课程文献中心 更多>>

关键词： 自适应激活函数   可重参结构   轻量化网络  

摘要： 经典轻量化网络的特征提取能力存在一定不足,在推理阶段几乎不引入额外计算的基础上,对可重参自适应激活函数进行研究,提出RepAct激活函数。RepAct的自适应可重参多分支结构通过不同特征信息的分支权重进行自适应学习,显著提升了轻量化网络的学习能力。在各经典轻量化CNN和ViT网络中,RepAct可以有效提升分类任务的精度。在ImageNet100上,MobileNetV3-Small的Top-1准确率提升了6.9%;在Cifar100上,MobileNetV3-Small的Top-1准确率提升了5.71%,超越了其他主流的激活函数。此外,通过GradCAM可视化,揭示了RepAct提升网络特征提取能力的原因。

关键词： 大数据   轨迹   路径优化   聚类   多跳中继  

摘要： 基于单兵移动轨迹进行行动预测和路径优化的方法被提出。以智能化单兵多跳中继通信系统为前端,获取单兵的轨迹数据并实时传回到指挥控制后台,在后端综合运用数据存储、轨迹预处理、标记任务点、聚类点分析、轨迹分段等实现轨迹数据管理,最后,采用相似性度量算法等开展了最优路径求解计算。结合地试验数据,经验证,表明绘制的轨迹图与实际行动相符,优化后的路径具有距离短、信号覆盖率大等特点,有实际应用价值。

关键词： YOLOv8   深度学习   计算机视觉   神经网络   目标检测  

摘要： 采摘机器人可以提升效率降低成本。多数采摘机器人使用YOLOv5/v7算法,但这些算法在识别成熟度上有局限,易误采。为此,基于YOLOv8算法并对其进行改进,可以提高成熟度识别准确性,通过对由西红柿制成的数据集为样本进行实验分析,实验结果采用混淆矩阵、精确置信曲线、F1置信度曲线、召回置信度曲线,及其标签图像等指标来反映实验结果。改进后识别率最高达91.4%,优于原YOLOv8的86%。同时该系统具有较高的通用性,后期可以整合到采摘机器人中。

关键词： 未爆弹检测   YOLOv7   E-ELAN-P   CARAFE   Hardswish  

摘要： 针对探测手雷未爆弹存在设备昂贵、操作复杂和误报率高等缺点,提出构建未爆弹数据集Grenade-UBD,改进YOLOv7算法检测未爆弹。主要进行了三方面的改进:一是主干网络使用基于部分卷积改进的E-ELAN-P模块替代原始的E-ELAN模块提高特征提取能力;二是颈部网络中使用CARAFE模块替换UpSample模块来提高特征表达能力;三是替换激活函数为Hardswish提高计算效率和模型表现能力。通过消融实验,对比三种改进,改进后的YOLOv7_grenade算法在精确度、召回率、平均准确度方面分别比原始YOLOv7算法提高了10.4%、5%和5.3%,检测速度保持在52帧/s,参数量也有所减少。

关键词： 北斗定位算法   船舶航行参数   空间分析算法   通航路线预判  

摘要： 文中提出基于电子围栏与北斗定位算法的船舶偏航预警技术研究.有效融合电子围栏与北斗定位算法获取船舶轨迹数据,基于MapReduce制定与预处理船舶轨迹数据,通过长短期记忆网络预判船舶到达的下一个路段,计算船舶下一航迹点位置与海上风场区域边界的距离,判定船舶是否误入海上风场,若船舶误入风场,及时预警.结果表明:提出技术应用后获得的船舶通航路线预判结果与实际船舶通航路线保持一致,船舶偏航预警精度最大值为98%,充分证实了提出技术应用性能较佳.

关键词： 船载称重   称重传感器   BP神经网络   水产品加工  

摘要： 为解决称重传感器在船载状态下稳定性和称重精度差的问题,研究了船舶摇摆对四臂桥电阻式称重传感器输出的影响。获取单体鱼在横倾角度(0°~22.5°)和纵倾角度(0°~10°)的质量数据,对称重传感器输出质量和倾斜角度进行多元回归分析。构建多层级BP神经网络架构,架构为4层前向反馈[3-8-1-1]BP神经网络,使用BP神经网络进行预测并用训练模型来调整参数,使其能准确预测鱼的质量,并进行算法补偿方法研究。结果显示:不同原料质量下,最优线性方程中所估测的多元回归系数均达到显著水平(P<0.01),表明所建立的线性回归方程具有较高的可靠性和良好的线性度,回归分析和有限元分析的结果一致。利用所建立的BP神经网络模型构建船载瞬时称重数据补偿方法,通过船舶横纵倾斜角度来预测实际质量值,BP模型对横倾、纵倾单一作用下,以及复合作用下称重数据的变化均表现出较好的有效性、高精度和较好的泛化能力,BP模型补偿后误差率降低至0.092%,非常接近水平状态下的质量值,误差率低。该研究成果可为船载条件下水产品称重提供参考。

关键词： Q学习算法   因果模型   因果推断   混淆因子   后门调整  

摘要： 提升Q学习(Q-learning)算法在复杂环境中的数据效率与决策准确度,无疑是算法性能优化所面临的关键挑战。将因果模型引入Q学习算法,通过揭示变量间的因果关系,从而提高Q学习算法的性能是新兴且热门的研究方向。该文提出一种基于因果模型的Q学习算法,C-Q学习(Causal-model based Q-learning)算法。该算法包括基于智能体利用Q学习算法与环境交互过程中关键变量之间的因果关系,构建结构因果模型;采用因果推断理论中的后门调整的方法去除模型中影响奖励的混淆因子所引起的混淆效应,评估了更为准确的Q值,并且精准识别出每个状态下可能获得最高奖励的动作,优化Q学习算法的动作选择过程。最后,将Q学习算法、Eva-Q学习算法、C-Q学习算法在栅格环境中进行仿真实验。仿真实验结果表明,C-Q学习算法在路径长度、规划时间、数据效率和决策准确度等多个指标上均优于其余两种算法。

关键词： 算法伦理   数据伦理   算法不公正   数据不公正  

摘要： 数据不平等是数据不公正的关键因素,它包括数据可及不平等、数据代表不平等和数据控制不平等,其中数据控制不平等引发和促进数据可及不平等和数据代表不平等,是数据不平等的集中体现。数据控制不平等直接导致数据所有权的不平等,进而引发与数据相关的人格权和民主权的不平等。当算法与不公正的数据结合时,便产生算法的分配不公正、承认不公正和代表不公正等问题。因而,应构建基于数据平等的算法公正论,倡导数据化平等、数据访问平等和数据共享,追求数据可及平等;坚持数据代表在质和量上的平等和最小伤害原则,追求数据代表平等;从基于数据权利和规范数据权力两条进路着手,追求数据控制平等,引入原则主义和社会实验的方法促进数据平等。

关键词： 轴承热处理炉   量子粒子群算法   热传导反问题   小波滤噪  

摘要： 针对目前轴承热处理炉缺少传热反演分析算法的问题,以一维非稳态热传导方程作为传热数学模型,采用量子粒子群随机优化算法(quantum particle swarm stochastic optimization algorithm, QPSO)对该热传导反问题(inverse heat conduction problem, IHCP)中的传热系数进行加入随机噪声的反演计算。根据算法仿真结果分析,QPSO优化算法在解决热传导反问题时表现出较高的精确度。同时,在加入小波滤噪算法后,反演算法的抗噪性得到显著提升。

关键词： 低轨卫星   时隙划分   资源分配   深度强化学习   优先级调整  

摘要： 针对低轨(LEO)卫星在多波束场景下的资源分配问题,由于在实际卫星通信环境中,波束间信号的干扰和噪声等因素复杂多变,常规的子载波动态分配算法无法动态调整参数以适应通信环境的变化。通过结合传统的通信调度算法与强化学习技术,以最小化用户丢包率为目标,动态调整用户调度情况并动态分配整个卫星通信系统的资源以适应环境的变化。通过时隙划分离散化LEO卫星的动态特性模型,并根据LEO卫星资源分配场景的建模提出一种基于深度强化学习(DRL)的资源分配策略。通过调整卫星调度的排队情况,增加大时延用户的调度机会,即调节单颗LEO卫星各个波束中的资源块以对应用户的资格性,从而在保证一定公平性的同时,降低用户丢包率。仿真实验结果表明,在满足总功率约束的条件下,所提出的基于深度强化学习的资源分配算法(DRL-RA)中的用户传输公平性和系统吞吐量比较稳定,且DRL-RA中时延较大的用户因优先级提升而获得了更多的调度机会,而DRL-RA的数据丢包率相较于比例公平算法和最大负载/干扰(Max C/I)算法分别降低了13.9%和15.6%。可见,所提算法有效解决了数据传输过程中丢包的问题。