维检测框，实现对缺陷的定位与检测可视化. 实验结果表明，相较于图像几何的重建方法，MFE-CasMVSNet能够更加精确、快速地实现钢板表面的三维重建. 相较于二维检测，三维缺陷检测能够精确获取缺陷的三维形状信息，实现对钢板表面缺陷的多维度检测.

针对内河港口背景复杂、类间尺度差异大和小目标实例多的特点，提出基于多头自注意力机制(MHSA)和YOLO网络的船舶目标检测算法(MHSA-YOLO). 在特征提取过程中，基于MHSA设计并行的自注意力残差模块(PARM)，以弱化复杂背景信息干扰并强化船舶目标特征信息；在特征融合过程中，开发简化的双向特征金字塔结构，以强化特征信息的融合与表征能力. 在Seaships数据集上的实验结果表明，与其他先进的目标检测方法相比，MHSA-YOLO拥有较好的学习能力，在检测精度方面取得97.59%的平均均值精度，MHSA-YOLO对复杂背景船舶目标和小尺寸目标的检测更有效. 基于自制数据集的实验结果表明，MHSA-YOLO的泛化能力强.

为了有效地将湍流燃烧复杂的物理化学信息嵌入到物理信息神经网络（PINNs），选取湍流燃烧模拟中的2个典型场景案例，即刚性常微分方程ROBER问题及稳态射流火焰混合分数方程求解，探索PINNs在燃烧化学微分方程计算中的应用潜力. 结果表明，对于零维刚性反应系统，利用PINNs模型可以较好地捕捉到系统的演化过程；对于稳态射流火焰，PINNs的预测解与传统的数值解有较好的一致性. 残差点的选取对于燃烧化学领域内的复杂微分方程求解尤为重要，应基于具体的构型详细考虑.

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异，影响预测准确性的问题，提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征，作为输入特征集. 将多尺度特征集输入到网络中，以注意力模块为不同特征自适应地分配最佳权重，以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合，通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证，与其他RUL预测方法相比，所提方法的预测性能更优越.

无砟轨道在长期服役过程中受到列车荷载和复杂环境的耦合作用，会发生材料性能衰退、结构损伤累积，导致其服役性能逐渐劣化. 综合论述中国板式和双块式无砟轨道常见层间损伤的表现形式和产生的原因；总结探地雷达法、冲击回波法及其他局部损伤识别方法在无砟轨道损伤识别中的应用情况，提出结合多种局部损伤识别技术是实现轨道局部损伤精准识别的关键；归纳基于模态参数、无砟道床振动信号及车辆振动信号的整体损伤识别技术，指出须扩充现场损伤检测样本以提高识别方法的泛化能力；详细分析各类识别方法的优势和局限性，为完善中国无砟轨道结构损伤识别技术体系和制定科学合理的维修策略提供指导．

考虑到实际的图结构往往是有噪的，可能包含实际不存在的边或者遗漏节点间实际存在的部分边，提出可微分相似度模型（DSM）. 通过挖掘节点间隐藏关系增强节点嵌入，以提高节点分类的准确度. DSM基于普通图神经网络方法（GNN）得到各节点的基础表征，根据节点表征相似度为目标节点选出相似节点集合，结合相似节点集合的基础表征对目标节点进行嵌入表征增强. 在数学上，DSM 是可微分的，可以将 DSM 作为插件与任意 GNN 相结合，以端到端的方式进行训练. DSM具有挖掘隐藏连接关系的能力，能促使GNNs学习到更具辨识性和鲁棒性的节点表征. 基于最常用的多个公开的节点分类数据集，开展实验验证. 结果表明，将已有GNNs与DSM结合能显著提升分类准确度，其中GAT-DSM相对GAT在数据集Cora和Citeseer上分别取得了2.9%、3.5%的提升．

针对基于深度强化学习的交通信号控制方法存在难以及时更新交叉口信号控制策略的问题，提出基于改进深度强化学习的单交叉口交通信号控制方法. 构建新的基于相邻采样时间步实时车辆数变化量的奖励函数，以及时跟踪并利用交叉口交通状态动态的变化过程. 采用双网络结构提高算法学习效率，利用经验回放改善算法收敛性. 基于SUMO的仿真测试结果表明，相比传统控制方法和深度强化学习方法，所提方法能明显缩短交叉口车辆平均等待时间和平均排队长度，提高交叉口通行效率.

为了揭示城市多维特征与共享单车停车需求的时空关系及其关联尺度，结合上海市多源数据，构建以骑行距离为约束的多尺度时空地理加权回归模型(RD-MGTWR)来探究建成环境和区域经济属性对停车需求影响的时空异质性模式. 模型对比分析表明，相比于时空地理加权回归模型(GTWR)，MGTWR模型表现出更好的解释力和可靠性，骑行距离的引入也进一步提高了MGTWR模型的鲁棒性. 结果显示社会经济属性对停车需求的正向影响尺度具有全局性，而区位条件的负向影响呈现局部异质性，在通勤早高峰的内环中心区域最为显著. 此外，具有微观空间或时间作用尺度的公交站点密度、地铁站点密度和购物类服务设施密度对停车需求产生了正负向影响. 影响因素尺度效应的发现有助于指导停车设施的分区规划和共享单车的分时调度.

为了解决传统车联网空间众包中集中式空间众包服务器不可信和易遭受攻击给用户隐私带来极大威胁的问题，提出区块链架构下具有隐私保护的车联网空间众包任务分配方法. 基于区块链技术，设计分布式可信的车联网空间众包系统. 采用多密钥全同态加密算法实现任务分配，支持对不同车辆用户 (密钥) 的密文数据进行任务分配，降低隐私泄露的可能性. 实验分析表明，采用该方法能够有效地保护用户隐私信息，任务分配的计算时间开销与现有研究方法相比下降了34.3%，提高了任务分配的效率.

针对光伏电站传统巡检技术的高成本、低效率以及准确率不高等问题，提出二阶段式的航拍红外图像热斑检测方法，实现对红外图像中热斑缺陷的组件级定位及精细化分类诊断. 该方法将传统图像处理技术与深度学习方法融合，进一步提升缺陷诊断的准确率与效率. 基于航拍红外图像前、后景灰度值的差异，提出基于边缘检测的组件分割方法来提取光伏组件轮廓以实现组件级定位，该方法以相对较小的硬件需求实现光伏组件有效检出率可达99.3%. 考虑到热斑成因、危害及对应处理方式的差异性，提出基于EfficientNet的红外缺陷分类模型对热斑进行精细的四分类，为电站运维人员提供更为精准的决策支撑，该模型在空间占用20.17 MB的情况下获得97.0%的热斑分类准确率. 经过实验对比分析，论证了本研究所提出的方法在缺陷诊断的效率以及准确率上都较高.

为了满足电容式柔性触觉传感器在可穿戴电子设备、智能机器人、人机交互等领域的精准触觉感知应用需求，基于分级倾斜微圆柱结构提出柔性触觉传感器．传感器在受到外界压强作用时，引起倾斜微圆柱分级变形，导致传感器电容增大．结合仿真和实验研究传感器结构特征对其灵敏度的影响规律，揭示不同结构参数设计的传感器信号输出与加载压强间的关系，优化触觉传感器结构．实验数据表明，所提传感器具有良好的灵敏度(0.44 kPa^?1)和低检测下限(2.6 Pa)，响应时间为40 ms，最大迟滞误差为6.7%，在2 400次循环加/卸载过程中展现了优异的重复性和稳定性．该传感器可以拓展为不同尺寸和形状的“皮肤”阵列，实现了机械手精准感知和人体运动姿态监测．

为了探究微生物诱导碳酸钙沉积（MICP）在海水环境中胶结钙质砂的适用性与MICP胶结体的耐干湿循环性能，分别在海水与淡水环境中试验MICP胶结钙质砂，并在海水环境中对MICP胶结的钙质砂进行干湿循环. 基于能谱分析（EDS）与X射线衍射（XRD）分析胶结体元素与矿物组成. 通过无侧限抗压强度试验、称重，构建胶结体的力学性质、质量损失与干湿循环的关系，利用扫描电子显微镜（SEM）分析干湿循环弱化机制. 结果表明：海水环境中MICP对钙质砂的胶结效果优于淡水环境；海水环境中MICP胶结的钙质砂体具有比淡水环境中胶结的钙质砂更高的耐干湿循环性能，21次干湿循环后，海水、淡水环境胶结试样的无侧限抗压强度分别下降至原样的30%和7.53%；干湿循环减弱了颗粒表面粗糙度与粒间胶结强度，宏观上表现为MICP胶结的钙质砂体的强度、刚度的降低.

在对基于强度理论的内聚力模型(ST-CZM)进行二维整理及三维拓展的基础上，使用Abaqus用户单元子程序(UEL)对该模型进行有限元实现. 通过经典界面破坏算例验证ST-CZM有限元模型的有效性和准确性，建立纤维增强复合材料(FRP)加固混凝土模型，采用ST-CZM模拟FRP与混凝土界面间的黏结破坏过程，实现ST-CZM在复杂工况下的应用. 相较于传统基于牵引力准则的内聚力模型，ST-CZM具有更灵活的混合模态耦合方式，且其切向和法向的强度模型相互独立，ST-CZM的收敛性更好，对强度的预测更准确. 所有算例表明，相较于传统基于牵引力准则的内聚力模型，ST-CZM有限元模型能够更好地实现黏结界面峰值应力的预测和损伤阶段的模拟.

医学图像中各成像方式存在自身缺陷，以单一源数据作为输入进行分割模型的构建与训练易导致病灶的分割准确率不足，因此提出基于多源信息融合的医学图像分割方法，并以乳腺癌微钙化簇病灶诊断中的FFDM与DBT这2类数据源为例，验证方法的有效性. 方法利用Yolov4区域候选网络对FFDM数据进行可疑区域筛选；根据同一病人FFDM可疑区域进行DBT图像预处理；以预处理后的DBT图像作为改进U-Net模型的输入实现病灶分割；通过基于序贯相似性判别的断层分割结果融合策略，综合DBT中多断层结果完成病灶最终分割. 方法在20例病人的FFDM与DBT数据上得到98.52%的真阳性率、10.45%的假阳性率与94.07%的精度. 结果表明，本研究提出的基于多源信息融合的医学图像分割方法，有效利用多源数据优势，最终实现病灶的快速精确分割，可以为医学图像诊疗智能化提供一种全新的解决方案.

为了从医疗图像中自动且准确地提取兴趣区域, 提出基于神经网络的分割模型MS²Net. 针对传统卷积操作缺乏获取长距离依赖关系能力的问题, 为了更好提取上下文信息, 提出融合卷积和Transformer的架构. 基于Transformer的上下文抽取模块通过多头自注意力得到像素间相似度关系, 基于相似度关系融合各像素特征使网络拥有全局视野, 使用相对位置编码使Transformer保留输入特征图的结构信息. 为了使网络适应兴趣区域形态的差异, 在MS²Net中应用解码端多尺度特征并提出多尺度注意力机制. 对多尺度特征图依次应用分组通道和分组空间注意力, 使网络自适应地选取合理的多尺度语义信息. MS²Net在数据集ISBI 2017和CVC-ColonDB上均取得较U-Net、CE-Net、DeepLab v3+、UTNet等先进方法更优的交并比指标, 有着较好的泛化能力.

为了提高数控加工中的机床效能和加工效率，探究深度强化学习在加工参数优化问题中的适用性，提出一种基于深度强化学习的数控铣削加工参数优化方法. 选取切削力合力和材料除去率作为效能和效率的优化目标，利用遗传算法优化反向传播神经网络（GA-BPNN）构建切削力合力和铣削参数的优化函数，并采用经验公式建立材料除去率的优化函数. 应用竞争网络架构（Dueling DQN）算法获得切削力合力和材料除去率多目标优化的Pareto前沿，并结合优劣解距离法和熵值法从Pareto前沿中选择决策解. 基于45钢的铣削试验，验证了Dueling DQN算法用于加工参数优化的有效性，相比经验选取加工参数，通过Dueling DQN优化得到的加工方案使切削力合力降低了8.29%，加工效率提高了4.95%，为加工参数的多目标优化方法和加工参数的选择提供了指导.