建立了一种以面心立方三维光子晶体为基础的有限元预测模型，研究了纳米粒子折射率、溶剂折射率、粒子直径、粒子间距等参数对反射光谱的影响。根据预测结果制备了优化尺寸的Fe₃O₄@SiO₂纳米粒子电调谐器件。结果表明，有限元模型预测的反射光谱中心波长在680 nm至455 nm范围内移动，与制备器件的测试光谱匹配性良好。与解析预测模型相比，建立的三维有限元预测模型得到的反射光谱中心波长的预测结果准确性更高。对于非核壳结构，两种模型的预测误差范围分别为0.49%~1.70%、0.82%~1.49%，表现相当；对于核壳结构，两种模型的预测误差范围分别为3.51%~6.11%、0.28%~1.34%。本文建立的三维有限元模型将预测误差典型值降低为原来的1/5.9。所提模型可用于准确预测胶体体系下自组装光子晶体反射光谱的动态调谐能力，弥补了解析预测模型在核壳结构光子晶体预测准确性方面的不足，可指导粒子材料参数和结构参数设计，以及可调谐范围的优化区间筛选。对反射光谱幅值和谱宽预测准确性的提升需进一步考虑短程有序结构等随机微扰特性的影响。

乳腺癌是全球女性发病率位居首位的恶性肿瘤，研究基于神经网络模型的乳腺癌诊断预测方法的目的是将临床与机器学习相结合，有助于医疗工作者更加快速准确地判断出患病与否，同时解决现有模型中存在的过拟合以及漏诊率和误诊率过高的问题，并提高预测模型的准确率。本文采用加州大学欧文分校(UCI)数据集，共 669个样本，其中包含 357个良性样本和 212个恶性肿瘤样本，共计 10个特征训练预测模型。将 10个神经网络模型采用 Adaboost方法相结合，即通过 Adaboost算法组合多个弱分类器从而形成一个强分类器，最终输出一个具有更高准确率、有较强的自学习能力、自适应能力且泛化性能优良的集成预测模型。结论表明，该模型的预测准确率达到 98.5507%，同时准确率(AUC)为 0.9966，说明所建模型区分度较好，可以反映模型的诊断价值，且非常稳定，具有非常好的验证效果，为临床应用提供进一步的技术支持和保障。

随着时代发展, 人们对饮食要求越来越高, 从“能吃饱”逐渐变成“要吃好”。 目前人们对食品安全问题十分重视, 因此, 迫切需要一种无损、 快捷的食品检测技术以满足人们的需求。 光谱技术能够根据待测食品样本的物理结构和化学成分推算出其物质特性和组成成分, 在掺伪检测、 新鲜度检测以及有害物质残留检测等方面, 应用前景广阔。 与食品检测中的传统检测技术相比, 光谱技术具有迅速、 精度高、 没有样品损耗以及重复性好等优点, 已经成为食品检测中重要的发展方向。 该文整理了国内外近5年来食品检测中的光谱技术应用相关研究文献, 重点在数据预处理方法、 特征波段选择算法以及数据建模方法三个方面对食品检测中的光谱技术应用进行系统综述。 该文所论述食品检测中光谱技术的应用主要采用多元散射校正（MSC）、 标准正态变换（SNV）以及SG平滑算法对所采集光谱数据预处理; 采用连续投影算法（SPA）、 主成分分析（PCA）以及竞争性自适应重加权采样（CARS）进行特征波段选择; 采用偏最小二乘（PLS）、 支持向量机（SVM）以及人工神经网络（ANN）对检测结果数据进行分析。 同时总结展望了食品检测中光谱技术应用的发展方向: 光谱检测技术与多种食品检测技术相互融合将会成为未来发展方向; 将光谱与在线检测技术相结合, 实现对食品样本在线实时检测, 将会取得更有价值的检测结果; 研发便携式光谱检测设备, 将会更方便地进行食品现场检测, 检测效率将会显著提升, 并且具有很大市场潜力。

针对ER316L不锈钢激光填丝焊过程中因送丝不稳定导致的焊缝质量问题, 提出了基于光致等离子体发射光谱诊断的在线监测方法, 构建了焊缝质量预测模型, 对实现焊接过程自适应控制和激光焊接智能化有重要意义。 为深入研究激光焊中激光与焊材的相互作用机制, 进行了激光自熔焊、 激光填丝焊试验, 同步采集了光致等离子体的光谱信息, 并与TIG焊工艺下的电弧光谱进行了对比分析。 结果表明激光自熔焊时光谱由连续谱和强度较弱的Fe Ⅰ 636.44 nm、 Cr Ⅰ 427.48 nm线谱组成; 激光填丝焊时辐射光强显著增加, 并产生大量Cr Ⅰ谱线; 电弧光谱包含大量的Ar Ⅰ、 Ar Ⅱ谱线及少量的Fe Ⅰ谱线。 根据Boltzmann作图法和Stark展宽法, 求得激光填丝焊时光致等离子体电子温度为5 024.9 K, 电子密度为2.375×1016 cm-3, 满足局部热力学平衡状态。 在此基础上, 深入探究了激光焊接质量与光谱特征参量的内在联系。 结果表明, 谱线强度和电子温度与焊缝质量有很强的相关性。 当成形良好时, Cr Ⅰ谱线强度数值较高, Fe Ⅰ谱线强度较低, 电子温度在小范围内稳态波动; 当产生偏丝缺陷时, Cr Ⅰ谱线强度较低, 而Fe Ⅰ谱线强度较高, 电子温度急剧变化。 以平滑去噪处理后的Cr Ⅰ 529.83 nm谱线强度、 Fe Ⅰ 636.44 nm谱线强度和电子温度为输入, 构建单隐含层神经网络焊缝质量分类模型, 识别成形良好和偏丝缺陷两种状态, 测试10次的平均准确率为88%。 采用t分布随机邻域嵌入算法对光谱数据进行维数约简, 以得到的3维嵌入向量为输入特征, 采用同样的神经网络结构进行焊缝质量模式识别, 平均准确率为97%。 结果表明, 对光谱数据进行降维处理得到的特征包含了线谱和连续谱信息, 比人为选取的特征线谱更能准确表征焊缝质量。

针对传统经验公式对高性能混凝土强度预测时存在偏差大、效率低等问题, 本文提出一种基于Stacking模型融合的高性能混凝土强度预测方法。首先, 通过数据清洗和归一化对1 030组高性能混凝土抗压强度试验数据进行预处理, 剔除异常数据及消除数据间量纲影响; 其次, 基于极端梯度提算法(XGBoost)、类别优先梯度提升算法、多层感知器和随机森林(RF)4种算法开展超参数优化、模型训练和评估, 采用决定系数、均方根误差和平均绝对误差对比分析4种基学习器对强度预测的整体效果, 在此基础上构建基于Stacking集成学习融合多种机器学习算法的高性能混凝土强度预测模型; 最后, 采用103组新的高性能数据集对模型进行验证, 并开展可解释分析。结果表明: 与其他基学习器的组合相比, XGBoost和RF融合模型的预测精度和性能均明显提高, 泛化性能较好, 且可解释分析显示最重要的输入特征变量是龄期和水泥, 说明模型内在的预测逻辑与工程实践的经验较吻合, 具有较高的合理性与可靠度。研究结果为进一步提高高性能混凝土强度的预测精度提供参考。

为表征最大粒径为53 mm水泥稳定碎石(CTB-50)的抗压强度，评价了垂直振动试验方法(VVTM)的可靠性，研究了水泥稳定碎石抗压强度随水泥掺量、龄期的增长规律，建立了抗压强度增长方程及预测模型，并分析了级配类型对抗压强度的影响。结果表明：VVTM试件抗压强度与试验段芯样相关性较高，可达91%左右；抗压强度随水泥掺量增加呈线性增大，在养护初期强度增长较快，60 d后强度趋于稳定；建立的抗压强度增长方程、预测模型与试验结果相关系数分别不小于0.982、0.976，预测值误差绝对值分别小于3%、6%；CTB-50的初始、极限抗压强度分别约为传统水泥稳定碎石(CTB-30)的1.25倍、1.09倍，相同的强度控制指标下，CTB-50可减少水泥用量，有利于降低工程造价，减少基层裂缝。

基于密度与光谱反射率的关系建立了一种凹版专色梯尺的光谱反射率预测模型。 该方法首先依据密度的定义建立实地光谱反射率与其密度的关系, 并基于实地光谱反射率建立阶调光谱反射率的计算方法; 然后根据密度的叠加原理, 假设阶调密度与实地密度比例关系成立建立阶调密度、 实地密度和承印物密度的关系; 最后结合计算阶调光谱反射率的方法建立凹版专色梯尺光谱反射率预测模型; 调配30种专色油墨通过凹印实打样, 对预测模型通过决定系数R2和色差进行验证。 实验结果表明, 不同专色在同一网点面积率下实际阶调密度与实际实地密度的比例系数相同, 两者的决定系数R2均大于0.98。 在此关系基础上所建立的预测模型在不同网点面积率下都具有较高的决定系数, 其均方根误差都小于0.01, 最大色差为2.667 NBS。 最后另外调配10种专色油墨在相同工艺条件下实打样样张, 利用实际阶调密度与实际实地密度的比例系数, 通过色差公式进而验证该模型预测专色油墨梯尺光谱反射率的精度。 色差结果表明, 82.12%的色差小于2.5 NBS, 大部分色差在0.5～2 NBS之间, 占据了总频率的58.32%, 平均色差为1.58 NBS, 达到了企业精细复制颜色的要求。 验证了该模型对于预测凹印专色梯尺光谱反射率具有较高精度, 可为数码打样代替凹印上机打样提供科学方法。

清水混凝土保护剂具有优异的防水性能, 极大地提升了清水混凝土建筑的使用寿命。为精确确定清水混凝土保护剂对清水混凝土抗碳化性能的影响, 本文研究了水溶性有机硅类渗透型保护剂和丙烯酸类成膜型保护剂对清水混凝土抗碳化性能的影响。结果表明: 成膜型保护剂和渗透型保护剂均可有效降低清水混凝土碳化深度, 成膜型保护剂降低效果更为显著; 涂抹两种类型保护剂试件的碳化深度均随养护龄期的增加而降低, 养护龄期和渗透型保护剂独立发挥作用, 而养护龄期和成膜型保护剂相互促进, 两者作用可进一步降低清水混凝土碳化深度; 建立了清水混凝土碳化深度预测模型, 该模型考虑了保护剂种类和厚度对清水混凝土抗碳化性能的影响。

民爆行业是推进现代化建设和社会发展的重要行业, 国家基础建设的快速发展使民爆物品的需求量迅速增大。由于民爆物品本身就具有危险特性, 在其生产、运输、贮存和使用等过程中都有发生爆炸的可能性, 严重威胁了人民群众的生命财产安全和社会稳定。为了充分了解民爆物品爆炸事故的危害性, 有针对性的做好民爆物品的安全管理, 并进行有效防控, 以2012—2021年我国发生的102起民爆物品爆炸事故为统计分析对象, 采用数理统计的方法对事故发生年份、发生省份、发生事故等级、发生环节以及原因进行分析, 并采用灰色马尔可夫预测模型对2022—2023年的民爆物品爆炸事故起数和死亡人数进行预测。结果表明：2012年、2014年、2016年发生的民爆物品爆炸事故起数最多, 2020年造成的死亡人数最少; 发生事故等级中较大事故比重最大; 湖南、河北和陕西是民爆物品爆炸事故高发省份; 民爆物品爆炸事故多发生在生产和爆破作业环节, 机械撞击和摩擦是导致民爆物品爆炸的主要原因; 预测2022年和2023年的民爆物品爆炸事故起数分别为6、5起, 死亡人数分别为18、17人, 事故起数和死亡人数均呈下降趋势, 安全形式趋于稳定。研究结果对加强我国民爆物品安全管理和减少民爆物品爆炸事故的发生具有重要意义。

为提高对爆破振动速度预测的准确性, 提出一种基于相关向量机(RVM)的爆破振动速度预测模型。利用该模型建立爆破振动速度与其影响因素之间的非线性映射关系, 通过选取影响爆破振动速度的3个主要因素(炸药用量、距离、高程差), 并对这3个主要影响因素产生的36组数据进行拟合训练, 根据这36组训练样本来对剩余5组样本进行精准预测。将该模型进行实例应用并与BP神经网络模型预测和GA-BP神经网络模型的结果进行对比, 在相同的影响因素数据样本条件下, RVM模型预测精度更高、离散性更小。与实际值相比, RVM预测的爆破振动速度的平均相对误差均明显优于利用BP神经网络和GA-BP神经网络预测得到的平均相对误差, 进一步验证了RVM模型能够提高预测精度的准确性和稳定性。