目标导航要求机器人能够根据自然语言指令或目标类别，在工作环境中自动规划路径并准确到达指定目标位置。现有目标导航方法主要分为端到端学习和基于规划两大类，其中端到端方法虽然能够直接学习从感知到动作的映射，但普遍存在泛化能力不足与可解释性差等问题；而基于规划的方法在一定程度上提升了泛化性和可解释性，但仍存在未针对已知环境进行优化、忽略自然语言指令中的提示信息、难以实现对目标指定距离的精确停靠等问题，且执行效率较低。针对上述问题，该文提出了一种基于多模态场景记忆与指令提示的目标导航方法（MEMO-Nav），旨在提升机器人在已知环境下的目标导航效果。该方法采用分层架构，上层规划层维护多模态场景记忆以记录环境信息，并利用大语言模型解析自然语言指令中的目标与提示信息，进而结合场景记忆与指令信息进行高效的路径点筛选和导航规划；底层执行层则负责基础导航功能，完成机器人的定位与移动，并集成目标检测模型与深度相机实现对目标物体的精确定位。规划层与执行层构成完整的目标导航系统，最终实现根据自然指令找到目标并停靠在目标指定距离的功能。该文在GAZEBO仿真平台和真实环境上开展了多次实验，结果表明，在已知环境下所提方法的导航效率、成功率以及停靠距离精度等指标相较于已有方法均有明显提升。综上，该文提出的方法为移动机器人在实际场景下实现高效、可解释且精确的目标导航提供了可行的实现方法。

随着多视图数据在现实场景中得到广泛应用，如何处理缺失视图下的聚类问题已成为机器学习领域的重要挑战。传统锚点图聚类算法依赖完整实例构建锚点图，这导致其在高缺失率下因锚点不足难以表征数据结构，在低缺失率时又无法发挥锚点的优势。针对传统锚点图聚类算法中存在的锚点选择受限、权重分配僵化和计算复杂度高的问题，该文提出了一种基于样本互补锚点图的缺失多视图聚类算法（IMVC-SAC）。该算法首先设计跨视图锚点互补机制，通过在共有样本与视图特有样本中自适应选取锚点，以解决高缺失率下数据结构表征不足的问题；然后建立缺失模式感知的权重模型，依据样本的缺失模式与程度调整视图对相似矩阵的贡献度；最后利用双随机非负矩阵可分解特性，将谱聚类的时间复杂度从样本规模的立方阶复杂度优化至线性阶复杂度。在5个公开数据集上的实验结果表明，该算法的聚类性能优于目前主流算法，尤其在高缺失率下仍能保持较好的聚类效果，验证了其鲁棒性与有效性。

输电塔作为电力输送网络的关键基础设施，其结构安全性直接关系到电网的稳定运行。在长期服役过程中，输电塔螺栓受风荷载、温差效应及材料老化等多因素耦合作用，易逐渐发生松动。该文提出了一种基于改进YOLOv5s的输电塔螺栓松动智能检测模型（CCSGS-YOLO）：采用坐标卷积替代主干网络中的标准卷积层，增强模型对目标位置信息的获取能力；引入卷积注意力模块（CBAM），通过通道与空间双重注意力机制，强化模型在复杂背景下的特征鉴别能力；构建Slim-Neck特征融合结构，借助跨阶段部分连接与深度可分离卷积的优化组合，在维持检测精度的同时降低计算复杂度；采用GIoU损失函数与Soft-NMS的联合优化策略，通过考虑预测框与真实框的重叠几何特性，提升目标检测的定位精度。实验结果表明：CCSGS-YOLO的精确率达91.7%，召回率为89.4%，平均精度均值达到95.3%，F₁分数提升至90.0%，较基准模型YOLOv5s分别提高了1.6、3.0、1.4和1.0个百分点；在计算效率方面，CCSGS-YOLO模型检测速度达74.8 f/s，推理时延降低至13.4 ms，较YOLOv5s模型提升11.6%。此外，该文通过现场实验验证了CCSGS-YOLO在不同场景下的检测鲁棒性，为输电塔螺栓松动的智能巡检提供了一种新思路。

铝液泄漏是导致铝加工深井铸造爆炸事故的直接原因。为解决实际工程中铝液泄漏判断方法滞后性强、准确率低和监测范围受限等问题，该文提出了基于改进EfficientNetV2的铝液泄漏声音识别方法。该方法通过声音特征判断铝液泄漏，以扩大监测范围；同时通过优化堆叠因子、引入高效通道注意力机制改进EfficientNetV2结构，以进一步提升识别速率与准确率。首先，利用拾音器采集不同场景下的声音数据，构建包含7类声音场景的声音数据库；然后，从声音信号中提取对数梅尔语谱图作为特征集，输入到改进的EfficientNetV2模型进行训练与验证，最终得到铝液泄漏声音识别模型。实验结果表明：改进的EfficientNetV2识别准确率达95.48%；与原始EfficientNetV2、ResNet、RegNet及DenseNet相比，改进模型的浮点运算次数分别为上述模型的12.34%、8.64%、11.14%和10.80%，参数量分别为上述模型的11.37%、9.55%、15.95%和17.24%，CPU环境下每秒处理图像帧数分别为上述模型的6.53倍、6.14倍、4.41倍和8.00倍，说明改进的EfficientNetV2具有快速准确的识别性能。此外，基于该文提出的铝液泄漏声音识别方法，构建了铝液泄漏风险预警机制，并将该机制应用于铸造单元的实时风险监测。实践结果验证了所提识别方法与预警机制的有效性，可为铝加工深井铸造爆炸事故的预防提供技术参考。

基于图神经网络的社交推荐算法利用社交网络提升推荐系统的性能。但是现有算法大多直接将原始社交图整合到推荐系统中，忽略了社交网络中存在的非同质性社交连接，从而为推荐系统引入噪声信息。此外，现有负采样策略选择固定难度的负样本，容易产生假负样本，导致模型对用户偏好的区分度不足。为解决上述问题，该文提出了一种基于社交扩散和自适应负采样的推荐算法。首先，对社交网络执行前向扩散和用户兴趣引导去噪操作，生成用户的同质性社交表示；然后利用多视图表征对齐方法，以最大化用户表示在去噪社交图、原始社交图和用户-项目交互图间的互信息，进而优化用户表示质量；最后，根据正样本预测评分选择自适应难度的负样本，实现正负样本相似度边界的动态校准，以提升模型的整体性能。实验结果表明，该算法较当前先进推荐算法效果显著，在数据集Douban上的召回率和归一化折扣累积增益分别提升了11.99%和10.54%，在数据集Epinions上分别提升了15.62%和11.14%，在数据集Yelp上分别提升了13.80%和14.90%，验证了其能有效缓解噪声干扰，区分正负样本之间的细微差别。

车道线检测作为智能汽车视觉导航系统的核心技术，其性能直接影响到车辆的路径引导与转向控制，对提升交通安全性和导航效率具有重要意义。车道线图像中背景信息往往占据主导地位，特别是远距离车道线存在特征小、标记缺失或被遮挡等问题，同时伴随视觉上的宽度变化，导致远距离车道线比正常车道线更加难以识别。为解决这一问题，该文提出了结合增强空间感知的车道线检测方法。该方法首先针对车道线在图像中呈细长结构的特点，在主干网络中引入条形池化，以细化车道线信息的表示；然后将增强空间感知优化器（ESAO）和车道线多尺度聚合器（LMSA）相结合，以抑制无关背景和增强远距离车道线特征，进而提高车道线检测的准确性和稳定性；最后，通过全局和局部斜率一致性损失函数自适应调整车道线形状与位置，以保持预测车道线与地面真实情况之间的形状一致性。在2个车道线检测数据集TuSimple和CULane上的实验结果表明，该方法优于对比实验中最优秀的方法，在数据集TuSimple上的F₁分数和准确率分别提高0.58和0.19个百分点，在数据集CULane上的F₁@50提高1.14个百分点，特别是在远距离道路场景中表现的性能更加稳定。

乳腺癌是全球女性最常见的恶性肿瘤之一，准确的病变分割对于乳腺癌的早期诊断与治疗具有重要意义。然而，由于病变形态的多样性以及超声成像机制的复杂性，现有基于深度学习的乳腺超声图像病变分割方法在分割准确性方面仍面临巨大挑战。为进一步提升乳腺超声图像中病变区域的分割精度，该文基于经典U-Net架构，提出了一种新型乳腺超声图像病变分割网络（CWSASKM-BBAM-Net）。首先，在网络中引入逐通道空间自适应选择核卷积模块（CWSASKM），根据不同通道的语义特征为每个空间位置自适应选择感受野大小，以增强多尺度信息的建模能力；然后，引入双向边界感知机制（BBAM），通过融合正向与反向注意力，对目标显著区域及其边界进行协同建模，同时逐步提升对非显著区域与病变区域的区分能力，以进一步强化边界信息的表达；最后，在3组公开乳腺超声图像数据集（BUSI、UDIAT和STU）上开展分割实验。结果表明：该方法在数据集BUSI上的杰卡德指数、精确率、召回率和Dice相似系数分别为71.97%、82.85%、81.40%和80.44%，较次优方法分别提升1.69、1.05、1.28和1.84个百分点；在数据集UDIAT上，这4项指标分别达到78.14%、88.31%、86.73%和86.10%，较次优方法分别提升了2.75、2.04、0.56和2.01个百分点；在外部数据集STU上，该方法也取得了优于其他方法的整体表现。实验结果表明，CWSASKM-BBAM-Net在乳腺超声图像分割任务中展现出更优的整体性能。

传统的机器学习（ML）和深度学习（DL）在预测靶点抑制剂的选择性方面发挥着关键作用。许多基于现有数据集的模型可用于预测化合物的生物活性，但对于ML和DL用于此类活性预测任务的性能孰优孰劣仍存在争议。该文基于不同分子特征构建数据集，运用10种元启发式算法优化11种ML和DL模型的超参数，旨在系统比较模型的预测性能，识别最优模型。结果表明，基于元启发式超参数优化算法的ML和DL模型，在预测性能上显著优于采用传统网格搜索优化超参数的ML和DL模型。此外，在低维特征空间中，基于分子图的DL模型（如SSA-GAT和SSA-Attentive FP）能够通过端到端的学习机制，自动从数据中提取有效特征，其性能优于ML模型；而在高维特征空间（如RDKit计算的ECFP、AtomPairs、MACCS指纹组合形成的特征空间）中，ML方法借助信息互补的分子特征和元启发式优化算法的高阶寻优能力，能够有效捕捉特征之间的复杂交互关系，通常在高维建模中展现出更高的准确性与鲁棒性。这些发现为指导选择ML和DL方法用于靶点抑制剂的活性预测提供了有用的信息。

该文系统探讨了鸡肉肽-亚铁螯合物（CMP-Fe）对缺铁性贫血（IDA）小鼠贫血症状的改善作用，并从体质量变化、血常规参数、铁代谢指标、炎症反应及组织病理学等多个维度，综合评价其干预效应。实验结果表明：与模型组相比，CMP-Fe各剂量组（按小鼠体质量计，小、中、高剂量组分别喂食Fe 1.0、2.0、3.0 mg/kg）的小鼠体质量、血常规指标（包括红细胞计数RBC、血红蛋白HGB、红细胞压积HCT、平均红细胞体积MCV、平均红细胞血红蛋白含量MCH、平均红细胞血红蛋白浓度MCHC、红细胞分布宽度-变异系数RDW-CV）及血清铁代谢指标（包括血清铁SI、总铁结合力TIBC、转铁蛋白TRF、铁蛋白FER、转铁蛋白饱和度TSAT、不饱和铁结合力UIBC）均得到显著改善，且高剂量组效果最为突出。CMP-Fe对RBC、HGB、HCT等红细胞系指标的改善作用与阳性对照组相当，并呈现明显的剂量依赖性（小、中、高剂量梯度）。在炎症调控方面，CMP-Fe可抑制血清及结肠促炎因子（IL-6、TNF-α和CRP）的产生，同时提升抑炎因子IL-10及肠道黏膜免疫标志物sIgA的水平。具体而言，CMP-Fe组小鼠结肠组织中IL-6、TNF-α及CRP等促炎因子水平显著低于模型对照组（P < 0.05），提示其可有效调节IDA伴随的炎症反应；尤其在高剂量CMP-Fe干预下，小鼠sIgA水平的恢复效果优于模型对照组（P< 0.05），甚至超过阳性对照组。组织病理学检查显示，CMP-Fe对小鼠的心、肺、脾、肾等器官无明显病理性损伤，表明其具有良好的生物安全性；同时，该螯合物还能显著缓解铁缺乏引起的肠道及肝脏组织病理损伤。综上所述，CMP-Fe可有效改善IDA小鼠的铁代谢紊乱、抑制炎症反应、减轻肠道及肝脏组织损伤，且安全性良好，是一种具有开发潜力的新型有机补铁剂，可用于猫、狗等多种宠物专用粮及营养补充剂的产品开发。

超高性能混凝土（UHPC）凭借其优异的力学性能、耐久性和环保特性，在梁式构件领域展现出巨大的应用潜力。然而，高昂的材料成本使UHPC结构常被误认为性价比偏低，这一认知误区严重制约了其工程化推广进程。现有研究大多聚焦于UHPC构件的力学性能优化，却鲜有针对其抗弯性价比的系统性评价。为此，该文构建了一套梁式构件抗弯性价比评价体系，以期为UHPC结构的合理设计与工程应用提供理论支撑。首先，以“性能”和“代价”为核心，构建了抗弯性价比评价指标；接着，选取极限弯矩表征构件抗弯性能，以纯弯段单位长度材料成本表征经济代价，据此建立量化的性价比指标；然后，采用经典参照法，以传统单筋矩形适筋梁为参照对象，通过极差标准化法对性价比指标进行无量纲化处理；在此基础上，结合概率论与K均值聚类算法，在保障科学性与客观性的前提下，完成抗弯性价比的等级划分；最后，运用该评价体系对比分析了常规梁式构件和UHPC梁式构件的抗弯性价比差异。研究结果表明：钢筋混凝土梁的抗弯性价比与梁截面宽度无关，而与梁截面高度及材料强度等级呈正相关；在构件设计时，应优先选用高强度混凝土与高强度钢筋的组合方案，同时可考虑采用预应力钢绞线替代受拉钢筋。此外，若直接采用UHPC简单替代普通混凝土来研发新型构件，其抗弯性价比不占优势；唯有针对UHPC和其他建筑材料的力学特点进行针对性设计，方可获得抗弯性价比较高的构件形式。

内置箍筋约束能显著提升钢管混凝土（CFST）柱的抗火性能，且在无任何防火保护的情况下，仍可使构件满足对应耐火等级的设计要求，为结构防火设计和延长结构安全服役寿命提供了新途径。该文设计制作了3根足尺矩形CFST柱，对其进行标准火灾与荷载耦合作用下的明火试验，探究内置矩形螺旋箍筋对该类构件抗火性能的提升效果，并考察箍筋间距对其抗火性能的影响规律。基于材料现有的高温力学本构关系，建立了火灾作用下矩形螺旋箍筋约束矩形CFST柱的数值分析模型，揭示高温环境下箍筋约束核心混凝土对该类构件耐火极限的提升机理。研究结果表明：在总用钢量相同甚至略低的情况下，内置矩形螺旋箍筋可显著改善矩形CFST柱的耐火性能，耐火极限提升幅度高达104.1%；通过合理设计箍筋参数，该类轴压柱无需在钢管表面设置防火保护层，即可满足150 min的二级耐火等级要求；箍筋间距从40 mm增至80 mm时，对该类构件耐火性能的影响较小；所建数值模型可较好地预测内置矩形螺旋箍筋约束矩形CFST柱的耐火极限，但对构件不同受火时间下的变形预测精度欠佳。

为探究炭质板岩在不同含水率条件下的蠕变特性，该文基于室内分级加载蠕变试验数据，通过非线性黏性元件与表征屈服特性的塑性元件并联，构建了可描述蠕变全过程中非线性加速蠕变阶段的黏塑性体；进而将该非线性黏塑性体与经典西原模型串联，结合弹性模量和黏性系数的软化规律引入了4个损伤因子，建立了能描述不同含水率条件下炭质板岩蠕变全过程的损伤蠕变本构模型（即改进的西原模型）；通过ABAQUS有限元软件进行用户自定义材料子程序（UMAT）二次开发，实现了不同含水率条件下炭质板岩三轴蠕变试验的数值模拟，并通过对比岩样蠕变试验与数值模拟结果，验证了模型的适用性。研究结果表明：所构建的改进西原模型能显著提升加速蠕变阶段的模拟精度，不同含水率工况下的分级加载蠕变试验曲线与数值模拟曲线吻合良好，相关系数均大于0.9；数值模拟云图准确复现了不同含水率岩样的蠕变变形演化过程，验证了所提考虑含水损伤的炭质板岩蠕变本构模型及UMAT子程序开发的正确性与有效性。该研究成果可为富水深埋炭质板岩隧道工程的长期稳定性评估与灾害预警提供理论支撑。

语音清晰度是语言类厅堂声环境质量的重要声学参数。较长的混响时间（RT）和过高的背景噪声级（BNL）会降低室内语音清晰度。目前针对大学教室声环境的研究已有大量报道，但针对大学实验教学课室声环境的研究相对匮乏。该文对广州市某大学14间物理类实验教学课室进行客观声学测量，获取了BNL、早期衰变时间（EDT）、RT、早迟声能比（C₅₀）和语音传输指数（STI）等室内客观声学参数，以分析这类实验教学课室的声环境特性。结果表明：实验教学课室空场状态下的平均BNL为37.1 dBA，学生进行实验时平均BNL提升至57.9 dBA；被测课室的EDT、RT、C₅₀和STI平均值分别为1.23 s、1.26 s、-1.89 dB和0.54。对比测试显示，在空间尺寸相同的条件下，实验教学课室的RT短于常规教室，且其频率特性变化相对平缓；研究发现，带有空腔的大型实验桌有助于缩短实验教学课室的RT，并改善其RT的频率特性。进一步分析表明，14间被测实验教学课室中，有13间的客观声学参数结果未达到现有相关规范的推荐值。建议对这些课室采取适当的声学处理措施，降低RT和BNL，改善室内声环境和语音清晰度，使其声环境满足大学实验教学需求，保障师生间良好的语音交流。

为提升建造效率，桥梁工程广泛采用预制装配的工业化建造方式。然而，现场工序的临时调整极易引发装配失效，导致工期延误与成本超支，违背快速建造初衷。按既定单节段循环工序下料生产的斜拉桥预制构件，如何在调整后的双节段循环工序下实现装配协调，是服从总体进度决策时面临的关键难题。该文融合无应力状态法和容差分配法，首先构建了基于机器学习的斜拉桥装配容差区间反演方法，再引入非负无量纲指标作为独立优化目标，以表征施工可操作性；然后采用GA-BPNN代理模型结合NSGA-Ⅱ多目标优化算法，在结构安全性与设计最优性之间进行权衡寻优，并结合先验误差储备反演了某斜拉桥各部件的被动装配容差区间；最后融合工程前行节段实测数据，建立了面向主动容错的斜拉桥装配容差设计框架。结果表明：该区间反演方法能在保障结构安全性和设计最优性的前提下，有效提升施工现场的可操作性；与被动容差设计相比，主动容差设计方法可使G2梁段主梁拼装角度容差区间提升1.4倍，使斜拉索S16无应力索长容差区间提升2.1倍；主动容差分析框架通过调整后续部件的容差范围，可实现对装配失效场景的自适应应对，减少停工与返工现象。

吊索作为桥梁的关键承重部件，在运营过程中易受到外部环境作用而产生锈蚀，其中点蚀形成的锈蚀坑处因锈蚀坑的几何形态影响产生应力集中，直接影响在役桥梁的安全运营；提出精确的钢丝锈蚀坑形态拟合方法，是开展吊索疲劳寿命精细化分析的前提。锈蚀坑的几何形态具有复杂且不规则的特点，传统采用规则几何体拟合的方法会忽略局部几何不规则区域的应力集中；直接使用锈蚀坑原始点云数据进行存储和计算，虽然能够完整保留锈蚀坑几何信息，但数据量过大。为高效且精确地评估锈蚀坑几何形态，该文利用超景深显微镜采集蚀坑点云数据，引入球谐函数表征锈蚀坑的3维形态并简化锈蚀坑数据集，实现锈蚀坑的几何重构；建立ABAQUS有限元模型，将其与真实蚀坑、传统椭球拟合结果进行对比分析，以验证该简化与重构方法的有效性。结果表明：采用20阶球谐函数可实现锈蚀坑的有效简化，蚀坑数据集存储空间平均减少99.47%，且高度保留锈蚀坑的几何信息，疲劳寿命的平均误差为0.80%。该研究可为蚀坑的细观模型构建和数据集简化提供理论基础。