课程文献中心 更多>>

关键词： 黑翅鸢优化算法   追踪猎物策略   自适应t螺旋   Levy切线飞行  

摘要： 针对基本黑翅鸢算法（BKA）收敛速度慢，易陷入局部最优等问题，提出了一种融合多策略改进的黑翅鸢算法（EBKA）。首先引入了追踪猎物位置更新策略，提高算法全局搜索能力，加快收敛速度。其次在攻击阶段提出自适应t螺旋策略，防止算法陷入局部最优。最后在迁移阶段，当黑翅鸢领导者失去领导作用时，提出了Levy切线飞行策略，避免算法早熟收敛。为了验证算法的改进效果，选取8种测试函数进行测试，并与5种群智能算法进行对比。实验结果表明:EBKA与其他群智能算法对比，在单峰函数上均能快速寻到理论最优值0，在多峰函数F5、F6、F8中30次左右就能收敛到最优值，并且F6、F7可以收敛到理论最优值0。证明了EBKA具有很好的收敛性能、稳定性和全局寻优能力。

关键词： 无线电能传输   磁耦合谐振   参数优化   遗传模拟退火算法  

摘要： 针对磁耦合谐振式无线电能传输系统的各项参数变化对传输效率的影响及传输效率不高的问题。以提高系统的传输效率为目标，通过Matlab仿真软件对频率、电阻、线圈互感等参数对传输效率的影响进行了分析，引入遗传模拟退火算法对系统工作频率、线圈匝数、线圈半径、线圈间距离以及负载阻值进行参数优化。最后在Python软件中对遗传模拟退火算法进行了仿真，得到了系统参数对应的一组最优解使得系统的最高传输效率可达94.27%。仿真结果表明该优化算法的可行性和有效性，能够有效地优化系统参数从而提高无线电能传输系统的传输效率，具有一定的实际应用价值。

关键词： 变电站视频监控系统   YOLO v8算法   多目标智能跟踪   注意力机制   卡尔曼滤波器  

摘要： 随着现阶段我国智能电网建设的迅速发展，对变电站视频监控系统提出了更高的多样化、智能化需求。针对现有变电站视频监控摄像头对人员、车辆、异常入侵识别精度不足的问题，提出了一种基于YOLO v8算法的变电站视频监控多目标智能跟踪方法。首先，利用YOLO v8算法对变电站目标进行监测，通过采样算法加大感受野进而提升数据特征融合能力，采用注意力机制识别远处微小目标；然后，基于卡尔曼滤波器和变电站摄像头运动防抖，将YOLO v8监测到的信息输入至BoTSORT 算法，完成多场景多目标下的变电站视频监控目标智能跟踪；最后，经过实验验证表明，本文方法相比于YOLO v5、YOLO v7算法，目标识别平均精度均值分别提升了9.73%、5.28%，目标跟踪精确度分别提升了12.34%、8.41%，提升了变电站视频监控系统智能化水平。

关键词： 神经隐式表面重建   单目几何约束   多分辨率哈希编码   NeuS   MLP  

摘要： 近年来，神经隐式表面重建方法已成为多视图三维重建的热门技术。然而，现有的方法存在一些缺点，主要表现在训练时间较长，其主要原因有两个：首先，相机与物体表面之间存在大量空旷区域，而这些区域的信息对最终的重建质量贡献较低；其次，每个射线样本都需要通过庞大的多层感知器(MLP)进行查询，这导致训练时计算负担过重，影响效率。此外，在进行三维重建时，由于缺乏几何约束，导致重建结果不够理想。为了解决这些问题，提出了FM-NeuS算法：a)在射线行进时，使用跳过空区域和在遮挡区域终止射线的策略，以减少每条射线上采样点的数量，从而加速模型的训练；b)采用融合多分辨率哈希编码的轻量型MLP，加快采样点的查询效率，减少训练时间，并提升重建物体的表面细节；c)利用单目先验知识约束表面几何，以提高重建质量。大量的实验证明，提出的方法能够产生高质量的表面，并且其训练速度比NeuS快20倍。

关键词： 推荐算法   序列推荐   卷积神经网络   前馈网络   用户特征  

摘要： 近年来，针对信息过载问题，推荐算法已成为关键解决方法之一，能够有效地提供用户个性化内容。在序列推荐研究中，卷积神经网络因其能有效提取序列信息中的局部特征而受到广泛关注。然而，卷积神经网络在捕捉时序信息方面存在局限性。为了解决这一问题，本文提出了一种基于一维卷积的序列推荐算法。该算法首先通过卷积操作提取序列的局部特征，然后通过池化操作提取序列的长期特征，并将两者进行加权相加获得用户特征信息，使得其能够综合提取局部和长期特征,。随后，将用户特征信息与线性变化的序列信息进行点乘，以引入时序信息。此外，将用户特征信息通过前馈网络，以实现非线性转换和跨维度交互增强。最后，对用户特征向量与项目特征向量进行计算获得相关性，并以此进行推荐。实验结果表明，在MovieLens电影数据集和KuaiRand短视频数据集上的测试中，该算法在推荐命中率和归一化折损累计增益等指标上相比四种基线算法均有显著提升，表明该算法能够更有效地进行推荐。

关键词： 遥感图像   复杂背景   YOLOv5s   多尺度目标检测   解耦头  

摘要： 针对复杂背景遥感图像中小目标密集、目标尺度变化大等因素给目标检测带来的特征提取困难、精度不佳的问题，本文在YOLOv5s基础上提出一种多尺度信息增强的目标检测算法(DL-YOLO)。首先，改进算法在主干网络顶部采用基于快速空间金字塔池化设计的空洞卷积快速空间金字塔池化，通过其中的感受野增强模块(RFEB)融合多尺度目标的细节信息与语义信息，提高了网络的特征提取能力。其次，改进算法的检测头部分采用以YOLOv6s解耦头(DH)为基础设计的轻量高效解耦头(LEDH)来替换原有的检测头，该解耦头中设计了轻量化空洞卷积模块(GDConv)来增强分类与回归任务关联信息的学习，以及引用轻量化卷积(GhostConv)实现轻量化，在提高各尺度目标检测精度的同时，也降低了解耦头参数量。DIOR数据集上的实验结果表明，与YOLOv5s相比，本文提出的DL-YOLO算法在P、R、mAP0.5、mAP上分别提高了1.6%、2.1%、2.1%和4.7%。本文所提算法的综合指标超过了众多现有优秀的目标检测算法，对遥感图像中多尺度目标检测具有实际应用意义。

关键词： 监测站点布局   空间模拟退火算法   经验贝叶斯克里金插值法   NO   监测   布局优化   点位优化  

摘要： 大气污染评价是城市规划与控制中重要组成部分，关系到人类健康和发展。合理的布设空气质量监测站对区域空气质量分布的预测至关重要。为解决如何设置监测站点使得面域预测误差更低、精度更高的问题，本研究旨在评估空气监测点的最小样本容量，以表征空气NO2的最优预测精度，并为预测模型建立可靠的输入。本文设计了基于空间模拟退火算法的空气质量监测网络空间优化的方法框架，并以中国闽西南地区地面NO2监测站点优化为例。基于空间模拟退火算法以最小克里金方差（MKV），改善监测站点的布局，提高了空气污染监测的精度和效果。在优化过程中，使用了扰动算法对监测站点布局进行改变。并采用MKV进行评估（不考虑财务预算限制）寻求优化效率最高的采样数量。对地面NO2空气污染监测站点的空间布局进行优化，通过优化，我们发现在增加160个监测站点后，NO2的MKV从0.09 μg·m-3降低至0.02 μg·m-3，预测精度提升了71.46%。这种优化可能改善监测系统的覆盖范围和采样密度，提高监测数据的准确性和可靠性。这对于及时识别和应对污染源、监测空气质量趋势以及制定环境政策至关重要。此外，该方法还有可能应用于其他形式的环境污染（如水、土壤和噪音）监测，这对今后空气监测站点的布设及管理的优化思路提供了参考。

关键词： 安全帽检测   YOLOv8n   特征融合   改进小目标层   注意力机制  

摘要： 在施工场景下，针对安全帽检测任务中存在小目标较多、目标易被遮挡和易受环境因素干扰等问题,提出一种改进YOLOv8n的安全帽佩戴检测算法。首先，设计一种双向特征金字塔网络，通过跳跃连接增强特征表达能力，优化特征融合，并增加160×160有效特征层来提高小目标的检测精度；其次，利用分组卷积的思想和共享参数的策略重构检测头模块，在保证检测精度不受影响的前提下以减少模型的参数量；最后，引入基于大型可分离核注意力(LSKA)和瓶颈注意力模块(BAM)设计的注意力引导模块，将其融入到空间金字塔池化（SPPF）模块中，该模块通过LSKA扩大感受野，提升模型对遮挡目标的局部特征捕捉，同时通过BAM关注空间和通道，过滤环境噪声，减少环境干扰对模型检测的影响。实验结果表明，改进后的算法相较于基线算法，准确率提高了0.2百分点，召回率提高了2.1百分点，mA P@0.5提升了2.6百分点，此外，参数量仅为2.0M,FPS达到了84.5帧。

关键词： 阀冷设备   Fisher比   PSO-LSSVM   融合特征   故障诊断  

摘要： 为提高换流站阀冷设备故障诊断的正确率和分类速度，提出了基于Fisher比准则的融合特征算法和粒子群优化最小二乘支持向量机的故障分类模型。首先，分别提取梅尔倒谱系数和逆梅尔倒谱系数的静态参数和动态一阶差分参数作为故障特征量，得到阀冷设备故障的高低频全部信息，然后利用Fisher比准则对阀冷设备故障特征进行两次融合，减少直接叠加信号带来的重复数据与干扰信号。特征信号经两次Fisher比判别后，筛选出1×13维Fisher比值数据作为阀冷设备噪声信号的融合特征量。其次，为了提高LSSVM算法故障识别的准确率和分类速度，利用PSO算法优化LSSVM算法的核函数带宽和惩罚因子，得到两个参数的最优解，建立LSSVM阀冷设备故障分类模型。最后，以阀冷设备间主泵为算例，分别采用不同特征融合算法和故障辨识方法进行对比分析，算例结果验证了所提出方法可以快速准确辨识阀冷设备在不同频率的故障信号，其故障辨识准确率可达96.67%。

关键词： 图像异常检测   学生-教师网络   注意力机制   分割网络   去噪  

摘要： 为了解决工业场景中的图像异常检测和定位困难的问题，提出一种改进的学生-教师网络异常检测算法。首先，增加教师网络的深度以提升网络的性能，通过从合成的异常图像中学习教师网络特征训练去噪学生网络。其次，训练一个注意力引导的分割网络自适应地融合多层次的学生-教师特征，并在合成异常掩码的监督下进行训练。最后，在推理阶段加入剪枝操作，提高异常检测的准确性。在工业检测基准数据集上的实验结果表明，该算法具有较高的异常检测准确性，在图像级接受者操作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve，AUC)达到了99.04%，在像素级平均精度为75.83%，在实例级平均精度为77.95%。