课程文献中心 更多>>

关键词： 腹壁下动脉   CT血管成像   重建矩阵   迭代重建算法  

摘要： 目的 探讨1 024×1 024重建矩阵结合迭代重建算法(Karl)在腹壁下动脉(DIEA)CT血管成像(CTA)中的应用价值.方法 前瞻性选取行DIEA CTA检查的患者40例,对原始数据进行分组重建.A组采用常规512×512矩阵结合Karl 5级重建;B组采用1 024×1 024重建矩阵分别结合Karl 5、7、9级重建,获得B1～B3共3个亚组.在轴位图像上测量髂外动脉及同层面腰大肌的CT值和标准差(SD)值,计算信噪比(SNR)及对比噪声比(CNR).由2名观察者采用3分法在容积再现(VR)和最大密度投影(MIP)图上评估DIEA穿支、肌内走行、穿出点、腹壁下浅动脉(SIEA)以及腹壁下浅静脉(SIEV)的显示情况,采用5分法在轴位图像上评估整体图像质量.结果 B1～B3组随着Karl等级的提高,髂外动脉SD值逐渐下降(P＜0.05),SNR、CNR逐渐升高(P＜0.05);B2、B3组髂外动脉SD值均低于A组(P＜0.05),SNR、CNR均高于A组(P＜0.05);2名观察者主观评价一致性较好(Kappa值=0.773～0.872,P＜0.05),B2组和B3组DIEA穿支、肌内走行、穿出点以及SIEA、SIEV的显示和整体图像质量主观评分均优于A组(P＜0.05),其中B2组得分的提升幅度最大.结论 采用1 024×1 024重建矩阵结合Karl 7级重建算法能够优化图像质量,提高DIEA及穿支微细血管的显示.

关键词： 柔性作业车间调度   遗传算法   邻域搜索   最大完工时间   优化策略  

摘要： 本文针对柔性作业车间调度问题（Flexible Job Shop Scheduling Problem ， FJSP），提出了一种融合自适应遗传算法和邻域搜索的优化策略，旨在最小化最大完工时间。首先，在遗传算法框架下，利用自适应种群初始化策略，动态调整种群结构，以提升算法的全局搜索能力。其次，引入多种邻域结构，结合局部搜索策略，通过邻域搜索算法对解空间进行深入探索，增强算法的局部搜索性能。本文设计了一种基于交叉和变异操作的改进机制，旨在增强种群的丰富性和提升算法的收敛速度。通过FJSP的30个标准算例验证了该算法在解决FJSP中的有效性。测试结果表明：本文算法在23个标准算例中的表现均优于或持平于其他智能优化算法，表现出了较好的寻优能力，且通过多次重复实验也显现出了很强的稳定性。

关键词： 聚类   密度峰值   多密度峰值簇   低密度分数   子簇融合  

摘要： 密度峰值聚类算法(DPC)可以识别出任意形状的簇，但对于存在多密度峰值的簇，DPC可能会识别多个簇中心点，导致簇划分错误。为此，提出一种基于低密度分数的密度峰值聚类算法(LS-DPC)。该算法首先使用低密度分数放大数据点的密度差异、缩小整体密度差异大的相邻区域的密度差异，使单个簇内所有区域的密度分布都重构为单峰密度分布，然后根据低密度分数自动获得子簇簇中心点。得到子簇后根据密度相交条件对子簇进行融合，完成聚类。将提出的LS-DPC算法与k-Means、SC、DPC、DN、Extreme和ICKDP算法进行对比，实验结果表明算法在复杂数据集和UCI数据集上表现优于对比算法。

关键词： 多DAG   实时性   调度算法   路径分离  

摘要： 在嵌入式测试平台开发中，实时性是一个至关重要的特性，实时性使得平台系统能够快速响应任务事件。大多情况下平台运行的任务繁多而且类型不一，因此针对任务众多且任务之间关系多样的情况下如何使实时的任务优先执行的问题，本文提出了一种多DAG实时调度算法MDRTPS，算法主要分为三个步骤：(1)对多个DAG进行实时任务分离，分离出来的实时任务集和普通任务集使用不同的优先级算法和资源分配。(2)维护三个调度队列，队列协调不同DAG任务之间的排序。(3)最后调度器基于最早完成时间来调度任务到处理器核。实验结果表明，MDRTPS算法的任务跨度，以及实时任务的响应速度方面优于HEFT算法和CPOP算法。

关键词： 光纤稳相传输系统   PID算法   反馈补偿   稳定度   相位漂移  

摘要： 光纤稳相传输系统广泛应用于时频同步、相参雷达的微波信号传输等领域，其中系统的动态补偿算法是维持系统稳定的核心关键技术之一。本文基于稳相系统的基本结构与传递函数，研究了稳相系统的相位漂移和系统稳定度随比例积分微分（PID）算法参数的变化。仿真结果表明，提高比例参数能够显著抑制系统相位漂移，系统稳定度提升2-3个数量级；优化积分参数能够抑制系统噪声，提升系统长期稳定度1-2个数量级；优化微分参数能够减少系统振荡，提升系统短期稳定度1个数量级。在不改变稳相系统架构的情况下，依据不同应用场景优化PID算法，能够减少系统相位漂移，提高系统稳定度。

关键词： 无人机   三维路径规划   进化多任务   应急物流   进化计算  

摘要： 当城市发生突发性事件时，高效的应急物资配送能力是降低生命和财产损失的有效途径之一。为提高城市应急物资配送效率和效果，提出一种基于进化多任务的多无人机协同路径规划算法（MCPP-EMTO）。在该算法中，将原多无人机应急配送问题作为主任务，并将不考虑无人机续航能力和容量约束的多无人机应急配送问题当作辅助任务。同时，所提算法将辅助任务得到有用演化信息迁移至主任务以提高求解效率。为验证所提算法的性能，设置三个不同的城市应急配送场景，并选用四种高性能多目标进化算法作为比较算法。仿真实验表明，相比四种比较算法，所提算法能够得到多样性和逼近性较好的帕累托前沿。

关键词： 数据处理   超图聚类   遗传算法   集对分析理论   超图约简   多阶段聚类   超图模块度  

摘要： 超图作为普通图的高维推广，能够更加灵活地反映节点间的高阶复杂关系．超图聚类旨在发现超图结构中复杂的高阶关联关系．针对目前超图聚类结果不稳定、容易陷入局部最优等问题，结合超图划分思想，提出一种多阶段超图聚类（multi-stage hypergraph clustering, MSHC）算法，该算法将超图聚类过程分为超图约简、超图初始聚类以及优化迁移3个阶段．在超图约简阶段，提出一种不改变超图结构的快速约简方法，降低了后续算法的复杂度；提出基于集对分析理论的超图节点间相似性度量方法，并采用层次聚类方法对超图进行初始聚类，采用4种不同的类簇合并计算方法，增加聚类方案的多样性；将遗传算法应用于优化超图聚类方案的研究中，以此获得最优超图聚类方案．在3个不同规模的数据集上与4个经典的超图聚类方法进行对比实验，结果表明，MSHC算法在Songs＿genres数据集和Papers＿keywords数据集上超图模块度指数分别提高了0.079 7和0.077 7，在Movies＿genres数据集上仅降低0.006 0.

关键词： 隧道变形   预测   机器学习   支持向量机   优化算法  

摘要： 本文深入探讨了围岩大变形等级预测问题，特别是利用支持向量机（SVM，support vector machine）及其优化算法在大变形等级预测中的应用。通过收集以往大变形案例，选取合理的预测指标，采用不同的SVM优化算法及大变形分级方案，研究了不同优化算法在隧道（洞）大变形等级预测中的性能。研究发现，SVM以其强大的泛化能力和非线性建模能力，在解决隧道（洞）大变形等级预测问题上具有显著优势。通过14种优化算法可以进一步提升SVM的预测精度，大部分测试准确度能达到90%以上，不同分级方案下的预测性能也表现出一定的差异性，结果表明PIO＿SVM、SCSO＿SVM、SOA＿SVM及SSA＿SVM对五种大变形分级方案下的变形等级预测性能表现最好。此外，预测模型的事后解释分析采用SHAP法以提高模型的可解释性和可信度。

关键词： 变压器故障辨识   主动学习   深度学习   小样本学习   非均衡数据集  

摘要： 变压器作为电网的核心枢纽节点，对于电网安全运行有着至关重要的影响作用。然而，在变压器状态评估及故障研判中，存在故障样本收集困难，数据集不平衡等问题。因此，现有诊断方法在实际应用时极易出现误报、漏报等情况。为此，本文提出了一种改进型主动学习-深度神经网络融合的变压器故障诊断算法。具体来讲，本文先提出了四种与深度神经网络适配的主动学习策略，对油色谱数据样本进行定向选择学习，提高故障辨识算法在小样本及不均衡样本下的学习表现，降低数据标注及模型训练成本；其次，本文还引入标签平滑算法对深度神经网络交叉损失函数进行改良，以改善训练集与预测集分布不一致导致的过拟合问题。仿真实验结果表明，本文所提出的主动学习算法与随机采样等传统的被动采样学习方法相比，能够有效降低模型训练成本，并提升故障辨识精度10%以上；与支持向量机等常见方法相比，算法性能提高15%以上。

关键词： 激光雷达   集成学习   机器学习   平均树高   算数平均胸径   公顷蓄积量   公顷胸高断面积  

摘要： 思茅松是我国亚热带西南部山地的重要代表树种,其林分结构参数的精准定量评估对于深入理解我国西南山区的森林演替、物质循环和生物多样性具有重要意义。利用15块样方调查数据验证背包激光雷达（BLS）数据提取单木参数的准确性,并将基于270块BLS数据单木分割后计算得到的林分结构参数与无人机激光雷达（ULS）数据特征参数结合,通过集成随机森林（RF）、极限梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）等3个基础模型的预测结果构建集成学习估测模型。旨在提高遥感数据估测森林结构参数的精度和稳定性,为林场精准监测和精细化经营管理提供基础数据。结果表明:1)BLS数据提取单木参数时,实测胸径与提取胸径的决定系数（R2）为0.975 9,均方根误差（RMSE）为0.810 7 cm,实测树高与提取树高的R2为0.860 2,RMSE为1.337 2 m;2)基于加权平均、投票和堆叠集成学习算法构建的模型相比基础模型,估测精度均有所提升,其中加权平均法的拟合效果最佳,平均树高最优估测模型R2为0.950 1,RMSE为0.675 5 m,平均绝对误差（MAE）为0.433 8 m;算数平均胸径最优估测模型R2为0.835 2,RMSE为0.982 8 cm,MAE为0.665 3 cm;公顷蓄积量最优估测模型R2为0.932 4,RMSE为13.777 4 m3/hm2,MAE为8.853 3 m3/hm2;公顷胸高断面积最优估测模型R2为0.870 0,RMSE为2.456 m2/hm2,MAE为1.358 2 m2/hm2;3)通过加权平均集成学习算法对研究区的林分结构参数进行反演与预测,平均树高在11.0～18.3 m;算数平均胸径在13.0～18.2 cm;公顷蓄积量在116.7～208.7 m3/hm2;公顷胸高断面积在28.0～45.4 m2/hm2。