课程文献中心 更多>>

关键词： dung beetle optimization   point cloud feature   point cloud registration   surface feature degree  

摘要： Considering the problems of complex parameter setting, cumbersome threshold setting, and low registration accuracy in the traditional point cloud feature extraction method, a geometric feature extraction method based on the surface feature degree of point cloud is proposed. First, the normal vector and curvature of the point cloud are determined according to the weighted covariance matrix and combined with both the angle and curvature feature of the normal vector to form the surface feature degree. The median value is used as the threshold to automatically screen the feature points. Then, based on the improved dung beetle optimization algorithm (ST-DBO), the six parameters of point cloud registration are automatically optimized. The ST-DBO algorithm enhances the global optimization ability, which can prevent falling into a local optimal solution and determine the optimal parameters of the registration. Finally, through comparison experiments on the two public data sets and the actual collected point cloud data, the experimental results show that the registration accuracy of the proposed algorithm is improved by up to 33. 12% compared to that of the typical traditional point cloud feature extraction method. Moreover, the feature extraction efficiency is significantly improved, such that it can adapt to different point cloud data. Additionally, the registration accuracy is improved by 29. 13% compared to those with other registration algorithms. Under different parameter settings and noise interferences, the proposed algorithm exhibits strong robustness, good feature extraction efficiency, and improved registration accuracy. © 2025 Universitat zu Koln. All rights reserved.

关键词： 遗传算法   优化算法   恶意软件   漏洞检测   高频运行码特征  

摘要： 恶意软件的攻击技术不断进化,呈现出多态性与变形性的显著特征。这些恶意软件能够灵活地对自身代码结构进行调整,致使每次发起攻击时的形态都各不相同,让人难以预测。传统检测方法依赖静态漏洞评分标准,难以准确评估恶意软件变化攻击下的漏洞威胁,导致检测漏洞数量与实际不符,准确性低。为此,文章提出一种基于优化遗传算法的恶意软件漏洞检测方法。该方法将链路报文进行转化,并与端口报文相结合,通过考虑信息流传输过程中产生的叠加流量,获取恶意软件最终信息流。采用运行码频率提取方法,从信息流中筛选出高频运行码特征,快速定位与恶意软件行为最相关的关键特征。将这些关键特征作为优化遗传算法的初始种群,计算漏洞存在时的最优个体值,并与攻击成功的经验阈值比较,评估漏洞威胁程度。通过实时检测恶意软件攻击的风险态势,及时获取漏洞情况。实验结果表明,在特定时间点(5、11、20、26 s),软件响应频率显著突变,且检测出的漏洞数量与实际完全吻合。这表明此方法能有效检测漏洞,准确获取恶意软件漏洞数量,显著提升检测准确性。

关键词： 深度估计   深度补全   稠密深度图   多尺度特征融合   自适应采样  

摘要： 深度估计旨在通过少量稀疏深度样本点预测场景的稠密深度图,现有方法通常直接从稀疏深度样本生成最终的深度预测图,没有充分挖掘稀疏深度图包含的几何信息,导致深度估计算法的预测精度不够高。针对上述问题,提出一种融合自适应采样与全局感知的图像深度估计算法,由粗粒度到细粒度逐步预测深度图。通过引入预训练的深度补全网络预测粗粒度的稠密深度图,获取丰富的场景结构信息和语义信息。设计自适应深度采样方法,引导算法模型对远处的区域施加更多关注,缓解深度数据的长尾分布问题。同时通过新设计的全局感知模块,捕获并融合多尺度特征,从而获取更多的场景上下文信息。在NYU-Depth-v2数据集上的实验结果表明,算法在整体性能上超越了其他方法;消融实验的结果验证了提出的各个模块的有效性;Zero-shot实验的结果表明算法有较好的泛化性能,其中在ScanNet数据集上的阈值精度指标δ<1.25相比P3D方法提升了42个百分点,相比S2D方法则提升了3.8个百分点。

关键词： 下一篮推荐   图解离网络   多意图学习   对比学习   多头注意力机制  

摘要： 下一篮推荐旨在根据用户历史交互的篮子序列,为用户推荐下一篮可能感兴趣的商品。针对现有下一篮推荐算法未能较好解离篮子内的多意图以及仅从单一层面考虑用户的兴趣或意图,导致推荐效果受限等问题,提出了一种多层级用户兴趣与多意图融合的下一篮推荐模型(MLIMI),从多个层级分别考虑用户兴趣与多意图,构建全局级的用户-项目交互图。考虑到用户行为会随时间发生变化,设计一种长短期时间衰减权重平衡交互项的重要性,通过图卷积网络学习用户的动态兴趣;构建局部级篮子-项目图,通过图解离网络学习解离化的篮子内多意图,随后通过一个多头自注意力层对多意图进行编码,得到最终的意图表示。设计一个跨层级的对比学习范式,结合来自不同层级的项目表示,以增强不同层级项目之间的语义信息。在预测层中融合来自不同层级的用户兴趣和意图,进行下一篮预测。在两个公共基准数据集Ta Feng和Dunnhumby上与MITGNN、TAIW、MINN等主流模型进行了对比实验,结果表明MLIMI的性能优于当前许多基线模型。

关键词： 永磁同步电机   自抗扰控制   黑翅鸢算法   参数整定  

摘要： 【目的】永磁同步电机(PMSM)被广泛应用于伺服系统、电动汽车等领域,这些领域对电机控制的精度、响应速度和抗干扰能力要求较高。PMSM速度控制多采用比例积分微分(PID)控制,然而,传统PID控制器的线性结构在面对复杂的非线性系统时,难以提供PMSM所需的精确跟踪性能和抗干扰能力。针对此问题,本文提出了一种基于改进黑翅鸢算法(IBKA)的自抗扰控制(ADRC)策略。【方法】首先,在d-q坐标系下对PMSM进行建模和分析,并对PMSM速度控制器进行设计,采用非线性ADRC对PMSM的速度环进行控制,以增强系统对模型不确定性和外部扰动的鲁棒性。ADRC的核心优势在于其能够通过扩张状态观测器实时估计并补偿系统的总扰动,包括未建模动态和外部干扰,从而实现对系统状态的精确控制。然后,针对传统ADRC依赖经验进行参数整定的问题,提出了一种融合Tent混沌映射和高斯变异机制的IBKA,通过该算法实现ADRC参数的实时在线整定。最后,基于Matlab/Simulink进行仿真,验证本文所提基于IBKA优化的ADRC策略的有效性。【结果】仿真结果表明,相较于传统的比例积分(PI)控制和标准ADRC,基于IBKA优化的ADRC能够使PMSM表现出良好的动、静态性能,具有更快的响应速度、更好的跟踪精度、更强的抗干扰能力和更优的转矩控制能力。仿真结果不仅验证了IBKA在ADRC参数优化方面的有效性,还展示了ADRC在提高PMSM控制性能方面的潜力。【结论】本文提出的控制策略为PMSM在高精度、高动态和高抗干扰中的应用提供了一种有效的解决方案,具有一定的理论意义和应用价值。

关键词： 不插电的计算机科学   计算思维   教育帮扶   西南乡村  

摘要： 人工智能时代学生的计算思维能力培养是全世界普遍关注的教育议题,乡村学生的计算思维能力培养更是关乎我国高质量教育体系建设。在西南乡村教育帮扶活动中,面对计算思维教育理念缺乏支持、计算思维教育师资薄弱等困境,文章阐述了面向计算思维的不插电计算机科学活动的框架和示例,为改善西南乡村计算思维教育落后面貌提供了有益的思路和实践经验。

关键词： D型结构   DR-UNeXt   动态特征融合   结冰区域检测   机翼结冰  

摘要： 严重的机翼结冰会对飞行安全构成巨大威胁,结冰越厚、结冰区域越大,对飞行安全的危害程度也越大。目前,机翼结冰区域的检测通常依赖于飞行员目测和单点传感器检测相结合的方法,但这种方法存在结冰边界模糊、难以量化判断以及检测区域范围小的缺陷。为此,提出了一种基于动态特征融合的机翼结冰大范围区域检测算法。在UNeXt神经网络的基础上,引入了残差结构卷积块和动态特征融合模块,构建了一种新的D型结构DR-UNeXt神经网络算法,用于机翼结冰区域的检测。在自建的机翼结冰数据集上对DR-UNeXt新型网络算法进行了实验验证。结果表明,与UNeXt算法相比,DR-UNeXt新型神经网络算法在参数量仅增加12.9%、计算量仅增加31.22 GFLOPs的情况下,IoU从0.941提升至0.957,Dice系数从0.965提升至0.978。引入动态特征融合模块和残差结构卷积块能够更精准地提取机翼结冰区域的边缘信息,提高检测准确率,量化结冰区域,为防冰除冰提供数据支撑。

关键词： 联邦学习   非独立同分布   分布提取   社区检测   Louvain算法  

摘要： 将客户端聚类并在簇内进行联邦学习是缓解传统联邦学习算法在非独立同分布(Non-IID)数据场景下表现不佳的一类有效方法。这类方法大多使用客户端本地模型的参数来表征数据特性,并利用参数间的“距离”来评估相似性,从而实现客户端的聚类,但由于神经网络神经元的置换不变性,聚类效果可能会不准确。此外,这类方法通常需要预设聚类数量,可能产生不合理的聚类,或者需要在算法迭代过程中进行聚类,这将带来过大的通信开销。在深入分析了现有方法的缺点之后,提出了一种新颖的联邦学习算法FedRCD。该算法结合了自编码器和K-Means算法,直接从客户端提取数据集的分布信息来描述其特性,从而降低了对模型参数的依赖;FedRCD还将客户端关系组织成图结构,并通过Louvain算法完成客户端聚类关系的构建,这个过程无需预设聚类数量,因此聚类结果更加合理。实验结果表明,FedRCD能更有效地挖掘客户端间的潜在聚类关系,在多种非独立同分布数据场景下,与其他联邦学习算法相比,显著提升了神经网络的训练效果。在CIFAR10数据集上,FedRCD的准确率比经典的FedAvg算法提高了37.08%,比最新发布的FeSEM算法也提高了1.89%,同时展现出更优秀的公平性表现。

关键词： 分布式约束优化问题   邻居忽略   解空间扩大搜索   局部搜索算法  

摘要： 针对现有基于局部搜索思想的分布式约束优化问题求解算法存在容易陷入局部最优的问题,提出了一系列用于求解分布式约束优化问题(DCOP)的基于邻居忽略策略(NI)的局部搜索算法,以扩大对解空间的搜索,避免陷入局部最优。为了研究智能体之间约束关系的可变性和随机性对局部搜索的影响和极值对于局部搜索的影响,分别设计了单个随机邻居忽略策略和极值邻居忽略策略。同时,基于单个邻居随机忽略策略和极值邻居忽略策略,设计了用于平衡算法探索和开发能力的混合策略。此外,还设计了多个邻居随机忽略策略,以探讨求解DCOP时同时随机忽略多个邻居的可行性,并在理论上证明了随机邻居忽略策略对智能体之间的约束关系没有影响。将提出的一系列基于邻居忽略策略的局部搜索算法与十种先进的非完备算法在三类基准问题上的寻优结果进行了实验对比,结果表明所提一系列用于求解DCOP的基于邻居忽略策略的局部搜索算法显著优于目前先进的非完备算法。

关键词： 改进粒子群算法   物联网   节点分布规划   目标函数求解   通信覆盖率   数据传输  

摘要： 在规划物联网节点分布过程中需要明确考虑到覆盖范围,确保节点能够有效地传输数据和接收指令,因此提出基于改进粒子群算法的物联网节点分布规划方法。在此过程中,构建了物联网节点分布规划目标函数,确定了物联网节点覆盖约束条件,利用改进粒子群算法生成了节点最优分布规划搜索流程,实现了目标函数求解,目标函数最优解即为最优的物联网节点分布规划方案。实验结果表明,所设计方法的规划目标覆盖率、节点连通性、数据传输速率、节点能耗效率、节点分布适应性均较高,证明设计方法的规划效果较好,具有实际应用价值。