课程文献中心 更多>>

关键词： 电学测量   永磁同步电机   哈里斯鹰算法   参数辨识   Logistic混沌映射   随机反向学习策略  

摘要： 针对永磁同步电机(PMSM)参数辨识领域的传统方法存在难以同时辨识多参数、辨识精度不够高等问题，提出一种参数辨识算法。该算法中采用了哈里斯鹰优化算法。为了提高参数辨识的准确度和稳定性，从3个方面对哈里斯鹰算法进行改进:首先，从种群的初始化方向引入Logistic混沌映射来初始化鹰群的位置，增加种群的多样性，加快辨识算法的收敛速度;其次，从鹰群位置更新的角度考虑，通过随机反向学习策略优化鹰群中位置最差个体，使算法的模糊性和随机性提高，增强全局搜索性能，使辨识结果更精确;最后，为了防止过早收敛，将目前的最佳个体位置保留进入下一次迭代，改善传统哈里斯鹰算法易陷入局部最优和精度下降的问题。在基于PMSM电压方程建立的数学模型基础上，将多项优化的哈里斯鹰算法(MIHHO)和标准哈里斯鹰算法(HHO)、粒子群算法(PSO)以及麻雀搜索算法(SSA)进行测试。经过仿真和实验证明，MIHHO对于PMSM参数辨识具有更加优秀的稳定性、收敛速度以及更高的辨识精度。

关键词： 电液伺服系统   滑模变结构算法   自适应导纳控制   力位跟踪  

摘要： 针对电液伺服系统在非线性、环境参数动态变化及外负载干扰等复杂工况下的力控制性能提升问题，提出了一种基于滑模变结构算法的自适应导纳控制方法。该方法采用内外环结构控制方式，内环采用滑模变结构算法提高系统的位置跟踪速度和精度，外环则基于导纳模型确立液压系统外力与运动间的动态关系，并通过实时调整参考轨迹和导纳参数优化接触力的控制性能。通过仿真实验，验证了不同条件下位置和接触力控制性能。结果显示：所设计的自适应控制方法显著提高了液压缸在非线性、动态环境下的位置和力跟踪性能，体现了良好的力控制效果。

关键词： 调频连续波(FMCW)雷达   大规模随机人体运动   变分模态分解(VMD)   最佳距离窗选择  

摘要： 针对调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达生命体征检测在存在大规模的随机人体运动场景中检测准确性过低的问题，提出了一种高精度的人体生命体征检测算法。该算法首先通过能量聚焦选取胸部最佳距离窗，消除运动伪影的干扰；然后利用多项式拟合距离窗序列，消除距离窗的剧烈跳变，准确提取相位信号；最后，通过基于自相关功率谱密度与加权排列熵的改进变分模态分解(Variational Mode Decomposition,VMD)算法去除相位信号中的大规模随机人体运动成分，进而可以精确估计出生命体征信号的呼吸速率(RR)和心率(HR)。使用77GHz雷达模拟生活场景中存在大规模的随机人体运动时的生命体征检测实验中，尽管人体前后晃动的幅度达到20cm,RR和HR的估计精度依然可以达到97.7%和96.9%，与RETFTVF-EMD算法对比精度分别提高了5.2%和2.7%，与IAP-VMD算法对比精度分别提升了14.3%和7.9%，实验结果证明算法能够精确估计大规模的随机人体运动场景下的生命体征参数。

关键词： 制度松绑   大数据管理机构   新质生产力   数字治理生态   双重机器学习  

摘要： 数据具有边际报酬递增乘数效应,是打造新质生产力的新增长极。通过数据制度松绑赋能新质生产力,事关高质量发展与中国式现代化。借助双重机器学习模型,选取2010—2022年省级面板数据,探讨大数据管理机构设立对新质生产力的影响,考察制度松绑、数字治理生态与新质生产力的内在联系与建链路径。研究发现:(1)以大数据管理机构设立为代表的制度松绑能有效促进新质生产力发展。大数据管理机构的设立推动数字政策环境、数字经济环境与数字社会环境优化,从而作用于新质生产力发展;(2)进一步分析发现,制度松绑带来的驱动效应受到异质性因素干扰,其中在高政府效率、高人力资本、高信息化水平地区作用效果更强。研究结论既可为新质生产力嵌入制度变迁视角提供理论解读,又能为通过制度路径和治理体系推动新质生产力发展提供现实依据。

关键词： 因果推断   弱监督学习   后门调整   图像识别   因果图  

摘要： 全监督野生动物识别算法的数据集需要大量标注数据，耗时耗力且容易引入噪声。弱监督学习方法只需图像级别的标注信息，但是由于动物的生活习惯和栖息环境等影响，动物通常与特定的背景共同出现，会导致模型受到背景特征的干扰，即“共现混淆”问题。针对该问题，本文提出了一种基于因果推断的识别算法CI-ResNet，通过因果干预消除混淆因子的影响，提升目标识别和定位精度。研究构建了混淆背景集模块，收集不同类别的背景特征，利用后门调整消除伪相关性，从而实现对特征的因果干预。实验在CUB-200-2011数据集和AwA2数据集上进行，与现有深度学习方法和公开基准方法相比，在识别准确率和定位精度方面分别提高了1.92%、2.11%和1.73%、2.15%。

关键词： 联邦学习   差分隐私   自适应噪声   自适应裁剪   动态加权  

摘要： 将差分隐私应用于联邦学习是保护训练数据隐私的有效方法之一，但在现有的算法中，添加固定噪声进行模型训练会导致模型精度不高、数据隐私泄露的问题。为此，提出了一种基于自适应噪声和动态加权的联邦学习算法(DP-FedANAW)。首先，考虑到梯度的异质性，该算法为每个客户端预测当前轮次梯度范数，获得裁剪阈值，为其进行不同轮次自适应裁剪梯度，从而实现自适应调整噪声；其次，为了进一步提高模型的训练效率，该算法还提出了一种将客户端贡献度与数据量相结合的动态加权模型聚合方法。实验结果表明，该算法在满足差分隐私的前提下，与DP-FL和其他两个自适应噪声的算法相比，不仅准确率提高了5.03%、2.94%和2.85%，而且训练轮次整体提高了约5～40轮。

关键词： 蜣螂优化算法   逆向学习   自适应步长   凸透镜成像   t-分布  

摘要： 为了改善标准蜣螂优化算法（dung beetle optimization， DBO）的收敛精度低、稳定性不足和易陷入局部最优等问题，提出了多策略改进蜣螂优化（multi-strategy improved dung beetle optimization， MSIDBO）算法。首先，使用融合Fun混沌与逆向学习策略初始化蜣螂种群，增加种群多样性和和随机性；其次，引进鱼鹰算法的第一阶段的全局勘探策略替换蜣螂滚球阶段的位置更新，弥补蜣螂算法在滚球阶段依赖最差值，加快算法的求解速度和求解精度；再次，根据偷窃蜣螂的位置更新引入自适应步长策略与凸透镜成像策略的集成，提高了算法全局开发和局部探索的能力；最后，对小蜣螂的觅食行为进行自适应t-分布扰动，使得算法更快跳出局部最优。将MSIDBO和其他算法在14个函数上进行测试，结果表明相对于其他群智能优化算法，MSIDBO的寻优能力、收敛能力等明显高于其他算法。将改进的算法用于压力弹簧设计优化问题，进一步证明改进后的算法具有较好的优化性能。

关键词： 聚类分析   密度峰值   减法聚类方法   反向近邻   子簇融合  

摘要： 密度峰值聚类(density peaks clustering, DPC)算法通过考虑局部密度和相对距离来识别簇中心以实现聚类.然而,该算法在处理密度分布不均匀和类簇大小不平衡的数据时容易忽视低密度区域的类簇中心,需要人为设定类簇数量,并且其分配策略中一个数据点分配错误会导致后续点的错误分配.为了解决上述问题,本文提出一种自适应稀疏感知密度峰值聚类算法.首先,引入模糊点概念以降低对子簇合并过程的影响;其次,利用减法聚类方法识别低密度区域的中心;然后,根据新的局部密度和反向最近邻数来识别噪声并更新子簇中心;最后,给出改进的全局交叠度,结合全局可分度指导子簇融合,并在这些度量下自动确定聚类结果.实验结果表明,在合成数据集和UCI数据集上,与DPC及其改进算法相比,本文提出的算法能够更好地识别稀疏簇、减少非中心分配带来的连锁反应,自动确定最优类簇数目并获得更加准确的聚类结果.

关键词： 变量喷雾系统   变挡位跟随控制   控制算法   改进SOA算法   反向传播神经网络  

摘要： 为提高架类作物喷雾装备作业的精准化,设计了一种基于BP神经网络PID自适应控制的喷雾控制系统。以速度和流量传感器检测到的数据为依据,运用BP神经网络自主学习能力调整PID参数,完成快速稳定调节机具速度所对应流量的目标,并采用改进海鸥优化算法(SOA)对神经网络的初值进行筛选,解决神经网络初值敏感的问题;在MATLAB/Simulink上对SOA-BP控制系统进行建模仿真,与模糊PID、控制传统PID控制进行对比分析,仿真结果表明,SOA-BP控制系统的调节时间为4.69 s,小于传统PID控制的调节时间7.41 s和模糊PID控制的调节时间4.93 s,且改进BP神经网络自适应控制方法的超调量,减少到1.63%,稳态误差为0.26%,均优于另两种方法。在田间试验过程中,设计了恒定车速与动态车速两种运行状态下的试验,恒定车速下变量喷雾系统达到稳定运行的调节耗时为7.81 s;分别在两种运行状态下进行5次试验,实测流量与需求流量均有较好的拟合,单位面积喷洒量误差均小于6%。

关键词： 神经网络结构搜索   触觉识别   强化学习   遗传算法   CNN-RNN串联模型   触觉传感器   CNN-LSTM串联模型   层间残差连接RNN模型  

摘要： 针对手工设计神经网络需要耗费一定时间和精力的问题，本文提出了一种基于自学习遗传算法的两级式神经结构搜索算法，并应用于触觉识别领域。设计了一种自学习遗传算法，利用强化学习优化遗传算法的选择、交叉和变异算子，以求遗传算法加速收敛，并在陷入局部最优时跳出局部最优；基于自学习遗传算法，提出了两级式神经网络结构搜索算法，用于搜索适合处理触觉时序数据的卷积神经网络和循环神经网络（CNN-RNN）串联模型，且为CNN和RNN模块引入了层间残差连接以解决网络退化问题，并使用公开触觉数据集对算法进行了实验验证。自建包含22类实验样品的触觉数据集，基于数据集进行了搜索算法实验，并对搜索得到的最优网络进行了分类识别测试，识别准确率为96.81%，与长短期记忆（LSTM）网络、门控循环单元（GRU）网络和CNN-LSTM串联模型进行对比，对比结果显示：本文搜索算法搜索出的网络性能更加优异，识别率更高，进一步证明了算法的有效性。