摘要:为解决基于电流的中点箝位式三电平逆变器开路故障诊断易受负载变化影响的问题，本文从提升故障特征区分度入手，首先，基于SMA优化VMD的最佳模态数K及惩罚系数α，改善模态混叠现象，提高了故障特征的独立性。其次，基于小波包能量分布相对平稳，能有效克服负载影响的特点，将各IMF的两层小波包能量最大值作为故障特征量，在克服负载影响的同时，使时频特征信息更集中，进一步提高了故障特征区分度。最后，将上述故障特征应用于神经网络进行训练，并引入SSA对模型的权值和阈值进行优化，解决了模型局部最优问题，提升了故障辨识的准确性。通过NPC三电平逆变电路模拟17种开路故障的仿真实验，结果表明，该方法的诊断准确率达到98.99%，适用于变负载工况下NPC三电平逆变器在线故障诊断。

摘要:针对采集的表面肌电信号噪声干扰多，以及缺少颈肩肌肉疲劳状态划分标准和分类模型的问题，本文提出了一种基于联合去噪和优化极限学习机的颈肩肌肉疲劳分类方法。首先，使用AnyBody建立颈肩骨骼肌肉生物力学模型，根据肌肉pH值和RPE劳累感知量表划分肌肉疲劳状态。采集6名健康青年人斜方肌上束疲劳状态下的表面肌电信号。然后，结合卡尔曼滤波和改进的小波阈值函数进行联合去噪，提取均方根、积分肌电值、平均功率频率、中值频率、瞬时平均频率、瞬时中值频率6个特征参数。最后，使用改进鲸鱼优化算法优化极限学习机的权值和阈值，建立IWOA-ELM颈肩肌肉疲劳分类模型。实验结果表明，联合去噪算法效果更佳，IWOA-ELM模型训练集准确率为96.3%，测试集准确率为97.5%，均方根误差为1.108，对于不同受试者分类模型准确率均高于95%，因此本文提出的联合去噪算法和IWOA-ELM模型在颈肩肌肉疲劳分类方面具有优势。

摘要:近年来，深度学习在雷达目标识别领域取得了突破性进展，但基于雷达散射截面积数据的深度学习目标识别算法研究相对甚少。此外，空间目标雷达信号容易受噪声影响，导致目标识别准确率低。本文提出了一种端到端的时频特征融合神经网络TFF-Net用于实现基于RCS序列数据的空间目标识别。首先使用时频分析方法将RCS序列数据转化为二维时频数据来降低噪声干扰，其次使用TFFNet提取时频数据的深层特征。TFF-Net先利用卷积神经网络捕获目标空间特征，接着采用双向长短时记忆网络来建模时序信息，再通过时间注意力网络自适应地关注时频数据中重要的序列。最后，在空间目标数据集上进行了算法对比实验。结果表明，所提出算法的空间目标识别精度达到95.8%，明显高于当前一些主流雷达目标识别算法，且在低信噪比情况下分类精度也优于其他算法，具有更好的噪声鲁棒性。

摘要:与传统惯性传感器和视觉传感器相比，利用毫米波雷达进行人体行为检测不仅对环境要求低、灵敏度高而且能很好地解决摄像头存在的泄露隐私等问题。针对目前毫米波雷达人体行为检测存在的杂波干扰和网络模型复杂度高的问题，本文对现有的残差网络进行改进和量化处理，并结合雷达时频变换和杂波抑制，提出了一套完整的雷达人体行为检测信号处理流程。时频变换部分采用距离维FFT、沿慢时间维进行高通滤波、短时傅里叶变换得到时间-多普勒谱；残差网络部分则是嵌入CBAM注意力机制并对其进行32~8位数据量化处理；最后将时间-多普勒谱输入网络模型进行特征提取和分类得到检测结果。实验结果表明，该方法能够消除静态杂波的干扰，检测准确率达97.33%，模型大小仅为20.2 MB。

摘要:倾斜摄影技术对于大规模场景生成具有重要意义，为解决单依赖该技术所生成的实景模型存在的近地数据缺失且不具有内部结构的问题，该文从空地模型融合和宏微观模型融合两个层面展开了研究。首先回顾了倾斜摄影、三维激光扫描和建筑信息模型三种主要技术，接着对不同层面的整体融合流程和各自的底层技术原理（点云配准、数据标准）进行了调查，对比分析了相关研究的优势与不足，并指出了各自的应用场景。该研究提出了解决倾斜摄影下实景模型问题的两类融合技术框架，讨论了两者所面临的问题，并对其未来发展作出了展望，旨在为相关领域学者提供参考。

摘要:针对传统卷积神经网络（CNN）对弧齿锥齿轮箱的故障识别准确率不高这一问题，提出一种基于深度分离卷积神经网络（DCNN）和双向长短时记忆网络（Bi-LSTM）的弧齿锥齿轮箱智能故障诊断方法。首先，对原始信号进行小波阈值降噪处理，将降噪后的信号利用经验模态分解（EMD）算法进行了分解；然后，对分解出的本征模态函数（IMF）的各个分量进行峭度计算，选取峭度值最高的IMF分量重构成新的振动信号输入模型进行训练；之后，将振动信号重叠采样获得大量信号样本，将这些样本通过深度分离卷积神经网络从一维原始振动信号中自适应的提取空间特征信息，提取的特征进一步输入到双向长短时记忆网络，同时提取正、逆时域的振动信号，以更好的提取故障特征；同时，在深度分离卷积中加入了残差网络对数据特征进行了复利用，并对卷积核进行了深度分离，解决了深度模型的网络退化问题；最后，将特征信息输入到已经训练好的DCNN-Bi-LSTM模型中,对弧齿锥齿轮箱故障诊断识别。结果表明，该方法可以准确的识别齿轮箱故障，最高诊断准确率可达100%。并且，该方法比传统的卷积神经网络的准确率更高，抗噪能力更强，网络收敛速度更快，诊断结果更稳定。

摘要:针对短时遮蔽空间环境下，车载卫星导航系统多路径效应与信号衰减严重、粗差与周跳发生频繁，导致组合导航精度和鲁棒性降低的问题，提出了一种基于自适应因子图的车载GNSS/INS组合导航方法。首先构建GNSS/INS因子图模型，以INS为导航主系统，用GNSS因子对INS进行辅助修正，再根据GNSS测量的残差设计权重函数，进行自适应调整GNSS因子所占的权重，可有效抑制GNSS传感器随环境变化造成的发散误差，进而降低因GNSS定位误差过大对组合导航精度和鲁棒性的影响。最后通过搭载跑车实验进行对比验证，与传统基于因子图的组合导航方法相比，自适应因子图组合导航方法的定位均方根误差和最大误差分别降低了70.01%和55.31%。结果表明，所提方法定位精度更高、鲁棒性更好。

摘要:针对麻雀算法在路径规划中出现的效率低、耗时长等问题，提出了一种改进的麻雀算法用于配电房巡检机器人的路径规划。首先，利用LogisticTent混沌映射优化麻雀种群质量，减少后续的盲目搜索；其次，提出了可控自适应随机探索的发现者更新策略，增强算法全局搜索能力的同时进一步提高规划效率，缩短搜索时间；接着，为避免算法后期陷入停滞，引入螺旋位置更新因子，加强局部开发能力；最后，结合三次插值B样条进行平滑处理，使路径更适用于配电房环境。实验结果表明：改进的麻雀算法能够高效完成巡检时的路径规划任务，相比于原始算法在迭代效率、路径搜索时间等方面优化显著。

摘要:涡流损耗的存在, 使得应用于金属转轴监测的无线电能与信号同步传输系统的电能传输效率和信号传输质量下降。针对上述问题, 通过对金属转轴涡流损耗的分析推导, 建立包含涡流损耗等效阻抗的耦合线圈电路模型, 以S-S型信号注入式SWPDT系统为基础, 分析其电能传输与信号传输特性, 以电能传输效率和信号传输增益为优化目标, 采用多目标粒子群优化算法, 对系统关键参数进行优化, 并根据优化参数搭建实验测试平台, 结果显示该优化方案可实现金属转轴环境下46.7%的电能传输效率和250 kbit/s的信号传输速率, 验证了所提优化方案的正确性与可行性。

摘要:为了实现工业上对金属软管缺陷部分的自动检测，提出一种基于深度学习的缺陷检测方法，首先利用相机采集金属软管缺陷部分的图像并将采集图像中的缺陷特征部分进行分类与标定，金属软管外表面缺陷可分为断丝、散丝、叠丝3种并制作出对应的自制数据集；其次对YOLOv5s网络进行改进，通过在YOLOv5s中的主干网络中添加SimAM注意力机制；然后利用EIoU损失函数替换初始网络所采用的IoU损失函数；最后对YOLOv5s中的金字塔池化层进行改进，采用SimSPPF模块替换SPPF模块。利用改进后的算法对金属软管缺陷数据集进行训练，改进后的算法相较于初始YOLOv5s网络的平均精度mAP提升了1.5%，特征复杂且小目标的漏检误检情况有了明显改善。

摘要:交通流预测是智能交通系统的一个热点研究领域，其根本挑战是对交通数据中复杂的时空相关性进行有效建模。针对大部分现有时空Transformer模型在构建时空相关性矩阵时忽略了时间趋势性和空间异质性的重要影响的问题，提出一种基于时空感知Transformer的交通流预测模型。首先，采用改进的时空感知自注意力机制挖掘交通流数据中潜在的时间趋势性和空间异质性特征，建立精确的时空相关性矩阵以获取全局时空特征；然后，使用多尺度扩散卷积模拟交通流在路网中的多阶扩散过程，捕获节点多邻域范围的局部空间特征；最后，采用多元特征融合模块对捕获的时空特征进行自适应融合并输出预测结果。在PeMS04和PeMS08两个真实交通数据集上进行实验，结果表明，与最近提出的RPConvformer、ASTGNN、PDFormer等基于Transformer的基线模型相比，新模型的平均绝对误差分别降低了8.0%、6.5%和2.0%。

摘要:针对避障、外部干扰和迟滞等实际的多机器人编队控制问题，提出了一种基于分布式参考校正的控制方法。通过采用人工势场法和干扰观测器，解决了非匹配不确定性的避障问题。定义不可达参考场景描述了多机器人在试图避开障碍物时的被动修正行为，并为每个机器人设计了分布式参考校正算法，减弱被动校正行为带来的不利影响，保证每个机器人位置跟踪误差的有界性。考虑已知的执行器迟滞效应，在电流控制律中添加了Bouc-Wen迟滞补偿器。利用Lyapunov稳定性理论验证了避障的有效性。最后，在MATLAB环境下基于多机器人系统进行了数值仿真和比较，以证明所提出的算法和控制器的有效性，实验结果表明该方法可以在具有外部干扰和迟滞等实际问题下形成稳定的多机器人编队控制，对路径上的障碍物进行无碰撞避障，提出的分布式参考校正算法减弱了被动校正行为，提高了系统的稳定性。

摘要:针对SVM在变压器故障诊断中存在诊断精度不高和BWO算法存在易陷入局部最优的问题，提出一种基于EBWO-SVM的变压器故障诊断方法。首先通过引入准反向学习策略和旋风式觅食策略对BWO算法进行改进，然后将EBWO算法与粒子群优化算法、灰狼优化算法、鲸鱼优化算法、白鲸优化算法在6种测试函数上进行寻优测试，验证了EBWO算法的优越性。其次利用EBWO算法对SVM中的核函数参数g和C进行优化，从而提高SVM的分类能力。最后提出其他方法与EBWO-SVM模型进行对比。结果表示：所构建的EBWO-SVM变压器故障诊断模型与BWO-SVM、WOA-SVM、GWO-SVM、PSO-SVM相比，综合诊断精度分别提高了7.7%、9.7%、11.6%、15.4%，且稳定性更强，验证了EBWO-SVM模型的可行性与有效性。

摘要:精密仪器正趋向于智能化以及功能多样化发展，评估精密仪器的测量不确定度因此也变得更加复杂。以CMM中的圆度测量为例，以面向任务的不确定度评定方法，实现快速、可靠地评估出CMM测量任务的不确定度。根据误差传播的实际情况，结合计算机模拟的蒙特卡洛方法，提出了一种误差分布多状态下的不确定度代数和合成方法。针对测量不确定度初次评定存在过量估计的问题，提出了优化评估方案。给出圆度测量任务的不确定度评定与优化实例，验证评定模型和优化方法的可行性与有效性。系统性解决CMM面向任务的不确定度评定难题，对于解决其他高精度仪器测量结果的不确定度评估、提高仪器的实际使用价值，均具有重要参考意义。

摘要:针对现有人体姿态估计算法存在因骨干网络特征提取不充分，导致关键点特征信息丢失的问题，提出一种结合全局局部特征融合模块的人体姿态估计网络模型（GLF-Net）。为了在特征提取阶段获得高质量的特征图，该算法从全局特征和局部特征出发，对骨干网络ResNet-50进行改进，分别设计了全局极化自注意力模块和局部深度可分离卷积模块。同时采用并行的结构方式将融合了全局位置信息和局部语义信息特征的模块嵌入到骨干网络的Bottleneck层中，既能增强原骨干网络的特征提取能力，又为后续的Transformer网络提供有效的全局和局部特征输入，进而提高姿态关键点检测的性能。在公开人体姿态估计数据集COCO 2017上和MPII数据集上分别进行模型测试，该算法性能与与基准算法（Poseur）相比，姿态关键点的平均准确度（AP）提升了2.1%，平均召回率（AR）提升了1.5%，正确估计关键点比例（PCKh@0.5）最高达到90.6。实验结果表明，所提算法在姿态估计精度上优于现存同类方法，可以明显提高人体姿态关键点的定位准确度。

摘要:为解决CLAHE算法硬件资源消耗量大的问题，从硬件实现的角度对算法进行两方面改进。针对裁剪阈值，提出了一种普适性裁剪阈值确定方法，基于信息熵和结构相似性构造了品质因数，以品质因数最佳作为评判标准确定硬件实现中的裁剪阈值，在平衡图像增强对比度和失真度的同时，避免消耗硬件资源对图像数据本身进行大量计算。针对超阈值像素再分配，提出了一种改进型分配方法，将超阈值像素仅均分给未超阈值的灰度级，且若其再次超阈值则停止分配，在降低图像失真度的同时，避免反复像素分配带来的硬件开销。在改进型CLAHE算法的基础上，完成基于FPGA的低照度图像增强系统实现，实验结果表明，在普适性裁剪阈值下，增强后的图像能够普遍获得更高的品质因数，具有更佳的综合效果；改进型像素再分配方法对比常规方法，图像在信息熵平均损失3.28%的代价下结构相似性可平均提升8.88%；低照度图像增强系统可实现640×480@60 fps的图像采集与处理。本设计可为图像增强算法的硬件实现提供一种新的参考。

摘要:针对现有的合成孔径雷达目标检测算法仅利用图像底层特征进行检测存在的对小尺度舰船目标的检测率较低问题，提出一种结合特征融合和注意力机制的目标检测算法。面向SAR舰船目标检测，在原始主干网络SSD目标检测算法的基础上，引入注意力机制模块、不同层次的特征图进行特征融合、对含有小尺度目标的图像进行过采样还通过多次复制粘贴小目标实现数据增广。实验通过对SAR舰船图像数据集的大量训练和测试，结果表明本文算法能有效提升对舰船目标的综合检测性能，在公开SAR舰船目标检测数据集上平均精度可以达到94.16%。

摘要:在无人机侦察、安防监控以及自动驾驶等领域中，目标检测技术面临巨大的挑战，图像中的目标往往具有多尺度属性，尤其是小尺寸目标检测难，以及目标很容易受到不同程度的遮挡。针对这些亟待解决的问题，本文提出了一种创新的动态多尺度目标检测模型：YOLO-DDE。首先，本文了提出了CEMA和CED卷积模块，增强了骨干网络对多尺度信息的处理能力精细特征提取能力，从而实现在复杂场景下更加精确的识别效果。此外，本文通过对FPAN网络结构进行创新性重构，提出了DFPN结构，此结构采用纵向跨尺度融合技术，显著提升了模型的尺度特征融合效果。最后，引入了动态检测头，提出了DD-Head结构，强化了模型对下游任务处理的能力。综上所述，本文提出的YOLO-DDE模型以其动态多尺度结构，为目标检测技术的性能提升提供了新的可能性。本文在PASCAL VOC数据集上进行了消融实验和对比试验，与当前主流先进模型YOLOv8相比，本文模型YOLO-DDE在评价指标map50和map50.95上分别提升了1.8%和3.2%，并且本文还在VisDrone、HIT-UAV、FAIR1M2.0数据集上进行了泛化性实验，验证了模型具有很强的泛化能力。

摘要:变电设备是电网输变电过程的重要组成部分，为保证电网的正常运行，需对变电设备进行故障诊断，红外图像中变电设备的精确分割是故障诊断的关键步骤。针对红外图像复杂场景中变电设备分割时存在的分割精度低和漏分割的问题，提出一种基于改进YOLOv8n的变电设备红外图像实例分割算法。首先设计一种上下文引导的特征增强下采样块替换YOLOv8n中的下采样卷积层，充分利用上下文信息和全局信息，增强模型对复杂场景的理解能力；然后引入可变形卷积重构Backbone中的C2f模块，增强对不规则设备特征的提取能力；最后用Wise-IOUv2对损失函数进行优化，提高模型的泛化性和分类能力。使用变电设备红外图像数据集对该模型进行实验验证，实验结果表明，相较于YOLOv8n基准模型，本文所提方法的mAP50和mAP50:95分别提高了4.2%和3.5%，所提方法能够较好地解决复杂场景下设备漏分割的问题，有效提高变电设备实例分割的准确率。

摘要:超压层析成像是利用传感器采集到的冲击波信号来反演测试区域的超压分布，是典型的不完全数据重建问题，为了提高求解精度，本文提出了一种基于高斯牛顿迭代联合超拉普拉斯正则化的冲击波超压层析重建方法。由于实际采集到的冲击波信号通常与干扰信号混叠在一起，会影响超压值的测量精度，本文首先采用改进的小波阈值算法对冲击波信号进行去噪处理；其次利用超拉普拉斯先验对图像边缘和二维层析模型进行正则约束；然后采用高斯牛顿迭代算法和交替方向乘子算法，解决大型病态稀疏矩阵的求解问题。实际实验结果表明本文的正则化方法与传统的全变分正则化和广义全变分正则化相比，重建精度可保持在15%左右，在实际场景中具有一定的应用价值。

摘要:针对面部表情识别领域中难以同时实现低参数量与高准确率的挑战，提出了一种结合注意力机制的ShuffleNetV2网络的面部表情识别方法。该方法基于ShuffleNetV2架构，通过微调模型将Relu激活函数替换为PRelu激活函数，进一步提升了模型的特征捕获与分类能力。此外，本文创新性地引入了一种超轻量级双注意力模块LDAM，该模块结合了DCAM注意力机制与空间注意力机制，并通过捷径连接技术集成到优化后的ShuffleNetV2模型中，以增强模型对细节特征的识别能力及分类效果。在FER2013和CK+两大公认的面部表情识别数据集上的实验结果显示，本方法分别达到了69.12%和94.77%的识别准确率，同时保持了低至1.25的模型参数量。这一成果不仅展示了在保持模型轻量化的同时提升识别性能的可能性，而且通过实验验证了所提出方法的高效性和实用性。

摘要:在医学图像分割领域，不同设备或参数的噪声干扰对模型的泛化产生负面影响。为解决由不同噪声源导致的分割模型性能下降问题，提出了一种自适应噪声污染的双阶段高效分割模型NANet。该模型主要包括两部分：去噪和分割。其中去噪部分采用无监督的U型自动编码器结构，结合频域可学习的去噪模块，以缓解噪声引起的目标域差异。分割部分基于DeepLabv3+架构构建模块，聚焦于提高噪声污染超声图像中目标的分割准确度和泛化能力。实验测试了4个不同的超声数据集在受到均匀、高斯和椒盐噪声污染下，模型的分割性能。实验结果表明，所提出的NANet在臂丛神经超声数据集的原始图像、受均匀噪声、高斯噪声以及椒盐噪声污染的图像数据上分割的Dice系数分别为79.71％、78.51％、79.75％和79.1％。对比实验显示，NANet在不同噪声类型的超声图像上的分割性能明显优于传统分割方法，其中在高斯和椒盐噪声污染的超声图像上，准确率相比U-Net、DeepLabv3+和AttUNet方法均提高超过10％。结果验证了所提出的NANet在不同噪声环境中的鲁棒性和泛化能力。

摘要:现有的深度卷积神经网络在推理过程中产生大量的层间特征数据。为了在嵌入式系统中保持实时处理，需要大量的片上存储来缓存层间特征映射。本文提出了一种层间特征压缩技术，以显著降低片外存储器访问带宽。此外，本文针对FPGA中BRAM的特点提出了一种通用性的卷积计算方案，并从电路层面做出了优化，既减少了访存次数又提高了DSP的计算效率，从而大幅提高了计算速度。与CPU运行MobileNetV2相比，文章提出的深度卷积神经网络加速器在性能上提升了6.3倍；与同类型的DCNN加速器相比，文章提出的DCNN加速器在DSP性能效率上分别提升了17%和156%。

摘要:传统的配准算法在高分辨率岩石显微图像上配准准确率低、配准速度慢。此外，在显微岩石薄片全景拼接过程中，由于单视域画面可能存在有效内容缺失而无法提取到有效特征点，或者纹理单一提取到的特征点较少的情况，造成全景图像拼接失败。针对上述问题提出了一种基于改进相位相关法的BRISK图像拼接算法。通过提取待配准图像之间的相似区域，对相似区域进行BRISK图像配准，采用由载物台运动规律得出的最佳匹配模型来配准无特征点图像，最终完成岩石薄片图像的全景拼接。实验结果表明，本文提出的算法相较于传统算法，在配准方面达到87.5%的准确率，每组配准耗时2.662 s，具有配准速度快、配准准确率高的优势。此外，本文提供了一种岩石薄片全景拼接的方法，具有实时拼接的实际应用价值。