电气行业废水中含氟物质的快速监测是有效管控全氟辛酸（Perfluorooctanoic Acid，PFOA）新型污染物环境风险的关键手段，对建设清洁美丽世界有重大意义.开发一种基于纳米Au掺杂的分子印迹聚合物（Au@MIP）的新型检测传感器，通过优化邻苯二胺（o⁃PD）⁃氯金酸电聚合工艺（no⁃PD∶nPFOA=10∶1，扫描30圈），实现PFOA的高选择性检测（回收率为109%~114%）.集成预警模块后，系统可在45 min内完成对0.04~100 ng·L-1 PFOA的定量检测，实现痕量环境监测及高浓度污染区域的精准量化.证实以Au@MIP电极为核心的新型检测传感器有良好的工作性能，为工业废水原位监测提供了技术支撑.
剩余污泥的脱水处理是污水处理中的重要环节和挑战.以铁改性污泥基生物质炭为粒子电极构建了非均相的三维中性电Fenton系统，研究了其对污泥脱水性能的改善和机制.结果表明，以在800 oC制备的铁改性污泥基生物质炭（BC@Fe⁃800）为粒子电极时，三维中性电Fenton系统对污泥脱水性能的改善能力最强，污泥比阻（Specific Resistance To Filtration，SRF）、滤饼含水率和沉降性能SV30 min的下降率分别为81.87%，35.61%和31.12%.其作用机制是，强氧化作用促使结合态胞外聚合物（Extracellular Polymeric Substances，EPS）转化为溶解态EPS，同时将细胞内结合水释放为自由水.经三维中性电Fenton系统处理后，污泥中疏水性色氨酸蛋白的含量显著升高.同时，细菌群落结构在门与属水平上也发生了较大变化，其中，产酸菌的丰度降低，而降解有机污染物菌、脱氮菌及除磷菌的相对丰度增加，有助于剩余污泥的后续资源化利用.对三维中性电Fenton系统的优化结果表明，5%的粒子电极添加量及20 mA·cm-2电流密度为最佳处理条件.研究结果为污泥深度脱水和资源化利用提供了理论基础.
道路点云数据的障碍物检测技术在智能交通系统和自动驾驶中至关重要.传统的基于密度的空间聚类（Density⁃Based Spatial Clustering of Applications with Noise，DBSCAN）算法在处理高维或不同密度区域数据时，由于距离度量低效、参数组合确定困难导致聚类效果欠佳，因此，提出了一种基于改进DBSCAN的道路障碍物点云聚类方法.首先，在确定Eps领域时利用孤立核函数来改进传统的距离度量方式，提高了DBSCAN聚类对不同密度区域的适应性和准确性.其次，针对猎豹优化算法（Cheetah Optimizer，CO）在信息共享和迭代更新方面的不足，提出了一种基于及时更新机制与兼容度量策略的CO优化算法（Timely Updating Mechanisms and Compatible Metric Strategies for CO Algorithms，TCCO），通过实时更新操作确保每次迭代的优秀信息得到及时沟通共享，并在全局更新时基于非支配排序与拥挤距离优化淘汰机制，平衡全局搜索和局部开发能力，提高了收敛速度和收敛精度.最后，利用孤立度量改进Eps领域，并利用TCCO优化DBSCAN聚类，自适应确定参数，提高了聚类精度和效率.在八个UCI数据集上进行测试，仿真结果表明，提出的TCCO⁃DBSCAN算法与CO⁃DBSCAN，SSA⁃DBSCAN，DBSCAN，KMC方法相比，F⁃Measure，ARI，NMI指标均有明显提升，且聚类精度更优.通过激光雷达点云数据障碍物聚类的实验验证，证明TCCO⁃DBSCAN能够有效地适应点云数据密度变化，获得更好的道路障碍物聚类效果，为辅助驾驶中障碍物检测提供支持.
个性化头相关传递函数（Head⁃Related Transfer Function，HRTF）是实现沉浸式音频的关键，但现有公开数据库的规模和多样性难以满足深度学习模型训练的需求，限制了个性化HRTF预测的发展.针对此瓶颈，构建了一个面向深度学习应用的大规模HRTF数据库，融合了消声室中实测的真人HRTF数据以及基于高精度头部扫描的仿真HRTF数据.通过客观指标与主观听音实验，系统分析了数据库中通用HRTF与个性化HRTF在高频（>10 kHz）等关键频段的显著声学差异，并量化了这些差异对听觉定位精度的显著影响（高改善组平均定位精度提升5.9°）.该数据库及其分析结果不仅为深度学习驱动的HRTF预测提供了丰富的数据基础与验证，也为理解个性化特征重要性、优化虚拟听觉体验提供了实证参考.
光声成像技术是一种兼备声学成像与光学成像优点的生物医学成像技术，超声换能器直接决定光声成像的成像质量和分辨率等关键成像性能.研制一种基于聚偏二氟乙烯（Polyvinylidene Fluoride，PVDF）压电薄膜的球面聚焦超声换能器.实验结果表明该换能器中心频率为15.5 MHz，-6 dB带宽为14.89 MHz （96.1%）.将该超声换能器应用于光声显微镜系统，并通过对分辨率板和单根头发丝样品成像分别测试光声显微镜的横向分辨率和轴向分辨率.实验结果表明，光声显微镜的横向分辨率为125 μm，与理论结果123.5 μm一致，轴向分辨率为113.6 μm.最后，将自研超声换能器和光声显微镜应用于活体小鼠耳部的成像，非侵入地得到小鼠耳部清晰的血管网络图像.该研究表明基于PVDF薄膜制备的聚焦超声换能器能为光声显微镜提供较高的成像分辨率和成像质量，具有良好的生物医学应用前景.
为了克服传统材料在低频噪音降噪方面的不足，提出了一种由双层薄膜、质量环和空腔组合而成的MAM （Membrane⁃type Acoustic Metamaterial）.通过对其共振模态、等效参数及声阻抗的分析，阐述其吸声机理.借助于有限元分析法，计算其在100~600 Hz频带内的吸声系数，讨论并比较质量环、薄膜和空腔的几何参数对吸声系数的影响，在此基础上通过并联多个MAM单元以及改变质量环的位置分别对其吸声性能进行优化.研究结果表明，双层MAM单元结构在低频处的吸声性能优于传统结构，并且可以通过改变几何参数、位置和多单元并联的方式改变相应的工作频率，提高吸声系数和拓宽频带，为薄膜型声学超材料对吸声性能的优化提供了参考.
提出一种基于听觉滤波器模型与声学特征融合的空间感知质量客观评价方法，适用于低混响条件下的双耳Ambisonics重放.首先，使用听觉滤波器模型处理双耳输入信号，提取空间感知相关客观参量，并结合已有的空间感知和音质相关的参量来构建声学特征集.然后，采用高斯回归过程（Gaussian Process Regression，GPR）模型建立特征集与主观评分的映射关系，以构建客观评价模型.为了验证该方法的有效性，开展主观评价实验，采用无混响/低混响仿真声学场景中的不同双耳Ambisonics重放算法生成的语音信号作为测试激励信号，获得主观评分数据，使用交叉验证的方式训练客观模型并评估模型性能.实验结果显示，与现有的评价模型相比，提出的模型在预测精确度方面取得了显著提升.此外，使用公开的Ambisonics格式（Ambix）音频及其主观评分数据进行外部验证，进一步证明了提出的模型的泛化能力和稳定性.
有源降噪头靠由于低频降噪效果好且结构简单，在实际应用中受到广泛关注.对于自适应收敛速度有限的有源降噪头靠，在人头偏离标定位置时双耳处的降噪效果会显著下降.考察有源降噪头靠中两种典型次级源布放下人头平移引起的降噪量变化规律.首先考虑刚性圆球声散射，建立固定控制滤波器系数有源降噪头靠的解析模型，数值仿真验证了提出的模型的准确性，并分析扩散声场中人头平移后人耳处降噪量的衰减.结果表明，在头靠两侧布放次级源时，人头前后平移的降噪量衰减小，在座椅肩部布放次级源时，人头左右平移的降噪量衰减小，主要原因在于次级源的布放方式影响了人头平移时次级路径的变化.最后在混响室内进行了实验，验证了数值仿真的结果.
异常折射现象作为波动声学中的重要研究内容，能突破传统折射规律的限制，实现声波传播方向的非常规控制.近年来，声学超表面凭借其对声波的精确调控能力在声学异常折射方面取得了显著进展，但传统声学超表面存在带宽窄、色散强等局限，限制了其在声隐身和降噪等领域的应用.因此，提出一种机器学习辅助设计的宽带异常折射声学超表面，该超表面由16个混合多重共振的亚波长单元组成，各单元均具有宽带高透射率（>98%）和强线性相位拟合度（>97%），可实现1000~4000 Hz内折射角恒定（
近期研究发现，凹底面液层的法拉第波呈现为有趣的多边形图案.更重要的是，该研究揭示了这类浅水重力波与玻色⁃爱因斯坦凝聚中所观察到的集体激发态呈高度的类比关系，采用的容器是以抛物底面为代表的光滑凹底面.因此，将研究拓展到底面为圆锥形的情形，特别关注锥顶的非光滑性对多边形模式及相关波动特性的影响.实验首次观察到多边形模式的“中心呼吸”现象——一种伴随角向模式激发的径向对称波动，其振荡周期恰为相应角向模式振荡周期的一半.这一有趣现象无疑是锥顶的不光滑性所致，进一步表明底面的几何约束对非线性波动图案的重要影响.此外，实验还观察到更高阶的多边形图案、模式竞争及径向⁃角向混合的模式等新现象.进一步结合流体力学缓坡方程的数值求解、流体力学的数值仿真以及实验观测，揭示了锥角和水深对模式本征频率、阻尼系数及稳定性的调控机制.研究结果深化了底面形状对非线性浅水重力波影响的认识.
提出一种基于空间卷曲结构的超薄声学编码超表面，该结构由6×6个空间卷曲单元组成，且单元厚度仅为工作频率波长的十分之一.通过调整卷曲结构中横板的长度，实现透射声波相位的精确调控，从而赋予单元“0”和“1”两种数字编码状态.将编码单元按照特定顺序排列，组成不同编码序列的超表面，实现对声场波束的有效调控.为了验证设计的超表面的性能，构建6×6单元的分束编码超表面并进行仿真模拟.通过分析其散射声场特性及透射声波的分束效果，验证其声学性能.仿真结果表明，该超表面在2 kHz频率下表现出优异的性能，能实现多种分束功能.该结构具有超薄尺寸和灵活调控的特点，在声学检测、声成像等领域展现出潜在的应用前景.
高性能的qutrit CZ （Controlled⁃Z）门是发展高维度量子计算关键的一环，对实现容错量子计算具有重要意义.因此，提出了一种超导qutrit中的CZ门优化方案，该方案主要原理是在耦合器的辅助下实现量子比特之间可调的ZZ耦合相互作用，以实现qutrit CZ门.通过仿真模拟，显示qutrit CZ门具有可行性.为了提高精度，分析了qutrit CZ门实现过程中影响门性能的主要因素——非绝热态泄漏的来源.为了抑制态泄漏，设计了基于Slepian窗函数和基于非绝热因子动态调整的磁通波形优化方案，并验证了该方案的有效性.提出的超导qutrit中的CZ门优化方案有效地抑制了qutrit CZ门过程中的态泄漏，提升了过程绝热性.方案在理论模拟上能将磁通波形上升和下降沿时间缩短至70 ns，并将整体态泄漏控制在
高强度聚焦超声（High Intensity Focused Ultrasound，HIFU）作为一种前沿的非侵入式治疗技术，在临床应用中取得显著进展，而声空化效应是其发挥治疗作用的关键机制之一.在HIFU治疗过程中，准确区分稳态空化信号和瞬态空化信号成分，对于精准调控治疗效果和保障治疗安全性至关重要.然而，传统的被动空化检测方法在分析HIFU治疗过程中产生的空化信号时，始终存在一定的局限性，难以精确提取信号中的相关复杂成分并深入解析空化运动状态.因此，针对HIFU治疗过程中获取的空化信号，创新性地提出了基于汉克尔矩阵重构的奇异值分解（H⁃SVD）方法.该方法首先将单阵元换能器接收的一维时域信号通过滑动窗口技术重构为汉克尔矩阵，随后利用奇异值分解（Singular Value Decomposition，SVD）算法对信号进行多尺度特征提取，实现了HIFU基频及谐波信号、次谐波/超谐波，以及宽带噪声信号的有效分离.与传统被动空化检测技术相比，H⁃SVD方法在保留信号各频率成分细节信息方面展现了显著优势，能更精确地刻画不同声压条件下空化特征的阶段性动态演变规律，即由初始的由基波和谐波主导的小振幅线性振荡，逐步过渡到次谐波/超谐波占优的非线性稳态空化，最终发展为宽带噪声主导的剧烈瞬态空化行为.该方法为深入理解稳态空化和瞬态空化各自诱发的物理化学机制提供了有力的分析工具，同时也为HIFU治疗过程中的空化效应实时监测与精准调控奠定技术基础.
复杂环境如汽车车厢内路噪的有源噪声控制（Active Noise Control，ANC）通常依赖大量传感器来获得有效的噪声控制性能，使应用传统自适应算法的收敛速度缓慢且计算量较大.针对这一问题，在频域滤波参考最小均方（Frequency Domain Filtered⁃x Least Mean Square，FDFxLMS）算法的基础上提出了多迭代预处理正则化频域滤波参考最小均方（Multi⁃Iterative Pre⁃Regularized Frequency Domain Filtered⁃x Least Mean Square，MIPR⁃FDFxLMS）算法，该算法的多迭代策略提升了算法收敛速度并保持较高的计算效率，预处理的正则化因子改进方法保证了算法的稳定收敛.基于实测汽车道路噪声数据的仿真结果表明，与传统自适应算法相比，提出的MIPR⁃FDFxLMS算法在收敛速度方面具有明显优势，展示了其在实际路噪控制系统中的应用前景.
基于忆阻器阵列的类脑电路为实现高能效神经网络计算提供了极具潜力的技术路线.然而，现有方案通常需要使用大量的模数转换过程，成为计算电路能效进一步提升的瓶颈.因此，提出了一种基于1T1R （1 Transistor 1 Resistor）忆阻器交叉阵列与CMOS （Complementary Metal⁃Oxide⁃Semiconductor）激活函数的全模拟神经网络架构，以及与其相关的训练优化方法.该架构采用1T1R忆阻器交叉阵列来实现神经网络线性层中的模拟计算，同时利用CMOS非线性电路来实现神经网络激活层的模拟计算，在全模拟域实现神经网络大幅减少了模数转换器的使用，优化了能效和面积成本.实验结果验证了忆阻器作为神经网络权重层的可行性，同时设计多种CMOS模拟电路，在模拟域实现了多种非线性激活函数，如伪ReLU （Rectified Linear Unit）、伪Sigmoid、伪Tanh、伪Softmax等电路.通过定制化训练方法来优化模拟电路神经网络的训练过程，解决了实际非线性电路的输出饱和条件下的训练问题.仿真结果表明，即使在模拟电路的激活函数与理想激活函数不一致的情况下，全模拟神经网络电路在MNIST （Modified National Institute of Standards and Technology）手写数字识别任务中的识别率仍然可以达到98%，可与基于软件的标准网络模型的结果相比.
传统的人工调查、谈话等方式在大学生心理评估与筛查工作中成效显著，但需耗费巨大的人力和物力.得益于高校信息化产生的海量数据，利用机器学习技术来对学生心理健康进行预测的研究得到了越来越多的教育和科研工作者的关注，然而，学生的内在真实心理状态极其隐匿，使样本标注十分困难，尤其是负样本（即没有心理问题的学生）难以界定.原有的研究将来自心理测评量表的评估结果作为样本标记进行建模，但心理评测量表的主观性强，得出的结论的真实性和可靠性难以保证，这会严重影响模型的性能.针对学生的真实心理状态极度隐匿导致负样本难以界定这一挑战性问题，提出一种基于PU学习（Positive⁃Unlabeled Learning）的心理健康预测方法PUMPS （Positive Unlabeled Learning for Mental Prediction of Students）.在真实数据集上的实验结果表明，所提方法的正确率、查准率、查全率以及F1分数等四项指标均优于传统方法，尤其是查全率，高于次优方法20.73%.
