智能无人系统能自主的完成复杂任务，具有自主性、智能性、协同性等特征，覆盖了智能机器人、智能无人机、无人驾驶、群体智能等领域，是人工智能的主要研究方向之一。贺威教授团队长期致力于智能无人系统的控制理论与方法研究。本次申请吴文俊人工智能自然科学奖项的项目成果研究历时六年，针对柔性无人系统的高精度控制、具有多约束条件的智能控制和不确定系统的自适应控制三个方面展开了深入地研究与探索，提出了智能无人系统基于偏微分方程的建模方法和边界控制方法、基于神经网络的智能控制方法以及基于状态和输出反馈的自适应控制方法，推动了智能无人系统控制理论与方法的发展。本项目的20篇主要代表性论文均发表在IEEE汇刊及Automatica等本学科著名期刊上，SCI他引1705次，其中15篇入选ESI高被引论文。8篇代表性论文，SCI他引923次，全部入选ESI高被引论文，其中4篇SCI他引超100次，单篇最高SCI他引318次。

智能无人系统能自主的完成复杂任务，具有自主性、智能性、协同性等特征，覆盖了智能机器人、智能无人机、无人驾驶、群体智能等领域，是人工智能的主要研究方向之一。贺威教授团队长期致力于智能无人系统的控制理论与方法研究。本次申请吴文俊人工智能自然科学奖项的项目成果研究历时六年，针对柔性无人系统的高精度控制、具有多约束条件的智能控制和不确定系统的自适应控制三个方面展开了深入地研究与探索，提出了智能无人系统基于偏微分方程的建模方法和边界控制方法、基于神经网络的智能控制方法以及基于状态和输出反馈的自适应控制方法，推动了智能无人系统控制理论与方法的发展。本项目的20篇主要代表性论文均发表在IEEE汇刊及Automatica等本学科著名期刊上，SCI他引1705次，其中15篇入选ESI高被引论文。8篇代表性论文，SCI他引923次，全部入选ESI高被引论文，其中4篇SCI他引超100次，单篇最高SCI他引318次。

本成果中涉及到的技术包括开发了一种水泥基材料的促硬剂，以及基于该促硬剂的无机保温砂浆制备方法和施工方法。本成果拟转化的无机保温砂浆具有防火性能优异、保温效果良好、施工效率高等优势，可广泛应用于新建建筑物及既有建筑物改造的外墙保温施工。 现有无机保温砂浆最普遍的施工方式为人工抹灰，分多层间断性施工，待第一遍抹灰完全硬化后才可以进行下一遍抹灰，两遍抹灰之间时间间隔一般在24h以上，施工间

为满足复杂城市系统和环境品质的迫切需求，探索了数字技术在城市设计编制过程中的深度应用，根据地域特点，重点突破了声光风热环境模拟、地理空间行为分析、虚拟现实风貌设计、用户交互式参与等关键技术，改善了传统城市设计核心依据过度依赖主观判断的现状，增加城市设计的科学性。研究成果已直接应用于深圳市坪地低碳城规划设计、深圳市福田总体城市设计、重庆市唐桂新城城市设计、重庆市黔江区总体城市设计等实际项目中，并取得国家级和省级多项优秀城乡规划

“复杂网络信息过滤的理论与方法”项目针对复杂网络上三类代表性的信息过滤问题——个性化推荐、链路预测和节点影响力排序——进行了系统研究。提出了以系综理论和似然分析为基础的网络信息过滤基础理论体系和以扩散动力学为基础的网络信息过滤系列方法。项目研究获得了国内外学术界广泛认可，国际顶级学术期刊多次引用项目组的论文，一些重要学术媒体给予相关工作高度评价，研究成果已服务于真实商业应用并产生了客观的社会经济价值。本项目提出的基于局部扩散的推荐方法是北京百分点科技的核心算法，服务了800余家电商和500余家媒体客

本发明公开了一种激光焊接装置及方法，其中，焊接装置包括 控制单元、激光器和光学整形单元；激光器的控制端与控制单元的控 制端连接；光学整形单元置于激光器输出光束的光路上，其光轴方向 与激光器输出光束的中心方向重合；光学整形单元对激光器输出光束 进行整形，输出的均匀条形光斑照射在焊接生产线上；本发明公开的 激光焊接方法基于上述装置，采用均匀条形光斑照射移动的焊接生产 线上的工件，熔化焊料，实现工件焊接；为实现电子元器件双

本发明涉及无损检测领域，并公开了一种磁约束脉冲涡流检测 方法与装置。其方法是在被测构件表面设置一个圆环形永磁体，其上 下端面为磁极且极性相反，并使永磁体的中心线与被测构件表面的法 线重合；依次同轴设置接收线圈和激励线圈在永磁体的内部；在激励 线圈中加载直流电流，以产生稳恒的一次磁场；在关闭激励线圈中的 直流电流的同时，测量接收线圈的感应电压，得到检测信号。其装置 包括脉冲涡流传感器、激励控制单元、信号处理单元、A/D 转换单元 和计算处理器，脉冲涡流传感器中设置有圆环形永磁体。本发明利用 上下端面为磁极的圆环形永磁体，在被测构件中产生垂直于其表面的 偏置磁场，约束了被测构件中感应涡流的向外扩散，可有效提高检测 灵敏度。 

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

开展设备状态监测与故障诊断可以及时了解和掌握设备的工作状态，甚至提早期发现故障，找出故障的成因，并预报故障发展趋势。以往依赖人工经验，靠五感或简易仪表进行的常规检测已不适用。现代设备的状态监测。分布式在线监测系统采用计算机技术、网络技术、信号处理与分析技术，形成分布式的监测体系。 该系统重点解决关键设备远程在线监测、设备状态评价、设备故障诊断等问题。系统采用三层架构的体系，实现远程异地对设备运行状态进行监测，自动跟踪、记录设备的相关指标，诊断设备可能发生的故障，科学地评价设备状态，为设备维修和维护提供科学的依据。 系统由多台计算机通过计算机通讯手段形成一个完整的诊断网络，每台计算机分布在不同的场所，可以分别独立地完成各自的特定功能，同时在逻辑上相互联系，形成一个监测与诊断整体，给使用者带来了方便，系统的可扩展性也大大提高。系统的主要功能模块包括常规在线监测、数据保存（支持三种存储模式：定期存储、报警存储、人工触发存储），历史数据追溯、趋势分析、监测报表、实时数据采集、故障诊断等功能