课程文献中心 更多>>

关键词： 水电站设备   虚拟现实   网络协同   检修培训系统   流程优化   鲸鱼算法  

摘要： 常规的水轮发电机组检修训练方式具有工作效率低下、周期较长、现场训练中存在一定风险等问题,检修效率很难提高,针对于此提出了一种水电站检修训练系统编码优化方案,通过基于虚拟现实技术的交互式虚拟检修训练系统,利用三维建模以及新颖的技术机制进行对水电站设备拆解的模拟。针对并行检修流程优化,引入离散鲸鱼优化算法,结合优先级保护和启发式变异机制,提高了检修流程的效率。该方法能够促进检修认知学习和流程规划,提高培训效率和检修质量。该研究为水电站检修人员培训和流程规划提供了创新思路,具有实用价值。

关键词： 萤火虫算法   电池管理系统   均衡策略   矿用锂电池  

摘要： 锂离子电池作为一种高效环保的能源存储解决方案,在矿用动力系统中的应用越来越广泛。然而,在煤矿和非煤矿山等严酷环境下,锂离子电池均衡问题日益凸显,如何确保大容量锂离子电池在严酷环境中安全快速均衡成为当前研究热点。针对这一问题,引入基于萤火虫算法的矿用电池均衡技术,实时均衡调控锂离子电池,从而在确保安全稳定运行的前提下实现智能均衡策略。通过试验验证,采用智能均衡算法后,电池模组的不均衡性得到了有效改善,提升了均衡效果,为解决锂离子电池电源不一致问题提供了较优的解决方案。

关键词： 角钢塔   攀爬机器人   碰撞检测   改进A*算法   运动规划  

摘要： 针对角钢塔作业机器人攀爬路径障碍多、运动效率低等问题,提出一种融合碰撞预测的三级改进A^(*)算法。首先,采用轴对齐包围盒碰撞检测算法,建立机器人夹爪和塔上障碍的避碰关系。然后,通过优化A^(*)算法的访问时间阈值和构建威胁函数进行自适应步长调整两种方式,提高算法运行效率;进而,在原有启发函数中引入碰撞威胁代价函数,避免机器人在攀爬过程中夹爪与角钢塔路径障碍发生碰撞;最终,三级改进A^(*)算法可实现运行时间减少12%以上、循环次数降低30%以上。在ROS和MATLAB联合仿真下,对比分析局部夹持点和全局夹持点序列,仿真结果表明,该算法可实现机器人的高效越障攀爬运动。

关键词： 目标检测   密集交通场景   EIOU   CBAM   K-means++  

摘要： 道路交通场景下目标检测任务往往由于物体相互遮挡、远处目标像素低等原因,导致检测精度低,出现漏检、误检等问题,为此提出一种改进YOLOv5s的交通场景密集目标检测模型YOLOv5-ECFK。首先,将边界框回归损失函数由CIOU替换为EIOU,提高模型评估预测框的准确性;其次,在主体网络结构中融合CBAM注意力机制,帮助网络在具有密集对象场景中找到注意力区域;然后,通过增加小尺度特征融合层和检测层,提升模型小目标检测精度;最后,使用K-means++算法重新聚类锚框,使生成的锚框更适合实验数据集,提升算法整体性能。实验数据集由公开数据集Rope3D和自制数据集联合组成。实验结果表明,最终改进算法YOLOv5-ECFK相比于YOLOv5s、mAP@0.5/%和mAP@0.5:0.95/%分别提升3.4%、2.7%,Precision和Recall分别提升3.5%、1.3%,最终改进算法对道路交通场景下的密集目标具有优秀的检测效果。

关键词： 深度学习   深度目标检测   多尺度目标检测   下采样策略  

摘要： 深度目标检测模型的性能优势主要受益于主干网络的特征表达能力,其中的下采样操作是执行语义集成的关键步骤。然而,现有下采样方法采用的小感受野机制,通常会导致采样特征存在全局性结构信息不足的局面。对此,提出了一种即插即用的双支路下采样方法(DPDM)。该方法采用附加大感受野采样支路的方式来改善主干网络对后期检测的支撑效果。在保留传统小感受野下采样操作的前提下,DPDM构建了一个兼顾效率的大感受野采样支路,来添加采样特征的结构性信息。该支路借鉴空间转深度操作,实现了常规小卷积核设置下的大感受野采样功能。双支路采样操作增加了采样多样性,但并未考虑两者之间的协同。因此,该方法随后采用通道拼接和逐点卷积技术,将两者进行了融合。以当前性能占据优势的YOLO系列模型为基准,在三个不同模型(YOLOX、YOLOv5、YOLOv6)及多个数据集上的实验对比,验证了该方法在改善检测精度上的效用。

关键词： 生成式人工智能   奇点   深度学习   深度理解   算法  

摘要： ChatGPT的成功引发了教育界对生成式人工智能广泛而又热烈的讨论。在此背景下,以深度学习为线索对生成式人工智能何以构成教育奇点予以追问,意在从前提上把握生成式人工智能之于教育的突破和局限。从深度学习的突破来看,生成式人工智能之于教育的深层价值在于擘画了指向算法决策的新方向、指向大模型的新范式、指向智能机器的新赛道;从深度学习的局限来看,教育极有可能因为生成式人工智能而面临不可知、不可用和不可信的风险。这对热衷求证生成式人工智能何以构成奇点的教育而言,仍不足以构成可谓确切的答案;但对试图诉诸更有深度的概念、问题、目的以创造奇点的教育而言,却不失为有益的启示。归根究底,与作为时下人工智能重要方向之一的深度学习相比,对人工智能跨领域、长时间、多层次、辩证性的深度理解更有可能引申出教育奇点。

关键词： 复杂网络   社区结构   算法研究   多层次分析   社群检测  

摘要： 在当今数字时代,社交网络、生物网络、信息传播网络等复杂网络已经成为了我们生活和研究的不可或缺的一部分。这些网络中隐藏着丰富的信息和结构,如何有效地识别和理解这些网络中的社区结构已成为一个备受关注的问题。本研究基于复杂网络的社区结构检测算法,旨在深入探讨社交网络、生物网络等复杂网络中的社群特征与结构。通过分析不同复杂网络之间的共性和差异,提出了一种多层次、多维度的社区检测方法,以更准确地刻画网络中的社群。该算法综合考虑了节点度、连接模式、信息传播等多个因素,从而提高了社群检测的准确性和鲁棒性。

关键词： 路径规划   多旋翼无人机   粒子群优化   自主探索   聚合适应度   动态多种群   自定义变种   参数自适应  

摘要： 针对传统粒子群算法(particle swarm optimization,PSO)存在的粒子更新思路单一、随机性受限、收敛速度慢和易陷入局部最优等问题,提出一种动态多种群自定义变种粒子群算法(dynamic multi-swarm customized variant particle swarm optimization,DMCVPSO),旨在更高效地完成复杂未知环境下的无人机(unmanned aerial vehicle,UAV)快速探索任务。首先,在综合考虑诸多限制因素后构建聚合适应度函数。其次,该算法根据每代粒子的适应度动态划分多种群,针对各子种群的特点引入不同的并行更新策略,引入莱维飞行、贪婪策略有利于优势群进行更加细密有效的搜索;采用概率性混合变异的策略降低劣势群探索的盲目性;融合余弦函数和自适应策略用于平衡混合群的局部开采和全局勘探能力。最后,通过数值仿真和三维可视仿真平台对该算法进行可行性验证。结果表明,所提出的优化算法有助于解决收敛速度过慢、陷入局部最优等问题,提高无人机在复杂未知环境中的探索效率。

关键词： 车辆检测   车辆跟踪   YOLOv8   ByteTrack  

摘要： 运动车辆的检测和跟踪是智能交通系统的关键技术之一,传统的车辆检测和跟踪方法存在着实时性差,易受背景环境干扰、车辆形态相似导致车辆误检等情况。为了解决这个问题,提出基于YOLOv8和ByteTrack的车辆检测和跟踪算法。在车辆检测阶段,针对模型结构复杂、计算量大等问题,将YOLOv8的骨干网络替换为轻量级的网络MobileNetV3,以减少模型的参数量和计算量,保证车辆检测和跟踪的实时性;针对车辆在摄像头拍摄过程中存在误检的问题,将YOLOv8检测头替换为DyHead动态目标检测头,可以更精确地识别目标车辆。最后采用改进YOLOv8检测算法和ByteTrack跟踪算法结合来完成多目标车辆跟踪,经实验证明,该方法在保证精度几乎不变的情况下参数量降低了45.0%,计算量降低了46.3%,证明了算法的有效性,改进后的模型有较好的实时性与跟踪准确率,满足实际的使用需求。

关键词： 部分拆卸线平衡   碳排放   多目标优化   多目标人工蜂群算法  

摘要： 拆卸线广泛应用于拆解报废产品,当前大多数的研究关注于废弃产品的完全拆卸,缺乏对拆卸利润和节省碳排放量等的研究。针对部分拆装线平衡,构建了面向利润、节省碳排放量和线平衡的多目标数学模型。为实现问题的高效求解,设计了改进多目标人工蜂群算法。该算法采取操作排序向量和拆卸零部件数量的双层编码,同时设计双层解码以分别处理优先关系约束和节拍约束。该算法雇佣蜂阶段采取邻域操作、跟随蜂阶段采取交叉操作以获得差异化的种群,同时侦察蜂阶段采取从永久帕累托前沿选择一个解来替换抛弃的个体以获得高性能的新解。为了测试改进算法的性能,该算法与原始多目标人工蜂群算法、多目标模拟退火算法、快速非支配遗传算法进行对比。测试结果表明改进策略有效提升了人工蜂群算法的性能,同时改进人工蜂群算法优于对比的算法,可实现多目标拆卸线平衡问题的高效求解。