课程文献中心 更多>>

关键词： 制导   前置角   滑模控制   GA-BP   数据预测  

摘要： 对于导弹精确制导任务，提出一种基于GA-BP最优前置角的分段改进滑模控制算法。首先，针对固定前置角滑模控制依赖前置角数值且难以预先确定的问题，建立了一个GA-BP神经网络，用于估计具体任务模型下的最优前置角。然后，根据剩余时间的估计值设计分段滑模趋近律，得到分段改进滑模控制算法，以期提高制导控制过程的鲁棒性。进而，构成完整的基于GA-BP最优前置角的分段改进滑模控制算法。对算法进行了仿真分析，结果表明：相较固定前置角的滑模控制算法，本算法总体来说平均可以减少约5%的任务时间和12%左右的总体过载，最高可以减少30%的任务时间，具有更高的优越性。

关键词： 网络约束机组组合   混合整数规划   割平面   诱导函数   求解效率  

摘要： 随着新能源渗透率的提高，电力系统线路与断面越限、备用不足等风险增大。在电力系统调度优化中，这一变化体现为系统约束不易满足，导致网络约束机组组合求解效率显著降低，需要通过割平面方法进行提速。目前针对系统约束的割平面生成效率低下，加速效果不佳。本文提出一种通用的针对系统约束的割平面生成方法。该方法借助混合整数规划的割平面生成功能，通过快速求解小规模诱导模型，针对系统约束自动推导有效割平面。算例测试表明所提方法加速效果显著且稳定，且该方法自动化程度高，通用性强，具有良好的工业应用前景。

关键词： 人体关键点检测   多尺度特征提取   跳远检测   注意力机制   轻量化网络  

摘要： 人体关键点检测在运动行为识别、人机交互等领域的应用越加广泛。为进一步提高人体关键点检测的精度，减少计算量和参数量，本文以跳远运动为例，提出了一种多尺度特征提取的关键点检测算法，并结合算法实现智能距离检测。首先，提出LJDataset数据集填补目前跳远运动数据集的局限。然后，基于YOLOv8训练框架提出一种参数量低、计算量小的新模型SRMpose：使用StarBlock搭建骨干网络，提出MRB、半耦合检测头SRMhead模块提取特征，引入轻量化采样算子ADown和DySample提高特征图的处理效率。最后，在LJDataset、MPII、COCO数据集上进行实验验证。结果表明，与YOLOv8n-pose相比，SRMpose模型分别在三个数据集的mAP50和mAP50:95分别提高了2.5%和1.6%、2.1%和1.2%、1.9%和1.2%，参数量提高了8%，GFLOPs减少了33.7%。此外模型在COCO、LJDataset数据集上与YOLOv8s相比，参数量减少了48.3%，GFLOPs减少了59.5%，而mAP50分别降低了1.4%和提升了0.3%，证明了在保证性能的前提下有效减少了模型参数和计算量。同时在LJDataset数据集将模型验证数据集调整为COCO验证集，结果表明与YOLOv8s性能差距小于1%，证明了SRMpose的综合性能优势和泛化能力，也表明了LJDataset数据集具有一定的复杂度，可以有效的完成综合关键点检测任务。

关键词： 电容层析成像   图像重建   卷积神经网络   Unet网络   线性反投影  

摘要： 针对多边形物体的电容层析成像（ECT）重建图像存在伪影、边界模糊问题，提出了一种基于PECA-Unet的ECT图像重建算法。该网络由多个双卷积残差块组成，并在双卷积残差块中添加并行通道注意力模块以融合更多的特征尺度。该网络对LBP反演结果进行特征提取与细节恢复得到反演物体边界清晰的ECT重建图像，并在COMSOL和MATLAB构建的多边形数据集上进行训练集训练和测试集评估。仿真测试集与静态实验结果均表明，5个数据集的平均相关系数与LBP算法相比提升30.4%、与Landweber算法相比提升22.8%，与DeepLabv3算法相比提升6.3%。

关键词： 植物病虫害检测   深度学习   卷积神经网络   多尺度卷积   自适应空间卷积   特征聚合   农业自动化  

摘要： 针对现代农业中植物病虫害检测所面临的多尺度特征和复杂背景处理难题，本文提出了一种高效且精准的检测模型AgriSwin，以提升农业病虫害检测的精度和效率。AgriSwin模型在Swin Transformer的基础上，融合了扩张特征聚合模块与自适应空间卷积模块。扩张特征聚合模块通过不同扩张率的卷积层实现多尺度特征提取，并利用全局特征信息的自适应加权机制优化了特征融合效果。自适应空间卷积模块则通过生成自适应权重，对特征图进行动态加权，从而在复杂背景下增强局部和全局信息的捕捉能力。实验结果表明，AgriSwin模型在PlantDoc、PlantVillage和自建数据集上的检测精确率分别达到79.65%、99.90%和95.08%。此外，该模型的参数量比Swin Transformer-T减少了25.63%，在保持高精确率的同时显著降低了内存和计算资源的占用，展示了在大规模农业应用中的广泛潜力。

关键词： 图像去模糊   空间结构   YUV颜色空间   图卷积网络(GCN)   图结构   深度学习  

摘要： 图像去模糊需要在保留空间细节的同时确保高层次的上下文信息的平衡.针对模糊图像中的空间结构破坏,上下文信息扭曲以及RGB图像中的通道间强相关性造成的颜色不平衡等问题,本文提出一种基于YUV颜色空间和图卷积网络(GCN)的图像去模糊算法(YUVGCR).首先,设计了用于图像去模糊的YUV与RGB颜色空间转换算法,以解决RGB通道间强相关性的问题.然后,利用GCN可以将特征图转换为预生成图的顶点,对特征图进行图卷积,从而合成构建图结构的数据.通过这样做,可以隐式地将图拉普拉斯正则化应用于特征图,使其更加结构化.实验表明, YUVGCR的PSNR为36.21 d B,比先进算法提高了2.93 dB.可视化去模糊结果可以看出, YUVGCR能产生更清晰的边缘和细节,图像去模糊的整体性能获得较大提升.

关键词： 手势识别   YOLOv5   复杂背景   实时识别  

摘要： 手势识别是人机交互中的关键技术。传统实时手势识别模型对光照变化、复杂背景等干扰因素适应性不强，所用分类数据集仅包含特定手势，在实际应用中泛化能力不足。针对以上问题，提出背景优化的二阶段静态手势识别算法。在检测阶段，采用YOLOv5s(You Only Look Once version 5 small)作为检测网络，利用其定位能力快速检测手部位置。在识别阶段，首先，利用背景与传感器热噪声对分类数据集进行增强，设计背景优化预处理算法，提升模型对复杂背景的适应性；然后，将VGG-16(Visual Geometry Group-16)作为识别网络的原型，增加归一化层并替换激活函数以加速收敛并防止过拟合。实验中，模型可以在多种干扰下提取图像特征，准确率达到97.9%,F1值达到92.3%。实验结果表明，模型对复杂场景的适应能力高于经原始分类数据集训练后的传统模型，具有更高的实际应用价值。

关键词： 特征选择   稀疏学习   层次树结构   正交约束   递归正则化  

摘要： 在大数据时代，数据正呈现出指数级增长趋势。数据间的类别层次结构使得分类学习任务更有效率。现有的分层分类特征选择算法未充分体现出类内特征的判别性，因此本文提出了一种基于正交约束和最大化类内特征判别性的分层分类特征选择算法（Hierarchical Classification Feature Selection Algorithm Based on Orthogonal Constraints and Intra-class Maximum feature discriminability,HFSOC）。该算法在使用稀疏正则化项去除不相关特征后，利用改进后的正交约束公式来度量类间独立性，并将每个内部节点特征矩阵的各个列向量互相正交，以提高类内特征的判别性。最后，利用递归正则项优化输出特征权重矩阵。实验结果表明，本文所提算法在5个数据集上取得了一定的效果，其分类准确率在DD数据集上相比于HFisher算法提高约17%，在F194数据集和CLEF数据集上相比于HFSNM算法均提高约10%，在ILSVRC数据集上相比于HFSNM算法提高约1%。

关键词： 水光互补   强化学习   DDPG   优化调度   影响因素  

摘要： 【目的】水光互补优化调度中光伏出力具有波动性、随机性、间歇性等特点，其求解空间通常较高维、复杂且为连续空间，水光互补优化调度问题中涉及的多种连续控制决策问题；【方法】深度强化学习算法中的DDPG算法适合处理求解空间连续、复杂的问题，首先对水光互补问题进行强化学习建模，并基于水光互补机理考虑需调、可调概念设置环境、动作、奖励函数与惩罚函数，采用DDPG算法进行优化。对比分析只使用初始DDPG算法和遗传算法的优化结果，讨论模型的适用性和有效性。以澜沧江上游大型水光互补基地为例，设置三个梯级水电站配置方案，三种水文代表年，开展实例研究；【结果】（1）采用DDPG算法运行速度较快，在考虑需调、可调水光互补机理建模后光伏消纳电量达到129.93亿kWh，为三种模型最高。（2）来水越枯，光伏消纳能力越强；梯级水电站装机862万kW时，平水年到枯水年光伏消纳能力只提高1%，此时能够最大限度利用水电系统的互补能力。（3）在丰水期的光伏消纳能力较低，三个方案光伏消纳率分别为77.43%、79.85%、89.39%；【结论】深度强化学习算法在水光互补优化调度中展现出快速收敛的优势，将“需调”和“可调”机理融入强化学习建模能够显著提升光伏消纳效果，实现更优的资源利用，有效提升了水光互补系统的运行效率与光伏电量消纳能力。该方法在清洁能源基地的容量配置和运行调度领域有较好效果，为后续清洁能源系统的扩展应用奠定了理论与实践基础。

关键词： 冲击响应谱(SRS)   时域波形合成   粒子群算法(PSO)   空间邻域驱动策略   自适应学习机制  

摘要： 针对冲击响应谱(shock response spectrum,SRS)试验过程中,试件受非线性、局部共振等因素影响导致控制易出现局部超差,需多次修正迭代时域基波波形参数的问题,通过分析冲击响应谱试验结果主要影响因素及变化机理,提出基于自适应学习的空间邻域驱动策略粒子群算法(particle swarm optimization based on learning spatial neighborhood driven,PSO-LSN)。根据粒子邻域相似性增强局部空间搜索能力,共享最优位置与速度信息,并结合自适应学习机制调整更新步长,实现对基于合成基波法的冲击响应谱时域波形合成优化。结果表明,基于PSO-LSN算法的时域波形合成在迭代前期对决策域空间有着较好的全局搜索能力,随着迭代次数的增加,其局部精细搜索能力明显提升,可获得高精准度的仿真计算结果,有效验证了算法的准确性和实用性,可为进一步提升冲击响应谱时域波形合成计算精度提供支撑。