课程文献中心 更多>>

关键词： 电压偏差   二次电压调整   混沌算法   遗传算法  

摘要： 系统初次调压后余留的电压偏差问题，对电力系统稳定运行造成了负面影响。聚焦于电力系统初次调压后续存的电压偏差现象，提出了一种运用混沌增强遗传算法的二次电压调控模型。首先，设计并实现了一种新颖的二次电压调控模型框架，明确了相应的约束条件；其次，融入混沌理论，利用混沌序列的随机性减少了算法陷入局部最优；此外，对离散节点数据的线性化预处理，进一步提升了模型的处理效率和适应性；最后，选取具有代表性的IEEE 33节点和220 kV电压等级的电力系统作为案例进行验证。仿真结果显示，该模型不仅显著提升了二次电压调整的精确度，而且有效增强了电力系统的电压稳定性，验证了模型的有效性和实用性。

关键词： 姿态估计   误差状态卡尔曼滤波   导航坐标系   飞行实验   机动加速度阈值  

摘要： 传统误差状态卡尔曼滤波算法在无航向参考情况下进行飞机姿态估计时，由于其线性化不精确会导致误差较大。针对以上问题，提出了基于导航坐标系的误差状态卡尔曼滤波算法(NCS-ESKF),并设计了飞机姿态估计系统，开展了室内静态转台实验和通航飞机DA40机载飞行实验。实验结果表明，与3种传统算法相比，所提出的NCS-ESKF算法误差更小，其横滚角和俯仰角的平均绝对误差(MAE)仅为0.809°和0.934°;在机载飞行实验的滑跑阶段和飞行阶段，利用分段阈值法设定不同水平机动加速度阈值，其横滚角和俯仰角的MAE分别为0.954°和0.867°,有效提高了飞机姿态估计的准确性。NCS-ESKF算法能够有效减小估计误差，具有更高的飞机姿态估计性能，有助于提高通航飞机飞行控制的稳定性。

关键词： 深度学习   混凝土坝   图像检测   Yolov8算法   U-Net算法  

摘要： 高效、精确进行混凝土坝缺陷图像检测分析是确保大坝安全运行的必要工作。针对混凝土坝表面缺陷图像具有多类别、独特性以及现有大坝现场巡视检查高质量样本不足等问题，本文首先通过自制混凝土板模拟裂缝和渗漏等典型缺陷，构建混凝土坝多类别缺陷数据集，进而采用Yolov8+U-Net“两步法”建立混凝土坝多类别表面缺陷检测分析模型，最后以某混凝土重力坝现场巡视检查表面缺陷图像作为测试对象，采用所建立的检测分析模型进行智能检测。结果表明，采用Yolov8+U-Net算法的“两步法”模型可实现混凝土坝渗水和裂缝缺陷的高效、准确检测，所建模型识别定位精确率为0.84、召回率为0.98，分割精确率为0.91、召回率为0.71。

关键词： 移动边缘计算   无人机   深度强化学习   计算卸载  

摘要： 无人机(unmanned aerial vehicle, UAV)搭载边缘服务器构成移动边缘服务器,可以在一些基站难以部署的场景下为用户设备(user equipment, UE)提供计算服务,借助深度强化学习对智能体进行训练,能够在连续复杂的状态空间中制定合理的卸载决策,将用户产生的计算密集型任务部分卸载至边缘服务器处执行,提高系统的续航和响应时间,但目前的深度强化学习算法所使用的全连接神经网络无法较好地处理UAV辅助移动边缘计算(mobile edge computing, MEC)场景下的时间序列数据,算法的智能体训练效率低,决策性能差,针对上述问题,本文以最小化UAV辅助MEC系统总时延为目标,提出了一种基于长短期记忆网络的双延迟深度确定性策略梯度算法(twin delayed deep deterministic policy gradient algorithm based on long short term memory, LSTM-TD3),利用LSTM改进TD3算法的Actor-Critic网络结构,将网络划分成3部分:包含LSTM的记忆提取单元,当前特征提取单元,以及感知整合单元;并在改进了经验池中的样本数据,定义了历史数据,使记忆提取单元能够得到更好的训练效果.仿真结果表明,与AC算法、DQN算法和DDPG算法相比, LSTM-TD3算法在以系统最小总时延为目标对卸载策略进行优化时具有最好的性能.

关键词： 业务优先级   电网数字化数据   调度算法   有效价值   时间特征  

摘要： 针对电网数据调度操作量大、调度效率低等问题，提出基于业务优先级的电网数字化数据调度算法。建立电网数据流架构，分析数据特征;分别从连接性、可靠性和稳定度三个方面评估信道质量，根据用户优先级设定通信协议，为数据调度提供良好的操作环境;通过计算数据有效价值和时间特征，确定业务优先级，判断业务数量是否超出节点处理能力，将超出部分迁移到其他节点，减少数据拥堵。实验结果表明，所提方法能够实现负载均衡，减少调度时延，提高吞吐量。

关键词： 室内定位   注意力机制   卷积神经网络   精细时间测量  

摘要： IEEE 802.11-2016定义了精细时间测量(FTM)协议，利用信号往返时间(RTT)实现WiFi室内定位，以期达到米级定位精度。但在非视距或多径环境下，RTT测距精度下降，严重影响定位性能。因此，为了提高RTT定位精度，提出了一种将多个无线接入点(AP)测得的WiFi RTT测距序列转换为多通道图像的方法，基于多通道图像采用有效通道注意力机制卷积神经网络(ECA-CNN)学习测距数据与目标位置之间的关系，实现位置估计。实验结果表明，提出的定位模型与常规深度神经网络(DNN)定位模型、基于单通道图像的卷积神经网络(SCI-CNN)定位模型和基于单通道图像的有效通道注意力机制卷积神经网络(SCI-ECA-CNN)定位模型相比，模型的平均定位误差约为1 m,分别比上述模型降低了31.03%、16.78%和10.68%。

关键词： 输电线路场景   目标检测   多目标跟踪   YOLOv5s   ByteTrack  

摘要： 在输电线路巡检任务中，采用深度学习技术实现施工机械运动目标的有效跟踪对智能电网建设至关重要。针对目标间遮挡干扰、误检漏检造成多目标跟踪性能显著下降的问题，提出一种改进YOLOv5s与优化ByteTrack相结合的多目标跟踪算法。在目标检测部分，首先，采用轻量级的Ghost卷积和无参注意力(SimAM)构建SGC3模块，提高特征利用率，减少模型冗余计算；其次，在主干网络深层提出卷积引导的三重注意力模块(R-Triplet)，利用多分支结构增强模型跨维度信息交互，抑制不相关背景信息以提高目标关联能力；最后，在特征融合部分添加多分支感受野模块(MRB)，利用空洞卷积扩大目标感受野，增强多尺度目标全局特征信息复用。在目标跟踪部分，在ByteTrack算法的基础上，根据施工机械的运动特点，提出一种自适应计算噪声尺度的NSA卡尔曼滤波算法，用于缓解低质量检测框对滤波算法性能的影响；并在数据关联部分引入GSI高斯平滑插值算法，进一步完善多目标跟踪效果。实验结果表明，所提CRM-YOLOv5s算法平均精度均值(mAP)达到了97.4%，与基线算法相比提升了3.8个百分点，参数量和浮点运算量分别减少了0.3M和1.8GFLOPs，在多种应用场景下泛化能力更强；同时与改进后的ByteTrack相结合，相较于原YOLOv5s+ByteTrack跟踪算法，多目标跟踪准确度(MOTA)提升了4.5个百分点，目标身份切换次数(IDs)减少了15次，且获得了较高的推理速度，能够满足输电线路场景下施工机械多目标跟踪任务。

关键词： 夜间图像去雾   全变分   最大反射率先验   颜色校正   辉光去除  

摘要： 夜间雾天图像存在光照不均匀、对比度较低和色彩失真严重等问题，目前主流的图像去雾算法大多数是针对白天图像，并不适用于夜间场景。针对上述问题，通过深入分析夜间雾天图像的成像特点，提出一种新的基于最大反射率先验和变分正则化的夜间图像去雾算法。首先，通过Shades of Grey颜色校正算法来对夜间雾天图像进行预处理，解决夜间雾天图像中存在的色彩失真问题；然后，通过最大反射率先验对夜间雾天图像中所存在的光晕效果进行去除；最后，提出一种加权变分正则化模型对透射率进行细化并得到夜间无雾图像。通过与主流的几种夜间图像去雾算法进行实验对比，在真实世界和合成图像上的实验表明，提出的算法具有竞争性，并对图像细节的恢复取得了较好的结果，相比多个经典及新颖算法，所恢复夜间雾天图像的峰值信噪比PSNR指标平均值达到17.4973dB，提升约21%。提出的算法可以有效解决夜间雾天图像在去雾过程中出现的颜色失真和光晕现象等问题。

关键词： 智能驾驶   驾驶人状态监测   深度学习   计算机视觉   模型架构   训练策略  

摘要： 驾驶人状态监测技术作为提升车辆智能化水平与安全性的关键手段，旨在精确辨识与深入理解驾驶人的动作、情绪及注意力状态。尽管该领域已取得显著进展，但针对深度学习算法原理的系统性总结尚显不足。鉴于此，本文系统性地综述了基于图像与深度学习的驾驶人状态监测算法，以满足智能车辆技术持续发展的需求。首先，阐述了文献综述方法；接着，对现有公开数据集进行了整理与描述；然后，从数据选择与处理、模型架构、模型训练与评估以及优化目标几个方面分别展开了深入阐述；最后，总结了目前研究中存在的不足，并对未来的主要发展方向进行了展望。结果表明：基于图像和深度学习的驾驶人状态监测研究已进展到一定深度，数据选择与处理技术呈现多样性，模型架构朝着多模态、多任务、轻量化和高鲁棒性的方向不断发展，并逐渐开始采用非完全监督和多目标优化的训练策略。然而，大多数研究方法缺乏针对实际驾驶场景的系统性测试，也未充分考虑自然驾驶条件下驾驶人行为特性以及智能车辆人机交互形态的变化，因此难以形成对各种驾驶场景和驾驶人个性的全方位监测功能。驾驶人状态监测算法的进一步发展主要受限于两方面因素：其一，目前深度学习方法在其领域适应、可解释性、运行效率等方面仍存在不足；其二，缺乏自然驾驶环境下大规模高质量数据集。本综述致力于为高认知驾驶人状态监测系统的进一步发展提供有效指导和重要参考。

关键词： 蚁群算法   带时间窗的车辆路径问题(VRPTW)   时间窗约束松弛   TSP-Split   及时返回   变邻域搜索  

摘要： 为求解带时间窗的车辆路径问题,以最小化总行驶里程为目标建立混合整数规划模型,提出了一种具有时间窗约束松弛的混合蚁群算法.首先,提出改进的蚁群算法与“TSP-Split编码与解码”相结合的方法,来构建允许违反时间窗约束的解路径,以提高算法的全局寻优能力.然后,利用“及时返回”原则和惩罚函数方法,提出基于变邻域搜索的修复策略来修复不可行解.最后,对56个Solomon和12个Homberger基准算例进行试验计算,结果表明该算法的求解质量优于文献中的对比算法,且在50个测试实例上获得了已知最优解,其余实例也能在可接受计算时间内获得准最优解,验证了所提算法的有效性.