课程文献中心 更多>>

关键词： 轻量化   无人机图像   YOLO   Transformer  

摘要： 在无人机检测领域,由于航拍任务对机载系统的严格限制,导致机载微处理器在存储和计算能力上存在显著的局限性。针对这一挑战,以YOLOv8作为基础模型,首先,借鉴轻量化卷积操作在减少模型参数数量方面的显著优势,将主干网络卷积块中的普通卷积替换为可分离卷积,并探索出一种结合轻量化卷积操作的结构块,保留C2f结构块丰富梯度流优势的同时缩小计算参数,两者交替构成新的主干网络结构,从而有效降低网络的规模和计算复杂度。此外,提出一种以Transformer解码器为基础优化后的轻量化全局感知组件,弥补轻量化网络设计导致的特征信息损失,实现特征的全局聚合。优化调整后的模型,参数量显著减少,检测精度有所提升,验证了模型设计的优越性。

关键词： 汽车保险杠   喷涂质量   颗粒   桔皮   决策树   质量控制   CART算法   影响因素  

摘要： 为提高林业运输车辆的保险杠喷涂合格率,以某公司汽车保险杠的涂装质量数据为例,运用排列图对涂装质量数据进行分析得出颗粒、桔皮属于影响喷涂质量的主要因素。从人、机、料、法、环5个方面分析产生颗粒、桔皮的主要原因,并采用斯皮尔曼(Spearman)相关系数进行特征提取以及重要性分析,得出喷漆房的温度、喷漆房相对湿度、机器人喷涂流量、旋杯转速、喷涂距离、喷涂速度、漆的品牌、机器人(机器①、机器②、…、机器⑥)均会影响保险杠的喷涂质量。运用决策树(classification and regression tree,CART)算法确定喷涂流量、喷漆房的温度、喷漆房相对湿度、机器人②和机器人④、漆的品牌是影响保险杠喷涂质量的较为关键的因素。结果表明,利用CART分类算法对喷涂质量数据进行分析能够实现对故障点的判别,对于提高保险杠喷涂质量具有借鉴意义。

关键词： 蕴涵算子族L-λ-Π   模糊推理   反向三I约束算法   α-反向三I约束算法  

摘要： 针对带参数蕴涵算子族L-λ-Π给出模糊推理FMP模型的反向三I约束算法的下确界计算公式和FMT模型的反向三I约束算法的上确界计算公式,并进一步得到其一般化的α-反向三I约束算法的FMP(FMT)下(上)确界的计算公式。

关键词： 人工智能算法   伦理风险   伦理规制  

摘要： 目前,人工智能算法已经深度嵌入人类的生产活动和日常生活的毛细血管,其自主性引致的非确定性,促使不可解释性和不可预测性成为算法伦理的难题;其在应用场景中引发的算法偏见、算法歧视和个人隐私保护等,也形成了一定的伦理风险。同时,人工智能算法的复杂性深刻挑战了传统的伦理规则体系,造成了算法的归责性难题。因此,有必要通过增进人工智能算法的确定性、推动人工智能算法的科学应用、明确人工智能算法的责任主体、构建一定的容错空间、回归人工智能算法技术本身等方面加以规制,从而推进人工智能算法的良善发展。

关键词： 深度学习   计算机视觉   YOLOv8   缺陷检测  

摘要： 针对当前钢材缺陷检测中目标特征复杂导致检测精度较低的问题,提出了一种基于改进YOLOv8n的钢材缺陷检测算法GOS-YOLO。首先,使用由轻量级卷积GSConv构建的Slim-neck范式作为特征融合网络,在减小模型参数量的同时提高精度。其次,将骨干网络的部分C2f模块替换为与全维度动态卷积(ODConv)相结合的C2f_ODConv模块,以实现模型的多维特征关注进而提高模型的精度。最后,将结合了多分支结构与压缩和激励操作的SENetV2注意力机制嵌入颈部网络,增强模型对复杂特征的提取能力。实验结果表明,在NEU-DET数据集上,GOS-YOLO的R、mAP50、mAP50~95较YOLOv8n分别提高了3.3%、1.7%、2.3%。在VOC2007数据集上mAP50~95提高了1%,FLOPs降低了16%。

关键词： 移动机器人集群   导航方法   分组聚集   灰狼优化算法   有限感知  

摘要： 为了应对多个混合移动机器人集群在进行分组聚集时速度慢、成功率低等问题,设计了一种基于群体智能优化算法的分散式的分组聚集导航方法,使得每个机器人只利用有限感知范围内其他机器人的信息,结合灰狼优化(GWO)算法的原理来计算其与同组其他机器人进行聚集的首选导航速度。在确定每个机器人可利用的局部信息时,根据各组机器人的信息共享意愿,分为不同组之间相互合作和相互独立两种情况分别进行设计,从而实现了对原始的集中式GWO算法的分散化处理与应用。进一步对原始GWO算法进行改进,通过采用非线性收敛因子来提高机器人的前期探索能力,从而增大与同组成员的相遇概率,最终提高分组聚集的成功率。为了避免移动过程中机器人之间发生相互碰撞,利用分散式的最优互惠避碰(ORCA)算法对每个机器人的首选导航速度进行修正。仿真结果显示了所设计的不同分组聚集导航算法的有效性,并且相较于现有的基于粒子群优化(PSO)算法的分组聚集方法,所设计的各算法均具有更高的成功率、更快的收敛速度及更强的稳定性。

关键词： 无人机   可重构智能表面   波束赋形   分式规划   流形优化  

摘要： 为提高复杂城市环境中无人机(UAV)集成可重构智能表面(RIS)构成的RIS-UAV中继通信系统的频谱效率,研究了定轨迹RIS-UAV中继通信系统的最大化系统下行和速率问题,构建了一个联合主被动波束赋形的多变量非凸优化问题。为了解决该问题,设计了一种基于分式规划(FP)的流形优化的低复杂度交替优化双重循环算法。首先,通过FP算法将问题化简;其次,利用标准凸优化算法设计基站主动波束赋形,利用流形优化算法设计RIS被动波束赋形;最后,通过内外双重循环交替迭代优化直至收敛。仿真结果表明:所提算法与经典方案对比具有较好的收敛性和较低的复杂度,且在最大发射功率为20 dBm时,和速率比随机相位方案实现大约6 dB的增益。此外,RIS采用3 bit离散相移时系统和速率性能与连续相移近似。

关键词： 新就业形态   人工智能   法律规制   劳动者   算法  

摘要： 数字化、网络化、智能化的发展催生了新就业形态,人工智能在新就业形态中广泛运用于智能调度、智能管理、智能语音交互、智能客服、智能物流和虚拟直播等领域。人工智能在为新就业形态赋能的同时,也引发了诸多法律挑战。人工智能对新就业形态劳动者的算法控制,对劳动者、消费者等隐私和个人信息权益及其他人格权和财产权的侵害,以及人工智能与新就业形态劳动者的竞争等难题亟需法律作出回应。基于此,在宏观层面,新就业形态中人工智能治理需遵循多项基本原则、平衡多方主体的利益、形成多元规范合力;在微观层面,结合立法论与解释论的工作,通过算法规制、人工智能侵权责任主体和归责原则的厘清、法律保障人工智能辅助作用的充分发挥等,相应的具体问题也能够迎刃而解。通过宏观与微观措施的合力,共同保障新就业形态劳动者的合法权益,促进新就业形态的产业发展。

关键词： 边缘计算   知识蒸馏   客户端   软标签   硬标签  

摘要： 针对边缘计算环境中参与联邦学习的客户端数据资源的有限性,同时局限于使用硬标签知识训练模型的边缘联邦学习算法难以进一步提高模型精度的问题,提出了基于知识蒸馏的边缘联邦学习算法。利用知识蒸馏对软标签信息的提取能够有效提升模型性能的特点,将知识蒸馏技术引入联邦学习的模型训练中。在每一轮的联邦学习模型训练过程中,客户端将模型参数和样本逻辑值一起上传到边缘服务器,服务器端聚合生成全局模型和全局软标签,并一起发送给客户端进行下一轮的学习,使得客户端在进行本地训练时也能够得到全局软标签知识的指导。同时在模型训练中对利用软标签知识和硬标签知识的占比设计了动态调整机制,使得在联邦学习中能够较为合理地利用两者的知识指导模型训练,实验结果验证了提出的基于知识蒸馏的边缘联邦学习算法能够有效地提升模型的精度。

关键词： 微电网优化调度   鲸鱼算法   Tent映射   正弦余弦算子   Levy飞行  

摘要： 微电网优化调度是消纳间歇性分布式能源的有效技术手段,为实现微电网经济和环境优化的双重目标,建立了包含光伏电池、风机、微型燃气轮机、柴油发电机以及蓄电池的微电网优化模型。模型采用改进的鲸鱼算法求解,针对传统鲸鱼算法存在着收敛速度慢、易陷入局部最优解的问题,采用Tent映射初始化种群、加入正弦余弦算子改进鲸鱼算法中气泡网攻击阶段、引入Levy飞行增强全局搜索能力3个方面改良算法。将改进后的鲸鱼算法应用到微电网中,同时与传统粒子群、基础鲸鱼算法对比,结果表明混合正余弦算子改进鲸鱼算法具有更快的迭代速度和更优的经济性,对微电网优化调度问题有良好的求解效果。