课程文献中心 更多>>

关键词： 悬停无人机   微多普勒   经验模态分解(EMD)   短时傅里叶变换(STFT)   时频域积累检测  

摘要： 随着新时代科技的发展，无人机的应用越来越多，对无人机的检测与管理逐渐受到重视。针对传统算法对悬停无人机检测效果不理想的问题，本文提出一种基于转速补偿的时频域积累检测算法。首先，通过经验模态分解（Empirical Mode Decomposition，EMD）和快速傅里叶变换（Fast Fourier Transform，FFT）相结合的方法估计多个旋翼的转速。进而，构造对应的补偿函数对各个旋翼回波信号进行补偿，使得旋翼的微多普勒频率集中在一个多普勒单元内。随后，再将补偿后的回波信号进行短时傅里叶变换（Short-Time Fourier Transform，STFT），将各个旋翼的时频域信号相加再通过FFT进行相参积累，以达到改善对悬停无人机检测性能的目的。仿真实验表明，该方法可以有效实现对悬停无人机的目标检测和转速估计。

关键词： 贝叶斯网络   结构学习   缩放框架   评分方法   浣熊优化算法  

摘要： 贝叶斯网络在进行概率推理时，寻找最优的网络结构是一个NP-hard问题。为了准确模拟节点之间的因果关系，本文提出基于缩放框架的改进型网络结构学习算法。首先利用缩放框架进行因果分析，通过斜率矩阵判断节点之间的因果关系强度，以此为基础构建网络搜索空间，提高了网络结构的初始评分；其次，使用基于评分方法的浣熊优化算法寻找评分最高的网络结构，增强了在贝叶斯网络中的评分搜索能力；最后，对评分最高的结构进行加弧、减弧和转向弧操作，寻找拟合程度最高的最优结构。通过在不同复杂度的标准网络上进行模拟实验，结果表明：本文算法收敛速度更快，能够在较短时间内找到最优结构，且结构学习的评分更高，收敛精度较高。由此说明该算法在准确性和搜寻效率方面更有优势。

关键词： 遥感   深度学习   小目标检测   RT-DETR  

摘要： 复杂无人机环境下的小目标检测存在目标分布密集和特征提取困难的问题，检测准确度仍有提升空间，为提高小目标检测效果，提出基于RT-DETR的无人机小目标检测改进算法DRT-DETR。为提升模型计算效率和特征提取能力，引入快速多尺度注意力特征提取模块Faster-EMA，显著降低模型参数量，增强特征提取效率。为提高多尺度特征的利用率，采用加权双向跨尺度特征融合模块Bi-CCFM，优化特征传递与信息融合。为提升定位和识别的精确性，提出基于归一化高斯距离的回归损失函数NWD，用Wasserstein距离来度量边界框之间的相似性，提升小目标检测的准确度。实验结果表明，DRT-DETR在VisDrone数据集上的mAP@0.5达到了48.4%，较改进前增长了3.1%，参数量降低了12.6%，实现了轻量化与精度提升的双重目标。

关键词： 视频增强   图像重建   感知质量   语义特征   语义理解  

摘要： 针对现有图像视频恢复增强方法存在的问题，本文提出一种基于语义特征提取的神经网络模型图像及视频质量增强算法。首先提出一种基于语义特征的图像恢复增强框架，然后建立退化模型和重建模型的联合优化。在公开数据集上对所提模型进行验证，并与现有算法进行对比，结果表明：所提方法相比新型超分辨率算法PULSE（Photo Upsampling via Latent Space Exploration， 潜空间搜索照片升采样）能够实现RankIQA（Rank Image Quality Assessment， 图像质量评价排名）得分50%的提升，并且和原始高清图像、视频质量得分接近；在用户评价方面，有81%的重建结果被认为优于对比算法，表明所提算法具有更高的重构图像和视频质量。

关键词： 云存储   去重删除   安全检索   跨域检索   电子档案   自相关检索  

摘要： 电子档案数据量较大，结构也比较复杂，跨域检索时需要设计高效的数据存储和检索方案，以提高检索准确度。为此，提出了基于云存储的电子档案数据跨域安全检索算法研究。在最优存储节点下，文中算法利用云存储节点分别向不同区域的存储节点传输一个电子档案文件，基于分层原理计算跨域节点之间的距离，通过阈值分级确定云存储节点的数量，分层存储电子档案数据。本次研究采用Fourier变换方法，删除电子档案重复数据，提高检索效率。文中算法将聚类中心与所有电子档案数据之间的平均关联度作为电子档案数据的检索空间，确定满意度向量，判断检索空间中电子档案数据的满意度，并采用梯度法修正满意度向量，根据用户检索关键词的关联度，实现精准的电子档案数据跨域安全检索。与基于位置索引的检索算法和基于HBase的检索算法相比，文中算法对电子档案数据的自相关检索性能较好，可以将跨域安全检索的查准率提高到90%以上。

关键词： 多滤波器   支持向量机   支持相关滤波   目标跟踪  

摘要： 支持相关滤波跟踪方法利用循环采样将计算转换到频域进行，解决了支持向量机采样少与计算量大的问题。但是当前跟踪方法在模型更新时将历史样本和当前样本进行线性插值，不能很好地利用样本的历史信息。针对该问题，提出多滤波器支持相关滤波跟踪方法。在跟踪过程中，首先利用历史样本训练历史滤波器，其次利用历史滤波器对当前滤波器进行约束，从而能够更好地利用样本的历史信息。在OTB100数据库上的实验表明，该算法精确率达到79.2%，成功率达到58.6%。相较于尺度核化支持相关滤波算法（SKSCF），该算法在精确率与成功率上分别提高了2%和3.7%。

关键词： 电力物联网   队列调度   DWRR   SP   低时延队列   QoS  

摘要： 随着网络技术的迅猛发展以及电网规模的不断扩大，电网智能终端和传感器等设备被大规模部署于电力现场，电网数据量指数级增长、业务数据种类也日趋丰富，不同优先级业务对时延、丢包率、带宽等关键指标要求不同，传统的物联网络在保障高优先级业务的差异化服务方面尚有不足。因此，需要重点研究电力物联业务数据的有效调度。传统物联网络是针对非实时数据传输而设计，提供“尽力而为”的服务，难以满足不同业务的服务质量要求。文章兼顾实时性和公平性，考虑延迟抖动系数和历史流量密度，对严格优先级队列（strict priority，SP）算法和差额加权轮询算法（deficit weighted round robin，DWRR）进行改进，通过动态调整轮询权值，提出了一种最优化传输性能的业务调度多优先级排队模型(improved deficit weighted round robin- strict priority，IDWRR-SP)。仿真结果证明了该算法的有效性和可行性，极大程度保证了高优先级业务的实时性要求和低优先级业务的公平调度。

关键词： AGV   路径规划   深度强化学习   DDPG  

摘要： 在自动化和智能物流领域，多自动引导车（AGV）系统的路径规划是关键技术难题。针对传统深度强化学习方法在多AGV系统应用中的效率、协作竞争和动态环境适应性问题，本文提出了一种改进的深度确定性策略梯度算法（DDPG）——改进型自适应协同DDPG（Improved-AC-DDPG）。该算法通过环境数据采集构建状态向量，并实时规划路径，动态生成任务序列以减少AGV间的冲突，同时监测并预测调整避障策略，持续优化策略参数。实验结果表明，与常规DDPG和人工势场优化DDPG（APF-DDPG）算法相比，Improved-AC-DDPG在收敛速度、避障能力、路径规划效果和能耗方面均表现更佳，显著提升了多AGV系统的效率与安全性。本研究为多智能体系统在动态环境中的建模与协作提供了新思路，具有重要的理论价值和应用潜力。

关键词： 迁移学习   小样本目标检测   特征增强   类别混淆   正交损失  

摘要： 针对现有小样本目标检测算法中模型对新类别的特征参数敏感度较低，难以准确区分类别相关和类别无关参数，导致特征边界模糊，造成类别混淆的问题，提出了一种结合新类特征增强与度量机制的小样本目标检测算法。首先，提出跨域参数感知模块（CDPM）改进颈部网络，重构通道和空间的特征重加权操作，结合空洞卷积采用跨阶段的信息传递与特征融合方式，提供丰富的梯度信息导向并提升新类别参数敏感性。同时，在感兴趣区域池化（RoI Pooling）前构造多元相关特征融合模块（ICMF），建立特征之间的相关性并动态优化相关特征的融合方式，增强显著特征。CDPM与ICMF的引入有效增强了新类别的特征表示以减轻特征边界模糊。此外，为进一步减轻类别混淆，在检测头部分提出基于度量机制的正交损失函数（CohSep Loss），通过度量特征向量相似度，实现类内特征聚合，类间特征分离。实验结果表明，在PASCAL VOC数据集上，所提算法相比基线TFA在nAP50的15种小样本实例个数平均值上提升了5.3个百分点；在COCO数据集中，10shot和30shot对应的nAP分别提升了3.6和6.2个百分点，实现了更高精度的小样本目标检测。