课程文献中心 更多>>

关键词： 机器学习   机制砂混凝土   配合比设计   GBDT算法   XGBoost算法  

摘要： 机制砂混凝土相比于普通混凝土，其配合比设计涉及更多相互耦合的影响因素，传统正向设计方法难以满足多目标优化需求。机器学习算法能够有效分析这些复杂关系，为配合比设计提供指导。本文采用五种机器学习算法，预测混凝土的工作性能和力学性能，并提出利用GBDT和XGBoost进行配合比设计的策略。在满足性能要求的前提下，通过误差分析迭代优化，给出推荐配合比。结果表明，机器学习推荐的配合比制备的混凝土，试验结果与目标的误差在10%以内，验证了在特定性能要求下进行配合比设计的可行性。

关键词： 热管式空气预热器   对数平均温差法   优化算法   PSO   NSGA-II   TLBO  

摘要： 针对热管换热器结构参数优化过程中，优化算法以及种群数与最大迭代次数等控制参数的选择缺乏依据的问题，该文以某电站58MW循环流化床锅炉中的空气预热器为研究对象，通过对数平均温差法对其进行设计计算，以金属用量最小化为优化目标，比较了元启发式算法中较为常用的粒子群优化算法(particle swarm optimization，PSO)、无支配排序遗传算法(non-dominated sorting genetic algorithm II，NSGA-Ⅱ)、教与学优化算法(teaching-learning-based optimization，TLBO)的性能差异，研究了种群数与最大迭代次数对优化性能的影响，同时探究了随机数对优化结果的影响。结果表明，3种算法的种群数与最大迭代次数均存在最佳值，且多次运行后的最优结果均存在差异；3种算法的理论最优解按照实际规格参数取整后优化结果趋于一致，但TLBO的运行时间相比其他两种算法最短，因此，TLBO可以作为解决热管换热器结构参数优化问题的优先选择。

关键词： 上腹部增强CT   肝脏   深度学习重建   双低剂量  

摘要： 目的：探讨在肝脏CT增强中结合低辐射剂量和低碘对比剂，深度学习重建算法（DLIR）与自适应统计迭代重建（ASIR-V）的应用效果。方法：前瞻性收集行腹部增强CT的患者82例，随机分成A组和B组，A组（对照组）常规剂量（管电压120kVp，碘对比剂85mL）下门静脉期采用30%、50%、70%ASIR-V(AV30、AV50、AV70)进行图像重建。B组（实验组）双低剂量（管电压80kVp；碘对比剂65 mL）下门静脉期采用中、高强度深度学习（DLIR-M,DLIR-H）进行图像重建。计算了图像噪声（SD）、信噪比（SNR）、对比噪声比（CNR）、病灶对比噪声比（LLR）、品质因数（FOM）、有效辐射剂量（ED）及碘摄入量。两名诊断医生评估不同剂量下不同重建方式的主观图像质量。结果：A组和B组的性别、年龄、体重指数BMI差异均无统计学意义。在有效剂量降低38.40%，对比剂用量降低23.53%下，DLIR-M与AV50、DLIR-H与AV70肝实质、门静脉SD值差异均无统计学意义，肝实质、门静脉SNR中仅DLIR-M与AV50不具有统计学意义，肝实质、门静脉CNR中仅DLIR-M与AV70差异无统计学意义，病灶对比噪声比（LLR）与品质因数（FOM）中，仅DLIR-M与AV70差异无统计学意义。在各项主观图像质量评估中，双低剂量下的DLIR表现优于常规剂量的AVIR-V，尤其是DLIR-H表现最佳。结论：与常规剂量下ASIR-V相比，DLIR在“双低”（低辐射剂量低对比剂）剂量下可以提高图像质量和肝脏低对比度病灶的检测能力。

关键词： 无人机航拍   小目标检测   YOLOv11n   LAMP剪枝   Focal-DIoU  

摘要： 【目的】针对无人机航拍图像中小目标检测面临的背景复杂、尺度变化大导致的检测精度较低和推理速度较慢等问题，文章提出了一种基于YOLOv11n模型的改进算法YOLOv11n-DPD，旨在提升无人机航拍图像中小目标的检测精度，并实现模型轻量化和推理加速，便于资源受限的嵌入式设备上部署运行。【方法】首先，在C3k2模块中引入可变形卷积（DCN），增强模型在复杂背景下对多尺度目标的特征提取能力，特别是对于形变显著的小目标。其次，针对无人机航拍图像中小目标占比较多等情形，新增P2（Prediction Layer 2）小目标检测层并去除了P5（Prediction Layer 5）大目标层，有效提高了小目标特征的捕获精度，同时减少了大目标检测层的冗余计算。然后，提出了一种结合Focal Loss与DIoU Loss的Focal-DIoU（Focal Loss and Distance-IoU Loss）损失函数，解决了小目标检测中的各目标类别不平衡问题，并优化了边界框的定位精度。最后，采用LAMP剪枝方法对模型进行轻量化处理，主要通过适当调整剪枝加速比，自适应地按层评估并删除冗余连接，减少模型整体计算量并加速推理过程。【结果】在VisDrone2019数据集上的实验结果表明，YOLOv11n-DPD相较于原YOLOv11n模型，在mAP50指标上提升了6.5%，达到了40.7%，增强了对无人机航拍小目标的检测精度。同时，YOLOv11n-DPD在推理速度方面，在Ubuntu和JETSON平台上分别提高了32FPS和6FPS，显著加快了推理过程。模型的大小和参数量分别减少了3.87和2.02 MB，证明了算法在轻量化方面的优势。此外，与现有主流的小目标检测方法相比，YOLOv11n-DPD在检测精度、推理速度和计算资源上综合表现更好，具有显著优势。【结论】文章所提YOLOv11n-DPD算法通过引入可变形卷积、优化小目标检测层结构、改进损失函数和进行模型剪枝，提高了检测精度、加速了推理过程并优化了模型大小，与现有的小目标检测方法相比表现更优，尤其适用于无人机航拍小目标检测任务和嵌入式平台的部署推理。

关键词： 激光雷达(LiDAR)   激光惯性里程计   平面点   边缘点   因子图  

摘要： 针对点云匹配不准确和特征冗余的问题，提出一种基于局部信息融合的激光惯性里程计算法：首先，对于特征处理后的点云数据，在局部地图中利用最近邻搜索获得初始匹配；然后，将局部范围内的相似匹配进行融合获得精确匹配，最后使用因子图融合激光里程计（LO）和惯性测量单元（IMU）预积分约束构建激光惯性紧耦合的里程计系统。实验结果表明，通过在KITTI数据集上测试，与其他激光惯性里程计算法相比，本文算法的相对位姿误差平均降低17.1%，绝对位姿误差平均降低11.3%。

关键词： 算法行动   算法意识   算法抵抗   短视频推荐算法   扎根理论  

摘要： 从既往算法用户研究对“情境”关注不够的现状切入，本研究基于深度访谈和扎根理论廓清了青年用户对短视频推荐算法的两条“意识-行动”路径。研究发现，激发用户算法意识的负面体验情境分为功能层面的算法失能和机制层面的算法侵扰，算法失能时用户与之积极协同以维系推荐精准度，算法侵扰时用户因算法机制不可写而协同失败、转向消极内向的自我治理。两种情境化算法行动中用户的抵抗意愿和抵抗性的行动结果不可兼容，由此对算法抵抗这一过度强调用户能动性且将人机交互权力化书写的理论概念在人机共生处境下的泛用性提出了质疑。研究指出，应当探索构建“可参与的算法”，在与用户的日常协商中弹性修正侵扰性的算法机制，以促进更大范围、更深层次的人机协同，进而阐明算法人文社科研究的建设性面向，将批判研究的最终落点置于算法的现实修缮而非话语毁灭。

摘要： 2025年1月2日下午《计算机技术与发展》编委会召开了年度工作会议,会议采用线下线上结合的方式召开.线下主会场设在西安电子科大学南校区,参加会议的有编委会全体委员、陕西省计算机学会编辑出版工作委员会全体成员和《计算机技术与发展》编辑部部分人员.会议由陕西省计算机学会编辑出版工作委员会主任西安电子科技大学计算机学院执行院长崔江涛教授主持,期刊顾问钱德沛院士及陕西域外编委参加线上会议.

关键词： 自动驾驶   目标检测   注意力机制   多尺度特征融合   尘雾环境  

摘要： 针对扬尘、雾霾等恶劣环境下，车辆目标检测中漏检、误检及远小目标检测精度低等问题，提出了EPMYOLOv8的目标检测算法。将高效通道注意力（ECA）模块集成到YOLOv8n算法的C2f模块，使骨干网络更加关注浅层较小的目标特征信息；通过增加目标检测层，并设计多尺度特征融合架构，提高模型目标特征提取能力与检测精度；使用基于最小点距离交并比（MPDIoU）损失作为损失函数，提高检测框回归精度。试验结果表明：EPM-YOLOv8模型检测框查准率达到83.6%，检测精度达到76.8%，对尘雾恶劣环境的检测性能具有一定优越性。

关键词： 等式残差   总体最小二乘估计   抗差估计   乘性误差  

摘要： 基于M估计理论设计抗差总体最小二乘(robust total least-squares,RTLS)估计算法时，由于总体最小二乘(total least-squares,TLS)估计不适用于残差预测，根据单个随机量残差进行重定权存在理论缺陷。本文基于乘性误差模型推导了TLS估计迭代公式，对“等式残差”或者“总残差”进行理论解释，说明该残差具有最小二乘(least-squares,LS)估计残差的性质；然后顾及观测空间和结构空间的抗差性，基于等式残差或者总残差设计相应的RTLS估计算法；最终通过Monte Carlo实验，从抗差性、有效性和迭代效率等几方面与其他重定权策略进行比较，证明该RTLS估计算法的优势。