基于Informer的电池荷电状态估算及其稀疏优化方法

准确估计电池荷电状态（State Of Charge,SOC）是延长电动汽车电池使用寿命，确保电动汽车行驶安全的重要基础.传统的深度学习估计方法存在并行化计算效率不高、训练时间长的问题.为此，利用基于自注意力机制的Informer模型来估计电池SOC.其降低了传统自注意力机制的时间复杂度、提高了硬件使用率、降低了训练时长，与其他深度学习方法相比估计更准确.然而Informer模型仍然存在体量大及参数冗余的问题，故提出稀疏优化方法 .利用基于彩票假设的幅值迭代剪枝方法对Informer进行稀疏化处理，突出主导注意力特征，实现了在降低参数冗余的同时提升模型估计精度.在室温下，提出的稀疏化Informer模型估计电池SOC的平均绝对误差和均方根误差分别达到0.285 8%和0.383 0%，相比于Informer模型在平均绝对误差指标上估计精度提升了25%.并验证了其具备估计不同类型锂电池SOC的泛化能力.与循环神经网络、卷积神经网络这类传统的深度学习模型相比，本模型进行电池SOC估计时训练速度更快，估计准确性和稳定性更高.     

水岩和冻融作用下岩石的脆性评价

在总结目前已有的部分岩石脆性评价方法，并论述各评价方法优缺点的基础上，考虑岩石应力-应变曲线和能量演化规律，提出一种新的岩石脆性评价的计算方法，结合红层软岩在天然工况和水岩作用下，以及砂岩在天然工况和冻融作用下的三轴试验结果验证其有效性。结果表明，无论是天然工况还是水岩作用下，红层软岩脆性指数都随围压的增加而减少；各围压红层软岩在水岩作用下的脆性较天然工况下更弱，平均减少约44%。无论是天然工况还是冻融作用下，砂岩的脆性都随围压的增加而减少；各围压砂岩在冻融作用下的脆性低于天然工况，平均减小为13%。     

融合CNN和Transformer的遥感图像建筑物快速提取

遥感图像建筑物高效提取在城市规划、灾害救援、军事侦察等领域发挥着重要作用。基于深度学习的建筑物提取方法虽然具有很高的精准度，但通常是由复杂的卷积运算和极大的网络模型实现的，提取速度低，难以满足现实需求。为此，设计了一种遥感图像建筑物快速提取方法。在STTNet模型的特征提取网络中引入多尺度卷积，在同一卷积层内提取多尺度特征，进一步提高模型的特征提取能力。改进空间稀疏特征提取器结构，在带有空间注意力权值的特征图中应用通道注意力，有效学习通道注意力权值，进而解决使用骨干网络输出特征图学习时通道注意力权值浮动的问题。为降低模型参数量，加快模型的运算速度，将STTNet模型由并联结构改为串联结构。INRIA建筑物数据集上的实验表明，本文方法在保证精度和IoU的前提下速度比STTNet提升了18.3%，明显优于主流方法。     

配电变压器能效试验中的降功率措施与实现

阐述一种配电变压器能效试验的降功率方法，通过降低试验电源容量，减小能效试验装置的体积和重量，实现便于移动和携带的能效试验装置。采用数据拟合算法对试验数据进行修正，有效解决了配变能效试验数据与试验功率存在非线性导致误差大的问题，从而提高了能效测试的数据精度。     

赤足足迹识别研究综述

赤足足迹识别技术是图像识别技术的一个分支，在刑侦、医疗以及安全领域发挥着重要作用，有望成为一种新的进行人身识别的手段。但是该技术尚未形成较为统一的框架，也没有一个规范化的流程。为了给今后的研究人员提供指导，需要规范不同足迹图像的识别流程，并对赤足足迹识别技术相关研究进行归纳与总结。首先对赤足足迹识别研究的背景和意义进行阐述，然后回顾该技术的发展脉络，并根据采集方式的不同将赤足足迹图像分为油墨捺印足迹图像、足底扫描图像、光学足迹采集设备采集的足迹图像以及足迹压力采集系统采集的足压图像四类，并指出后两种图像是目前赤足足迹识别研究的热点。之后分别从赤足足迹数据集、图像预处理、识别方法三个方面分析赤足足迹识别技术的研究现状。其中，识别方法分为传统方法和基于深度学习的方法，后者又进一步划分为网络结构创新方法和损失函数优化方法。在给出识别方法的评价指标后，从多个方面对各种方法进行对比。最后指出该技术目前面临的问题，并对其今后的发展方向进行展望。     

±16g三质量块三轴MEMS电容式加速度计的设计

微电子机械系统(MEMS)惯性传感器(如加速计、陀螺仪)具有高性能、低功耗、低成本、集成度高、可靠性高、体积小等特点。但MEMS传感器交叉串扰仍较大，影响了加速度的测量。该文设计了一个量程为±16 g的三质量块三轴MEMS电容式加速度计结构，通过对所设计的结构进行静力学分析和模态分析，保证加速度计良好的抗过载能力。仿真结果表明，该结构实现了模态分离避免了模态干扰，且交叉灵敏度均小于0.3%，有效地降低了交叉串扰。     

含硫气田水除硫过程能耗及碳排放分析

为探究含硫气田水除硫过程能耗及碳排放的情况，以比能耗分析法和碳排放系数法为基础，采用单位能耗和单位碳排放为评价指标，结合相关性分析、敏感性分析和回归分析等统计学方法，分析了能耗、碳排放与水处理量和进水硫化物之间的关系。结果表明，含硫气田水除硫过程以直接能耗和能耗碳排放为主，单位能耗和碳排放分别为18.20 kWh/m3和12.93 kgCO2e/m3。能耗和碳排放与水处理量之间呈现一定的规模效应，且具有高度的相关性。敏感性分析表明节能减排须重点关注水处理能耗的降低，可采取集中规模化处理、根据产水量变化优化调整装置运行负荷和药剂加注、优化提升气提除硫效率等措施，以达到节能减排的目的。     

基于信度评估的线结构光多重曝光条纹提取

在单线结构光三角测量法的实际应用中，图像中条纹截面灰度分布的可靠性是保证条纹中心提取精度的重要基础。在物体表面反射特性不均匀的测量场景中，受欠曝光与过曝光的双重影响，造成条纹截面灰度分布不均匀、条纹中心可信度低等问题。基于上述问题，对复杂反射特性表面的单线结构光条纹提取技术进行了研究。提出了一种基于信度评估的条纹提取方法。创新性地应用了条纹能量密度与条纹宽度相结合的双参数评价标准，有效避免了单一能量信度标准下约束力不够的问题。该方法依据信度阈值识别多重曝光图像中的可信条纹，并将可信条纹拼接重建成最终条纹图像。试验结果表明，重建图像具有全局可信度，有效提升了条纹中心计算精度。该方法能够为复杂场景下三维测量技术的发展提供一定参考。     

基于联邦学习的SDN异常流量协同检测技术

网络流量异常状态检测是发现潜在安全威胁的重要手段，但是现有异常流量检测方法普遍存在环境适应性不强、协同能力较弱等问题。结合SDN网络的拓扑结构与流量特征，提出基于联邦学习的异常流量协同检测技术。利用SDN网络中的检测节点，构建基于联邦学习的多检测节点协同检测架构。通过信息熵计算提取流量特征，从相对熵的角度分析检测节点的流量关联度，并根据该关联度设计模型训练过程中的参数聚合权重优化算法，提高检测模型的适应能力。应用参数聚合权重优化算法进行多检测节点异常流量检测模型的协同训练，提升检测模型对异常流量的识别准确率。仿真结果表明，与本地独立训练和传统联邦学习算法相比，基于参数聚合权重优化算法的识别准确率分别提升了31.69%和7.92%，具有更好的异常流量检测效果及更强的环境适应能力。     

B2-CuZr相增强非晶复合材料组织调控研究进展与展望

B2-CuZr相增强非晶合金因增强相特殊的“相变诱导塑性”而表现出优于传统增强相的综合力学性能，成为近年来材料领域的研究热点之一。然而原位自生B2-CuZr相的含量、尺寸及其分布难以调控，且铸造过程中易发生共析分解，限制了此类材料的应用范围。通过铸造工艺控制、合金成分调控及后处理等方法可有效解决上述问题。本文将对B2-CuZr相增强非晶复合材料的组织特点、增强机制及复合组织调控方法等方面进行综述，并对其未来发展进行简要展望。