课程文献中心 更多>>

关键词： 放射源定位   极大似然法   鲸鱼优化算法  

摘要： 针对启发式算法在求解放射源定位问题中精度不足，稳定性不强，容易陷入局部最优解的难题，本文提出了一种改进的鲸鱼优化算法。该方法通过结合放射源的历史预测结果，有效提高了局部区域的寻优能力，进而提高了放射源定位的精度和稳定性。仿真和试验结果表明，本文提出的方法能够有效适用于针对放射源的长期监测和轨迹追踪场景。在利用无人机搭载放射源进行移动轨迹追踪的试验中，本文提出方法的定位误差相较于其他启发式算法降低约10%，定位稳定性提高约20%。

关键词： 机动目标   状态估计   交互式多模型   并行滤波  

摘要： 为解决高炮跟踪机动目标时的状态估计问题，使高炮火控系统能够对进行间歇机动的目标进行运动模式辨识和状态估计，提出了一种模型非等维交互的交互式多模型无迹卡尔曼滤波(IMM-UKF)算法。该算法对应匀加速运动及匀速转弯运动，将匀加速、匀速、协同转弯模型组合成两个运动模型组合滤波器。以三维并行的方式滤波，对各模型的共有状态分量进行有限交互以降低计算量，并采用残差滤波和系统误差矩阵模糊自适应的方法提高模型辨识稳定性和滤波精度。仿真结果表明，该算法比传统IMM算法精度更高且执行时间更短，模型辨识的稳定性也更好。

关键词： YOLOv9   交通路口检测   CoT-CAFRNet   自适应融合   BiHS-FPN   IF-MPDIoU损失函数  

摘要： 针对交通路口图像复杂，小目标难测且目标之间易遮挡，天气和光照变化又引发颜色失真、噪声多和模糊等问题，提出一种基于YOLOv9(You Only Look Once v9)的交通路口图像的多目标检测算法ITD-YOLOv9。首先，设计CoT-CAFRNet(Chain-of-Thought Prompted Content-Aware Feature Reassembly Network)图像增强网络，提升图像质量，优化输入特征。其次，加入通道自适应特征融合(iCAFF)模块，增强小目标及重叠遮挡目标的提取能力。然后，提出特征融合金字塔结构BiHSFPN(Bi-directional High-level Screening Feature Pyramid Network)，增强多尺度特征融合能力。最后，设计IF-MPDIoU(Inner-Focaler-Minimum Point Distance based Intersection over Union)损失函数，通过调整变量因子，聚焦关键样本，增强泛化能力。实验结果表明：在自制数据集和SODA10M数据集上，ITD-YOLOv9的检测精度分别为83.8%和56.3%，检测速度分别为64.8frame/s和57.4frame/s。与YOLOv9算法相比，检测精度分别提升3.9和2.7个百分点，有效实现交通路口下的多目标检测。

关键词： 动力电池回收   模糊机会约束规划   学生心理学优化算法   多目标优化  

摘要： 针对新能源汽车退役动力电池的回收问题，考虑退役电池回收数量和回收质量的不确定性，以选址调度总成本最小、乘务组工资成本最低和乘务组满意度最大为目标，构建了带时间窗的动力电池回收网络多目标模糊选址-路径模型。首先，利用模糊机会约束规划模型，通过引入三角模糊数的方法来处理模型中的模糊变量；其次，基于强度和拥挤距离的多目标处理策略，设计混合策略改进的学生心理学优化算法对问题进行求解；最后，选取小规模算例进行仿真实验，实验对比结果表明：构建的模型和提出的算法能够优化上海市动力电池回收网络的选址-路径规划方案，显著降低整体逆向物流网络总成本、提高员工排班满意度，且在求解质量和效率方面均更优，为不确定条件下退役动力电池逆向物流网络的构建和发展提供了决策参考，具有可行性、合理性和有效性。

关键词： 电力安全   小目标检测   遮挡感知   序列特征融合  

摘要： 在复杂的电力作业场景中，烟头通常为小目标，且容易受到其他物体的遮挡，现有的小目标检测方法在多尺度特征融合和遮挡感知方面仍存在不足，尚未充分考虑电力场景的特殊需求。为解决这一问题，提出了一种适用于电力场景下小目标遮挡感知的烟头检测算法CBD-STOA。首先，针对电力场景下烟头小目标检测精度低的问题，在颈部网络中引入了多尺度序列特征融合模块SSFF，以增强网络的多尺度信息提取能力，从而提高检测精度。其次，为了应对烟头密集场景中的高误报率问题，CBD-STOA设计了三重特征融合模块TFF，通过融合不同尺度的特征图来增加细节信息，减少误报率。最后，为了解决烟头遮挡的问题，CBD-STOA设计了遮挡感知检测头OADHead，通过执行多尺度空间传播，充分利用上下文信息来增强模型对特征图的全局感知，从而提高模型在部分遮挡情况下的检测能力。在自制烟头数据集ElectricSmoke上的实验结果显示，CBD-STOA算法的mAP50和mAP50-95相较于原始的Yolov8n算法分别提高了2.0%和4.1%，同时在TinyPerson数据集上也有着不错的表现。该研究为小目标遮挡检测提供了新的思路和方法。ElectricSmoke数据集可在https://***/wtu1020/ElectricSmoke-Dataset上获得。

关键词： 车载时间敏感网络   输入排队系统   截止期保障   最大匹配   流量调度  

摘要： 随着车联网技术的逐步应用，其对车内网络数据传输的实时性、确定性及可靠性提出了更高要求。针对车载网络中数据转发不及时，分组传输时延大，调度算法复杂度高等问题，提出了一种时间感知的最大匹配流量调度算法。该算法将输入排队的调度问题转化为具有截止期保障的最大流匹配的问题，并逐时隙实现最大权重匹配调度。在调度集合中含有两种或多种截止期的调度任务中，充分利用空闲链路和空闲时隙资源，预推送截止期较大的分组。有效提高了交换系统的吞吐率、降低了分组的平均时延。仿真结果表明，提出的算法相较于传统调度算法，吞吐率性能提升了约5%～15%、分组平均时延性能提升了约15%～46%。

关键词： EM算法   APX-EM算法   因子分析模型   强Wolfe条件  

摘要： 因子分析模型在经济学等领域有着广泛的应用.在应用因子分析模型时需要对模型中的参数进行极大似然估计，EM (Expectation Maximization)算法就是其中一种常用的估计算法.为了克服EM算法收敛速度慢的问题，研究者提出了参数扩展EM算法和基于线性预处理和非线性共轭梯度的APX-EM (Accelerated Parameter Expanded EM)算法. APX-EM算法是一种混合加速算法，比EM算法的收敛速度快，更稳定.但是，因APX-EM算法本质上只是EM算法的一种修正，其内在的计算误差可能降低算法的稳定性.本文基于强Wolfe条件提出了一种带误差的APX-EM加速算法，给出了算法的全局收敛性.应用于因子分析模型的数值模拟表明，算法拥有与APX-EM算法同样快的收敛速度，但更稳定.

关键词： 鲸鱼优化算法   收敛速度   种群多样性   立方混沌   非线性收敛因子   凸透镜成像   路径规划   CEC测试函数  

摘要： 鲸鱼优化算法（WOA）因其自身存在一定的缺陷，比如收敛速度比较缓慢、寻优精准度不高、极易生成局部极值，为了能将这些缺点进行改进与优化，因此，研发出一种将多种策略进行相互融合的鲸鱼优化算法（MSWOA）提高其收敛速度和优化精度。首先，采用立方混沌映射算子初始化种群，增强种群多样性，减少个体搜索盲区和重叠概率以提升种群多样性；其次，为了协调算法的开发能力和探索能力达到最佳的状态，需要设计一种收敛因子更新公式，它会结合迭代次数进行非线性调整。为了使算法的效率与收敛精准度可以大幅度的提高，应用了凸透镜成像的反向学习策略，使算法的速度得到增强。最后，改进算法的寻优性能经过5个基准测试函数，以及部分CEC测试函数的检验，发现其收敛速度明显加快，寻优精度也有了显著提升，同时在鲁棒性方面表现出一定的优势。进一步地，通过剖析移动机器人路径规划挑战，我们深化了对MSWOA算法在实际工程场景中应用可行性和效能的理解。

关键词： 高精地图   OpenDRIVE   DNA动态加密   选择性解密   XML  

摘要： 针对高精地图在存储和传输中的安全问题，基于DNA编码，提出了一种面向OpenDRIVE格式高精地图动态加密算法，该算法包括置乱和扩散两部分。首先应用混沌系统产生随机序列，通过该序列将DNA碱基组合与高精地图中的参数化三次曲线建立映射，再应用碱基互补规则对曲线参数进行置乱。随后对曲线参数进行扩散，首先对DNA碱基进行编码，并通过随机序列建立各曲线与编码方案的映射，其次对曲线参数进行二进制下的碱基编码，然后按照映射的编码方案进行DNA加法运算，后将运算结果转化为十进制得到密文数据。实验验证了本研究可以实现选择性加解密，平均加密效率2.654 MB/S，平均解密效率2.5889 MB/S，加密算法的信息熵随数据量增大而增大，实验数据的最大信息熵达到29101，且能抵抗裁剪攻击，可用于智能网联汽车高精地图的安全存储和传输。

关键词： 聚类   密度峰值   逆近邻   自然近邻   共享近邻  

摘要： 密度峰值聚类算法在处理密度分布不均数据时，定义的局部密度未能考虑样本所在区域密度差异的影响，导致错误识别类簇中心；在处理流形数据时，设定的分配策略依据欧氏距离进行链式分配，极易导致稀疏类簇的样本误归并给密集类簇。鉴于此，提出逆近邻和加权相似性的密度峰值聚类(DPC-NWS)算法。算法设置局部密度时，引入逆近邻思想，充分考虑样本k近邻和非k近邻对样本周围环境的影响，能更容易在稀疏类簇找到类簇中心；在剩余样本分配时，使用自然近邻和共享近邻设定样本间的相似性，新定义的样本相似性更加符合样本的实际分布，避免了样本的连续错误分配，达到正确分配的目的。将DPC-NWS算法与DPC、FNDPC、DPC-CE、DPC-DBFN、IDPC-FA算法在数据集上进行聚类，对比实验结果表明，DPC-NWS算法的聚类效果好。