课程文献中心 更多>>

关键词： 旋转目标检测   电表铅封螺钉   YOLOv8obb   多尺度特征融合   注意力机制  

摘要： 针对单相智能电表自动化安装场景中,难以精确快速地定位防护盖铅封螺钉的问题,提出了一种基于改进YOLOv8obb的旋转检测算法GROOVE-YOLO,实现在单次检测中获取到目标螺钉的中心位置和旋转角度。首先,增加P2检测头,删除P5特征层,构建微小目标检测网络,提高模型对细小目标检测的能力,简化网络结构;其次,融合双向特征金字塔网络,引入学习权重,优化多尺度特征融合的效果,丰富模型的特征表达;最后,引入全局注意力机制,突出特征中关键信息,进一步提升检测精度。实验结果表明,改进算法的准确率、召回率和平均精度分别达到93.2%、90.5%和95.7%,与原模型相比分别提高了13.5%、17.1%和14.3%,平均中心点像素距离误差为1.4像素,平均旋转角度误差为4.8°,检测速度达到119 f/s。所提方法有效提高了防护盖铅封螺钉的定位精度,满足实际安装需求。

关键词： 教学设计研究   起始课   加减法   新教材   口算   后续学习   加法   明算理  

摘要： 《100以内的口算加法(不进位)》是学生学习“100以内加减法”的起始课,在学生掌握了100以内数的认识和20以内加减法后进行教学。它为后续学习“100以内的笔算加减法”打下基础。本文通过比较四版新教材,挖掘各自特点,并给出教学设计。

关键词： 联邦学习   差分隐私   自适应噪声   自适应裁剪   动态加权  

摘要： 将差分隐私应用于联邦学习是保护训练数据隐私的有效方法之一,但在现有的算法中,添加固定噪声进行模型训练会导致模型精度不高、数据隐私泄露的问题。为此,提出了一种基于自适应噪声和动态加权的联邦学习算法(DP-FedANAW)。首先,考虑到梯度的异质性,该算法为每个客户端预测当前轮次梯度范数,获得裁剪阈值,为其进行不同轮次自适应裁剪梯度,从而实现自适应调整噪声;其次,为了进一步提高模型的训练效率,该算法还提出了一种将客户端贡献度与数据量相结合的动态加权模型聚合方法。实验结果表明,该算法在满足差分隐私的前提下,与DP-FL和其他两个自适应噪声的算法相比,不仅准确率提高了5.03、2.94和2.85百分点,而且训练轮次整体提高了5~40轮。

关键词： 人体活动识别   数据增强   深度学习   无阈值递归图   卷积神经网络   长短期记忆神经网络  

摘要： 人体活动识别(HAR)可为智慧生活、医疗监护、虚拟现实等上下文感知系统提供重要的基础信息,是模式识别领域的热门研究方向。针对现有基于惯性传感器的活动识别深度学习算法对于多维时间序列特征的提取效果欠佳的问题,提出了一种基于无阈值递归图(URP)和卷积神经网络—长短期记忆(CNN-LSTM)的活动识别算法。首先,使用SMOTE-ENN算法对惯性数据集进行增强,平衡各个类别样本数量比例;然后,使用URP方法将多维惯性传感时序波形构造为对应多个二维递归矩阵;最后,构建CNN-LSTM组合的分类模型。通过在UCI-HAR、WISDM公开数据集上的实验结果表明:所提算法在测试集上4种分类指标均得到提高,其中准确率分别达到98.32%和98.97%,性能优于现存的其他深度学习算法。

关键词： 横向运动控制   路径跟踪   遗传算法(GA)   线性二次型最优控制(LQR)  

摘要： 针对转向机器人路径跟踪问题,设计了基于遗传算法优化的线性二次型最优控制器(LQR)。首先建立车辆二自由度“自行车”动力学模型,得到车辆横向误差模型。然后构建横向误差目标函数,设计线性二次型最优状态调节器(LQR),得到控制车辆的前轮转角。进一步地,在控制环中加入前馈控制以消除稳态误差。在此基础上,采用遗传算法迭代优化权重矩阵Q、R来改进LQR控制器。经过Simulink与Carsim联合仿真表明,采用遗传算法优化后的LQR算法相较于未优化的LQR,横向误差减小了53%,并且大大节省了找寻最优权重矩阵的时间。

关键词： 直流多馈入系统   广义短路比   鞍结分岔点   迭代算法  

摘要： 随着越来越多的新能源发电经由直流输电进行跨区域传输,多直流馈入受端系统面临严峻的电压稳定风险。依托广义短路比表征的电网强度及其与多馈入系统电压稳定裕度之间的关系,该文提出一种多直流注入功率空间最近鞍结分岔点的迭代搜索算法,可用于快速计算当前运行点到稳定边界的欧式距离。首先,根据直流多馈入系统的临界广义短路比,利用拓展导纳矩阵的奇异性,构造表征系统鞍结分岔的功率空间代数方程组;其次,证明了利用广义短路比对应的右特征向量可构造出功率参数空间中稳定边界的法向量,依托广义短路比确立的功率空间是凸的;最后,利用上述结果,提出了多直流功率注入空间最近鞍结分岔点的迭代搜索算法。算例计算结果说明所提方法满足工程要求,为多馈入系统的稳定风险识别提供了便捷工具。

关键词： 三维装箱   天际线算法   BL算法   改进遗传算法  

摘要： 装卸作业是物流领域劳动强度较大的场景之一。三维装箱问题作为自动装卸的关键性问题正日益受到重视。针对传统三维装箱算法没有关注订单装卸顺序的不足,考虑顾客订单分类与装卸顺序的前提,对于三维装箱问题提出高效快速的两阶段启发式算法。首先将货物堆叠为“塔”状并采用降维思想转化成二维矩形填充问题进行优化,创新性地将天际线算法与BL(Bottom-Left)算法相结合,解码出最优的装箱顺序及位置。实验证明,该算法可以使得装箱策略的空间利用率达到最大化。

关键词： 对抗训练   非负矩阵分解   图正则化   图像聚类   超参数优化  

摘要： 传统的非负矩阵分解(NMF)在处理复杂数据集时,因忽略局部特征和鲁棒性不足而受限。为应对这些问题,本文提出了一种新型的对抗训练图正则化非负矩阵分解算法(AT-GNMF),旨在通过提高降维过程的准确性来优化NMF的表示能力。算法通过引入对抗性扰动,模拟数据在实际应用中可能遇到的攻击和噪声,促使模型学习到更为鲁棒的特征。结合图正则化技术,AT-GNMF进一步强化了数据局部结构的保持,有助于在降维过程中保留数据的关键信息。此外,通过网格搜索技术优化了超参数,确保了模型在给定超参数空间内达到最优性能。通过在多个公开数据集上进行的实验,采用聚类任务作为性能评估的基准,验证了AT-GNMF在复杂数据降维任务中的优越性能。

关键词： 鲁棒水印   JPEG压缩   空间多尺度   注意力机制   深度学习  

摘要： 岩心图像作为地质、油气等行业中极为重要的数字图像资源,对于科学研究和工程实践至关重要,其安全性常通过添加数字水印的方式来保障.在数字化的进程中,岩心图像在存储、传输和网页发布等情况下常会进行JPEG压缩.然而,现存基于深度学习的图像数字水印算法在应对JPEG压缩时,视觉质量和鲁棒性方面仍存在显著不足.本文提出了一个端到端图像鲁棒水印算法,旨在解决JPEG压缩条件下岩心图像的鲁棒水印嵌入问题.为高效融合载体图像与水印的特征,本文引入了多尺度跨时空注意力(pyramid efficient multi-scale attention,PEMA)模块,该模块通过独特的跨空间交互策略和通道间关系的构建方式,能够有效捕获不同方向上的长程依赖以及不同尺度下的特征信息.为了实现视觉不可感知性,本文通过离散小波变换(discrete wavelet transform,DWT)将数字水印嵌入到载体图像的低频分量中,并引入DLL(DWT LL sub-band loss)损失函数,以提升水印图像的视觉质量.实验结果表明,该算法在针对JPEG压缩的鲁棒性和视觉不可感知性上均优于现有主流算法.

关键词： 弱无回溯模式匹配算法   协方差矩阵   相似度指数函数   敏感大数据  

摘要： 随着信息技术的广泛应用,敏感大数据在传输和存储过程中存在隐私泄露、数据滥用、安全风险等问题。为了提高敏感大数据的安全性,提出了一种基于弱无回溯模式匹配算法的敏感大数据安全分级检测方法。建立协方差矩阵构建敏感大数据样本库,设定约束条件同构嵌入敏感大数据子图,采用弱无回溯模式匹配算法回溯匹配敏感大数据查询图索引,降低计算复杂度。利用核函数映射查询图特征向量,提高敏感大数据识别准确度,以剪枝的方式完成敏感大数据特征相似性匹配。通过相似度指数函数计算敏感因子,划分敏感大数据安全等级,完成自动化分级检测。实验结果表明:所提方法的敏感大数据安全分级准确度为100%、特征匹配耗时为2.7 s、收敛速度为0.44。由此证明,所提方法能够有效保护敏感大数据安全,在数据传输和存储中具有较高的实际应用价值。