课程文献中心 更多>>

关键词： MobileNetV3   模糊场景   人车检测   轻量化  

摘要： 针对雾霾、雨雪等恶劣天气下拍摄到的图像退化模糊,难以进行准确识别与检测的问题,本文提出模糊场景下行人与车辆检测算法LiteBlurVisionNet (轻模糊视觉网络).在主干网络部分使用GlobalContextEnhancer注意力改进轻量级MobileNetV3模块,减少了参数量,使得模型在雾霾、雨雪等恶劣天气条件下图像处理效率更高.颈部网络采用更为轻量化的Ghost模块和由GhostBottleneck模块改进的SpectralGhostUnit模块,能够更有效地捕获全局上下文信息,提高特征的区分度和表达能力,有助于减少参数数量和计算复杂度,从而提高网络处理速度和效率;预测部分采用DIoU NMS基于非极大抑制方法进行最大局部搜索,去除冗余的检测框,提高检测算法在模糊场景下的准确性.实验结果表明, LiteBlurVisionNet算法模型的参数量比RTDETR-ResNet50算法模型下降了96.8%,比YOLOv8n算法模型下降了55.5%, LiteBlurVisionNet算法模型的计算量比Faster R-CNN算法模型下降了99.9%,比YOLOv8n算法模型下降了57%, LiteBlurVisionNet算法模型的mAP0.5比IAL-YOLO算法模型提高了13.71%,比YOLOv5s算法模型提高了2.4%,这意味着模型在存储和计算方面更加高效,尤其适用于资源受限的环境或移动端设备.

关键词： 配电网   电网损耗   电压稳定性   节能规划   模型   算法  

摘要： 配电网的节能规划对于提高能源利用效率和保障电力供应具有重大意义尤其在电网损耗和电压稳定性方面的挑战日益凸显。针对此研究在配电网中综合考虑有功和无功并增强目标约束设计出一种综合节能规划算法。结果显示通过设计算法进行节能规划其控制误差的最小值和最大值分别为0.12、0.15证明了其控制功率输出方面稳定性和精确率较高。不同的干扰项下通过设计算法协调规划所耗费的时间范围为3s-8s证明其提高了配电网协调规划的效率。以上结果证明了设计算法的有效性对于实现可持续能源发展和节能减排具有积极的促进作用。

关键词： 算法决策   个体赋权   程序控制   分类分级治理  

摘要： 算法作为人工智能等新一代信息技术的核心,已经深度嵌入商业与公共决策之中,而算法自动化决策主体虚实共存、算法技术更新迭代、因果关系隐秘复杂的属性和运行特征致使传统决策治理架构频繁失效。当前以个体赋权与正当程序控制为主要范式的算法决策治理存在算法决策应用缺乏边界、监管不完备、公开规定不明、责任认定困难等问题。鉴于此,文章基于算法决策分类分级治理在灵活监管、风险识别、差异化处理等方面的优越性,提出在综合考虑算法决策的应用场景和风险程度的基础上构建算法决策分类分级模型,将算法决策划分为四种风险类型,并针对不同风险类型在准入门槛、监管细则、公开层次、责任范围等层面精准设定宽严相济的治理措施,打造场景化和精细化的算法决策治理机制,以回应算法决策架构复杂性和应用场景多元性需求。

关键词： 组装电脑主板   缺陷检测   YOLOv8算法   Attention-GAN   轻量化模型  

摘要： 组装电脑主板(Printed circuit board assembly，PCBA)的缺陷检测对于提高流水线生产效率具有重要影响，而在PCBA组装之后的检查通常由人工完成，容易造成人力与时间的浪费和出现漏检与误检的情况。为此提出一种轻量化的YOLOv8s改进方法，该方法有效降低模型复杂度的同时可以提高PCBA缺陷的检测精度。首先，由于没有公开的PCBA相关数据集，构建了一个名为PCBA-DET的组装后PCBA缺陷检测数据集，并对PCBA-DET进行多种方式的数据增强以模拟实际生产场景和改善数据集的平衡性。其次，YOLOv8s的骨干网络最后一个C2f（Cross stage partial network bottleneck with 2 convolutions）模块替换成使用重参数化大核卷积（Reparameterized large kernel network， RepLKNet）以减少计算开销和提高模型的有效感受野，YOLOv8s的颈部网络引入P2小目标检测层和幽灵卷积（Ghost Conv）以捕捉更多的细节信息和有效降低模型参数量。最后，在数据增强后的PCBA-DET数据集上进行评估，mAP@0.95和mAP@0.5与基准模型相比分别上升了2.6%和0.1%，但参数量和基线模型相比下降了36.8%。模型的源代码和数据增强后的PCBA-DET数据集在https://***/ismh16/PCBA-Dataset上可用。

关键词： 小目标检测   自监督学习   对比学习  

摘要： 前沿的深度学习目标检测算法对小目标的检测精度显著落后于中型和大型目标。为了解决这一问题，本文将自监督学习和小目标检测任务相结合，提出了一种基于自监督的小目标检测方法。首先通过自监督对比学习算法预训练一个分类网络，再迁移到小目标检测模型中。与传统的有监督预训练相比，自监督预训练能从海量无标签数据中提取通用的特征表示，显著降低数据标注的成本，增强模型在下游任务中的泛化能力。其次，从提升模型对小目标特征提取能力的角度出发，采用基于像素级分类的对比学习方法。相较于经典的图像级对比学习而言，像素级对比更能关注到图像中的细节信息，主干网络具有更强的特征表达能力，迁移到小目标检测任务中能够取得更优秀的性能。同时，优化和改进检测网络结构，采用基于并行式更新的批量归一化层，确保输入数据的分布不会因为参数更新而产生偏移。最后，本文还探讨了基于全微调和部分微调的模型训练方法，在冻结主干网络不同层的情况下进行实验。结果表明，本文方法在小目标检测任务上的性能超越了传统的有监督预训练和经典的自监督方法，在SODA数据集上的平均检测精度分别提升了1.3%和1.6%。

关键词： 后量子密码(PQC)   多项式乘法器   Karatsuba算法(KA)   位翻转密钥封装(BIKE)  

摘要： 当前美国国家标准与技术研究院（National Institute of Standards and Technology,NIST）对后量子密码（Post-Quantum Cryptography,PQC）标准化方案的评估已进入第四轮，位翻转密钥封装（Bit Flipping Key Encapsulation,BIKE）协议是目前被评估的四个候选方案之一.在BIKE的密钥生成算法中，多项式乘法作为众多密码系统中特别耗时的操作之一，耗费了大量的时间和面积资源.针对此问题，本文设计了一种基于Karatsuba算法（Karatsuba Algorithm,KA）的无交叠多项式乘法器，可高效实现万级比特位宽的多项式乘法，具有低时延、高性能和面积小的特点.同时，本文将该优化乘法器应用于BIKE密钥生成算法中，并基于现场可编程门阵列（Field Programmable Gate Array,FPGA）对其进行硬件架构实现，改进了原有的紧凑多项式乘法和多项式求逆算法.本文提出的乘法器通过采用不同的操作数位宽，可适应对面积和延时的不同需求.与BIKE原本的设计相比，改进的设计使密钥生成模块的延时减小了36.54%，面积延迟积（Area Delay Production,ADP）减小了10.4%.

关键词： 月径流预测   经验小波变换   二次分解   “十二生肖”算法   加权极限学习机   函数优化  

摘要： 为提高月径流时间序列预测精度,改进加权极限学习机（WELM）预测性能,对比验证“十二生肖”算法在基准测试函数和实例目标函数上的优化效果,提出经验小波变换二次分解（EWTⅡ）技术-“十二生肖”算法-WELM月径流时间序列预测模型.首先,利用经验小波变换（EWT）对月径流时间序列进行分解处理,得到EWT1、EWT2两个分解分量;采用模糊熵（FuzzyEn）计算EWT1、EWT2分量的模糊熵值,利用EWTⅡ对模糊熵值较大的EWT1分量进行二次分解,得到EWT1-1～EWT1-3三个分量.其次基于EWT1-1～EWT1-3、EWT2分量训练集构建4个WELM输入层权值和隐含层偏差（超参数）优化的实例目标函数,同时选取6个基准测试函数作为对比验证函数,利用“十二生肖”算法分别对6个基准测试函数和4个实例目标函数进行极值寻优与对比分析.最后,建立EWTⅡ-“十二生肖”算法-WELM模型,通过云南省南洞地下河月径流预测实例对12种模型进行验证.结果表明:“十二生肖”算法对6个基准测试函数寻优的总排名与对4个实例目标函数寻优的总排名不一致,总体上冠豪猪优化算法（CPO）、野狗优化算法（DOA）寻优效果较好,变色龙算法（CSA）、天牛须搜索算法（BAS）、自学羚羊迁徙算法（SAMA）寻优效果较差;“十二生肖”算法对4个实例目标函数寻优的总排名与12种模型预测精度总排名基本一致,表明“十二生肖”算法极值寻优能力越强,获得的WELM超参数越优,所构建的预测模型性能越好;EWTⅡ-CPO/鸡群优化算法（CSO）/DOA/卷尾猴搜索算法（CapSA）/野马优化算法（WHO）-WELM模型预测的EMAP、EMA、ERMS分别在为0.422%～0.485%、0.022～0.026m3/s、0.028～0.032m3/s之间,优于其他对比模型,具有更好的预测效果.

关键词： 路径规划   深度强化学习   双延迟深度确定性策略梯度   粉红噪声   n-step   损失调整近似Actor优先经验回放  

摘要： 传统的移动机器人路径规划算法通常需要在有地图的条件下才能有效规划路径。相比之下，基于深度强化学习（Deep Reinforcement Learning，DRL）的路径规划因其在无地图条件下的导航能力而备受关注。然而，传统的DRL路径规划算法往往存在样本利用率低、训练速度慢、泛化能力不足等问题。针对这些问题，对双延迟深度确定性策略梯度（Twin Delayed Deep Deterministic Policy gradient，TD3）算法进行改进以提高其在移动机器人路径规划中的性能。具体来说，首先，针对TD3算法持续探索空间能力有限的问题，对其探索策略进行改进，通过使用具有时间相关性的粉红噪声来增强算法的持续探索空间能力。其次，结合了n步方法和损失调整近似Actor优先经验回放（Loss-Adjusted Approximate Actor Prioritized Experience Replay，LA3P）方法。n步方法将经验回放池中的即时奖励扩展为n步的累计折扣奖励，能够更准确地捕捉长期奖励信号，而LA3P方法通过对n步经验的高效利用，提高了样本利用率和算法的性能。最后，通过在Gazebo中搭建了三个不同的环境进行实验，并和多种算法进行了比较。实验结果表明，改进算法在训练时间、平均成功率、平均距离等方面更具优势，证明了改进算法的有效性。

关键词： 麻雀预警机制   鲸鱼优化算法   随机配置网络   时间序列预测   日入库径流预测  

摘要： 针对电站日入库径流序列的非平稳性加剧，难以对其精准预测的问题，提出了一种基于多种机制改进鲸鱼优化算法（WOA， Whale Optimization Algorithm）的日入库径流序列预测模型。首先，利用变分模态分解（VMD， Variational Mode Decomposition）将入库径流数据投影到不同频率的子序列中。然后，在传统鲸鱼优化算法中加入量子位Bloch坐标编码策略进行改进，提升初始解的质量，同时引入收敛因子非线性递减策略和麻雀预警机制，提升算法的全局优化能力，通过IWOA优化随机配置网络（SCN， Stochastic Configuration Networks）的超参数（最大隐藏节点数、最大候选节点数），然后利用SCN对分解后的模态分量进行预测，构建VMD-IWOA-SCN组合预测模型，提升预测精度。选取粒子群优化算法（PSO， Particle Swarm Optimization）、WOA与所提出的IWOA通过CEC2019测试函数进行优化性能验证对比实验，综合分析表明，引入多种机制改进后的IWOA算法确有最佳的优化性能。选取某电站2011-2021年共4018个日入库径流时间序列数据进行实例分析。并与其它流行优化算法模型进行对比，选取均方根误差( RMSE， Root Mean Square Error）、平均绝对误差 ( MAE， Mean Absolute Error）、平均绝对百分比误差( MAPE， Mean Absolute Percentage Error）以及纳什效率系数( NSE， Nash Efficiency）对预测结果进行评价。研究结果表明：在预测实验中VMD-IWOA-SCN组合模型的纳什效率系数达到99.09%，显著高于其他模型。表明了所提出的VMD-IWOA-SCN预测模型可以提供精确度和稳定性更佳的日入库径流量预测结果，可以为水电站发电量预测，水库调度等决策提供有效的参考依据。

关键词： 玉米籽粒   储藏   ARIMA算法   温度预测  

摘要： 外界环境变化对粮堆内部温度的影响较大,针对夏季温度高、湿度大、易发生腐烂霉变的特点,利用夏季高温试验周期内储粮仓各层的温度数据,基于ARIMA算法进行玉米籽粒储藏短期温度预测。利用差分法、ACF图、PACF图确定模型中d、p、q等参数,依据确定的温度预测模型对未来7天仓内各粮层的温度进行预测,并将预测值与试验值进行对比,通过绝对误差MAE、相对误差MSE评价指标对模型进行评估,结果表明:第1层模型预测值与实际值的绝对误差MAE的平均值为2.96℃,相对误差MSE的平均值为11.37%;第2层模型预测值与实际值的绝对误差MAE的平均值为0.5℃,相对误差MSE的平均值为1.80%;第3层模型预测值与实际值的绝对误差MAE的平均值为0.57℃,相对误差MSE的平均值为1.91%;第4层模型预测值与实际值的绝对误差MAE的平均值为0.28℃,相对误差MSE的平均值为1.02%,各层相对误差均控制在16%以内。试验结果表明建立的ARIMA温度预测模型较适合玉米籽粒储藏短期温度预测,为保障储粮品质提供了理论依据。