摘要:现有的视频描述生成方法提取的特征及特征组合的方式较为简单,导致模型丢失了部分与视频描述相关的重要语义 信息,限制了对视频内容的准确描述和理解。分析存在的不足,提出了一种基于增强全局-局部特征融合的视频描述生成方 法。首先采用不同特征提取器分别对视频片段提取局部特征和全局特征,为了建模不同级别特征(局部和全局)的相关性,利 用特征融合增强网络进行特征融合,丰富模型的特征信息。解码器使用的双向长短期记忆网络,并在其后加入重构网络,重 构经编码器处理得到的视频特征序列,最终经过长短期记忆网络生成视频的描述语句。在 MSVD 与 MSR-VTT 数据集上的 实验结果表明,提出的模型可以显著提高生成的描述语句的准确性。

摘要:针对现有的仪表自动化读数算法占用空间大、推理速度较慢以及不能有效分割图像中密集细小目标的问题,提出改 进的 DeepLabV3+指针式仪表分割算法。首先以轻量化的 MobileNetV2来构建网络主干达到降低参数量和推理权重、提高 检测速度的目的。其次通过分块并归策略设计 CSP-ASPP 结构,在保证网络性能的同时降低参数量。之后使用改进后的 SKFF模块通过自注意力机制以非线性方式融合多尺度特征,将原网络解码器中的二尺度特征融合变为四尺度特征融合。最 后使用交叉熵损失联合加权的 Dice损失作为网络的总损失函数,解决仪表分割中各类别像素分布不均的问题。最后通过实 验证明,改进后的 DeepLabV3+算法在仪表分割数据集上的平均交并比(mIoU)和平均像素准确率(mPA)达到了89.3%和 94.8%,相对原网络分别提高了0.7%、0.6%,参数量和推理权重却仅有原网络的约7%,同时在 GPU 和 CPU 上的推理速度 分别达到91和16fps,解决了嵌入式设备部署困难的问题,达到了实时检测的要求,提高了仪表自动化读数的效率。

摘要:针对非洲秃鹫优化算法(African vulture optimization algorithm,AVOA)多样性低、探索开发能力不平衡、易发生早熟 的现象,提出了一种基于双重动态调整的改进非洲秃鹫优化算法(improvement African vulture optimization algorithm,IAVOA)。改进后的算法分为3个部分,通过引入混沌映射初始化种群,以确保种群在前期寻优中具有较高的多样性;加入动态 调整因子来确定当前最优个体,用来平衡前期探索与后期开发的能力;针对 AVOA 中饥饿率的变化情况加入动态调整的高 斯扰动,用于防止早熟问题的发生,提高最终解的质量。改进后的算法在9个标准测试函数上进行测试。结果表明,该算法表 现出更佳的求解性能。

摘要:为了更全面地对睡眠脑电进行特征提取，提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡 眠脑电信号构造时域和时频域两类视图数据；然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习；接着通 过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则；最后使用 Softmax函数进行睡眠分期，并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用 Sleep-EDF 数据库中前20 名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估，睡眠分期准确率达到83.7%,宏平均 F₁ 值达到 79.0%,Cohen's Kappa 系数达到0.78。与现有方法相比，算法性能提升明显，证明了所提方法的有效性。

摘要:雷达属性散射中心模型的属性参数能够提供目标更为丰富的重要信息，属性散射中心参数估计对解析雷达目标有着 极其重要的研究意义。针对雷达属性散射中心模型，提出了基于深度学习的雷达属性散射中心快速目标分类和参数估计的 技术。首先利用ViT(vision transformer)深度学习网络将雷达属性散射中心分类为局部式和分布式两类，然后基于TS2Vec 框架构建针对属性散射中心参数估计的卷积神经网络(convolutional neural network for attribute scattering centers,ASC- NN), 最后分别对两种数据进行训练以实现局部式和分布式属性散射中心的参数估计。基于属性散射中心模型展开数值实 验，实验结果表明，该方法对雷达属性散射中心目标分类的准确率高达99%以上；雷达属性散射中心参数估计的速度超过传 统方法的10000倍以上，且精度更高，验证了所提方法的有效性和优越性。

摘要:芯片的表面缺陷检测在半导体制造中具有重要意义，针对目前芯片表面缺陷面积小，缺陷外形多变，缺陷尺寸跨度大 的情况，提出一种基于YOLOv5 改进的芯片表面缺陷检测算法，首先基于ConvNext 网络改进特征提取模块，提升网络稳定性 和特征表达能力，同时提出增强卷积注意力模块(ehanced convolutional block attention module,E_CBAM),将更详细的位置信 息嵌入到卷积注意力(convolutional block attention module,CBAM)之中，提升整个网络对于小面积及边缘缺陷的检测能力， 而针对芯片缺陷多变尺寸跨度大的问题，研究引入了可变形卷积和双向特征金字塔网络(bi-directional feature pyramid net- work,BiFPN), 一方面可变形卷积对于外形不规则的卷积有更好的提取能力，另一方面 Neck 部分的 BiFPN 在简化结构的同 时保证了多尺度融合的准确性。经过实验表明，改进后的网络在芯片表面缺陷数据集(chip defect dataset,CDD)上，平均精度 均值(mAP)mAP@0.5 指标达到95.3%,相较于原始的 YOLOv5s 网络提升了3.1%,在没有过多增加网络参数的情况下，对 芯片表面缺陷的精度更高，鲁棒性更强。

摘要:自动光学检测(automated optical inspection,AOI)相机运动速度过高，拍摄印制电路板(printed circuit board,PCB) 图像会产生严重模糊。如能正确恢复因此而产生的退化，可提高相机的运动速度，进而提高 AOI 的检测效率。受代数迭代重 建算法(algebraic reconstruction technique,ART)启发，提出一种基于光线重排的图像非盲去模糊算法。该方法在模糊核已 知的情况下，基于快速迭代收缩阈值算法(fast iterative shrinkage thresholding algorithm,FISTA)迭代重建算法，运用 Nestrov 加速和光线重排提高了迭代收敛速度，运用数据正则抑制图像的各类加性噪声和伪影，较好地重建出原本的清晰图 像。结果表明，该方法对噪声具有较好的抑制能力，对AOI 相机运动曝光引起的严重模糊，较常用的传统逆滤波方法具有更 好的图像恢复效果。

摘要:由于大量用户和设备共存，移动网络经历了数据量和用户密度的巨大增长。在宏基站(macro base station,MBS)覆盖 区域内部署小蜂窝基站(small basic station,SBS),并提前在 SBS缓存热门内容，是下一代移动通信网络提供高速、低时延服 务的有效手段。针对异构网络环境不稳定以及难以找到精确的数学模型进行优化的问题，提出一种基于传输时延最小的异 构网络协作边缘缓存算法。首先以 Markov 移动预测模型为基础，考虑用户社交关系对于用户移动性的影响，给出了新的用 户移动位置预测方法；其次，采用多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)算 法，通过用户关联、延迟控制和缓存设计来减少内容传输时延并提高缓存命中率。仿真结果表明，同传统 DDPG 和 Greedy 算 法相比，MADDPG 算法缓存命中率分别提高17.89%和42.71%,内容传输时延分别降低9.07%和12.86%,能够有效地解决 异构网络中的资源分配和缓存设计问题。

摘要:针对飞行试验中对设备温度测量的需求，设计了一种适用于飞行测试的高精度多通道温度采编装置。设计以 FPGA 构建信号采集处理系统，采用 AD8227 和 AD590 来实现信号的调理和温度冷端补偿，通过标准 RS422 协议实现16路温度信 号传输，并采取线性拟合的方式对输出进行非线性校正，提高了系统准确率和稳定性。测试结果表明，测温电路全量程内最 大测量误差为±0.083%F.S.。经过测试验证，该方案传输过程无丢帧零误码，系统运行高效、可靠。

摘要:针对传统预测模型对 PM₂s 浓度预测精度较低、可解释性差的缺陷，提出一种融合2维卷积层(2D convolution)和注 意力层的时空卷积网络预测模型(spatio-2D-temporal convolutional networks attention,S-2D-TCNA)。选取北京市2014年5 月1日～2015年4月30日的36个监测站点逐小时空气质量和气象数据，通过对多个站点时空相关性分析，将符合相关性阈 值的监测站数据输入至卷积进行升维再降维的处理方式，得出具有时空序列的输入特征；将注意力融入时间卷积网络预测模 型，用于预测未来1 h 的中心监测站 PM₂s 浓度。在模型训练优化参数过程中，通过Adam 来训练深度学习模型的参数，然后 使用贝叶斯优化来调整模型的超参数，这种方法能找到模型的最佳参数，使其均方根误差、平均绝对误差分别减少3.791%和 5.576%,拟合优度增大0.67%;在质量方面，所提出的 S-Conv2D-TCNA 模型均方根误差、平均绝对误差和拟合优度分别为 16.0209、10.6100和0.9428,该预测模型在准确性和稳定性方面优于基线模型。结果表明，该预测模型空气污染的预警、区 域预防和控制方面大有可为。

摘要:随着风电在电力系统中的占比逐步提高，风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而，风 电的随机性和间歇性极大地影响其功率的精确预测。为此，提出二次分解组合长短期记忆(LSTM) 的短期风电功率预测模 型。首先，采用经验模态分解(EMD) 技术将原始风电序列分解为若干固有模态分量；再采用样本熵(SE) 技术将各分量重组为 高、中、低频3个序列，针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD) 二次分解技术；最后，采用 SSA 算法对 LSTM 的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证，并与其他模型进行对比。结 果表明，所提模型的平均绝对误差(MAE) 为5.79 kW, 均方根误差(RMSE) 为5.64 kW, 平均百分比误差(MAPE) 为 17.38%,具有更好的预测精度。

摘要:电阻抗成像是一种无损伤的功能成像技术，由于逆问题具有不适定性、不稳定性等特点，往往存在重构图像的分辨率 不高、伪影较大等问题。将 Tikhonov 和全变量(TV) 两种正则化算法的罚函数进行组合应用，提出将粒子群算法用于组合罚 函数的正则化参数优化，把图像质量指标(artifact level,AL)作为粒子群算法的适应度值，从而确定最优正则化参数，通过牛 顿迭代法获得电导率，为了进一步去除伪影，将 Niblack 算法与边界聚类算法相结合，对求得的电导率进行处理，得到最终的 电导率分布。仿真和实测结果均表明，该方法重建的图像能够更加准确地反映电场内目标物体的位置信息，有效的抑制伪 影，提高了重建效果。

摘要:针对传统负荷预测方法精度不高的问题，为准确捕捉到负荷数据波动的规律，提出了一种两阶段负荷预测方法。第1 阶段首先用变分模态分解(VMD) 对原始负荷序列进行分解，得到分解处理后的残差分量，再采用时变滤波经验模态分解 (TVF-EMD) 方法进行特征提取；然后对全部子序列分别建立深度极限学习机(DELM) 模型，同时利用鹑鹕优化算法(POA) 进行参数寻优，叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM 模型对误差分量进行预测；然后将 第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR) 模型中，得到负荷最终的预测结果。结果 表明，两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE) 分别为对比模型的4%～77%、4%～76%,而平均百分比误差 (MAPE) 仅为0.0678%,可有效提高电力负荷的预测精度。

摘要:针对工业场景目标工件跟踪任务精度低、失败率高的问题，提出了多尺度 Transformer 在线更新的工件跟踪算法。首 先，采用 Transformer 特征金字塔结构，融合多层次特征信息，以实现鲁棒的对目标表观建模；其次，使用 Transformer 模块对 高级语义信息进行特征融合，使得网络模型专注于目标工件本身；然后，提出了基于排序的交并化(IoU) 损失函数优化策略， 有效地抑制干扰物对跟踪器影响；最后，设计一种在线更新策略更新目标模板，增强网络的鲁棒性。实验结果表明，在 VOT- 2018上准确率和失败率分别比基准跟踪器提高3.8%和4.1%,且能保持53 fps 的实时跟踪速度；在 LaSOT 数据集上精度与 成功率别为0.578和0.573,均优于基准跟踪器。通过 CCD 工业相机采集视频序列验证算法可以准确且鲁棒的跟踪目标 工件。

摘要:为解决干香菇等级识别技术复杂及识别精度不高的问题，提出了一种基于残差神经网络 ResNet18 的干香菇等级识 别方法。首先将传统的 ResNet18 中 Stem 的7×7卷积层替换为3个3×3卷积层串联，保证在感受野保持不变的情况下进一 步减小计算量；其次针对残差块中线性变换和非线性变换不足的问题，引入融合非对称卷积和 h-swish 激活函数，增加了模型 的复杂性，使其能够进行更深层次的特征学习；最后在ResNet18 骨干网络中引入高效通道注意力机制，加强模型提取特征的 能力；实验结果表明，改进后的 ResNet18 网络模型准确度达97.04%,相比 ResNet18 网络模型方法提升了4.81%,且性能优 于VGG16 、MobileNetV2 、DenseNet121 、ResNet34 等网络模型方法，可提高干香菇等级的识别精度，单幅图像的检测时间为 5.91 ms,对干香菇智能分拣过程中的等级识别具有借鉴意义。

摘要:传统基于递归神经网络的模型对阶跃型滑坡位移预测能力不足，为解决这一问题，提出一种基于时序分析及卷积神 经网络-双向长短期记忆-注意力机制(CNN-BiLSTM-AM) 的滑坡位移动态预测模型。首先使用变分模态分解方法(VMD) 将 序列分解为趋势项、周期项和随机项。采用二次指数平滑法拟合趋势项位移，然后引入最大互信息系数法(MIC) 计算各类影 响因子与周期项位移相关性，对于周期项和随机项位移采用CNN-BiLSTM-AM 混合模型进行多因素和单因素预测，最终累 加各分量预测值得到累积位移预测结果。实验结果表明，所提方法在最终累计位移预测结果中拟合系数 R² 达0.984 和 0.987,平均绝对误差(MAE) 分别为5.334和3.947,均方根误差(RMSE) 分别为6.196和4.941,相比卷积神经网络-长短期 记忆(CNN-LSTM) 、麻雀搜索算法-核极限学习机(SSA-KELM) 和 NARX 方法，所提方法能够更好的捕捉监测数据的时间相 关性，预测精度显著提高，可为阶跃型滑坡预警及防治工作提供参考。

摘要:在计算机辅助脊柱图像分析和疾病诊断应用中，从X 射线脊柱图像中自动分割脊柱和椎骨是一个关键且具有挑战性 的问题。为进一步提升脊柱图像分割精度，提出一种基于 VGG-Net 改进的模型。首先，将 VGG16 网络去掉了后面的全连接 层，用作 U-Net 的特征提取网络；其次，为了增强图像的细节信息，在特征提取网络引入小波分解模块；最后，在上采样网络中 设计了一种逐像素相减的自空间注意力模块(SUB-SSAM) 机制，进一步提高网络模型识别关键特征的能力。实验结果表明， 改进后的模型相较于原VGG-Net 模型在平均交并比(mloU) 上提高了2.39%、召回率(recall)提高了0.96%、准确率(accura- cy)提高了1.31%,训练的该网络模型可以定位到每一块椎骨，准确分割椎体区域。

摘要:风机系统模型预测电流控制(model predictive current control,MPCC)是基于系统模型实现的，存在系统参数鲁棒性 较差的问题。为解决该问题，提出了一种带有新型滑模趋近律(new sliding mode veaching law,NSMRL)的滑模观测器(slid- ing mode observer,SMO)结合 MPCC 策略。首先，建立基于电压定向的双馈风机数学模型；其次，建立无差拍模型预测控制 系统；最后，构建一种改进的等速伸展项和指数到达项的滑模趋近律，该新型滑模趋近律包括系统状态变量和滑模面函数的 功率项，可以以两种不同的形式来表示趋近律，新滑模趋近律的作用是使系统状态更快、抖振更小的收敛到滑模平面，从而提 高参数鲁棒性。研究结果表明，该方法与无滑模 MPCC 和等速趋近律 MPCC 相比，能有效地抑制系统固有抖振，并提高系统 状态到达滑模面的速度。同时，可将平均转矩脉动、电流脉动和相电流总谐波失真(total harmonic distortion,THD)降 低 10.54%、24.16%和5.12%。因此，所提出的 NSMRL-SMO-MPCC 方法能够通过在线补偿扰动实现参数失配情况下对电流 的可靠预测，从而提升系统的参数鲁棒性。

摘要:工业密集物料检测对计数精度有着较高的要求。对于检测样本疏密程度较均匀且互相无遮盖的情况，传统方法检测 效果尚好，但是针对疏密分布不均匀或者样本互相之间存在遮盖的场景误识别的情况便较为严重。因此，为了提高检测的准 确率与计数的精度，在 HRNet 的基础上进行改进，提出一种自注意力多尺度融合模型，主模型使用 HRNet 在不同分辨率特 征图之间进行特征交互融合，同时在高分辨率特征图上添加自注意力机制加强模块增强全局特征提取。其次，针对物料中包 含少数大料但密集检测检测效果较差的情况，采用了双通道物料大小判断执行机制，添加了YOLO 框架对物料大小分类进行 检测。最后，数据集均由X 射线无损检测设备进行采集标注，在此数据集上模型的预测精度达到了96.7%,相较于其他模型 有较大的提升。

摘要:中文电子病历实体包含大量的医学领域词汇并具有明显的嵌套特征。嵌套实体识别时往往存在目标实体定位不完 整、不准确的问题。针对这一问题，提出了一种基于机器阅读理解的中文电子病历嵌套命名实体识别模型 MRC-PBM(ma- chine reading comprehension-position information biaffine and MLP)。该模型将命名实体识别 (named entity recognition, NER) 转化为机器阅读理解任务，将中文电子病历文本和预定义的查询语句串联作为输入，使用基于医学的预训练模型MC_ BERT 获取词向量，然后通过双向长短期记忆网络模型 (BiLSTM) 和多粒度扩张卷积模型分别获取双向的特征信息以及单 词之间的信息，得到相应的特征向量，最后使用Hybrid-PBM 预测器进行实体预测。在嵌套和平面 NER 数据集上进行实验。 实验表明，该模型在糖尿病语料和公开医学数据集上优于其他主流神经网络模型，F1 值比基线模型提高了1.21%～5.80%。

摘要:针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题，研究基于粒子群算法-反向传播(particle swarm optimization- back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法，以提升视觉反馈跟踪效果。依据分拣机器人的视觉反 馈信息，建立分拣机器人运动学模型，并求解分拣机器人机械臂输出位置和输入位置的误差函数；利用 PSO 算法优化 BP 神 经网络的权值与偏置；在权值与偏置优化后的BP 神经网络内，输入误差函数，预测分拣机器人视觉反馈跟踪控制量；利用预 测视觉反馈跟踪控制量，在线调整增量式比例-积分-微分(proportional-integral-derivative,PID) 的参数，输出高精度的分拣机 器人视觉反馈跟踪控制量，实现分拣机器人视觉反馈跟踪。实验结果表明，该方法可有效视觉反馈跟踪分拣机器人机械臂的 关节角；存在干扰情况下，在运行时间为10 s 左右时，阶跃响应趋于稳定；有干扰情况下，视觉反馈跟踪的平均误差为 0.09 cm,耗时平均值为0.10 ms; 无干扰情况下，平均误差为0.03 cm,耗时平均值为0.04 ms。

摘要:针对四旋翼无人机在室内环境下路径规划效率低、缺乏实用性等问题，提出一种基于融合改进算法的路径规划方法。 首先引入室内混合约束，使用动态加权对传统 A* 算法的评价函数进行重构；其次根据不同地图区域方位角自适应调整邻域 搜索方式；然后考虑无人机实际尺寸影响，设定安全半径，并用Floyd算法对路径做拐点冗余处理；最后融合改进 A* 算法与 改进 DWA 算法，实现了四旋翼无人机的室内自主路径规划和避障。MATLAB 不同仿真环境下的结果表明，改进后算法搜索 节点数和转弯角度分别平均减少63.1%和58.9%,保证全局路径最优的同时，提升了搜索效率与路径安全性。经 ROS 操作 系统的实验结果验证，融合算法在避障效果与运动平稳性等方面具备明显优势，可应用于室内复杂场景下无人机的路 径规划。

摘要:机器人编队技术正不断发展并逐步投入应用，为了提升巡检机器人的工作效率，提出了一种基于领航一跟随法和人 工势场法的编队控制方法，保留了两方法的优点，使机器人编队在躲避障碍物的同时尽可能保持队形，通过施加随机扰动的 方法改善人工势场法中容易出现的局部最小值问题。实验结果表明，提出的方法完成任务消耗的时间相较于领航一跟随法 和基于行为法分别下降了28.5%和41.4%,在执行特定任务如协同围捕和依次排开时采用该方法的编队也能优秀完成。通 过 ROS(robot operating system)平台进行模拟环境仿真，进一步验证了方法的可行性。

摘要:针对遥感图像道路分割边界模糊和遮挡难以区分的问题，提出了基于改进 DeeplabV3+ 的遥感图像道路分割模型。 该模型在主干网络中引入 MobileNetV3 和高效通道注意力机制(ECA), 减少了参数量并关注连续的道路特征信息。在解码 过程中采用多级上采样，增强了编码器和解码器之间的紧密连接，全面保留了细节信息。同时，在 ASPP 模块中采用深度可 分离膨胀卷积 DS-ASPP, 显著减少了参数量。实验结果表明，该模型在 Massachusetts Roads 数据集上的交并比达到了 83.71%,准确率达到了93.71%,分割精度最优，模型参数量为55.57×10⁶,能够有效地避免边界模糊和遮挡导致的错漏检问 题，在遥感道路分割中提高了精度和速度。