课程文献中心 更多>>

关键词： YOLOv8n   小目标检测   无人机视角   注意力机制   可变形卷积  

摘要： 随着低空经济的迅速发展，无人机在环境监测、农业植保、应急救援等多个领域展现出广阔的应用前景。然而，无人机航拍图像中的小目标检测问题一直是限制其广泛应用的技术瓶颈之一。针对无人机航拍图像视角广、目标小且背景复杂的特点，提出了一种改进的YOLOv8n目标检测算法，以提高无人机视角下小目标的检测精度。首先，为了更好地捕捉无人机视角下不同视距下的目标的形状特征，引入了可变形卷积核。其次，增加了P2小目标检测头，并在Neck部分的C2f模块中引入了空间通道注意力机制，提升模型对不同区域目标的区分能力。最后，提出了自适应边界损失函数，使其在处理小目标时生成更优的边界框。实验结果表明，在MDMT（Multi-Drone Multi-Target）数据集上，该算法在小目标检测精度上显著优于基线模型原生YOLOv8n、YOLOv5和Faster-RCNN等模型，mAP50达到了61.0%，分别提升了13.7%、14%、50.8%。

关键词： 二进制电鳗觅食优化算法   转换函数   复合型转换函数   背包问题  

摘要： 电鳗觅食优化算法是近年提出的元启发式优化算法，用于求解连续优化问题，并且应用在各种工程问题中。然而现实中许多优化问题是离散的，这就需要提出算法的二进制版本。研究者通常使用转换函数将连续解转换为离散解，用于求解离散优化问题，但传统的S型转换函数易于发散难以收敛，而V型转换函数易于陷入局部最优难以跳出。针对上述问题，本文设计出一种自适应的V型转换函数，并利用电鳗能量因子将S型与自适应V型转换函数融合，提出一种自适应复合型转换函数用于电鳗算法的二值化。此外由于电鳗算法在休息和狩猎阶段缺乏局部多样性，及其在交互和迁徙阶段存在过早收敛，本文进一步对电鳗优化算法进行了改进。算法在交互阶段增加权重控制因子，发挥S型转换函数的发散特性，增强全局搜索能力；在迁徙阶段施加鞭策因子，约束电鳗的行为，避免过早收敛陷入局部最优；在休息、狩猎阶段增加随机因子提高局部多样性。最后，通过35个背包问题数据实例上的收敛、均值及消融等实验，其结果证明了本文所提出的二进制电鳗觅食优化算法的有效性。

关键词： 小目标检测   YOLOv11   特征提取   感受野注意力  

摘要： 为了有效应对无人机航拍中小目标检测面临的复杂背景、目标密集、目标微小化和移动端部署等挑战，对YOLOv11n模型进行了改进。首先，使用RFCBAMConv模块改进C3k2，增强了特征提取能力。接着，设计了膨胀特征金字塔卷积（Dilated Feature Pyramid Convolution， DFPC）模块，替代了原有的SPPF层。通过多尺度膨胀卷积，加强了对无人机小目标细节特征的提取。其次，提出了一种新的特征金字塔结构，在P2层增加160×160尺寸的特征图输出，以提取小目标特征信息。此方法替代了传统通过添加P2小目标检测头的做法。引入了CSPOK模块和ContextGuidedBlock＿Down（CGBD）卷积，显著提升了全局特征的提取能力和多尺度特征的融合能力。最后，采用动态检测头（DyHead）替代了原有的检测头，提升了模型的目标检测精度。实验结果表明，改进模型在VisDrone数据集上的mAP@0.5和mAP@0.5:0.95指标分别提高了7.1%和4.9%。此外，在AI-TOD和SODA-A等数据集上的泛化实验也显示，改进模型在精确率和mAP@0.5上分别获得5.5%和4.8%的提升，充分验证了模型的有效性和泛用性。

关键词： 路径规划   改进RRT*-Smart   启发式思想   椭圆采样空间   Cantmull-Rom样条插值   ROS仿真平台  

摘要： 针对RRT*算法在移动机器人路径规划时搜索效率低、迭代次数多以及搜索路径不平滑等问题，提出一种改进RRT*-Smart的移动机器人全局路径规划算法。基于传统RRT*-Smart算法引入A*算法代价函数和启发式思想，引导随机采样点集中分布于潜在最优路径附近，减少无效搜索；采用椭圆采样空间策略精确控制采样范围，提高搜索效率；利用Cantmull-Rom样条插值曲线对初始路径进行平滑处理，得到更为安全平滑的最终路径。基于Python和ROS仿真平台开展实验验证，改进RRT*-Smart算法在搜索效率、行走时间以及路径平滑度方面均有显著提升。

关键词： 高强板   矫平工艺   BP神经网络   参数预测   粒子群优化  

摘要： 为提高高强板矫平工艺的参数预测精度，以提升生产效率和产品质量，引入粒子群优化算法（particle swarm optimization， PSO），对BP神经网络的权重和偏置进行优化，构建了PSO-BP模型。通过对550组实际生产数据的训练和测试，结果表明，PSO-BP模型在预测精度上显著优于传统方法。在优化过程中，结合Levenberg-Marquardt（LM）算法与PSO算法，通过迭代更新粒子的位置和速度，系统性地寻找最佳的网络权重和阈值。这一方法有效克服了BP神经网络易陷入局部最优解及收敛速度缓慢的问题。实验结果显示，PSO-BP模型在测试集上的均方根误差和误差率分别提高了0.075和5.5%，表明该模型具备优异的适应性和可靠性，对工业生产中的参数优化具有重要的实际意义。

关键词： 软土   粒子群算法   支持向量回归   抗剪强度   内聚力   内摩擦角  

摘要： 为了提高在复杂地质中软土抗剪强度的分析效率以及准确率，研究提出了一种结合粒子群优化以及支持向量回归算法的组合策略，利用前者的对支持向量回归算法的参数进行优化，构建了一种高效的软土抗剪强度参数预测模型。实验结果表明，研究方法的内聚力预测准确率高达97.6%，内摩擦角的预测准确率则达到了96.8%，其均优于选择分类与回归树模型和小波分析模型。研究所提出的方法有效提高了软土抗剪强度的分析效率，使其摆脱了冗杂的操作，从而有效节省了物力与财力。

关键词： 频繁数据挖掘   数据路径   异常攻击   恶意攻击   组合逼近  

摘要： 针对移动自组网络(mobile autonomous networks，MANET)中的节点行为异常和恶意攻击问题，提出了数据路径组合近似(data path combinatorial approximation，DPCA)算法。该算法采用了基于近似包含-排除原理的频繁模式挖掘方法，结合跳过与完成技术、节点分组技术等，通过挖掘MANET数据流中的频繁路径集，高效识别出异常/恶意节点。模拟实验结果显示，当恶意节点比例为20%时，DPCA相比其他方法可提高16.7%的吞吐量，丢包率降低31.4%，能耗降低25.6%，且具有更高的节点信任度，展现出较好的鲁棒性。

关键词： 深度学习   轻量化设计   目标检测   综述  

摘要： 随着深度卷积神经网络的兴起，很多目标检测模型取得了显著的成绩。然而，大模型以计算成本昂贵且内存密集型为特点，难以部署在嵌入式、实时检测等环境中，因此，研究设计轻量化模型是当前的研究热点之一。构建轻量化的目标检测算法是具有挑战性的任务，因为模型必须要被精妙设计才能在花费尽可能少的参数量和计算资源消耗的同时获得优越的检测性能。在过去10年中，轻量化算法设计取得了显著进展。总结了轻量化目标检测算法，旨在进一步探索轻量网络设计的新思路和新方向。将轻量化算法设计分为三类：骨干网络、特征融合网络和注意力机制。详细分析了每一类在目标检测任务中的性能、优势和局限性。接着，简要介绍了一些最近取得成功的方法，如YOLO系列和DETR。最后总结了研究内容，并讨论了未来工作的挑战和潜在方向，同时探讨了轻量化设计在目标检测领域的发展趋势。

关键词： 人工智能算法   RPA机器人   智能巡检   异常监测  

摘要： 针对传统巡检方法无法满足巡检设备多与难度高的问题，研究设计了基于人工智能的机器人流程自动化的配网巡检架构，并引入迁移学习，得到基于改进You Only Look Once xs算法的视频巡检异常监测方法。研究结果表明，研究提出的算法在训练中仅需81次迭代就可稳定，损失值对应2.54;在消融实验中，与基础算法相比，其平均精度均值与单张图像异常检测时间分别提升3.48%与39.47%。在对比实验中，改进You Only Look Once xs算法的平均精确率、召回率与F1值均是最高的。上述结果说明研究提出的方法能实现电力设备异常时高效准确的判断，能有效解决智能配网巡检中存在的问题。

关键词： Benes网络   重排求解算法   并行化   硬件加速器   FPGA  

摘要： 光互连网络使用光交叉开关阵列实现光交换。大规模快速光交叉开关阵列多使用紧凑的Benes网络构建，以避免级联过多开关点导致较高物理链路损耗。但对Benes网络的路由求解将引入数百纳秒至数毫秒的开销，产生交换性能瓶颈。为降低此开销并消除性能瓶颈，提出一种利于高性能硬件实现的Benes网络完全重排求解算法，改进了传统Benes网络求解算法的求解次序，提高了并行度。提出基于该算法的硬件加速器，具有优良的频率特性，FPGA版本加速器固定耗时26ns可完成一次16×16 Benes网络重构求解。通过流水线优化，将连续求解吞吐量提升至700MOPs。相比现有同类路由求解算法的FPGA实现，其求解速度提升9.85倍，连续求解吞吐量提升2.8倍。若使用ASIC技术而非FPGA构建加速器芯片，预计可将求解耗时降低至与开关阵列重构耗时相仿的水平，彻底消除性能瓶颈。