课程文献中心 更多>>

关键词： 主瓣干扰抑制   自适应波束形成(ABF)   空间谱估计   迭代自适应方法(IAA)   阻塞矩阵预处理(BMP)  

摘要： 为研究多主瓣干扰抑制，提出了一种基于迭代自适应法（IAA）与阻塞矩阵预处理（BMP）的新方法。为克服常规自适应波形（ABF）方法存在的缺陷，提出了应用IAA算法进行空间谱的准确估计与干扰源到达方向（DOA）的准确估计，其中主瓣干扰分量主要通过方向导向矢量(SVs)之间相干系数的计算进行识别，并利用阻塞矩阵预处理BMP进行剔除。利用IAA算法进行旁瓣干扰与噪声协方差矩阵重构，从而实现更优ABF与剩余干扰抑制。仿真结果表明，无论在非相关或相干干扰环境下，所提方法与常规基于BMP或特征投影向量EMP预处理的方法相比均具有更优性能。

关键词： 超滤反渗透过程   反冲洗效率   水力膜阻力   反向传播神经网络  

摘要： 本文面向污水反渗透给水预处理中超滤性能动态过程，提出一种基于训练质量的AdaBoost策略和基于Alopex进化算法的多模态神经网络机器学习方法。首先，本文构建了一类适用于任意分布的广义贝叶斯推断概率指标对超滤反渗透污水处理过程中过滤和反洗等多模态状态进行分类，然后使用基于Alopex进化算法和基于分布的AdaBoost集成策略的神经网络算法针对每一个模态过程分别建模，最后利用构建的每个模态的基于广义贝叶斯推理的概率指标，将多模态的多个模型集成。为了验证本文提出的方法的有效性，将该方法应用到美国某社区采集的两年数据集中，提出的方法针对膜阻力和反洗效率具有很好地预测性能，能够很好地预测预期水质变化性能。

关键词： 输电线路   防振锤   缺陷检测   多尺度目标   特征融合   注意力机制  

摘要： 利用无人机对输电线路进行巡检的过程中，航拍的防振锤图像目标尺度多变且背景复杂，容易导致漏检、误检。为此，针对现有目标检测算法在复杂背景和多尺度目标检测方面的局限性，提出了一种基于改进YOLOv8的防振锤缺陷目标检测算法。首先，为了增强模型的多尺度特征提取能力，提出多尺度特征提取（MSFE）模块，有效扩大模型的感受野；其次，为了在多尺度特征融合过程中抑制复杂背景的干扰，设计空间金字塔核注意力（SPKA）模块，提升模型对目标的全局感知能力；最后，由于小尺度目标在图像中容易被忽略，在网络中增加丰富小目标语义信息的特征层（STSIL），提高小目标缺陷检测能力。对比实验中，改进算法与基线模型YOLOv8s相比mAP50提升了5.7%，防振锤正常、倾斜、掉落的AP50分别提升了3.4%、4.5%、9.2%，证明了改进算法对防振锤缺陷检测的有效性与先进性，且其应用将有助于保障电力系统的安全可靠运行。

关键词： 白鲸优化算法   抢食白鲸   高斯扰动   凸透镜成像   工程应用  

摘要： 针对白鲸优化算法搜索效率不足、易陷入局部极值的问题,提出增强型白鲸优化算法(enhance beluga whale optimization,EBWO)。加入基于权重的抢食型白鲸并应用于算法的开发阶段,丰富该阶段的位置更新方式,利用贪婪机制选择更优位置,提高解的质量;引入自适应高斯策略对鲸坠阶段的白鲸局部扰动,使其调整至最优位置附近,加快算法的收敛速度;使用凸透镜成像学习策略对信息分享后的位置做反向处理,提高算法跳出局部最优值的能力。通过对10个基准测试函数和CEC2020测试集的寻优对比分析,以及Wilcoxon秩和检验可知,EBWO的寻优速度和收敛精度都得到较大提升。为了验证EBWO算法的实用性和可行性,将其应用到减速器和压力容器工程设计的求解,通过试验分析可知,EBWO算法在解决实际优化问题上具有一定的优越性。

关键词： YOLOv8n   注意力机制   轻量化   深度学习   路面缺陷检测  

摘要： 针对现有道路损伤检测方法检测精度不足，难以兼顾模型规模和精度的问题，提出了一种路面损伤实时检测算法YOLOv8-Pavement defect(YOLOv8-PD)。由于YOLOv8网络在快速目标检测拥有显著成效，将其作为改进的基准网络。首先，在骨干网络上，在YOLOv8特征提取模块C2f上融合ECA注意力机制，能够更好提取图片特征和关注重点对象；此外，在颈部结构引入LightConv结构进行轻量化，最后，针对坑洞(D40)检测不理想的情况，加入小目标层和加权特征融合，加强对于小目标坑洞的检测效果。实验结果表明，在RDD2022路面损伤数据集上，YOLOv8-PD比原算法YOLOv8n在m AP50-95上提升了5.67%，在m AP50上提升了3.06%，在T4上FPS上达到了71FPS，满足实时检测的需求，与YOLO等主流算法相比，算法在精度上超越了所有的YOLO系列的轻量级模型，证明了改进算法的有效性。

关键词： SOLOv2   随机深度   AdamW   ResNet   实例分割  

摘要： 针对拾球机器人原有SOLOv2算法中残差网络存在的训练耗时严重、梯度消失和过拟合等问题，提出基于随机深度与AdamW优化SOLOv2的图像实例分割方法。基于随机深度算法的ResNet 网络，在模型训练时剔除冗余的残差块，有效提高训练效率；采用AdamW优化算法自适应地调整改进SOLOv2网络中各参数的学习率，通过权重衰减优化网络的正则化项，防止系统过拟合，并在自定义COCO数据集的图像实例分割为例进行实验验证。实验结果表明，与经典SOLOv2算法相比，改进的SOLOv2算法实例分割精度达到了73.7%，提升了12.35%，有效缩短了模型训练时间，提升了模型识别的鲁棒性，实现机器人自动取球与放球功能。

关键词： 电力巡检   无人机   充电续航   路径规划   双Q学习   强化遗传算法   参数调优  

摘要： 针对以机巢为充电站的无人机电力巡检路径规划问题，以最小化无人机执行任务总时间为目标构建数学模型，设计了一种强化遗传算法来求解该问题。在该算法中，提出了基于贪婪的种群初始化算子和基于split的可行解生成算子，并将遗传算法参数调优过程建模为马尔科夫决策过程，基于强化学习double Q-learning设计了交叉概率和变异概率的动态调优策略。在数值实验中，与Gurobi求解器、经典遗传算法、基于精英保留的遗传算法、差分进化算法的对比结果表明，该算法在求解质量和求解速度方面均具有显著优势。同时，在案例分析中与现有巡检策略进行对比进一步验证了该算法在实际场景中的应用效果。

关键词： 煤矿监控检测   不安全行为识别   目标检测   自注意力机制   融合边界框损失函数  

摘要： 我国煤矿工业建设已逐步转化为智能化模式，采用深度学习算法识别煤矿监控视频中矿工不安全行为具有十分重要的意义。但煤矿井下环境恶劣，提取矿工行为特征干扰大，目前目标检测算法存在精度低，计算量大的问题。针对这些挑战，本文提出了一种融合自注意机制的矿工行为识别模型CMFA-YOLO，采用ConvNeXt V2模块来替代原有YOLOv8n中的C2f模块，实现了Transformer思想与目标检测领域的完美融合，有效降低了模型计算量。进一步采用融合边界框损失函数MF-IoU(MPD-and-Focaler IoU)提高模型的精度。此外引入了自适应空间相关性金字塔注意力ASCPA，配合ConvNeXt V2发挥模型最佳效果。经过多项实验结果显示，CMFA-YOLO在煤矿视频监控场景下的检测精度达到99.0%，为煤矿场景下的异常行为检测任务提供高精确算法。