摘要:针对深度学习模型在信号调制识别应用中无法有效识别未知调制方式的问题，提出了一种基于零样本学习和自编码器的信号调制识别模型，用于信号调制开集识别。通过自编码器提取调制信号的特征，引入交叉熵损失、中心损失和重构损失使得不同调制信号的特征能够良好分离，进一步根据特征空间的分布进行调制信号的开集识别。此外，利用解码器重构信号并加入训练，有效提升了模型识别率。实验结果表明，模型能够在提升已知类识别率的前提下对未知类进行区分，且对未知类的分类效果优于传统的开集识别方法，其中未知类识别率达到80％，已知类识别率稳定在95％左右。

摘要:局部放电作为电力设备绝缘系统失效的早期主要表现，准确有效识别对检修计划的制定及实施，保障电力系统安全可靠运行具有重要意义。为进一步提高局部放电故障识别准确率，引入了基于多元化结构的过程记忆全局局部交替搜索多模态智能多元优化算法对局部放电故障进行识别，但算法搜索元构建具有随机性及相关参数的设定对实际环境下复杂局部放电故障识别具有较高针对性；针对这些问题，本文提出了自适应多元优化局部放电识别算法，该方法首先对数据样本进行网格划分映射，其次利用网格对象的密度差异性滤除部分稀疏网格数据点，探索高密度区域密度峰值点个数作为局部放电潜在故障类别数，最后通过具有自适应搜索记忆能力的多元优化算法不断全局局部交替搜索实现自动识别局部放电故障。为验证本文算法的有效性，将其应用于高压设备的电晕放电、悬浮放电、气隙放电、沿面放电局部放电数据集以及实际工况下气体绝缘全封闭组合电器绝缘表面局部放电数据集，实验结果表明，该方法平均识别准确率分别比RDB、KPP、SVM-KNN、DPC-DLP、GWOKM、PSO、MOA算法提高了19.53%、13.04%、19.46%、37.18%、7.79%、8.13%、4.19%，说明了本文提出的自适应多元优化局部放电识别算法的有效性，对实际局部放电故障类型识别准确率的提高具有重要意义。

摘要:针对下一代新型纳米电子器件应用可靠性，设计制备了基于28 nm CMOS工艺MOSFET有源集成RNVM的存算一体化1T1R纳米阵列器件，测试评价了其在开关比(107-8)、操作电压(±1 V)、存储窗口等方面的综合电学性能，并设计实施了专门的可靠性试验。结果表明1T1R纳米阵列器件存在MOSFET Ion、Ileak应力退化-44.90%、751.64%以及RRAM循环耐受过程反向硬击穿等不单独出现于分立器件的特有失效现象。分析微观器件物理，得出1T1R纳米阵列器件因其独特结构特征和操作模式下复杂微观交互机制引发高源漏电压和弱栅控条件下特有可靠性原理的结论。提出了专门测试调控方案以提高1T1R纳米阵列器件可靠性。为解决28 nm及以下节点CMOS逻辑器件集成纳米RNVM技术引发的特有可靠性问题提供参考。

摘要:波浪冲击压力是海洋工程中重要的物理量之一，采用压力传感器测量波浪冲击压力的传统方法测量结果单一、稳定性差，因此需要寻找一种代替压力传感器的新测量元件。本文针对波浪对直立板的冲击模型，利用MFC对该模型的波浪冲击压力进行测量。为了验证该测量方法的可行性和准确性，将MFC测量波浪冲击压力的实测值与海洋工程中常用的经验公式的计算值进行对比。实验结果表明，MFC的测量结果与我国规范的计算结果较吻合；与我国规范相比，5种入射波高产生的所有有效数据中，仅5 cm入射波高平均误差超过10%，为18.25%，12 cm入射波高平均误差最小，最小为2.56%。

摘要:在机械设备故障诊断中，输入特征向量的差异会影响诊断精度，为了提高智能制造模式下滚动轴承故障诊断的准确性和可靠性，提出一种基于变分模态分解（VMD）和时频域熵的故障特征提取结合改进的白鹭群算法（IESOA）优化BP神经网络的故障诊断方法。首先，借助变分模态分解，成功解决模式混叠的问题；其次，提取各模态分量的时域香农熵和频域频谱熵构造故障特征向量，作为故障诊断模型的输入；再次，引入霍尔顿序列初始化白鹭种群，增强白鹭群优化算法的全局寻优能力，构建改进的白鹭群算法以优化BP神经网络（IESOA-BP），最后用美国凯斯西储大学轴承数据集进行仿真；研究结果表明，VMD加时频域熵表征故障特征信息更丰富；相较于传统BP、PSO-BP、SSA-BP、ESOA-BP、SCESOA-BP等方法，IESOA-BP方法在滚动轴承故障诊断方面表现出更高的分类准确率和更好的稳定性。

摘要:全景拼接或视频融合等技术应用于室外环境时，往往有复杂的场景和光照条件，导致算法的关键点检测能力下降。曲率是一种描述图像边缘的稳定数学特征，对于复杂场景和光照具有良好稳定性。本文深入研究图像拼接中多尺度曲率特征的提取和SIFT算子的Hellinger核变换，提出一种基于Shi-Tomasi和RootSIFT的多尺度曲率特征图像拼接算法。首先，对高斯模糊预处理的图像利用多尺度ShiTomasi可以提取不同分辨率下光照稳定的关键点，使算法更适用于处理复杂环境；其次，经过Hellinger 核变换的RootSIFT可以强化多尺度特征提取的过程，使其在欧式距离更加鲁棒，能更好应对光照和噪声的变化；另外，FLANN快速匹配在处理大规模数据时具有较高的效率；最后在变换估计上，RANSAC的改进算法PROSAC可以进一步提升拼接的速度和质量。检测性能实验结果表明，本文算法可以更精准地检测图像的边缘曲率信息，特征检测能力相比原始SIFT算法提高51%，相比单一尺度算法提高182%；而多尺度参数组的对比结果表明，算法可以实现进一步调优，综合提升检测能力和实时性能，具备良好的适应性。

摘要:风电功率的准确预测对于能源系统的稳定运行和电力调度方面具有重要作用。由于风电功率序列具有随机性，间歇性和非线性的特点，使用传统预测以及单一预测模型往往会存在预测精度较低的问题，且容易受到噪声干扰。为了提升风电功率预测的准确性，本文提出了一种CEEMDAN分解技术与神经网络模型相结合的方法。首先将风电功率序列用CEEMDAN方法分解为若干数量的本征模态分量，通过样本熵值来计算每个模态分量的复杂度，根据样本熵值大小将不同的模态分量重组为重构的子序列。将中高频序列数据使用BiLSTM模型来进行预测，而中低频序列数据则采用TCN模型来预测。最后，将不同模型的预测值叠加得到最终的预测值。通过仿真实验，结果表明本文模型在评价指标RMSE、MAE、SMAPE取值均最低，R方值最高，这几个指标的取值均值分别为91.413 2 MW、53.517 3 MW、22.263 8 MW、0.980 7，均优于对比模型，说明本文模型具有较高的预测精度。

摘要:针对室内定位中指纹采集成本高、构建数据集难等问题，提出了一种基于条件稀疏自编码生成对抗网络的室内定位指纹生成方法。该方法通过增加自编码器隐藏层和输出层，增强了特征提取能力，引导生成器学习并生成指纹数据的关键特征。利用指纹选择算法筛选出最相关的指纹数据，扩充至指纹数据库中，并用于训练卷积长短时记忆网络模型以进行在线效果评估。实验结果表明，条件稀疏自编码生成对抗网络在不增加采集样本的情况下，提高了多栋多层建筑室内定位的精度。与原始条件生成对抗网络模型相比，在UJIIndoorLoc数据集上的预测中，定位误差降低了6%；在实际应用中，定位误差降低了14%。

摘要:调频连续太赫兹系统受激励器件限制导致其带宽普遍较窄，在检测样件时由于单点处数据量有限，存在不易提取特征信号的问题，针对此问题，本文提出了一种基于Kaiser窗的线性调频z变换算法。首先对原始信号进行加窗处理，采用线性调频z变换对不同样件中深度缺陷特征信号进行提取，引入不同信号处理方法进行比较分析，结果可得本文提出方法在有限的数据量中保留样件特征信息的同时，降低了计算复杂度，通过与不同种复合材料检测数据处理对比，证明了该方法的有效性与普适性。

摘要:为了有效利用电梯回馈的再生电能，降低系统能量损耗，本文围绕超级电容的能量存储特性，首先介绍基于超级电容的电梯能量存储系统结构及原理；其次建立双向DC/DC变换器的小信号模型，论述了基于传统PI控制器的双向DC/DC变换器双闭环控制结构及其参数设计过程；然后在分析蚁狮优化算法原理的基础上，提出基于ALO算法的PI参数设计方法；最后利用MATLAB仿真软件建立基于超级电容的电梯能量存储系统仿真模型，仿真结果表明在电梯运行状态下，超级电容能及时准确回收制动能量并将回收的能量回馈至直流母线，保证了直流母线电压稳定，降低了系统能耗，这充分验证了所述方法的有效性和优越性。

摘要:针对复杂环境中障碍物运动状态多变导致无人船避碰难以兼顾安全性、经济性和平滑性的问题，提出了一种融合动态窗口法和DDPG的无人船避碰方法。首先，在传统碰撞危险度模型中增加最近会遇距离和最近会遇点舷角作为评价因素，使无人船的碰撞危险度评价更为合理；其次，设计了基于动态窗口法的局部引导方法，将动态窗口法搜索的无人船可达位置作为局部引导点，增加了引导奖励来增大靠近引导点的动作奖励，使DDPG算法在训练中获得更准确的更新方向；最后，开展了在多种障碍物环境中的无人船避碰测试，实验结果显示，相较于传统DDPG算法，本文方法规划的路径更合理、平滑、风险更低，同时收敛速度提高了约37.5%，验证了所提方法的有效性。

摘要:目标检测技术作为自动驾驶技术的关键环节，对于车辆实现自主导航和决策功能至关重要。现有算法在同时满足检测精度和检测速度上仍有困难。对此，文中提出一种基于RT-DETR的实时目标检测算法FSSD-DETR。该算法在主干网络中引入FADC模块，对特征提取过程进行优化；通过引入小目标检测层提升对远处车辆行人小目标的检测性能；基于SSFF模块和TFE模块对颈部网络进行了重新设计，进而提升检测的准确性；采用DySample上采样算子改善最近邻插值法可能出现的细节丢失、锯齿状边缘和图像失真等问题。实验结果表明，相比原始的RT-DETR模型，改进算法在SODA10M和BDD100K数据集上mAP分别提升了3.6%和2.1%。实验说明，FSSD-DETR在保证实时性的同时显著提升了检测精度，具有应用价值。

摘要:针对当前车辆方位场景识别任务中存在因特征相似而导致的左右类别、前后类别识别混淆等问题，设计了融合全局局部注意力的车辆方位场景识别方法。首先，引入车辆多方位场景的概念，通过OSMNet方位场景匹配网络进行特征提取并进行场景的分类，其次，为使模型在不同方位场景中聚焦关键区域以有效学习车辆的空间方位，设计了全局局部注意力模块。最后，针对部分车辆方位场景之间存在类间距离小于类内距离的问题，设计了全局局部位置注意力模块。在构建的8类场景数据集上进行实验，消融实验显示，本文所提出的DCBAM和HGLP模块有效地增强了对特征图的全局和局部信息的捕捉能力，将模型识别准确率提高了3.54%和4.22%；对比实验显示，所提模型的准确率达到了95.49%，与基线模型相比提高了5.46%，模型总体识别效果优于其他分类模型，其中大部分方位的识别效果优于基线模型。结果表明本文提出的改进分类模型有效的学习了车辆方位信息，为远中近景图像的匹配提供桥梁，同时也为车辆多部件检测和分割等任务奠定基础。

摘要:隐喻感情预测有助于改进社交媒体内容的用户体验，同时在心理健康监测和虚拟心理治疗方面也具有潜在价值。此外，它还可以更精确地识别目标受众的感情需求，优化广告策略，提升商业效益。为了进一步提升情绪识别与情感检测的有效性，提出了一种整合类内差异与类间关联的多模式隐喻感情识别架构。首先引出三种单模式模型，包括视觉语义模型，文本语义模型和音频语义模型，从文本、视觉和音频三种不同的数据源中分别提取每个模式的个性化差异特征；随后引出一种深度层次多模式模型，通过中间层融合的方式对多模式之间的关联性进行学习，更好地利用双模式与三模式之间提供的互补信息；最后，基于决策层融合的方式将上述四种模型进行融合，在一种端到端的框架中，实现多模式隐喻感情的预测。在开源的数据集中进行的大量消融实验与对比实验证明了方法的有效性。

摘要:针对铝锭合金表面缺陷在形态上不规则、检测效果欠佳的问题，提出了一种基于改进YOLOv5的铝锭合金表面缺陷检测方法。首先，利用Res2Net特征提取网络块替换基线模型中的CSPDarknet53模块，以实现多尺度缺陷的有效检测。其次，在YOLOv5的主干网络引入CBAM卷积注意力模块，以增强对缺陷特征的表征能力。最后，使用基于过参数化的重参数化卷积块替代主干和颈部网络的3×3卷积块，以降低模型的推理延时。与传统的目标检测方法进行对比实验，结果表明改进后的方法对缺陷检测的mAP达到75.8%，在检测精度和推理速度上均有显著提升，可很好地满足实际工业生产的任务和需求。

摘要:针对行人翻越护栏检测在遮挡、多目标密集以及多人翻越的复杂场景下出现的漏检、误检和检测精度低的问题，提出了一种多尺度特征融合增强的行人翻越护栏检测算法。首先，设计了一种基于Dual Vision Transformer和SCConv构建的SCDVT模块，应用于主干网络，增强了对全局上下文信息和更细粒度信息的捕获，提升了网络的局部精细特征提取和特征融合能力；其次，提出多尺度特征融合增强模块AM-SPPFCSPC，弥补了最大池化带来的特征损失，提高了特征图的丰富性和完整性，增强了多尺度特征提取和特征融合能力；另外，对特征融合层再进行细化，使用GSConv替换普通卷积,并基于GSConv和SCConv设计了VOV-GSCCSP模块，有效的降低了计算成本和模型的复杂度，同时又保持较高的精度；最后在主干引入高效多尺度注意力EMA，减少了复杂背景下无关目标的干扰，融合了多尺度信息，实现了更丰富的特征聚合。在自制行人翻越护栏数据集上的实验结果表明,本文所提算法在增加较少参数量的情况下，其mAP达到了93.6%，较原模型提高了4.5%，并且检测速度为108.5 FPS，改善了漏检、误检和检测精度低的问题，同时仍具有较高的实时性，更适用于行人翻越护栏的实时性检测。

摘要:针对冷凝铜管表面缺陷特征表达能力弱、相似缺陷之间特征混淆导致的缺陷分割精度不足的问题，提出了一种基于特征优化的冷凝铜管表面缺陷分割方法。首先，针对冷凝铜管表面缺陷显著度不足的问题，提出了一种基于缺陷区域关注度增强策略的关注度优化模块，在抑制背景特征表达的基础上提升缺陷的特征表达能力。其次，通过采用不同膨胀率的空洞卷积，并结合特征图优化技术，以实现像素跨领域语义捕获，并解决相似缺陷之间特征混淆的问题。最后，建立基于特征对齐的多尺度特征增强融合方法，提升模型对不同尺度缺陷的检测能力。在真实产线环境中拍摄的冷凝铜管图像上进行多组对比实验，结果表明，提出的研究方法在解决上述问题时取得了精度与参数量的平衡，实现了较好的分割效果。该算法平均交并比达到80.53%、Dice系数达到88.94%、而模型大小仅为25 MB。

摘要:针对仓储复杂多样的环境以及对仓储物体传统检测模型性能较低的问题，本文基于PaddlePaddle框架，提出一种改进YOLOv5的仓储物体检测模型YOLOv5-CE。首先，为提高在复杂多样环境下对仓储物体检测，采用ConvNeXt网络替换原YOLOv5的主干网络，以提高对中小型仓储物体的特征提取能力；其次，为提高模型的收敛速度和物体的检测精度，采用EIoU Loss代替原模型的损失函数；最后，通过利用自制仓储训练集进行多模型对比实验。实验结果表明，在对货物（cargo）、托盘（tray）、叉车（forklift）进行检测时，改进后的模型平均检测精度均值（mAP@0.5:0.95）达到89.8%，相比原YOLOv5提升1.1%，其中在小尺度仓储物体上，提升4.2%；在中、大尺度仓储物体检测上，皆提升1%；对于小仓储物体检测的平均召回率由61.1%提升至66.8%。与YOLOv6、YOLOX、YOLOv7、Faster R-CNN等其他模型相比，YOLOv5-CE均体现出更好的精度。同时，相比上述模型，YOLOv5-CE在模型参数量、检测速度以及检测精度上，也取得良好的平衡，能够较好地满足对不同大小、不同种类仓储物体的精准检测。

摘要:针对当前行人检测面临的环境复杂、目标尺寸多变和严重遮挡等挑战，导致现有检测技术在识别密集行人时容易发生误判和遗漏的问题，本文提出一种高效的面向复杂场景密集行人检测的YOLOv8改进模型。在骨干网络引入DCNv2设计C2f_DCNetv2替换C2f模块，提升骨干网络的特征提取能力；通过在架构中加入小目标检测头，增强模型对小尺寸目标的检测能力，提高对小目标的检测识别精度；基于四检测头改进AFPN设计出AFPN-4H，优化特征层之间的信息融合，提高了模型对不同尺度目标的适应性和检测精度；最后，通过结合Wise-IoU、Focaler-IoU和MPDIoU得到WFM-IoU，进一步提高了目标定位的准确性。实验结果表明，与原始的YOLOv8n模型相比，在P、R、AP50以及AP50:95等关键指标上分别提升1.6%、4.0%、3.6%和3.8%，也优于其他算法。验证了本文改进算法在复杂场景密集行人检测任务中具有较好的性能。

摘要:针对抠图任务中人像毛发这类细微结构局部区域出现的误抠问题，其本质是此区域中混合信息所导致的图像像素点透明度遮罩回归预测不准确问题，提出一种端到端的层次特征聚合抠图网络模型。该模型通过一个共享编码器和两个独立解码器，利用通道和位置注意力机制，以层次特征聚合方式聚合低层次纹理线索和高层次语义信息，能够在没有额外输入的情况下从单个人像的精细边界和自适应语义中感知前景透明度遮罩。基于此，结合交叉熵损失、未知区域的透明度遮罩预测损失和结构性损失，以引导层次特征聚合抠图网络模型完善前景整体结构，恢复毛发纹理细节。为验证所设计模型的有效性，在自建的MCP-1k和公开的P3M-500-NP数据集上进行验证分析，实验结果表明所提模型在MSE和SAD指标上的误差分别为0.007 6，25.59与0.007 2，25.52，与其他典型深度抠图模型相比在恢复人像细微毛发和完善人像语义结构方面有较大提升，解决人像毛发区域的误抠问题。

摘要:为了解决在水下未爆实验弹体的回收工作中，LBL定位系统常表现出效率低下且耗时较长，而USBL系统则存在定位精度不足等问题，设计了一种高效的单信标水下定位系统。该系统由两部分组成：一部分为超声波信标，该装置与实验用的水下炮弹同步发射至水下；另一部分为超声波接收模块，该模块装配于UUV上，负责检测来自信标的超声波信号。通过UUV在其预定的航行轨迹上多次截获超声波信标发出的信号，并记录对应的时间戳数据。利用这些时间戳数据，结合VLBL定位技术，系统能够计算出未爆弹体的精确三维坐标。经过一系列实验测试，证明这一单信标水下定位系统能够在湖泊环境中定位50米范围内的未爆实验弹，并且定位精度可达到分米级。本项技术的成功开发不仅提升了水下未爆弹药的探测效率和安全性，也为其他海洋工程作业、水下考古以及海底资源勘探提供了一种新的高精度定位手段。

摘要:针对变分模态分解算法在对风电并网过程中产生的次同步振荡信号进行分解时受噪声干扰、关键参数难以确定，导致的辨识精度不足问题，本文提出一种基于小波阈值去噪（WTD）和遗传算法（GA）优化变分模态分解（VMD）的信号分解算法，结合自回归滑动模型（ARMA）的次同步振荡模态辨识方法。首先，采用小波阈值对风电机组输出的有功功率进行去噪处理；其次，使用VMD对去噪后的信号进行分解，得到K个本征模态分量，为得到最优VMD分解效果，采用自适应遗传算法对惩罚因子α及模态分解层数K进行优化；最后，将信号重构并建立ARMA模型，直接辨识出次同步振荡信号的频率和阻尼比。通过仿真实验平台搭建直驱风电机组并网模型，采集次同步振荡信号进行模态辨识。仿真结果表明，与其他辨识算法相对比，所提出的基于VMD的方法具有更好的可行性和优越性。