为了准确、高效地分析电力客户需求, 从而降低电力企业成本, 提高电力服务的产品附加值, 基于层次分析法, 计算条件属性重要度, 构建优先关系矩阵, 结合模糊关系判断尺度, 确定电力客户需求权重。度量决策树节点纯度, 分别对离散型节点变量与连续型节点变量进行指标分析, 判断电力客户需求权重的准确性。建立电力客户需求关联抽取模型, 获取电力客户需求用户画像, 将信息区分值作为区分变量能力强弱的指标, 计算不同变量之间的相关系数, 设计关联抽取算法, 得到电力客户关联结果。该方法在高、中、低 3种频率中, 虽其平均绝对百分比误差(MAPE)值不断升高, 且随着关联层次的增加而逐渐递增, 但整体依旧较低, 判断电力客户需求权重的准确性较高。

为实现锶原子光钟的空间应用,采用永磁体塞曼减速器,可有效规避塔状线圈造成的高功耗和体积占比大的问题,利于光钟的空间化发展。基于永磁体构建锶光钟的环状和柱状塞曼减速器,在减速原理、磁场构建和样品研制方面各有优劣,利用多普勒测速法可对两种减速器的减速效率进行测量,可将两种减速器的减速分布曲线累计分布后对比。实验结果表明: 两种永磁体塞曼减速器都达到一定减速效果,但环状永磁体塞曼减速器在体积和减速效果上,相较单x方向的柱状永磁体塞曼减速器,体积减少了60%,重量减少了80%,减速效果部分区域效率高一倍,因此优势更为显著。进一步采用环状永磁体塞曼减速器俘获锶原子的三种同位素,完成了小型化锶原子光钟的一级俘获,满足零功耗、体积小的紧凑化光钟设计需求。

准确的光伏功率预测可以有效促进光伏发电的安全高效利用。针对现有方法预测精度不足的问题，提出一种结合奇异谱分解（SSD）、双重注意力机制和双向门控逻辑单元（BiGRU）时序建模的超短期光伏功率预测方法。首先利用SSD降低光伏信号的随机性和波动性；然后利用BiGRU网络对分解后的信号进行时序建模，并设计了一种同时学习特征序列和时序序列的重要性权重的注意力模块，对BiGRU网络提取的特征进行权重加权；最后经过决策层获得最终的光伏功率预测结果。实验结果表明，SSD和注意力机制可以有效提升深度时序模型的光伏功率预测精度，在不同季节和不同天气情况下均优于其他几种经典方法，具有较高的实用价值。

针对由于爆破现场施工环境复杂, 爆破振动信号包含大量高频噪声的问题, 提出一种基于傅里叶分解(FDM)联合小波包阈值方法的降噪方法。首先, 基于傅里叶分解理论将爆破振动信号分解为若干傅里叶固有频带函数(FIBFs); 然后, 分别计算分解所得模态分量与原始信号的相关系数, 使用相关系数法筛选出优势分量, 将筛选所得优势模态分量进行重构; 最后, 利用小波包阈值方法对重构所得信号进一步降噪, 得到最终纯净的爆破振动信号。结果表明:引入的新方法兼具傅里叶分解及小波包分析的优点, 与现有常用方法相比, 傅里叶分解-小波包分析联合降噪方法信噪比(10.3940)最高, 均方根差(0.0889)最小, 所得时程曲线更为平滑, 去噪效果更好, 为类似爆破振动信号去噪提供新的途径。

电力设备在运行过程中会产生大量红外图像，当红外图像中的电力设备存在排列密集、具有倾斜角度、大长宽比的情况时，基于水平矩形框的目标检测网络只能给出目标概略位置，易发生目标检测区域重叠，引入冗余背景信息，使得检测结果不够精细。针对此问题，提出在 RetinaNet目标检测网络中引入旋转矩形框机制，并在网络输入端引入 Mosaic数据增强技术；将原特征提取网络中 ReLU函数替换为梯度流更平滑的 Mish激活函数；在原模型 FPN模块后追加 PAN模块进一步融合图像特征。最后利用现场采集的电力设备红外图像制作数据集，将改进后的模型与 Faster R-CNN、YOLOv3、原 RetinaNet三种基于水平矩形框定位的目标检测网络进行对比评估，实验表明改进后的模型可以更为精细地检测出密集场景下带有倾角的电力设备红外目标，在多类别电力设备检测准确率对比上高于以上 3种模型。

电子战是当代信息化战争的开端, 战场多时空、多维域的信息掌控权决定着战争的胜负。信息化战场的决策问题不同于传统作战指挥问题, 由于战场环境的复杂性、信息的多样性、装备的信息化, 干扰决策问题的研究愈加重要。目前, 人工智能领域的快速发展, 认知无线电、认知电子战的概念相继被提出。在基于现有研究成果的基础上, 介绍了认知干扰决策理论, 并梳理了国内外的相关文献, 主要从认知干扰决策涉及的3个方面(状态识别预测、参量控制、资源调度)出发, 归纳了常用的理论方法及其存在的不足, 最后对未来雷达认知干扰决策的前景予以展望。

发酵作为影响红茶品质形成的重要流程, 发酵品质程度的判断主要基于人工经验, 难以实现准确客观的评价。 该研究主要针对于工夫红茶发酵工序, 以不同发酵时序下的样品为对象, 利用高光谱检测技术并结合化学计量学方法, 对制备的不同发酵程度的样本进行无损检测和智能判别。 首先利用高光谱成像仪（400～1 000 nm）采集工夫红茶发酵样品的高光谱数据, 并根据气温、 茶叶嫩度、 萎凋情况、 揉捻过程、 发酵叶颜色及香气等现场生产信息, 将6个不同发酵时序下的样本, 根据发酵程度依次划分为3类（轻度发酵、 适度发酵、 过度发酵）。 为了降低采集高光谱信息时因培养皿中发酵叶的不平整而产生的散射现象对光谱数据的影响, 选取标准正态变量变换算法（standard normal variate, SNV）与多元散射校正算法（multiplicative scatter correction, MSC）对全波段光谱进行预处理, 将预处理后的光谱数据进行主成分分析（principal components analysis, PCA）, 分别得到前3个主成分的三维载荷图, 根据样本在图中的空间分布特征, 因而选择效果较好的SNV预处理方法。 以全波段光谱最优主成分作为模型输入量, 建立邻近算法(K-nearest neighbor, KNN)、 随机森林（random forests, RF）、 极限学习机（extreme learning machine, ELM）判别模型, 识别率分别为63.89%, 94.44%和86.11%, 结果表明, 非线性模型（RF、 ELM）识别率较高, 其中RF模型性能优于ELM模型。 为比较基于全波段与特征波长建立的工夫红茶发酵品质程度模型判别效果, 采用连续投影算法（successive projections algorithm, SPA）提取31个特征波长进行PCA降维处理, 以特征波长最优主成分作为模型输入量, 构建SPA-KNN, SPA-RF和SPA-ELM判别模型, 识别率分别为83.33%, 91.67%和91.67%。 通过SPA对变量筛选后, SPA-KNN和SPA-ELM模型性能明显提高, SPA-RF模型识别准确度略有下降。 与特征波长建立的模型相比, 全波段建立的RF模型性能最佳, 对工夫红茶轻度发酵、 适度发酵、 过度发酵的判别率分别达到了100%, 83.33%和83.33%。 研究结果为推进红茶智能化、 数字化加工的实现, 提供了理论基础和科学依据。

本研究选用3个纤维颜色不同的棉花近等基因系—绿色棉、棕色棉和白色棉为材料, 研究参试材料的主茎功能叶片在整个生育期的生理特性变化, 并对生理指标与产量因素进行相关性分析。结果表明: 整个生育期2种彩色棉的净光合速率均低于白色棉; 除吐絮期外, 彩色棉总叶绿素含量、蔗糖合成酶和蔗糖磷酸合成酶活性均低于白色棉; 净光合速率与单株铃数、单铃重及单株产量呈显著正相关; 总叶绿素含量与单铃重、单株产量呈极显著正相关; 蔗糖磷酸合成酶活性与单铃重呈极显著正相关, 与单株产量呈显著正相关。本研究结果将为彩色棉高产品种选育提供理论依据。