课程文献中心 更多>>

关键词： 单光子激光雷达   点云   时空关联   距离轨迹   实时提取  

摘要： 为解决单光子激光雷达对于远距离非合作目标测距回波点云稀疏，且包含大量噪声，难以实时准确提取有效回波和距离轨迹的问题，基于其时间、空间关联性提出了一种单光子激光雷达测距轨迹实时提取算法。首先将距离轨迹提取问题转换为基于Hough变换的曲线识别问题，通过对Hough变换进行适应性优化，从包含大量噪声的点云数据中提取出稀疏的回波点云数据，再将提取的回波点云作为Kalman滤波的观测值，对目标距离轨迹进行最优估计；在目标被遮挡或噪声影响严重而导致回波缺失的帧段，利用之前帧目标的距离及速度信息对当前帧目标的状态进行预测。该算法对极端运动条件下信噪比低至-9.42dB的模拟数据进行处理，目标的距离均方根误差低至0.833m，漏检率低至0.05，且算法具有较好的实时性，可以实现100Hz帧频连续准确的目标距离信息输出。对实测数据进行处理，在回波连续缺失885帧后，本算法预测距离轨迹与真实值仅差0.2m。为实时准确提取单光子激光雷达测距轨迹提供了一种有效方法。

关键词： 动车组   TEDS   YOLOv5   Swin-Transformer   解耦头   故障检测  

摘要： 针对动车组运行故障动态图像检测系统（Train of EMU Failures Detection System,TEDS）人工方式故障识别易漏检、强度大的问题，本文提出了一种改进的YOLOv5n算法的动车制动盘螺栓故障检测模型SSD-YOLO。针对制动盘螺栓缺损部位较小、缺损与正常样本特征相似的特点改进了YOLOv5n的网络结构。为了使模型能灵活适应不同尺度的特征，本文将主干网络中的下采样卷积层替换为可切换的空洞卷积，扩大感受野。为了提升网络获取全局信息和进行上下文信息交互的能力，本文在主干网络末端融合SwinTransformer模块。为了更好地处理不同尺度和分辨率的语义信息，本文将YOLO系列的耦合检测头替换为能够分别提取目标位置和类别信息的Efficient decoupled head解耦头。为了进一步提升算法的训练收敛速度，本文使用定位能力更好的SIoU替换CIoU损失函数。本文使用人工标注的动车组制动盘螺栓部位样本，对网络进行训练。实验证明，改进算法在动车组制动盘螺栓故障数据集上的检测m AP值较YOLOv5n原模型的91.5%提升了6.8%，达到98.3%，在RTX3090显卡上实现了89FPS的检测帧速率，是YOLOv5l的1.6倍，是YOLOX-S的3.7倍，满足TEDS故障检测的实时性要求。SSD-YOLO算法能够快速检测出动车组制动盘螺栓的缺失故障情况，减少分析员的人工作业量，为今后的动车组状态检修研究提供参考。

关键词： 约束多目标优化   双种群   双阶段   进化算法   约束处理方法   分类方法   随机扰动  

摘要： 针对包含复杂约束条件的约束多目标优化问题（CMOP），在确保算法满足严格约束的同时，有效平衡算法的收敛性与多样性是一大挑战。因此，提出了一种双种群双阶段的进化算法（DPDSEA）。该算法引入了两个独立进化种群：主种群和副种群，分别利用可行性规则和改进的epsilon约束处理方法更新。在第一阶段，主种群和副种群分别探索约束Pareto前沿（CPF）与无约束Pareto前沿（UPF），获取UPF和CPF的位置信息。在第二阶段，设计了一种分类方法，根据UPF与CPF的位置对CMOP进行分类，对不同类型的CMOP执行特定的进化策略。此外，提出了一种随机扰动策略，在副种群进化到CPF的附近时，对其进行随机扰动产生一些位于CPF上的个体，促进主种群在CPF上的收敛与分布。最后，与六个具有代表性的算法CMOES、dp-ACS、c-DPEA、CAEAD、BiCo和DDCMOEA在LIRCMOP和DASCMOP两个测试集上进行实验。DPDSEA在23个问题中取得15个最优反转世代距离（IGD）值和12个最优超体积（HV）值，显著展现了其在处理复杂CMOP时的性能优势。

关键词： 风电机组   故障诊断   蜣螂算法   深度极限学习机  

摘要： 【目的】风电机组是利用风能转换为电能的设备，它的正常运转对于风能的储存与开发具有重要的意义和价值。为解决现有风电机组故障分类模型相关参数选取不当导致其诊断结果与准确率受影响的问题，提出了一种基于蜣螂算法优化深度极限学习机（Dung Beetle Optimizer-Deep Extreme Learning Machine， DBO-DELM）的风电机组故障分类方法。【方法】首先，通过递归特征消除法结合支持向量机和随机森林算法，优化选择DELM模型的特征参数；然后，使用蜣螂算法对DELM算法的权值偏置值进行优化，通过该算法的优化，有效提升了基于DELM进行故障分类的准确度；最后，通过实验对所提故障分类方法进行验证。【结果】实验结果表明：与经典DELM等三种机器学习分类模型相比，提出的方法故障分类准确率高达96.25%，精确率、召回率和F1值等指标上也有显著的优越性。【结论】该方法不仅提高了风电机组故障分类的准确性，还具有较快的迭代速度和良好的泛化性能，有助于提升风电场的运维效率，确保风电机组的稳定运行和经济效益。

关键词： OBE   最优化理论   智能平台   应用能力  

摘要： 文章旨在探讨如何提升学生的优化算法设计能力,以适应现代智能企业的用人需求.基于成果导向教育理念,分析了智能企业人才面临的挑战,并指出在优化算法设计能力培养中需要重点解决的三个问题.提出了构建优化课程群的综合培养模式,从夯实理论基础、设计"四新"融入课程和建立高效考核评价机制三个方面介绍了教学实践.最后,阐述了人才培养的成效.

关键词： 电子侦察   背景信号抑制   深度学习   多尺度特征融合  

摘要： 有效抑制接收机中混叠的背景信号，对关键重要信号的检测至关重要。现有方法缺乏对信号上下文信息的有效利用，难以解决噪声环境下单通道时频交叠的背景信号抑制问题。本文从中频时域信号出发，提出了一种基于双路径特征融合网络的掩码抑制(dual-path feature fusion mask-based suppression， DPFF-MS)算法。该算法利用神经网络拟合掩码抑制模型，实现背景信号抑制。通过一组卷积编解码器实现信号的高维变换和逆变换，降低噪声影响；设计了一种双路径特征融合(dual-path feature fusion， DPFF)模块，利用不同路径的长短时记忆(long short-term memory， LSTM)网络交替提取局部特征和全局上下文信息，并采用迭代注意特征融合(iterative attention feature fusion， iAFF)优化不同尺度特征融合过程，以充分利用信号脉内和脉间信息，解决时频交叠情况下的抑制问题。实验结果表明，相较其他信号处理方法和神经网络模型，本文所提模型对尺度不变源噪比(scale-invariant source-to-noise ratio， SI-SNR)和背景脉冲抑制率两个指标都有显著提升；且极大地减小了模型参数，使其易于部署，具备较高应用价值。

关键词： 联合仿真   实况-虚拟-构造仿真   时间管理   时钟同步   仿真追赶策略  

摘要： 实况-虚拟-构造（Live， Virtual， and Constructive， LVC）联合仿真已成为当前军用仿真技术研究的热点，然而现有的时间管理策略难以实现LVC仿真要求的强实时性。为此，本文提出了一种 LVC 联合仿真强实时同步算法。该算法首先引入基于滑动窗口的中位数平滑策略和基于实时漂移率的时钟补偿策略，实现了分布式节点间时钟的有效同步；接着创新地引入一种基于软件实现的长短周期混合高精度定时策略，兼顾了定时精度与效率；最后针对于软件延迟问题，提出了一种仿真追赶策略，与高精度定时策略相结合，实现了分布式仿真的精准同步推进。仿真实验结果表明，该算法在同步精度与稳定性上均优于经典时间同步算法，实现了亚毫秒精度的分布式强实时仿真同步。

关键词： 光通信   相干通信   超奈奎斯特   时钟恢复   自适应均衡  

摘要： 在超奈奎斯特系统中，针对较小压缩因子引入的较严重码间干扰对时钟恢复模块的影响，以及时钟恢复模块和自适应均衡模块相互制约而导致的性能受限问题，本文研究了无数据辅助的自适应均衡与时钟恢复联合算法。该方案将自适应均衡模块嵌入到时钟恢复同步环路中，可以同时完成时钟同步、信道均衡和偏振解复用等功能。在背对背传输条件下，分别仿真验证了传统的非联合方案和本文所提出的无数据辅助联合方案在不同采样频率误差和不同压缩因子时的收敛性能。仿真结果表明，在压缩因子为0.85、调制格式为16QAM的超奈奎斯特系统中，相较于传统的非联合方案，该联合方案能够有效的提升时钟恢复模块的收敛性能，收敛代价降低至少约51%；在偏振模色散分别为0ps和200ps时，联合方案到达误码率阈值2×10-2的光信噪比代价分别低0.9dB和1.5dB。

关键词： 同步定位与建图   动态场景   实例分割   光流法   BEBLID  

摘要： 同时定位与地图构建（SLAM）是一项广泛应用于自动驾驶与现实增强等领域的技术。传统视觉SLAM方法假设场景为静态的，在动态环境下，往往出现定位精度差与鲁棒性差的问题。针对这一问题，本文提出一种基于实例分割和光流特征聚类的动态SLAM算法，首先，添加实例分割的线程，采用YOLACT实时实例分割检测潜在动态目标；由于直接剔除动态目标的特征点导致静态特征点过少影响位姿估计，提出一种光流特征聚类算法进一步筛选静态特征点；进而利用增强高效局部描述符BEBLID替换原BRIEF特征描述符以进一步提高匹配精度，最后采用离线训练的BEBLID词袋模型实现重定位和回环检测。本文算法在TUM动态场景数据集上进行实验，并与ORB-SLAM2进行比较，本文算法在动态环境下所展示的ATE均方根误差平均降低97.3%，其中最高降低了98.1%，与其他最新动态SLAM相比，精度也得到一定程度的提升。

关键词： 静默活体检测   MobileNetV2   倒置残差结构   傅里叶频谱辅助学习  

摘要： 为了提高活体检测的准确度，提出一种基于改进MobileNetV2算法与频谱图的静默活体检测方法，该方法利用深度学习和图像处理技术，通过分析图像中人脸的生物特征和频谱特征来判断人脸的真实性。文中对MobileNetV2算法进行改进，采用挤压和激励（Squeeze and Excitation，SE）注意力机制和傅里叶频谱辅助学习的方法来提高静默活体检测的准确度。此外，在Print-Attack、OULU和NUAA数据集上进行实验评估，对MobileNetV2+FFT+SE方法进行验证。实验结果显示，当RFP=10-2时，RTP为97.23%，REE为2.07%，AUC为96.27%，ACC为92.31%。这些指标证明该方法具有优异的分类性能、较高的AUC值和较低的错误率，同时此方法在实际应用中能够提高人脸识别的安全性，保护个人隐私和信息安全，并具有重要的应用前景。