装配式桥墩在桥梁施工领域得到广泛的应用，常受偶然爆炸或恐怖袭击的打击影响。为研究爆炸荷载下装配式桥墩损伤因素的影响规律，采用ANSYS/Workbench建立了近场爆炸荷载作用下的装配式桥墩数值模型，基于桥墩剩余承载力，提出以破坏参数D作为抗爆性指标，以炸药当量、爆心距离、初始预应力大小、节段数和剪力键的设置为损伤因素，分析了５种因素对桥墩损伤程度影响。在此基础上，利用灰色关联分析法衡量爆炸荷载下装配式桥墩损伤因素之间关联度的指标与贡献度。结果表明：增大初始预应力、节段间设置剪力键其破坏参数D的综合降低率为32.1%、29.6%，均能有效降低墩柱的损伤，与装配式桥墩抗爆受损有良好的关联性; 而增加剪力键高度和节段数为12%、7.2%，对墩柱损伤影响较小; 5种因素对爆炸荷载下装配式桥墩损伤影响的关联度从大到小为：TNT当量、爆心距离、初张拉预应力、剪力键的设置、节段数量。装配式桥墩抗爆设计中，可优先考虑提高初张拉预应力大小、设置剪力键等关联度较大的因素，灰色关联分析法对爆炸荷载下装配式桥墩损伤因素分析具有一定的参考性。

《量子力学》作为光电专业核心专业课程, 对于后续专业知识的学习和掌握有着极其重要的作用。根据日常的教学经验总结发现该课程的前序课程对学生学习效果有着非常显著的影响, 因此有必要对这种影响进行进一步的定量分析和评价。首先基于因子分析方法, 以前序课程和《量子力学》的成绩为指标, 对样本进行了降维处理, 形成了由前序课程组成的5个课程群, 依据其公共因子得分分析了学生《量子力学》学习情况。根据灰色绝对关联度进而分析研究了哪些前序课程对《量子力学》影响显著因子。最后基于多元线性回归方法研究了前序课程与《量子力学》相关性, 并根据分析结果总结出了对前序课程设置和教学的优化建议。

针对信息隐藏技术中大容量信息嵌入会导致隐蔽性和鲁棒性降低的问题,提出了一种基于光学空频域变换的自适应图像分块隐藏技术。利用灰色关联分析和回声状态网络构成自适应嵌入机制,当嵌入容量达到饱和阈值时,该机制会根据灰度关联序自动调整嵌入位置,保证鲁棒性不会大幅下降;在此基础上采用二维离散余弦变换对图像进行空频域互换,结合人眼对光学高频区域不敏感的特性实现信息在变换域的隐藏,保证隐蔽性不受影响。仿真和对比实验证明:大容量信息嵌入载体图像后视觉透视性未受影响;引入高斯、椒盐噪声干扰和旋转、缩放几何攻击后,结果表明,信息载体对噪声干扰和几何攻击不敏感。说明该技术在保证信息容量嵌入的同时也兼顾了隐蔽性和鲁棒性。

对地攻击型无人机已成为当今**作战中不可或缺的一部分, 其自主程度决定无人机的作战上限。在前期已建立的评价指标体系基础上, 针对部分评价指标数据量相对较少的问题, 运用灰色关联分析法计算比较序列与参考序列的灰色关联度, 并结合层次分析法的判断矩阵求加权关联度, 评价对地攻击型无人机的自主能力。通过美国MQ-1“捕食者”、MQ-1C“灰鹰”、MQ-9B“守卫者”3种具有对地攻击能力的无人机, 对自主能力评价体系进行仿真验证。结果表明, 该方法可以明显地区分不同类型对地攻击型无人机的自主能力等级, 对自主能力量化评价模型运用到大中型无人机具有指导意义。

针对故障诊断过程中传感器信息量大、相关性强、冗余严重的问题, 提出一种灰色Kohonen网络故障诊断方法。该方法首先通过灰色关联分析手段, 分析装备各个状态下指标参数的相关情况, 建立各状态下的灰色关联分析矩阵, 然后引入灰度值这一衡量指标, 量化关联性的强弱关系, 达到相似信息剔除的目的, 最后通过Kohonen网络进行故障诊断。实例验证结果表明, 该方法可在剔除相似信息的情况下保持较高的故障诊断率, 同时做到快速诊断。

为研究18Ni300模具钢选区激光熔化成形过程中多目标最优工艺问题,设计了以激光功率、扫描速度、扫描间距、铺粉厚度为工艺参数,以致密度、硬度、耐磨性为响应目标的响应面中心组合设计实验。结合灰色关联分析得到多目标的综合灰色关联度,通过分析实验的灰色关联度得到了拟合度达78.50%的回归预测模型,以及针对三个响应目标的最优工艺参数,分别为激光功率250 W,扫描速度850 mm/s,扫描间距0.05 mm,铺粉厚度0.02 mm,此工艺参数理想的灰色关联度可达0.9312;在最优工艺参数下得到了相对密度为99.5%、硬度为41.5 HRC、磨损体积为192000 μm 3、灰色关联度为0.8895的验证样件,该样件符合预期结果,说明优化方法切实可行。

针对卷积神经网络巨大的计算量和存储量导致其难以应用于嵌入式终端设备的难题,提出了一种基于灰色关联分析的模型裁剪方法。利用基于灰色关联分析的裁剪方法处理经过数据训练后的权重模型文件,获得每个卷积核重要性的量化表示;每次裁剪从模型中删除量化结果值最小的卷积核,从而减少计算量,加快推理速度;对于新产生的模型,通过迭代训练来弥补其性能上的损失。实验结果表明,相比APoZ法、L1法,所提方法在同一推理速度提升下精度提高了5.3%和10.4%,在VGG-16模型上取得了相对于初始模型2.7倍的加速效果,存储量压缩为原来的1/13.5。

倒伏胁迫下作物的冠层光谱响应机理解析, 是大范围作物倒伏灾情遥感监测的重要基础。 倒伏胁迫直接改变了遥感光谱探测视场内的可视茎叶穗比率, 通过解析冠层光谱与可视茎叶穗比率间的关系, 探索不同强度的倒伏胁迫下水稻可视茎叶穗组分变化规律及其与冠层光谱响应规律, 为大范围作物倒伏灾情遥感监测提供理论支持。 以2017年江苏省兴化市、 大丰区的实发倒伏水稻为研究对象, 在野外观测实验的支持下, 分析不同倒伏强度的倒伏水稻冠层光谱变化规律, 并对不同倒伏强度下的冠层可视茎叶穗比率与倒伏角度进行相关性分析, 筛选能有效表征倒伏强度的敏感农学参数, 采用灰色关联分析法构建倒伏水稻冠层光谱指标与敏感农学参数之间的响应模型, 实现水稻倒伏灾情的光谱诊断, 并利用野外实测样本评价诊断精度。 研究结果表明, 随着倒伏强度的加大, 冠层光谱表现出规律性变化, 红光波段与近红外波段响应较为明显, “红边”位置明显“蓝移”, 且“红边”振幅与“红边”面积增大, 说明红光波段和近红外波段对水稻倒伏胁迫强度较为敏感; 冠层可视叶茎比存在随倒伏强度增加而减少的规律, 其相关性可达0.715, 说明倒伏后的水稻冠层可视叶茎比对于倒伏强度有着较好的表征能力; 通过对可视叶茎比与冠层高光谱反射率进行相关性分析, 分别于红光波段和近红外波段内筛选出698与1 132 nm作为敏感波段, 进而计算特征植被指数; 利用灰色关联分析构建了基于特征植被指数的水稻可视叶茎比光谱响应模型, 检验样本的决定系数为0.635, 以可视叶茎比预测结果进行倒伏灾情等级划分的精度达到82%。 因此, 倒伏发生后水稻冠层的茎、 叶、 穗等组分在光谱探测器视场中的贡献比例发生了规律性改变, 茎、 叶、 穗本身光谱反射率差异和视场内比率差异直接反映于倒伏水稻冠层光谱差异, 其中可视叶茎比能有效表征受倒伏胁迫的水稻群体结构变化, 与倒伏强度具有较好的响应关系, 不同倒伏强度的可视叶茎比与水稻冠层光谱之间的响应规律可以有效区分倒伏灾情等级, 有助于为区域尺度的水稻倒伏灾情遥感监测提供先验知识。