概率语言多属性群决策方法及其在新型智慧城市市民获得感评价中的应用

针对公众参与的语言信息多属性群决策问题，研究了考虑参与者满意度的概率语言多属性群决策方法。首先，根据参与者的语言评价信息确定并规范化概率语言决策矩阵。然后，对大群体进行共识分析，由最大化参与者群体的满意度构建线性规划模型，确定参与者群组的权重；构造正、负理想方案的评价向量，构建多目标规划模型，用拉格朗日乘子法求解属性权重；定义各方案的加权贴近度，并以此对方案进行排序和优选。最后，通过新型智慧城市市民获得感评价案例验证了模型的可行性和有效性。     

仿生多胞薄壁管耐撞性分析及优化

为提高薄壁管结构耐撞性，以雀尾螳螂虾螯为仿生原型，结合仿生学设计方法，设计一种含正弦胞元的多胞薄壁管结构。以初始峰值载荷、比吸能和碰撞力效率为耐撞性指标，通过有限元数值模拟分析了不同碰撞角度（0o、10o、20o和30o）条件下，仿生胞元数对薄壁管耐撞性的影响，通过多目标的复杂比例评估法获取仿生薄壁管的最优胞元数。基于不同碰撞角度权重因子组合，设置了4种单一角度工况和3种多角度工况，采用多目标粒子群优化方法获取了不同工况下薄壁管结构最优胞元高宽比和壁厚。复杂比例评估结果表明，胞元数为4的薄壁管为最优晶胞数仿生薄壁管。优化结果表明，单一角度工况下，最优结构参数高宽比的范围为0.88～1.50，壁厚的范围为0.36～0.60 mm，碰撞角度为0o和10o的最优高宽比明显小于碰撞角度为20o和30o的；多角度工况下，最优高宽比范围为1.01～1.10，壁厚范围为0.49～0.57 mm。     

基于差分反射高光谱成像的薄层TMDC材料检测技术研究

二维过渡金属硫化物(TMDC)材料因为独特的激子效应和材料学性质，在太阳电池、光催化、传感器、柔性电子器件等领域得到广泛的应用。层数对其性质有显著的调控作用，自动检测识别所需层数的样品是其从实验室走进半导体制造工业的重要技术需求。本文结合反射高光谱成像技术与图像处理算法，发展了一种二维TMDC薄层样品的显微成像自动检测技术。基于自主搭建的反射高光谱成像系统，对制备的不同层数TMDC标准样品进行了光学对比度的系统研究，阐明了层数的差分反射光谱机理，提出了可靠的层数判定方法。基于传统边缘检测技术优化设计了一套图像处理算法，实现了TMDC样品的图像检测及层数鉴定。本文方法具有普遍性、实用性，结合自动对焦的扫描控制，能够实现大规模的自动化样品检测，这也为其他表面目标的显微识别和检测提供了新的灵感和参考。     

多孔氮化硼掺杂聚吡咯-2,3,3-三甲基吲哚固相微萃取涂层的制备及多环芳烃的检测

多环芳烃(PAHs)是持久性有机污染物中的一种，大部分具有较强的致癌、致畸和致突变性，对生态环境和人类健康易造成严重威胁。由于环境样品基质复杂且其中PAHs含量低，因此在仪器分析之前需要对环境样品进行必要的前处理。萃取材料的特性是决定大部分前处理技术萃取效率的关键。基于此，本文以低成本且富含较多官能团的吡咯(py)、2,3,3-三甲基吲哚(2,3,3-TMe@In)为单体，多孔氮化硼为掺杂物，采用电化学循环伏安法制备出多孔氮化硼掺杂聚吡咯-2,3,3-三甲基吲哚(Ppy/P2,3,3-TMe@In/BN)复合涂层，通过扫描电子显微镜、热稳定性分析、傅里叶红外光谱等手段对Ppy/P2,3,3-TMe@In/BN进行表征，结果表明：该涂层呈现出多孔、多褶皱的枝状结构，该结构有利于增加涂层的比表面积，从而实现对PAHs的大量富集；在320℃解吸温度下，涂层材料的色谱基线基本稳定，表明该涂层具有良好的热稳定性。将其修饰在不锈钢丝表面制成固相微萃取涂层，结合气相色谱-氢火焰离子化检测器，对影响萃取和分离萘(NAP)、苊(ANY)、芴(FLU)3种PAHs的条件进行优化，建立了用于以上3种PAHs...     

多模式离子推力器输入参数设计及工作特性研究

针对我国小行星探测任务对电推进系统离子推力器设计要求,基于等离子体基本理论建立了多模式离子推力器输入参数与输出特性关系,完成各工作点下屏栅电压、束电流、阳极电流、加速电压,流率等输入参数设计,采用试验研究和理论分析的方法研究了推力器工作特性.试验结果表明:在设计输入参数下,23个工作点推力最大误差小于3%,比冲最大误差小于4%,在功率为289—3106 W下,推力为9.7—117.6 mN,比冲为1220—3517 s,效率为23.4%—67.8%,电子返流极限电压随着推力增加单调减小,最小、最大推力下分别为-79.5 V和-137 V,放电损耗随着功率增大从359.7 W/A下降到210 W/A,并在886 W时存在明显拐点,效率随功率增大而上升,在1700 W后增速变缓并趋于稳定,在轨应用可综合推力器性能、任务剖面要求、寿命,合理设计输入参数区间,制定控制策略.     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

p-Adic函数空间上Hardy型算子的多线性交换子估计

在p-adic域上研究分数次Hardy型算子与CMO(Q_p~n)函数生成的多线性交换子,建立了交换子在Lebesgue空间和Herz空间上的有界性.对Hardy算子的多线性交换子也得到了相应的结果.     

基于PI法的门源MS6.4地震前震中附近地震热点图像异常变化研究

基于1980年以来青海省和甘肃省区域地震台网的定位地震目录，分析了研究区最小完备震级，选取空间网格尺度为0.2°×0.2°、地震活动异常学习时间段和预测时间段均为3 a，应用图像信息（PI）法，分析了门源M_S6.4地震发生前震中附近地震热点图像的异常变化过程。结果表明，在2013年1月1日至2016年1月1日的预测时间窗内，冷龙岭断裂和祁连山北缘断裂附近存在明显的地震热点，且地震热点图像颜色偏深，发震概率较高，向前滑动至2014年1月1日至2017年1月1日，2015年1月1日至2018年1月1日和2016年1月1日至2019年1月1日3个预测时间窗，此两断裂附近仍存在地震热点，地震热点图像颜色逐渐由深变浅，而门源M_S6.4地震就落在PI法得到的地震热点内。门源M_S6.4地震前存在明显的地震热点，且地震热点相对集中，地震热点图像颜色由深变浅，震后消失；在祁连山北缘断裂附近，地震热点持续存在，分布较集中，地震热点图像颜色也呈由深变浅的过程。未来需关注祁连山北缘断裂，附近有发生强震的可能。     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。