课程文献中心 更多>>

关键词： 混合流水车间调度   可重入   分层优化算法  

摘要： 为了应对半导体生产中可重入混合流水车间调度问题，传统算法在种群多样性不足时容易陷入局部最优，提出了一种基于多样性改进型的分层优化算法(Hierarchical Optimization Algorithm，HOA)。该算法通过多样性阈值筛选初始种群，结合扩展顺序交叉和扩展位置交叉两种全局搜索方式，以提升算法的全局搜索能力和种群多样性。利用动态去相似性机制，确保种群在迭代中保持良好的分布性，避免算法性能下降。仿真实验在多个测试案例中进行，结果表明，改进算法在缩短最大完成时间方面表现优异，性能显著优于传统方法。研究结论显示，该改进算法不仅有效解决了种群多样性不足的问题，还在优化结果上展现出更高的效率和稳定性，为解决复杂调度问题提供了新方法和新思路。

关键词： 多径衰落   可重构智能超表面   通信时延   概率密度函数   相位一致算法  

摘要： 本文针对工业环境中无线莱斯(Rician)多径衰落信道导致的数据传输时延不确定性问题,研究了如何利用可重构智能超表面(reconfigurable intelligent surface, RIS)技术调控通信环境,减少传输时延的抖动,从而为工业控制系统等时间敏感型应用提供更优质的通信服务.本文以减少时延分布的离散程度为目标,构建了融合RIS技术的工业环境无线莱斯信道模型,分析了发射功率和RIS相位对传输时延分布的影响,提出了一种通过调节RIS相位来优化通信时延概率密度函数(probability density function, PDF)的相位一致算法.证明了在信道状态已知的理想情况下,该相位一致算法能够在任意给定发射功率下得到RIS相位的理论最优解和传输时延方差的理论最小值.针对实际工业环境中信道状态未知的情况,本文进一步提出了一种基于遗传算法的相位优化算法,通过迭代方式使传输时延PDF接近理论最优解.仿真结果表明,通过RIS调控信道,在相同发射功率下,传输时延的均值可减少7.7%～30.9%,方差可减少74.3%～87.4%,具有绿色节能的优势.

关键词： 多目标优化   特征选择   群体智能算法   蝙蝠算法  

摘要： 特征选择是一项机器学习中的多目标优化问题，旨在减少数据集的维度进而提高机器学习算法的性能。本文设计了一个多目标优化函数以共同优化分类准确率和所选特征的数量，并通过线性加权方法构建了一个单目标适应度函数。然后，提出了一种切比雪夫对立二进制蝙蝠算法（Chebyshev opposite-based binary bat algorithm，COBBA）以缓解蝙蝠算法（bat algorithm，BA）在优化中的种群多样性不足对最优解质量的影响，从而提高特征选择的性能。具体地，本文使用混沌映射生成混沌序列以确保初始解的多样性，而后采用对立学习技术进一步优化初始解，最后通过使用切比雪夫多项式调整参数提高最优解的质量。仿真实验在15个经典数据集上进行，结果表明COBBA在平均适应度、分类准确率和所选特征数量方面优于各类常用的群体智能算法。

关键词： 信号与信息处理   高动态   Link-16数据链   频率估计   克拉美罗下界  

摘要： 针对高动态场景下Link-16数据链信号多普勒变化率估计精度受限及多普勒频偏估计范围较小的问题，本文提出了一种基于时频联合的分步频率估计算法。该算法分为多普勒变化率估计与多普勒频偏估计两部分。首先，在接收端依据导频信号的特性，设计了一种延迟自相关与快速傅里叶变换（FFT）相结合的方法，以实现对多普勒变化率的准确估计。对补偿后的信号进一步利用改进的部分匹配滤波（Partial Matched Filter）与快速傅里叶相结合（PMF-FFT）的算法获取频域粗估计值；随后，通过时域估计算法对粗估计补偿后的信号进行细化估计，以提高估计精度。最后，将频域与时域的两次估计值进行结合，得到频偏的总估计值。仿真结果表明，本文设计的多普勒变化率估计方法可以在较低信噪比下估计多普勒变化率的值；与现有的频偏估计算法相比，本文设计的频偏估计算法在高动态环境下的频偏估计曲线更加接近克拉美罗下界（Cramer-Rao Lower Bound，CRLB），且在频偏范围-600 kHz至600 kHz内，估计精度可达10-5量级。此外，仿真系统的误码率曲线与理想同步情况下的曲线接近，具有较高的可靠性。

关键词： 单目深度估计   通道注意力机制   空间注意力机制   自监督学习   多尺度特征  

摘要： 基于深度卷积神经网络（DCNN）的场景三维结构感知方法利用图像中的语义信息能够显著提升结构感知的准确度，日益受到学者们的广泛关注。典型的DCNN网络结构不能有效捕捉全局语义信息导致单目深度估计的深度图中存在边界模糊，本文提出一种融合多种注意力机制的网络结构以提升深度图的结构保持性。该网络采用编码器-解码器结构，引入结构感知模块和细节强调模块。结构感知模块中，利用十字交叉注意力机制捕获长距离依赖关系，提高网络获取全局信息的能力。细节强调模块中，采用通道注意力机制和空间注意力机制，选择性强调多通道特征信息实现不同目标的结构保持，并对边界像素点分配不同权重以提高深度图的边界保持性。在KITTI数据集上的实验结果表明，相较于之前的Monodepth2模型，该方法深度值绝对误差下降了0.8%，阈值为1.25的精度提升了1.8%，并且优于现有的大多数自监督算法。

关键词： 多源   局部搜索   自适应步长   路径规划  

摘要： 针对RRT-Connect算法在避障路径规划中存在的无效节点过多以及在障碍物局部密集场景下运行时间较长等问题，提出一种具有多源的、局部搜索路径优化的路径规划算法(Multi-Source Local Optimization RRT， MSLO-RRT)。MSLO-RRT算法引入了一种随机树的根节点生成策略，在环境中的适当位置增设随机树，提高了算法的空间搜索能力；利用了相邻点局部搜索策略，当随机树向某节点进行连续扩展时，对新生成的节点进行局部搜索，寻求更优路径；采用了自适应步长调整策略，将扩展区域分为长步长与短步长区域，大幅减少了节点个数，显著缩短了算法的运行时间。然后，在二维与机械臂避障环境下进行仿真实验，结果表明，无论在障碍物均匀分布还是局部密集的场景中，与原算法相比，MSLO-RRT算法的节点数量更少、规划时间与路径长度更短。最后进行了样机实验，验证了所提算法在机械臂关节空间上的可行性与优越性。

关键词： 人脸识别   元学习   机器学习   非限制性场景   先验知识  

摘要： 深度学习在人脸识别中虽表现出色，但其性能受限于单个身份的训练样本的数量。在非限制性场景下，人脸姿态多变，单个身份的注册样本不足时会导致识别效果不佳。实际应用中，人脸数据常常稀少，有时每个身份仅有一张照片。传统机器学习方法难以处理这种情况。因此，在样本稀缺时提高人脸识别准确性和适应性是很大的挑战。为解决上述问题，本文提出基于元学习的少量样本学习算法。此算法运用从大规模人脸数据集中获得的先验知识，在注册样本稀少（甚至仅一张）时，能进行有效推理。这解决了少量样本甚至单样本人脸图像在传统机器学习方法下分类效果不佳的难题。充分实验表明，本方法能提升不同模型的识别准确率，并在各种真实数据集上展现高效识别能力。在正脸、侧脸、光照变化及配饰遮挡等多种真实场景的数据集上，本方法均展现出了卓越的识别能力。

关键词： 织物疵点检测   YOLOv8   感受野注意力   DWR   SGE注意力机制   DySample   深度学习  

摘要： 针对纺织品疵点种类较多、小目标难以识别、算法精度低且参数量大，难以部署在边缘设备等问题，提出一种基于YOLOv8n改进的织物疵点检测算法RAD-YOLO。首先，设计RFCADown模块，通过在下采样操作中融入感受野坐标注意力，降低下采样过程中的信息损失，有效增强模型对全局特征的学习能力。其次，在主干网络中添加小目标检测层来优化算法，满足模型对于小型疵点的识别需求。同时设计一种基于扩张式残差和空间组注意力的C2f＿DS模块，优化多尺度信息提取效率，强化模型的抗干扰能力。最后引入轻量动态上采样模块Dysample，保留细节信息，进一步提升小目标检测精度。试验结果表明：RAD-YOLO模型的mAP@0.5和mAP@0.5:0.95分别为90.2%、60.6%，与YOLOv8n相比分别提升8.1个百分点和7.5个百分点，且模型参数量下降约6.7%，模型大小仅为6.2 MB，改进后的RAD-YOLO拥有更好的性能，能够满足织物疵点检测需求。

关键词： 行人再识别   全局令牌变换   局部令牌变换   类别令牌正则化  

摘要： 行人再识别在智慧安防、智慧城市和智慧交通等领域具有广泛的研究和应用价值，但是就目前的研究和应用需求来看，面向真实场景的行人再识别仍然是一项挑战.针对真实场景下行人目标具有复杂的图像变化，本文提出一种全局和局部令牌变换（GLTT）框架，以学习具有鉴别性和鲁棒性的行人特征.首先，在GLTT框架上引入一种全局令牌变换（GTT）模块，考虑到单个类别令牌难以应对复杂的行人图像变化，该模块利用多个类别令牌从不同语义空间中学习多个全局行人特征，提升行人再识别模型的全局鲁棒性.然后，考虑到行人局部细节包含关键身份信息，本文设计一种局部令牌变换（LTT）模块，通过融合自注意力权重来动态选择具有语义相关性的块令牌，并在所选择的块令牌和类别令牌之间进行信息交互，从而提升行人再识别模型的局部鉴别性.最后，本文提出一种简单有效的类别令牌正则化（CTR）方法，以使每个类别令牌的特征空间不重叠，从而提高多个类别令牌特征的表示能力.实验结果表明，与多种行人再识别方法相比，本文所提出的GLTT框架在Market1501、CUHK03、DukeMTMC和MSMT17数据集上均取得最优的识别效果，验证了此框架具有良好的鉴别性和鲁棒性.

关键词： 物理信息神经网络   静态裂缝   多神经网络   区域分解   裂尖渐近场函数  

摘要： 针对二维含静态裂缝线弹性问题构造了一类新的基于物理信息神经网络算法。为了处理裂缝处位移场的强间断性，基于区域分解思想，将计算区域分成若干个子区域，并采用多个相互独立的神经网络分别求解各个子区域中的位移场和应力场。为了处理裂尖处应力场的强奇异性，引入裂尖渐近场函数对神经网络的输出量进行修正，以期显著提高计算精度。最后，相关数值实验验证了算法的有效性。