课程文献中心 更多>>

关键词： 电学计量   超级电容   等效内阻   检测   交流注入法   Goertzel算法  

摘要： 提出一种基于交流注入法和Goertzel算法的超级电容等效内阻检测新方法。首先利用交流注入法,求出超级电容的复阻抗;然后利用Goertzel算法,求出激励信号与超级电容输出信号的相位差,从而计算获得超级电容的等效内阻。这种方法只需计算激励信号特定频率点的频谱信息,与传统的快速傅里叶变换(FFT)方法相比,计算量大幅下降。实验结果表明,采用Goertzel算法的测量误差与FFT算法相当,均能满足误差小于5%的要求,但Goertzel算法的计算量远小于FFT算法。

关键词： 飞轮储能系统损耗   小样本学习   卷积神经网络   麻雀搜索算法   Logistic混沌映射  

摘要： 飞轮储能系统具有待机损耗,不适合长期储能。针对飞轮损耗这一经济指标,基于飞轮储能系统运行的小样本数据,提出了一种结合Logistic混沌麻雀优化算法和卷积神经网络的飞轮损耗计算模型。首先,分析了飞轮损耗产生的原因;接下来对宁夏灵武电厂的飞轮运行数据进行预处理,并使用对抗生成网络进行小样本扩充;然后基于卷积神经网络建立损耗模型,使用改进的麻雀算法对模型超参数进行优化,并通过对比验证了该模型的优越性;最后通过仿真实验证明了该模型能够优化飞轮储能系统的出力,降低飞轮损耗。

关键词： Cascade R-CNN   小目标检测   DCN v2   BFP   InstaBoost  

摘要： 瓶装白酒中存在杂质会影响产品质量,目前已有基于机器视觉的杂质检测方法。为提升基于机器视觉的检测方法的精度,提出了一种改进的Cascade R-CNN算法用于自动检测酒液中的杂质。该方法采用Cascade R-CNN的基础架构,通过在骨干网络中引入DCN v2以增强模型捕捉酒液杂质关键特征的能力;应用Libra R-CNN的平衡特征金字塔(BFP)以平衡候选区域的特征质量,为训练提供更提供更丰富的特征表示;使用InstaBoost进行数据增强,通过随机改变小目标实例的位置和大小来增加训练数据的多样性。通过与Faster R-CNN算法的对比实验结果分析,改进后的Cascade R-CNN算法相较于Faster R-CNN算法的AP值(平均精度)有明显的提升;改进后的Cascade R-CNN算法相较于Cascade R-CNN算法BaseLine的AP值有明显提升。因此,该研究提出的改进Cascade R-CNN算法针对酒液杂质的检测精度的提升是有效的。

关键词： 普查仪   短时傅里叶变换   稀疏表示   信号干扰   非线性突变频率干扰  

摘要： 随着现代通信网络复杂性的不断增加,非线性突变频率干扰对信号传输质量的影响愈发显著,会干扰普查仪的正常工作.为了应对这一挑战,文章研究并提出了一种基于短时傅里叶变换和稀疏表示的非线性突变频率干扰检测算法.该算法采用稀疏表示方法对信号进行特征提取与干扰检测.仿真实验结果表明,该算法在保证检测精度的同时,具有较高的计算效率和鲁棒性,能够有效识别复杂通信环境中的突变干扰源.

关键词： 高分辨率遥感影像   语义分割   卷积神经网络   Swin Transformer  

摘要： 遥感影像具有多尺度对象、复杂背景、不均衡类别等特点。基于卷积神经网络(CNN)的语义分割算法难以捕捉到影像的全局特征,导致分割效果不佳。针对以上问题,利用Swin Transformer的全局特征提取能力,提出了双编码端高分辨率遥感影像语义分割算法DEGFNet。设计特征融合模块(FFB)将Swin Transformer捕获的全局特征引入编码端,应对多尺度对象带来的挑战。在Swin Transformer中设计空间交互模块(SIB),降低复杂背景样本带来的负面影响;在解码端引入全局-局部注意力模块(GLTB)和特征细化模块(FRB),来更好地利用编码端提取的信息,提高语义分割的精确性;采用交叉熵损失和Dice Loss组成的混合损失函数训练模型,减轻样本类别不均衡带来的消极影响。在Vaihingen数据集上,宏观平均F1值(mF1)、平均交并比(mIoU)和整体准确率(OA)指标分别达到91.9%、84.8%和92.4%;在LoveDA数据集上,mIoU指标达到55.0%,均展现出了更好的语义分割效果和良好的泛化性。

关键词： 云计算   大数据异常检测   深度学习   卷积神经网络  

摘要： 随着大数据的快速增加,大数据异常检测成为保障系统可靠性和数据安全的重要任务。文中利用深度学习技术,提出了一种基于卷积神经网络(CNN)的大数据异常检测算法。首先,详细探讨了CNN的基本原理,包括网络结构设计、卷积核选择与设计、池化层设置、损失函数和优化器的选择。其次,在TensorFlow框架中实现了该算法,并在模拟数据集上进行了实验验证。实验结果表明,所提算法在训练和测试阶段均表现出色,对于复杂的数据模式有较强的鲁棒性,具有一定的现实意义。

关键词： 解释结构模型   模拟法   离散型制造加工   成本优化  

摘要： 本文基于解释结构模型(ISM)和模拟法,深入研究离散型制造加工成本的影响因素及其优化策略。通过广泛的文献调研和专家访谈,识别主要影响因素,并构建相应的结构模型。详细描述了基于模拟法的模型构建流程,包括系统元素的识别、影响因素的提取、二元关系分析、邻接矩阵和可达矩阵的建立等步骤。针对生产和设计2个方面,提出了具体的优化对策,例如提高设备维护效率、优化订单处理流程、加强质量控制、降低人工成本等。研究结果为离散型制造企业提供了理论依据和实践指导,旨在帮助其有效控制和降低加工成本,提高整体运营效率。

关键词： Lyapunov-MARC算法   硬件设备   控制系统   自动配比   乳化液   智能型  

摘要： 为深化乳化液自动配比控制,提高煤矿综采等相关工作的效率,引进Lyapunov-MARC算法,开展智能型乳化液自动配比控制系统的设计研究。选择PLC控制器、补油泵等作为系统的主要硬件,在硬件设备的支撑下,引进流体力学原理,建立乳化液流量模型;设定MARC的可调增益,建立参数调节传递函数,进行智能型乳化液配比的自适应调节与控制。结果表明,应用设计的方法进行智能型乳化液自动配比控制,可以在4 s内将乳化液浓度控制在设计值,满足实际应用需求。

关键词： 视觉Transformer   地铁安全门   异物检测  

摘要： 提出了一种基于视觉Transformer(ViT)的地铁安全门间隙异物检测算法。首先,对安全门图像进行切片表示,通过改进的ViT模型提取局部区域的特征,进而输入轻量级分类器进行异物检测。该算法在特征提取过程中引入了多尺度金字塔结构和深度可分离卷积,以增强模型对不同形状和尺寸的异物的检测能力。实验结果表明,该算法能够准确检测多种异物,有望降低地铁运行中的安全事故风险。

关键词： 光伏板   图像分类   ResNet   通道注意力   归因分析  

摘要： 光伏板长期受积尘等污染物影响,其透射率下降,降低了光电转换效率和服役寿命,需要对其定期清洁。为支持机器人自动清洁过程,开发了基于深度学习的光伏板图像自动识别模型,通过Mosaic等图像增强方法,建立了清洁光伏板和含积尘光伏板图像数据集。考虑到清洁机器人的算力限制,确定了以残差网络(Residual Network, ResNet)为基准模型,选择了规模较小的ResNet-18,并对ResNet-18的残差块进行了改进,在多路径的基础上引入了跨尺度特征融合的通道注意力机制,以提升模型精度。经过实验验证,改进后的模型精度相较于改进前提高了2.1%,与其他主流分类网络EfficientNet-B0和YOLOv5x-cls相比,获得了最高准确率,达到94.6%。同时使用模型可解释性技术,对各个模型错误分类进行了归因分析,确定模型对于不同区域和特征的关注程度,阐明了模型在特定错误分类中的决策依据。最后,将训练好的模型部署到清扫机器人上,使用机器人CPU推理,平均识别时间为121 ms,实现了光伏板积尘的高精、高效辨识。