课程文献中心 更多>>

关键词： 林区害虫防控   林区生态系统   小目标检测   YOLOv7   特征融合  

摘要： 【目的】针对虫情测报灯采集到的林区害虫样本种类多、尺寸复杂及密集遮挡问题，提出了一种多尺度序列特征融合检测算法（multi-scale pest detection， MPD-YOLO），用于提升林区害虫检测的精确度，为林区害虫监测和防护提供了新的技术路径。【方法】首先，以采集于北京、河北、山西等地的林区害虫图像为基础，构建包含18类林区害虫的数据集。数据集涵盖了不同场景下的害虫图像，为算法的训练与测试提供了可靠的数据支撑。其次，为提高小目标害虫的检测效果，利用3D卷积对小目标进行更为深入的尺度序列特征提取，MPD-YOLO方法引入了尺度序列特征融合模块（scale sequence feature fusion， SSFF），有效提升了模型对小目标的感知能力。最后，为解决密集遮挡和多尺度害虫并存情况下的模型检测能力，MPD-YOLO方法提出了三重特征编码高效聚合模块（triple feature encoding effective long-range aggregation network， TFE-ELAN），通过将不同尺寸特征图进行特征融合，增强了多层特征图之间信息的关联性，提升了模型的检测性能。【结果】在相同试验条件下，本研究在构建的数据集上对MPD-YOLO进行大量试验，并与主流的目标检测算法（YOLO系列、Faster-CNN等）进行对比分析。MPD-YOLO方法具有最佳的害虫识别精度，其F1值和mAP分别达到88.43%和91.92%，比次优方法YOLOv8x分别高1.45%和1.22%。相比于原网络模型YOLOv7，MPD-YOLO的F1值与mAP分别比YOLOv7高0.72%和2.8%，证明了本文所提方法在处理复杂目标检测任务中的优势。此外，本文还进行了消融试验，分析了尺度序列特征融合模块和三重特征编码高效聚合模块对整体性能的贡献，验证了各模块设计的有效性。【结论】本文提出的MPD-YOLO算法，有效提升了复杂环境下多尺度害虫的检测性能，在处理复杂环境下的检测任务时表现出较高的鲁棒性。。

关键词： 鹈鹕算法   轨迹跟踪   模型预测控制   权重矩阵  

摘要： 针对现有车辆横向控制中模型预测控制算法(MPC)的权重系数矩阵Q和R选取困难，导致车辆轨迹跟踪控制性能较差的问题，提出了一种基于多策略鹈鹕算法优化MPC权重系数矩阵Q和R的车辆轨迹跟踪控制方法。首先，建立简化的车辆动力学模型，并设计横向MPC控制器；其次，针对鹈鹕算法POA的局限性，提出了一种多种策略改进鹈鹕算法IPOA，引入社会学习策略和遗忘机制来建立鹈鹕个体之间的相互交互通道，提高了算法的收敛速度，同时，针对种群多样性不足和易陷入局部最优陷阱的问题，设计了一种带有反馈机制的动态自适应t分布变异算子，扩大了搜索空间，提高了后期的局部寻优能力；最后，利用IPOA优化MPC权重系数矩阵，并在Simulink和Carsim平台进行联合仿真。结果表明，提出的IPOA-MPC控制器能够有效地提高车辆跟踪参考轨迹的跟踪精度和稳定性，最大横向误差降低了60.74%，且优化后的控制器具有较强的泛化能力。

关键词： 土壤   含水率   检测模型   电容   测量频率  

摘要： 为探究一种较高检测精度且适用于低测量频率电容式土壤含水率传感器的检测模型，以土壤为研究对象，配置160份含水率为6.39%～31.43%的土壤样本，使用数字电桥采集测量频率1～100kHz范围内土壤的电容数据，建立预测土壤含水率的多元线性回归（MLR）、岭回归（RR）、支持向量回归（SVR）、决策树回归（CART）和BP神经网络（BPNN）算法模型，对比分析模型的预测性能。试验结果表明，基于SVR算法构建的土壤含水率检测模型预测性能较佳。通过引入麻雀搜索（SSA）、粒子群优化算法（PSO）和鲸鱼优化算法（WOA）算法分别对SVR算法模型优化后的性能分析，采用PSO-SVR算法建立的检测模型性能最佳，其预测集的R2、RMSE和RPD分别为0.947、0.012和4.363。利用该模型对35份含水率在8.07%～26.43%的土壤样本进行预测，含水率预测值与实测值的回归系数R2为0.953，均方根误差RMSE为0.009，绝对误差范围为 - 1.92%～1.68%。由此证明，基于PSO-SVR算法构建土壤含水率预测模型具有较高的准确性和较好的鲁棒性。

关键词： 金字塔   特征提取   图像分类   间距准则  

摘要： 直接采用原始图像进行降维提取特征具有一定的局限性，图像由于拍照远近、取景等原因会导致目标区域与背景区域大小差异，同时目标区域的重要性远高于背景区域，为此，提出金字塔优化算法，即通过图像分割后再进行卷积池化的方法提取特征，然后采用优化的间距准则算法进行图像分类。在ORL和Yale以及加噪数据集上进行实验，实验结果表明:所提算法的鲁棒性和稳定性更好。

关键词： 混合卷积神经网络   增强关键特征   目标识别  

摘要： 当前，以卷积神经网络为核心的传统目标识别算法已经取得了显著的进展，但在应对复杂场景时，它们往往面临特征提取能力不足的挑战。而几何深度学习往往能够在非欧几里得域中有效地捕捉复杂数据的结构特征，并增强特征表达的灵活性和丰富性。为了克服这些挑战，本文提出了一种新的基于混合卷积神经网络的目标识别算法。该算法的核心在于将非欧几里得域的学习能力与传统卷积神经网络相结合，从而增强关键特征表达的深度和广度。本文算法能够提取并强化目标识别中的关键特征信息，显著提升识别的准确性和鲁棒性。

关键词： 异构计算系统   负载特征   多层感知机   注意力机制   功耗预测  

摘要： 虽然异构计算系统的应用可以加快神经网络参数的处理，但系统功耗也随之剧增。良好的功耗预测方法是异构系统优化功耗和处理多类型工作负载的基础，基于此，通过改进多层感知机-注意力模型，面向CPU/GPU异构计算系统多类型工作负载提出了一种功耗预测算法。首先考虑了服务器功耗与系统特征，建立了一种基于特征的工作负载功耗模型。接着，针对现有的功耗预测算法，不能解决系统特征与系统功耗之间的长程依赖问题，提出一种改进的基于多层感知机-注意力模型的功耗预测算法Prophet。该算法改进了多层感知机实现各个时刻的系统特征的提取，使用注意力机制综合了不同时刻的特征，有效解决了系统特征与系统功耗之间的长程依赖问题。最后，在实际系统中部署了相关实验，将所提算法分别与MLSTM＿PM(Power consumption Model based on Multi-layer Long Short-Term Memory)、ENN＿PM(Power consumption Model based on Elman Neural Network)等算法进行功耗预测算法进行了比较。实验结果表明，提出的Prophet功耗预测算法具有较高的预测精准性，与MLSTM＿PM相比，在工作负载blk、memtest和busspd上将平均相对误差最大降低了1.22个百分点、1.01个百分点和0.93个百分点，并且具有较低的复杂度，表明了算法的有效性及可行性。

关键词： 有向无环图   Block   容差关系粗糙集   最近容差关系   近似集的分布式计算方法  

摘要： 为了处理分布式的不完备信息系统中数据筛选问题，人们引入了容差关系粗糙集理论。随着数据量的不断增长，需要使用分布式计算能力来实现可扩展的并行化计算，因此人们提出了分布式容差关系粗糙集，其中Block Set是计算近似集的核心概念。然而，Block Set在计算时仅使用了集合运算，数据之间没有结构，过程涉及大量重复计算，导致计算效率不高。针对这一问题，本文提出了基于图优化的容差关系粗糙集分布式算法（TRDG）。本文引用已有的可靠元和争议元概念，以不完备信息系统中的数据为结点，以非对称容差关系为边，构建了具有层次关系的有向无环图，使用图结构来组织数据。为了提高了Block Set在分布式环境中的计算效率，本文提出使用最近容差关系代替一般非对称容差关系的策略，用于删除的冗余边简化图结构，并基于可靠元到零出度争议元的路径来得到Block Set。然后，我们在Spark平台下实现了分布式的图优化算法和路径搜索算法。最终完成了TRDG算法的设计。实验结果表明，TRDG算法具有良好的并行加速性能，和传统的一般容差关系粗糙近似集求解算法相比，节省了计算资源，计算速度平均提高了40倍左右，可处理的数据量也增加了50倍以上。

关键词： 快速搜索随机树算法   增强型目标偏向策略   可变权值系数   节点过滤  

摘要： 针对基本的快速搜索随机树(Rapidly-exploring Random Tree，RRT)算法用于路径规划时存在的树扩展无导向性、密集障碍物区域规划效率低、局部区域节点聚集等问题，提出一种新的RRT改进算法。该算法采用增强的目标偏向策略，并引入可变的权值系数，提高随机树扩展的导向性和灵活性;同时采用局部节点过滤机制，过滤局部区域内聚集的节点;最后，使用节点直连策略对初始路径进行优化处理。仿真实验的结果表明，改进的RRT算法规划路径的速度更快且生成的路径质量更高，充分证明了改进算法的有效可行性。

关键词： 不适定问题   Landweber迭代   动量法   迭代正则化  

摘要： 目的 针对非线性不适定反问题的求解，提出了一种快速修正Landweber迭代法。Landweber迭代法是非常重要的迭代正则化方法，被广泛用于求解线性或非线性不适定反问题。该方法具有良好的稳定性与鲁棒性，但其收敛速度较慢，极大地限制了Landweber迭代法在实际问题中的广泛应用。因此，为了能够利用Landweber迭代法高效求解非线性不适定反问题，需对其进行加速。方法 基于Landweber迭代法，引入动量法加速技巧，提出了动量加速的Landweber迭代法。结果 在一定的假设条件下，给出所提出方法的收敛性分析。为了从数值计算的角度验证该方法的有效性，基于一维和二维的椭圆方程参数识别反问题进行数值实验。实验结果表明：与Landweber迭代法和两点梯度法相比，动量加速的Landweber迭代法具有较快的收敛速度，能够极大地减少迭代步。其中，动量加速的Landweber迭代法收敛速度最快，两点梯度法次之，Landweber迭代法收敛速度最慢。结论 使用动量加速的Landweber迭代法是收敛的，且动量加速技巧能够有效提高Landweber迭代法的收敛速度。

关键词： 背景减除   背景建模   移动目标检测   鬼影抑制  

摘要： 针对快速背景减除法)FBS-ABL）在复杂环境下易存在鬼影的问题，提出一种改进的FBS-ABL算法。该算法在FBS-ABL算法检测到前景目标的基础上，求出前景运动目标及其邻域的像素直方图并进行匹配，判断目标区域是否存在“鬼影”，通过改变该区域的像素值消除“鬼影”。同时对于鬼影目标可能存在的区域再次进行背景初始化，抑制“鬼影”的出现。在两个不同的场景进行了实验验证，结果表明，改进的FBS-ABL算法对“鬼影”消除有着良好的效果，对目标检测的准确率有着明显的提升。