课程文献中心 更多>>

关键词： 喷涂机器人   深度相机   汽车表面喷涂   喷涂轨迹规划   轨迹生成  

摘要： 针对喷涂机器人在汽车售后喷涂维修中没有现成汽车表面轮廓数据用于喷涂轨迹规划问题,设计了一种基于Kinect深度相机获取汽车车门表面三维点云以实现喷涂轨迹规划的方案。首先,将深度相机采集的车门点云数据进行预处理,通过计算点云数据的协方差矩阵实现点云数据的特征方向识别和坐标变换,方便后续点云切片处理。其次,对预处理后的点云数据进行切片,计算出切片中轮廓点,通过对轮廓点排序确定一系列喷涂路径点;计算出各喷涂路径点处的法向量,使该法向量偏置一定距离后即可得到各路径点处的喷枪喷涂位姿,再对该位姿解算即可生成机器人喷涂轨迹。最后,搭建了汽车表面喷涂轨迹生成实验平台,并进行了算法验证实验。实验结果表明:所使用的点云切片方法能够有效规划车门表面处的喷涂路径,生成了平滑完整的喷涂轨迹,解决了机械臂喷涂控制系统中的喷枪喷涂轨迹生成问题。

关键词： 目标检测   图像去噪   注意力机制   特征对齐   对抗攻击   鲁棒性   深度学习  

摘要： 为提高目标检测模型的对抗鲁棒性,提出一种融合图像去噪和特征对齐的目标检测算法(target detection algorithm with image denoising and feature alignment,TDA-IDFA)。采用坐标注意力机制对图像去噪结构进行改进,在去除图像噪声的同时强化图像细节和边缘信息;结合特征对齐对抗训练方法,训练不仅鲁棒而且准确的目标检测模型,在提升目标检测模型对抗鲁棒性的同时,平衡模型对干净样本和对抗样本的识别精度;使用不同的对抗攻击方法,针对多种算法展开对比实验。实验结果表明,所提算法在PASCAL VOC和MS-COCO数据集的对抗鲁棒性比现有算法分别平均提高了9.75%和8.72%。

关键词： 水质控制   模糊PID算法   优化控制  

摘要： 为了克服传统PID算法的不足,本文引入了模糊逻辑控制的思想,提出了一种基于模糊PID算法的控制策略。通过模糊化处理和模糊规则库的设计,实现了对炉内水质控制系统的精确控制。本文将详细介绍模糊PID算法的原理和设计方法,并通过试验验证其在炉内水质控制中的有效性和优越性。通过仿真试验,证明了模糊PID控制器能够实现系统的快速恢复、改善超调量、提高控制精度和稳定性。

关键词： 矩阵分解   本地化差分隐私   目标扰动   推荐算法   隐私保护  

摘要： 推荐系统作为有效应对信息过载的工具被广泛应用在电子商务、社交媒体和新闻资讯等领域中。矩阵分解具有泛化能力强和计算效率高的优点,是构建推荐系统的主流算法之一。为提高推荐质量,推荐服务器需要收集大量用户数据用于推荐模型的训练。由于推荐服务器不是完全可信的,向服务器共享用户数据会对用户隐私构成极大的威胁。如何构建一个在保护用户隐私的同时,还能确保推荐质量和准确性的系统,成为了一个热门的研究话题。本地化差分隐私是一种分布式的隐私保护机制,它从中心化差分隐私中发展而来,旨在解决服务器不可信场景下的数据的安全收集和分析。这种框架通过精确的数学证明来确保隐私保护的强度。目前,已经有研究工作将本地化差分隐私引入推荐系统,目的是在推荐效果可接受的情况下,确保用户隐私数据的安全。然而,这些研究还面临一些挑战。首先,隐私保护的范围有限。目前的方法大多只关注显式数据的具体数值,认为这是用户的隐私信息。事实上,攻击者可以通过检查数据是否包含在数据集中,来推测用户的隐私信息。其次,推荐质量较低。本地化差分隐私通过引入扰动来保护用户隐私,但这种方法会导致扰动幅度过大和误差累积,进而影响推荐质量。在推荐服务器不可信场景下,本文提出一种基于本地化差分隐私的矩阵分解推荐算法。首先,该算法将评分数值和评分存在性同时作为隐私保护的对象,为用户提供全面的隐私保护。其次,本算法采用目标扰动方法,添加的噪声量不会随着迭代次数增加而增加,有效避免模型训练过程中噪声累积的问题,保证模型训练的有效性。最后,针对分布式场景下多轮迭代导致的中间参数泄露问题,以无放回方式将采样的模型梯度元素发送给推荐服务器,用于模型训练。本文从理论上证明了所提算法满足本地化差分隐私。对所提算法的效用分析证明本文算法在保证有效的推荐质量的同时,能够实现对用户隐私数据的保护。实验结果表明本文算法极大地提高了隐私保护推荐算法的性能,本文算法在公开数据集上的误差下降幅度平均可达18%,在推荐领域数据隐私保护中展现出良好的应用价值。

关键词： AGV   路径规划   改进A^(*)算法   改进动态窗口算法   融合算法  

摘要： 针对传统A^(*)算法和动态窗口算法在叉车式自主导航车(AGV)路径规划中搜索慢、冗余点多和灵活性差等问题,改进传统A^(*)算法和动态窗口算法;提出融合算法开展叉车式AGV的路径规划和避障研究,使其在规划全局路径的同时规划局部路径,实现兼具全局避障的最优路径规划。通过与4种算法的仿真实验结果对比,融合算法能够达到全局路径最优且轨迹平滑性最好,同等条件下能够减少5.73%路径长度和节约40.90%时间。

关键词： 机器人装配线平衡   双目标优化   非支配排序遗传算法   能耗  

摘要： 针对机器人装配线平衡问题,本文构建以最小化节拍时间和能耗为目标的数学模型,并提出了一种基于改进遗传算法的优化方法。首先,建立数学模型来描述机器人装配线平衡问题。其次,优化算法引入Pareto前沿排序、精英策略和拥挤距离计算等方法来提升算法的综合性能。最后,试验结果表明,本文算法在不同规模的实例问题中的优化效果均较好,与传统算法相比,本文算法效率更高,能耗更低。本文算法为提高装配线的生产效率和节能效果提供了新的解决方案。

关键词： 综合管廊   投资预测   机器学习   特征重要性  

摘要： 开展综合管廊工程投资预测对支撑综合管廊可行性论证具有重要意义。文章以在综合管廊投资中占比较大的土建工程费为研究对象,构建了包含98组综合管廊投资的数据集,建立了21个综合管廊土建工程费预测模型,获得了最优的预测模型。研究结果表明,构建的预测模型的确定系数在0.547~0.927之间,表现最好的预测模型为TPOP算法模型,其确定系数为0.927。研究成果发展并完善了综合管廊工程投资预测方法。

关键词： 樟子松   树皮厚度   预测精度   人工神经网络   支持向量回归  

摘要： 【目的】研究传统模型和机器学习算法预测樟子松Pinus sylvestris ***的树皮厚度,为树皮厚度的精准预测提供理论依据和实践指导。【方法】以大兴安岭图强林业局245株樟子松伐倒木数据为研究对象,构建6个传统模型(线性、非线性)和2种机器学习模型(人工神经网络ANN、支持向量回归SVR),同时比较不同自变量组合时机器学习模型的表现。【结果】(1)树皮厚度的拟合和检验结果均表明2种机器学习模型均优于传统模型,具体结果排序为SVR6>ANN6>M5;(2)SVR6的最优输入变量组合为胸径、树高、距离地面高度和相对高。与传统模型M5相比,SVR6的预测精度有明显提高,其中R2提高了12.66%,RMSE和MAE分别降低了17.71%和20.27%;(3)将数据划分为不同径阶组合分析各模型的预测精度时,发现2种机器学习模型(ANN6、SVR6)的预测效果均优于传统模型M5。其中,当树木为小径阶(5 cm≤DBH<15 cm)和大径阶(DBH≥25 cm)时,建议采用SVR6进行预测;当树木多为中等径阶(15 cm≤DBH<25 cm)时,建议采用ANN6进行预测;(4)比较各模型在树干不同高度的预测能力时,发现在相对高0~70%处,ANN6和SVR6的预测能力较优;在相对高70%~100%处,M5的预测能力较优。总体来看,ANN6和SVR6在大部分高度处的预测能力都优于M5。【结论】机器学习建模方法可以有效地提高树皮厚度的预测精度。相较传统模型,机器学习模型预测效果更优。其中SVR的拟合和检验效果最好,适合该区域树皮厚度的精准预测。

关键词： 光伏组件   Segformer   编码   解码   边界特征  

摘要： 针对光伏图像中光伏组件与复杂背景的边界特征模糊、难以区分的问题,提出一种基于Segformer的改进算法。在编码阶段,引入全新设计的block5模块用来解析更高级的语义信息;在解码阶段,引入LPCB(边界强化)模型用来识别更精确的边界特征,最终得到精确的分割结果。实验结果表明:改进后的光伏组件分割算法在光伏组件图像数据集上的分割效果优于经典的主流分割算法,可以对光伏组件区域进行有效分割。

关键词： 深度学习   自监督学习   小样本目标检测   广义小样本目标检测  

摘要： 深度学习技术在目标检测领域取得了巨大进展,但其优异的性能建立在大量精确标注的数据集之上。在样本稀缺的特定领域,如国防海上安全和医学等领域,获取具有标注的数据尤为困难。因此,小样本目标检测领域因其能够应对样本稀疏性所带来的挑战而得到学术界的广泛研究。该领域的研究目标是得到能够从极其有限的样本中提取知识并实现高效目标检测的算法框架。然而,由于新类样本的稀缺性,其与基类之间存在着显著的分布差异,导致了小样本目标检测任务的准确度受限。此外,在对模型应用新类进行微调的过程中,由于新类与基类的不重叠性,模型学习新类的特征知识的过程中会存在大量的梯度更新,导致基类的特征知识被遗忘的问题,从而降低模型的整体性能。针对新类别样本稀缺的问题,本研究采用自监督学习策略。自监督学习,无须依赖标注信息,便于构建代理任务以进行模型训练,是缓解小样本目标检测样本稀缺问题的有效方案。为了避免模型在学习新类特征知识后出现基类灾难性遗忘的问题,本文将自监督学习与两阶段的目标检测器相结合。通过在类别域应用潜在特征来表示各个类别的特征信息,通过动态更新策略在学习新类别的过程中进一步优化特征,并借助检测框域构建良好的代理任务提升回归框的精准度。本研究在PASCAL VOC数据集和MS COCO数据集上进行大量的实验验证,实验结果表明,无论是在新类性能方面还是总体性能方面,本研究所提出的方法相较于其他多个小样本目标检测模型均展现出更加优越的性能表现。