课程文献中心 更多>>

关键词： 平滑变结构滤波   时变平滑有界层   交互多模型   状态估计   机动目标跟踪  

摘要： 针对平滑变结构滤波算法存在抖振以及无法有效估计未量测目标状态的问题,提出了基于交互多模型的时变平滑变结构滤波算法。该算法首先通过平滑变结构滤波算法对目标状态进行初步估计;其次通过计算时变平滑有界层,并采用tanh函数取代饱和函数计算初步状态增益,共同解决抖振问题;然后采用贝叶斯思想重新计算协方差矩阵与状态增益用于目标状态更新,解决平滑变结构滤波无法有效估计未量测状态的问题;最后与交互多模型算法结合,实现对机动目标的有效跟踪。仿真结果表明,提出的算法在模型失配、量测噪声改变以及非高斯量测噪声的情况下,仍可有效地对机动目标进行跟踪,与典型的目标跟踪方法相比,跟踪精度明显提高且鲁棒性更强。

关键词： 矿用伺服电机   前馈补偿算法   前馈-反馈复合控制算法   带载启动  

摘要： 矿用伺服电机在煤矿井下作业过程中,带载启动等复杂工况经常干扰其位置跟踪的准确性。为解决这一问题,搭建矿用伺服电机Simulink仿真系统,提出一种基于速度与电流前馈-反馈复合控制结构,有效提高了匀速与加减速阶段位置跟踪准确性。不同负载启动情况下矿用伺服电机位置响应仿真结果表明,重载启动时在速度与电流前馈补偿下系统位置跟踪的平均误差降低了48.6%,保证了在2倍额定负载情况下伺服电机位置跟踪的稳定性。

关键词： 数据预处理   特征选择   模型可解释性   BP神经网络   贡献率  

摘要： 数据资产价值评估对数据要素化发展具有战略意义,为理清数据资产价值评估指标的贡献率,平衡机器学习模型的准确性及可解释性。提出一种结合数据预处理技术和特征选择工程预测框架(data preprocessing-feature selection-back propagation neural network, DP-FS-BP),并运用SHAP(Shapley additive explanations)算法对预测模型指标贡献进行解释。以优易数据网采集的交易块数据为例,首先运用数据预处理和特征选择对数据进行清洗与指标选择,其次将处理后的数据与原始数据在线性回归、支持向量机(support vector machine, SVM)、决策树、k-最近邻(k-nearest neighbors, KNN)、随机森林、XGBoost和DP-FS-BP模型上对比相关系数拟合优度R^(2)、均方根误差(root mean squared error, RMSE)、平均绝对误差(mean absolute error, MAE)的值,结果表明,DP-FS-BP模型获得最理想的预测结果,在预测精度上比其他模型有着显著优势;SHAP算法对BP神经网络模型进行解释。结果表明科研技术和数据样本量的SHAP值的平均绝对值分别为209.25和191.24,位居第一和第二。通过将特征对输出的贡献率可视化,为建立相应的数据资产价值评价指标体系提供决策依据。

关键词： 绿色调度   柔性作业车间   离散冠状病毒群体免疫算法   多转速机器   知识驱动邻域搜索  

摘要： 针对机器具有多转速的绿色柔性作业车间调度问题,以最大完工时间最小化和不同转速下的总能耗最小化为优化目标,构建了多转速下的绿色柔性车间调度模型,提出了一种离散的冠状病毒群体免疫算法(discrete coronavirus herd immunity optimizer,DCHIO)进行求解。针对多转速问题解空间较为庞大的特点,引入了离散化的个体更新方式,提出了一种多尺度联合搜索的种群更新机制以快速、均匀地搜索解空间;设计了动态变异操作以增强算法的种群多样性同时实现自适应调整;通过挖掘当前调度方案的经验知识,提出了基于知识驱动的邻域搜索策略,以同时减小最大完工时间和能源消耗。实验结果表明:所提算法可以有效解决多转速绿色柔性调度问题。

关键词： 电力通信网   路由优化   消息神经网络   深度强化学习   多约束条件  

摘要： 电力通信网负责传递控制指令、收集状态数据,对保障电网的稳定运作至关重要。针对电力通信网络中多约束条件下的智能路由问题,提出了一种结合消息传递神经网络(message passing neural network,MPNN)与深度强化学习算法的智能路由算法。通过Tensor flow框架实现,在Open AI Gym构建的模拟环境进行验证。算法在超过8 000次的训练迭代后呈现出显著的性能提升,表现出了较传统最短路径和负载均衡算法更优越的路由选择能力。同时,在新拓扑图的泛化测试和链路故障模拟实验中,也显示出较强的适应性和鲁棒性。

关键词： 票据   目标检测   识别   改进YOLOv5   损失函数  

摘要： 在票据全流程识别过程中,针对不同类型票据的目标检测是关键步骤,为实现日常报销过程中不同种类票据快速检测其类型和位置,文章提出一种基于改进YOLOv5算法的票据检测方法。对于原始数据集进行预处理,模拟票据检测中可能出现的干扰信息,提高训练模型的性能;利用CSPDarkNet53网络进行特征提取,采用基于重合面积、中心点距离、长宽比和角度4个几何参数的SIoU目标位置损失函数,对原损失函数进行改进,提升YOLOv5票据检测的精度,构建票据检测方法。最后通过自建实际拍摄的票据数据集来验证基于改进YOLOv5算法的票据检测的有效性。结果表明,该方法拥有较高的平均精度均值(99.20%)和检测速度(51帧/s),可以满足实际应用场景的要求。

关键词： 铁矿   矿石品位   YOLOv5   图像识别   卷积注意力模块   挤压和激发模块  

摘要： 现阶段传统化学分析方法获取品位存在费时费力等问题,通过图像识别分析块状矿石品位又存在形状干扰严重的问题,为此提出了一种基于YOLOv5针对矿石矿粉特征的图像识别方法。同时,在训练过程中添加卷积注意力模块(Convolutional Block Attention Module,CBAM)、挤压和激发模块(Squeeze and Excitation Module,SENet)进入训练网络,通过注意力机制增强学习矿粉具体特征的能力,将注意力聚焦于矿粉明显细节,忽略矿粉图中无用信息,提高识别精度;其次通过修改损失函数增强其分类效果,研究损失函数对矿粉识别效果的影响。研究表明:在铁矿粉品位识别中,添加CBAM注意力模块的网络模型识别矿粉的训练精度达到86%,使用SENet注意力模块的网络训练精度为80%,均略高于原有模型的79%,修改损失函数的网络模型训练精度降低了5%,得出YOLOv5l+CBAM且损失函数设置为0.5的网络模型最佳。研究结果反映出所提方法对矿粉特征图像识别具有一定的适用性。

关键词： 红外图像   目标检测   多尺度局部对比度   图像方差  

摘要： 针对复杂场景下存在背景变化剧烈、杂波较多、信噪比低而造成红外弱小目标检测准确率低、虚警率高的问题,提出利用图像全局信息与局部对比度结合的红外弱小目标检测算法。算法利用方差和信杂比对图像的所有像素点统计分析,将图像做全局处理得到特征图,以适应灰度变化剧烈的复杂背景,同时抑制大量平缓背景杂波,提高目标的信杂比。针对特征图中主要存在的强背景边缘噪声和高亮像素点噪声,采用加权绝对方向平均差(weighted absolute directional mean difference,WADMD)算法,将目标与背景的强度差异作为加权系数,计算目标与各方向背景的绝对平均差,并使用判断门限抑制负对比度,抑制高亮度噪声的同时,提高目标的显著性。实验表明,与对比算法相比,本文算法能够适应多变的复杂背景,对目标信杂比提升更明显,鲁棒性更好。

关键词： 算法推荐   环保纸材   绿色展装   定制设计  

摘要： 文章介绍了展览展示装修行业现状,提出了基于智能算法推荐的展装定制系统,以及基于环保纸材的模块化展装搭建技术,以期促进相关行业的绿色健康发展。

关键词： 蒙特卡罗   γ通过率   不确定度   网格间距  

摘要： 目的比较Monaco系统的蒙特卡罗(MC)算法网格间距(GS)和不确定度(SU)对临床计划验证γ通过率的影响,为日常放疗患者的质量保证(PSQA)提供参考。方法回顾性选择2023年7—11月中国医学科学院肿瘤医院深圳医院已治疗的20例患者计划,其中头部鼻咽癌5例,胸部肺癌2例、食管癌3例、乳腺癌5例,腹部宫颈癌4例、直肠癌1例。所有患者的计划均在同一天由同一物理师在同一台机器重新测量得到测量的剂量分布文件。Monaco系统的GS选取2、3、4 mm共计3种(分别为GS2、GS3、GS4),SU选取SU_(CP1)、SU_(CP2)、SU_(CP3)、SU_(CP4)、SU_(CL1)共计5种百分比不确定度,分别重新计算验证计划,每例临床计划总计15个验证计划。采用3%/2 mm的评价标准分析γ通过率,统计每个计划不同GS和SU的γ通过率。采用双侧配对样本t检验分析同一病例计划不同GS和SU的γ通过率。结果所有患者计划,以GS2的γ通过率为基准,相同SU不同GS的γ通过率差异均具有统计学意义(P<0.05)。对于SU_(CP1),GS3、GS4的γ通过率比GS2分别降低0.4%、1.4%;对于SU_(CP2),GS3、GS4的γ通过率比GS2分别降低0.5%、1.5%;对于SU_(CP3),GS3、GS4的γ通过率比GS2分别降低0.5%、1.5%;对于SU_(CP4),GS3、GS4的γ通过率比GS2分别降低0.5%、1.5%;对于SU_(CL1),GS3、GS4的γ通过率比GS2分别降低0.7%、2.0%。以SU_(CP1)的γ通过率为基准,相同GS不同SU,在GS2的时候,本研究所选取的SU其γ通过率差异均无统计学意义,在GS3和GS4时,SU_(CP4)和SU_(CL1)相比SU_(CP1)差异具有统计学意义(GS3时,P=0.049和0.012;GS4时,P=0.045和<0.001),γ通过率分别降低0.1%、0.4%,0.2%、0.6%。结论GS和SU值均在一定程度上影响Monaco系统的MC算法的临床计划验证γ通过率,推荐Monaco系统的MC算法日常PSQA,选取GS2,SU选取SU_(CL1)计算验证计划。