局部颜色特征与工艺参数融合的铜浮选入矿类型识别

针对铜浮选过程中矿源变化频繁而造成的浮选工况难以识别、生产过程不稳定等问题,在分析铜浮选流程特点的基础上,提出了一种局部颜色特征与关键工艺参数融合的铜浮选入矿类型识别方法.首先采用多元图像处理方法提取泡沫图像局部颜色特征,然后采用混合滤波、时间配准算法将其与关键工艺参数进行数据融合,最后用融合后的混合特征进行模糊聚类,得到隶属度矩阵和聚类中心.工业数据仿真结果验证了本文所提方法的有效性.     

生物技术专业分子水平课程的教学研究

根据培养目标要求,针对生物技术专业分子水平课程进行研究,适当调整相关课程教学计划和教学内容,改进实验教学,提高教学效果。     

FSNet: 基于频率特性的烟雾图像分割网络

烟雾图像分割是对烟雾进行识别与精准定位的基础, 是火灾预警的重要手段. 针对烟雾分割时存在过分割、欠分割以及边界拟合粗糙的问题, 本文提出一种基于频率分离特性的烟雾图像分割网络. 所提出的频率分离模块将特征图中的烟雾区域分离为低频主体部分和高频边界部分, 同时基于多任务学习设计多模块权重自适应损失函数对烟雾整体、主体、边界分别监督学习, 起到细化烟雾边界和改善烟雾整体分割结果的作用; 此外, 结合可变形卷积提出改进的空洞空间金字塔池化模块以解决其信息利用率低和特征关联性差的问题. 在对比实验中, FSNet的烟雾交并比为76.55%, 比基线网络提高了4.25%. 可视化分割结果可以看出, FSNet能有效缓解过分割、欠分割, 所得烟雾边界更平滑, 烟雾图像分割的整体性能获得较大提升.     

改进果蝇算法在净化除钴过程锌粉量优化设定中的应用

本文提出一种基于细菌迁徙的自适应果蝇算法(CAFOABM),用于求解净化除钴过程锌粉添加量优化设定问题.首先从净化除钴的反应机理出发,通过引入除钴率建立锌粉添加量与氧化还原电位值、出口钴离子浓度间带约束的非线性优化设定模型;为了避免果蝇算法在迭代寻优过程中出现停滞现象,CAFOABM引入多种群并行搜索策略和改进搜索算子对搜索状态的转移规则进行改进;并采用区分可行解与不可行解法进行约束处理,保留一定比例的不可行解个体,有效避免了有用解信息的丢失.实际生产数据验证结果表明,CAFOABM算法优化设定的锌粉添加量与人工操作的经验数据相比减少7.83%,出口钴离子浓度满足实际生产要求且趋于平稳.     

时滞大系统分散鲁棒跟踪控制器设计: LMI 方法

针对一类满足匹配条件的不确定性关联时滞系统,导出了分散鲁棒输出跟踪控制器存在的充分条件。基于不确定项的表达形式,给出了存在分散鲁棒跟踪控制器的线性矩阵不等式（LMI）条件。通过建立求解受LMIs约束的凸优化问题,提出了具有较小反馈增益LMI设计方法,使受控系统渐近跟踪给定的参考输入。仿真示例说明了该方法的应用。     

基于线性矩阵不等式的不确定关联系统的分散鲁棒镇定

应用线性矩阵不等式（LMI）方法研究不确定性关联大系统的分散便棒镇定问题。系统中不稳定项具有数值界,可不满足匹配条件。基于不确定项的表达形式,给出了其可分散状态反馈镇定的充分条件,即一组LMIs有解。在此基础上,通过求第一凸优化问题,提出了具有较小反馈增益的分散稳定化状态反馈控制律的设计方法。仿真示例说明了该方法的有效性和优越性。     

不确定性关联时滞大系统的分散鲁棒镇定

应用线性矩阵不等式（LMI）方法研究不确定性关联时滞大系统的分散鲁棒镇定问题。系统中不确定项具有数值界，可不满足匹配条件。基于不确定项的表达形式，给出了其可分散状态反馈镇定的充分条件，即一组LMIs有解。在此基础上，通过求解一凸优化问题，给出了具有较小反馈增益的分散稳定化状态反馈控制律的设计方法。仿真示例说明了该方法的有效性和优越性。     

基于模糊控制的水温控制系统

经温度传感器及有关电路将温度转化为电脉冲的脉宽，单片机将测得的脉冲宽度的值转化为与之对应的温度值。与设定的温度相比较后，以温度偏差及其变化量为输入，加热量为输出，通过模糊控制算法，就可达到水温自动调节的目的。对任意温度对应的脉宽还可进行自动测量，并加以显示。     

数值界不确定性奇异大系统分散鲁棒H∞广义输出反馈控制

用矩阵不等式方法研究了数值界不确定性奇异大系统的广义输出反馈分散鲁棒H∞控制问题．基于有界实引理，提出了存在分散鲁棒广义输出反馈H∞控制器的矩阵不等式条件，并采用同伦迭代算法来获得控制器的参数．数值算例表明该方法求解简单，证明了它的有效性．     

基于Transformer GAN架构的多变量时间序列异常检测

基于过程中实时采集的多变量时序关联数据进行异常检测是预防工业过程事故、保障系统安全的关键环节之一.然而,工业多变量时间序列异常检测仍面临如下两大难题:(1)时序数据变量间复杂的非线性关联特性缺乏有效的表达方法;(2)正常/异常分布极度不均衡的时间序列间复杂的相关性有待深入挖掘.本文提出一种新的基于多变量时间序列的无监督异常检测方法 ——基于Transformer GAN的多变量时间序列异常检测方法 (TGAN-MTSAD). TGAN-MTSAD采用Transformer网络作为生成对抗网络的基本模型,引入了图注意力层以自动学习时序多元变量间的复杂依赖关系,还应用了patch技巧使模型能够有效捕捉时间窗口内的异常细节信息,并提出了基于重构误差与鉴别误差相结合的异常分数计算方法.采用3个真实世界的数据集对所提方法进行了大量的性能验证与对比实验分析.结果表明, TGAN-MTSAD可以有效检测过程中的时序异常,在大多数情况下优于基线方法,并且具有良好的可解释性,可用于复杂工业异常诊断.