课程文献中心 更多>>

关键词： 瑜伽动作识别   多特征融合算法   GNN   图像识别  

摘要： 针对现有瑜伽动作识别方法不能挖掘动作与形体特征等深层次信息的问题,提出了一种基于多特征融合图神经网络的改进瑜伽动作识别算法,该算法利用瑜伽的动作历史和形体信息,结合多特征融合和图神经网络的优势,通过建模形体和动作之间的关系图,得到形体信息对不同瑜伽动作类别的影响程度,以及历史动作的长时和短时性。在实验中,对比了该方法与其他算法在瑜伽动作识别任务中的表现。结果表明,该方法在准确率、精确率、召回率和F_(1)值等指标上有明显的提高,证明了该瑜伽动作识别算法的有效性。

关键词： 短时客流预测   改进麻雀搜索算法   长短时记忆神经网络   组合模型  

摘要： 准确的短时客流预测可以为城市轨道交通的良好运营提供保障,但轨道交通的短时客流具有非线性和高随机性等特点,为了提高对短时客流的预测精度,提出将ISSA算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型.针对SSA算法收敛速度慢,容易陷入局部最优解的问题,引入黄金莱维飞行策略,通过动态调整探索者移动步长的方法,使得它在未知范围内搜索时,能够覆盖更大的范围,提高SSA算法全局搜索的能力.通过使用ISSA算法对LSTM模型的隐含层、学习率和迭代次数的神经元个数进行优化,构建ISSA-LSTM组合预测模型,用于城市轨道交通短时客流的预测.将该模型与BP、LSTM和SSA-LSTM等3种短时客流预测模型进行对比,结果表明:在针对工作日和非工作日客流的预测中,ISSA-LSTM模型预测误差最小,具有较好的预测效果.

关键词： YOLOv8n   缺陷检测   轻量化   特征融合   DySample  

摘要： 针对钢材表面缺陷检测算法精度低、计算量大等问题,提出一种基于YOLOv8n的检测算法HPDE-YOLO(high-level path aggregation dynamic efficient network-YOLO)。首先,引入高效多尺度注意力(efficient multi-scale attention,EMA)机制,与主干部分的C2f融合,增强特征提取能力,并采用C2f-Faster结构提高模型计算速度;其次,提出一种高级筛选双向特征融合金字塔与路径聚合网络(high-level screening-feature bidirectional fusion pyramid and path aggregation network,HS-FPAN),在多个尺度上同时增强语义特征,有效提升模型对细节的捕捉能力;最后,融合动态上采样模块DySample,进一步提升模型检测速度。在NEU-DET数据集上的实验结果表明,相较YOLOv8n模型,HPDE-YOLO模型检测的平均精度均值mAP@0.5达到84.2%,提升了5.7个百分点,裂纹类缺陷检测的平均精度均值mAP提升了26.88个百分点,参数量减少了45%,浮点运算量减少了32%。HPDE-YOLO模型在满足轻量化的同时能够有效提升钢材表面缺陷检测的精度,且易于移动端部署,满足工业生产需求。

关键词： 麦克纳姆轮农业机器人   路径跟踪   运动学模型   动力学模型   新型双环控制器   改进野马算法  

摘要： 针对麦克纳姆轮农业机器人在智能大棚中的路径跟踪问题,建立了运动学模型和动力学模型,设计了一种新型的双环比例微分-分数阶比例积分导数(Proportional Derivative-Fractional Order Proportional-Integral Derivative,PD-FOPID)控制器对全局路径进行动态跟踪控制。对于控制器参数多且整定困难的问题,首先采用帐篷映射初始化种群策略、精英主义记忆策略、动态余弦权重策略和柯西—高斯变异策略对原始野马算法进行改进,然后利用略改进野马算法(Improved Wild Horse Optimizer,IWHO)对控制器最优增益参数优化。实验结果表明:所开发的算法在探索和开发阶段方面性能优异,且PD-FOPID控制器在整定工作中表现突出。路径跟踪仿真证明,设计的双环PD-FOPID控制器比FOPID控制器更具显著的优势,能够避免动态误差累积,快速响应调整到规划路径,在提高农业大棚机器人路径跟踪控制质量方面具有巨大的潜力。

关键词： 室内定位   ZigBee   混合滤波   接收信号强度指示  

摘要： 针对基于ZigBee网络的节点接收信号强度指示(received signal strength indication,RSSI)在复杂环境测量会产生偏差的问题,提出一种基于混合滤波的无线网络测距算法。该方法在运用卡尔曼滤波的基础上融合了基于中值自适应加权高斯滤波的混合滤波,首先用卡尔曼滤波算法去除波动性较大的RSSI值,再利用中位值抗差性原理和自适应函数降低RSSI数据的波动。仿真实验结果表明,混合滤波无线网络测距算法能够较大程度减小异常值带来的波动,有效提高RSSI采样精度。

关键词： SMOTE   KNN   过采样算法   数据不均衡   ISMOTE  

摘要： 针对人工少数类过采样(synthetic minority over-sampling technique,SMOTE)算法存在样本合成区域狭小,容易将少数类泛化到多数类及引入噪声的问题,提出一种基于噪声过滤、边界点自适应采样的过采样算法。首先,该算法使用K近邻算法进行噪声过滤,接着确定边界点并在边界点中寻找合适的点作为根样本点,并以其K近邻点中与其同类且欧氏距离最远的点作为候选样本点。然后,根据根样本点所携带的边界信息确定该点所合成的样本数量,并根据根样本点和候选样本点生成一个N维球体作为样本的合成区间。最后,对合成样本进行判断以确定其是否满足条件。通过实验证明,该算法生成的样本质量要优于SMOTE及其常见变种算法。

关键词： 分布式电源   动态无功优化   Pareto解集   多目标鲸鱼算法  

摘要： 随着光伏、风电等分布式电源大量接入电力系统,对电网的安全性与经济性提出了新的挑战.为了适应风光出力的不确定性,考虑其接入位置对电网的影响,搭建了含风光的配电网动态无功优化模型.采用多目标鲸鱼算法对模型进行求解,将网损、电压偏差进行归一化,选择了其欧氏距离最小的解作为Pareto最优解集的折中解.最后,通过IEEE标准33节点算例进行仿真分析,结果验证了分布式电源的并入能够有效减少系统网损、电压偏差,与其他传统多目标算法相比,所提的算法能够获得分布更均匀、收敛精度更高的Pareto解集.

关键词： 无监督   特征区分度   特征冗余度   CH函数   特征选择  

摘要： 针对传统的K-medoids聚类算法在聚类时需要随机选择初始类中心且指定聚类数目K,及聚类结果不稳定的问题,提出了一种优化初始类中心的自适应K-medoids算法(adaptive K-medoids algorithm for optimizing initial class centers,CH_KD).其思想是定义了特征重要度,以此筛选出每一簇中最优的代表特征,组成特征子集,并重点研究了传统划分算法的自适应优化与改进.首先,利用特征标准差定义特征区分度,选择出区分度强的特征.其次,利用皮尔逊相关系数度量特征簇中每个特征的冗余度,选择出冗余度低的特征.最后,将特征区分度与特征冗余度之积作为特征重要度,以此筛选出每一簇中最优的代表特征,组成特征子集.实验将所提算法与其他聚类算法在14个UCI数据集上进行对比,结果验证了CH_KD算法的有效性与优势.

关键词： 量子机器学习   非线性判别分析   核函数   特征提取   量子厄米特链积   相位估计  

摘要： 核判别分析法通过核函数扩展了线性判别分析对非线性数据的处理能力,成为模式识别领域中一个重要的分支。然而,随着数据的指数增长,经典核判别分析算法在提取特征时会消耗大量计算资源。针对这一问题,利用量子叠加性和并行性提出了一种量子核判别分析算法。首先,借助量子随机存储器技术与控制旋转操作构造需要的类间矩阵和类内矩阵所对应的密度算子;然后,融入线性方程的求解思路并行获取特征态。理论分析表明,所提算法与经典算法相比具有指数级加速。

关键词： 电气火灾预警   鲸鱼优化算法   BP神经网络   模糊化  

摘要： 电气火灾是一种严重危害人员安全和财产损失的事件,因此增强对电气火灾的早期预测和预警至关重要。基于提高电气火灾预测准确性的目的,采用了改进鲸鱼算法优化BP神经网络的方法,构建了电气火灾预警模型。使用剩余电流、工作电流电压和线缆温度作为神经网络的输入特征,结合上述改进方法对权值和阈值进行优化。优化后的参数作为初始参数进行模型训练,用于输出电气火灾的概率。采用电气柜中回路数据进行试验,将预测概率与剩余电流异常持续时间进行模糊化处理,得出火灾决策。研究结果表明,所提模型相关系数达到0.97,相较于传统方法提高了0.08,具有更高的准确性和可靠性。