摘要:在绿色通信和双碳目标的背景下，提升网络能源效率(energy efficiency,EE)是当前无线通信系统设计和可靠运行的 关键技术之一。首先，针对柔性双工网络(flexible duplex networks,Flex-Net)的“和能源效率”最大化的问题，构建了一个具 有成对固定通信链路的网络；接着，鉴于图神经网络在通信网络资源优化中的优势，提出了一种新的基于图神经网络(GNN) 架构的柔性双工网络(GFlex-Net), 以联合优化“通信方向”和“传输功率”,达到网络能效最大化。仿真结果表明，与传统的算 法相比，所提出的架构有近乎最优的性能表现，达到穷举法性能的95%,但保持了较低的计算复杂度O(n²), 同时算法揭示了 GNN 在资源优化中面对样本复杂性、可扩展性和泛化能力方面的优势。

摘要:为了进一步提升从单目二维人体姿态预测三维人体姿态的方法性能，提出一种融合 Transformer 和语义图卷积的三 维人体姿态估计模型，模型由4个部分组成，Transformer 编码网络、语义图卷积编码网络、姿态坐标预测模块和姿态坐标错 误回归模块。首先，Transformer编码网络对关节特征进行全局特征编码，以增强人体姿态的全局关联性。其次，语义图卷积 编码网络专注于局部关节特征提取，以加强局部关节特征之间的关联性。接下来，姿态坐标预测模块和姿态坐标错误回归模 块将关节全局和局部编码特征融合，以增强对三维姿态的准确建模能力。通过在 Human3.6M 数据集上进行实验表明，方法 在估计性能方面取得了较好的改进，以真实的二维人体姿态作为输入，在 MPJPE 和 PA-MPJPE 值分别为32.7和25.9 mm, 与实验对照方法相比，性能分别提升了3.82%和1.14%。

摘要:生成对抗网络在红外与可见光图像融合领域受到广泛关注，但单路径进行融合容易丢失浅层信息、分支路特征提取 融合能力有限。提出一种基于多路径生成对抗网络的红外与可见光图像融合方法。在生成器端，利用源图像与导向滤波结 果构建3条输入路径提取更多源图像特征信息，以获得细节更丰富的融合图像；然后，卷积层加入掩码注意力机制模块，提升 显著信息的提取效率，引入密集连接和残差连接，在提升特征传递效率的同时可获取更多源图像重要特征信息。在鉴别器 端，采用双鉴别器估计红外与可见光图像的区域分布，避免单鉴别器网络丢失对比度信息的模态失衡问题。在 TNO 数据集 上进行了实验，实验结果表明，所提算法在5个客观评估指标上4项取得了最好结果，优于多数主流算法，在主观评估方面，所 提算法保留了更多的纹理细节信息，具有更好的视觉效果。

摘要:针对可控漏磁反凸极永磁同步电机在传统电流控制策略中存在电枢电流大、效率低及控制精度低等缺点，提出了一 种考虑电机在运行过程中参数变化的最优电流控制策略。首先，分析新型电机的反凸极和可控漏磁特性，考虑电机电感与磁 通的变化引入反凸极比和漏磁率系数，构建新型电机结构模型；其次，对传统的最大转矩电流比控制进行重建，得到最优电流 组合，进一步提高电机的控制精度，降低电机的铜耗；最后通过对电机的仿真和实验。结果表明，相比于传统的控制策略，所 提方法铜耗降低了约5%,电枢电流降低了0.6 A, 提高了电机的效率。

摘要:针对语音情感识别在多语言联合数据集上识别准确率低的问题，提出了一种基于幅值滤波与分层特征融合策略的语 音情感识别方法。该方法首先对梅尔谱图内幅值分布规律进行幅值滤波，通过概率叠加扩大梅尔谱图内相近幅值之间的差 异，实现谱图内的高频强增益、低频弱增益；同时，通过概率相乘缩小梅尔谱图内相远幅值之间的差异，以显示谱图内中频的 细节部分。在此基础上，使用矩形卷积提取音频信号的时间动态特征，生成梅尔谱图动态特征图，并将其作为分层特征融合 策略的输入。分层特征融合策略通过压缩特征图来提取不同尺度的时间动态特征，并提取不同深度中的时间动态特征。在 多语言联合数据集 CER 上取得了84.44%的分类准确率。

摘要:针对典型飞行器热防护结构脱粘损伤现场快速无损检测的需求，提出了一种基于敲击测量频响函数的脱粘损伤识别 方法。首先，利用有限元方法建立了含脱粘损伤的热防护结构有限元模型并进行了振动特性分析，分析了脱粘损伤引起的结 构局部刚度下降规律以及频响函数对脱粘损伤的敏感性；其次，确定了脱粘损伤识别的特征频率范围，给出了一个脱粘损伤 指标；最后，采用力锤与激光多普勒测振仪对含脱粘的热防护结构进行了测量。实验结果表明，当脱粘面积达到60%时，脱粘 损伤指标比健康件增加了1倍以上，当脱粘面积达到80%时，脱粘损伤指标为健康件的5倍以上，验证了所提出的方法能够 有效识别出热防护结构的脱粘损伤。

摘要:针对传统空气质量预测模型收敛速度慢，精度低的问题，提出一种基于变分模态分解(variational mode decom posi- tion,VMD) 和蜣螂优化算法(dung beetle optimizer,DBO)优化长短期记忆网络(long short term memory,LSTM)的预测模 型。首先，针对 AQI原始数据具有大量噪声的问题，使用VMD方法对非平稳信号进行模态分解以降低噪声对预测结果的影 响从而获得多个不同特征的模态分量；其次，针对 LSTM 靠人工经验调参存在一定局限性，利用DBO算法对LSTM 模型参数 进行优化；最后，对分解后的各个子序列使用LSTM 模型预测，将各个子序列进行叠加得到最后的预测结果。实验结果表明， VMD对非平稳数据的分解有助于提高预测精度，VMD-DBO-LSTM 模型的性能较其他模型均有不同程度的提高，该模型预 测的均方根误差为4.73μg/m³, 平均绝对误差为3.61μg/m³, 拟合度达到了97.8%。

摘要:为提高太阳能电池板缺陷的检测精确，提出了一种改进的 YOLOv5 网络，对太阳能电池板常见的划痕、叉隐、黑斑、黑 边以及无电等5类主要缺陷进行检测和分类。首先，使用改进后的 ODConv 模块对主干提取网络中的普通卷积模块进行替 换，减少网络模型的参数量；其次，将 C3 模块中的Bottleneck 结构替换成包含 ParNet 模块的Res2Net 以增加感受野，从而提 升了探测物体缺陷的能力和检测精确；最后，在预测网络前引入自适应特征融合结构，以融合不同特征图的位置与类别信息， 增强特征表达并提高模型的鲁棒性。对自建的数据集进行训练、验证以及测试，实验结果表明，改进后的模型能够成功识别 和定位5类常见缺陷。与原 YOLOv5 算法相比，在保持原网络高效性的同时，平均检测精确提升了6.2%。

摘要:传统的植株器官分割方法依赖经验选择阈值参数，而当前的深度学习浅层框架可能会导致植株重要的几何特征丢 失，并难以有效整合植株的局部和全局特征。因此，提出了一个基于三维点云的植株器官分割网络(local global feature fusion segmentation network,LGF-SegNet)模型，通过引入双权重注意力机制模块和位置编码，更适合在植株点云数据中表达几何 特征。在提出的框架的解码层引入特征聚合模块，融合植株点云的局部和全局特征，使得该框架能够关注植株的整体特征轮 廓同时保留细节植物纹理(如茎和叶)。实验结果表明，提出的架构在语义分割的交并比、精确率和F1 分数的平均值分别达 到85.76%、93.18%、91.08%,在实例分割的平均精确率、平均实例覆盖率以及平均实例加权覆盖率达到85.27%、78.46%、 79.63%,优于当前流行的植株点云分割任务中使用的深度学习网络架构，并适用于植株语义分割和实例分割的双重任务。 这为后续的植株生长预测等研究奠定基础。

摘要:多智能体强化学习在群体控制领域具有广泛应用，然而传统的强化学习方法(如 Q-Learning 或策略梯度)在多智能体 环境中表现不佳。在训练过程中，每个智能体的策略不断变化。当一个智能体基于环境信息做出决策时，其他智能体的决策 可能已经影响了环境信息，导致智能体感知的转移概率分布和奖赏函数发生变化，使得环境变得非平稳，训练无法有效进行。 为了缓解这一问题，研究了一种基于多头自注意力的多智能体强化学习算法。该方法考虑了其他智能体的行动策略，利用多 头自注意力算法使智能体能够学习对决策影响最大的因素，成功地学习了复杂的多智能体协调策略。在实验结果中平均回 报达值到了0.82,远高于传统算法的表现。实验结果表明，所提出的基于多头自注意力的多智能体强化学习算法能够有效解 决环境不平稳导致的多智能体学习困难问题，提高了多智能体强化学习算法的收敛速度和平稳性。

摘要:针对传统模数转换器(analog to digital convertor,ADC)设计复杂度高、仿真迭代时间长的问题，提出了一种高精度 ADC系统设计与建模方法。该方法以10 bit 50 MHz 流水线 ADC为例，首先选取分离采样架构，进行电路的s 域变换理论分 析；其次对电路中各种非理想噪声的表达式进行精确推导，根据系统中的运放功耗指标进行参数优化；最后分别在 MATLAB 和 Cadence 软件中建立模型，进行100点蒙特卡洛仿真。仿真结果表明，在 TSMC180 nm工艺失配下，该流水线 ADC有效位 数达到9.70 bit, 无杂散动态范围维持在76 dB 附近，微分非线性在0.3 LSB以内，积分非线性在0.5 LSB以内，核心功耗在 8mW, 该分析方法在保证流水线 ADC 优异性能的同时，大幅提高了设计效率。

摘要:针对低轨卫星通信系统(LSM) 中地面用户流量需求分布不均衡和用户并发切换过多等挑战，提出了一种基于多目标 多智能体协同深度强化学习的低轨卫星切换策略，以地面小区用户流量需求满意度、切换时延、用户冲突为优化目标，采用多 智能体协同深度学习算法对目标进行优化，其中每个智能体仅负责一个小区用户的卫星切换策略，智能体之间通过共享奖励 实现协作，从而达到多目标优化的效果。仿真结果表明，所提的切换策略的平均用户流量满意度为73.1%,平均切换时延为 343 ms,对比启发式算法能够更好满足地面小区用户的流量需求、平衡卫星网络的负载。

摘要:分布式智能采集终端需要一致的时间基准，用于多种数据和事件的时间标记。为满足智能采集终端对高精度时间同 步的需求，选择 IEEE1588 精确时间同步协议实现时间同步；设计基于纯国产32 bit 双核微控制器 HPM6750 和以太网收发 器 RTL8211FS(I)-VS 的精确时间同步系统，选用国产开源嵌入式实时操作系统 RT-thread 操作系统，实现在物理层获取时间 戳来运行 IEEE1588 协议；构建测试平台对该时间同步系统进行主从时钟同步精度测试。测试结果表明，设计在物理层获取 时间戳时达到的时间同步精度在±250ns 以内，与在数据链路层获取时间戳时达到±10μs的时间同步精度相比较，有效提 高了时间同步精度，可广泛应用于对时间同步精度有较高要求的智能采集终端。

摘要:针对分心驾驶检测方法存在实时性差、精度低、可部署性差的问题，提出了一种基于上下文语义增强联合 YOLOv7 的 分心驾驶检测算法。首先将模型 backbone 和 head 部分的 ELAN 模块替换成语义上下文增强模块(contextual transformer, CoT), 提高上下文语义信息的捕获能力。其次，将语义关联增强机制(triplet attention)融入卷积块中，插入 backbone 和 head 的连接头之间以及融合 MP2 模块，强化目标间的关联关系以及提升目标特征提取能力。最后，将自注意力双向 Transformer 模块(Biformer) 模块融合 SPPCSPC 模块，提升模型对分心驾驶中的复杂场景和遮挡目标的处理能力。改进的 YOLOv7 算法 在分心驾驶数据集下平均精度均值(mean average precision,mAP)达到了87.3%,比原算法提高了4.3%,模型参数量减少了 4.7%,每秒传输帧数达到了90 fps,具有较好的检测精度与速度。

摘要:针对多尺度下小建筑易漏检及建筑物轮廓边界检测精度不足的情况，提出一种基于DeepLabV3+ 的双通道孪生网 络。首先，为提高分割结果的精确度，同时避免网络层数加深带来的模型过拟合问题，采用改进后的 ResNeXt50(32×4d) 作 为主干网络来提取特征；其次，针对孪生网络特征融合不充分的问题，设计了基于注意力的双通道融合模块；此外，为提高模 型整体信息感知能力，对空洞空间卷积金字塔池化做增强处理；最后，在特征恢复阶段引入特征对齐模块和全连接CRF 进 一 步补充和细化分割结果。在 LEVIR-CD 数据集上精确率(precision)、召回率(recall) 和 F¹ 指数分别达到了0.9233、0.8994 和0.9112。

摘要:针对地铁列车牵引系统电流传感器发生故障时给列车运行带来重大安全风险这一问题，提出了一种新型的故障监测 与容错控制算法。首先，利用三相异步电机的静态数学模型结合转子磁链与反电动势的特定关系设计了电流滑模观测器。 然后，将电流传感器的测量值与滑模观测器中的估计值进行比对并生成电流残差，通过修正的 Bayes分类算法对电流传感器 工作状态进行实时监测与定位。当故障发生时用观测器中的电流重构值代替故障值参与系统的控制。最后，利用仿真平台 MATLAB/Simulink 对其有效性进行验证并与另外3种典型的控制算法进行对比分析。研究结果表明，方案具有较高的精度 和较强的鲁棒性，在对三相电流重构方面优于对比方案，其系统综合误差减小了24.2%,具有更好的控制效果。

摘要:为及时准确地评估电能表的运行状态，提出一种基于集对分析和证据理论的电能表运行状态评估方法。首先根据电 能表自身基础、在线监测及现场检测信息，建立电能表运行状态评估指标体系。然后运用模糊层次分析法和熵权法分别确定 各指标的主客观权重，运用博弈论和变权理论确定各指标的组合权重与变权重。之后运用集对分析法确定各指标与各状态 等级间的联系度，采用证据理论对各指标的联系度进行合成。最后利用最大隶属度原则与信度准则共同判定电能表的运行 状态等级。实例分析结果表明，该方法与电能表的实际运行情况相符，且评估结果准确直观，与模糊综合评价法和集对分析 法相比，该方法在状态等级区分度上达到了0.5256,明显高于模糊综合评价法的0.3024及集对分析法的0.1483,具有较好 的区分度，为电能表的状态评估提供了一种新的思路。

摘要:航空电缆在振动作用下很容易产生电连接器松动、线束断裂等情况，从而引起交流电弧故障。针对交流串联电弧故 障时频域特征不明显而引起的故障检测问题，提出了一种基于广义基尼指数(generalized Gini indices,GGI)和脉冲神经网络 (spiking neural network,SNN)的电弧故障检测方法。首先，提出用广义基尼指数对试验数据电流波形进行分析；其次判断正 常周期和故障周期下的数值差距，然后与时域特征指标裕度、峭度、脉冲因子相比，所提指数对电流波形周期故障判断更准 确；最后，将广义基尼指数转变成特征值，代入到积分泄漏发放(leaky integrate-and-fire,LIF)模型进行训练，进一步提高方法 的普适性。试验结果表明，该方法能够快速有效地检测航空交流串联电弧故障。

摘要:针对三相异步电机匝间短路故障在不同工况下数据分布不一致带来的泛化识别准确率下降的问题。提出了一种基 于残差一自注意力网络的迁移学习方法，通过在残差网络中嵌入自注意力机制实现特征强化并利用源域数据进行模型训练， 然后利用迁移学习的微调策略使得模型能更好地适应目标域的特征分布，以此来增加模型在目标域数据中的适应性能力。 此外，通过设计对比实验探究了引入微调训练以及在模型中嵌入自注意力机制对于模型诊断性能的影响。实验结果表明，所 提方法在3种负载条件下迁移的平均准确率为87.5%,相较于一般的残差网络准确率提高了4.5%,同时召回率和 F₁ 分数 分别提高了约10%和6%。

摘要:针对电动车头盔佩戴检测存在遮挡、车辆密集以及一车多人的复杂场景下出现的漏检、误检问题，在 YOLOv5s 的基 础上，提出了一种应用于电动车头盔佩戴检测的改进算法。设计了一种由递归门控卷积改进的 GBC3 模块，替换网络主干和 特征融合层(feature pyramid networks,FPN)中的 C3 模块，加强邻间特征的空间信息交互，提高网络的特征提取和特征融合 能力；其次在主干和特征融合网络添加无参注意力机制(SimAM), 以调整特征图中不同区域的注意力权重，对重要目标施加 更多关注；最后引入调整超参后的 WIOU 损失函数，优化预测框回归，提高模型的目标定位能力。在自制电动车头盔数据集 上的实验结果表明，改进模型在仅增加较少参数的前提下，其平均精度均值(mAP) 达到97.3%,较 YOLOv5s 提高了3 . 2%, 并且检测速度为87.1fps,改善了误检和漏检的问题，同时仍具有较高的实时性，更适用于电动车驾乘者的头盔佩戴检测。

摘要:太阳能电池板的裂纹缺陷检测能够避免电能转换效率低，以及短路造成起火的损失。针对现存对比学习方法中存在 细微裂纹漏检导致检测精度低，并且严重依赖构建负样本等问题，提出了一种基于孪生网络的两阶段自监督裂纹检测方法。 第1阶段提出了一种基于卷积神经网络 (convolutional neural network,CNN)和 Transformer 的预训练编码器模型，通过孪生 网络架构学习样本的精细特征表示，提高对电池板细微裂纹的特征表示能力；第2阶段基于预训练模型在少量标注样本下学 习分类器以区分缺陷样本。为进一步区分不影响电池板功能的纵向裂纹，另增加了一个分类头进行判别。在 ELPV 数据集 上的实验结果表明，方法在测试准确度方面优于其他相关检测方法，在只对数据进行少量标注的情况下准确度达到83.26%, 单张检测时间为6.1 ms, 同时在裂纹图像中检出纵向裂纹的召回率也有76.7%。

摘要:为提高串联式机器人的加工能力，提出一种基于改进SSI 法的加工机器人工作模态在线辨识方法，该方法首先在传统 SSI法的基础上进行改进，利用NExT 法、模态置信因子及模态保证准则3种手段来提高加工机器人工作模态参数辨识精度。 其次，利用加工机器人铣削加工振动数据对其走刀路径上关键点位出的模态频率和阻尼比进行在线辨识。最终，通过机器人 切削加工实验验证该方法，实验结果表明，相比于锤击实验结果，改进 SSI 法模态参数辨识误差在7%以内，且相比于传统 SSI 法，改进 SSI 法模态参数辨识精度更高。因此，若仅关心模态频率及阻尼比，该方法可实现加工机器人走刀过程中模态参数的 在线辨识，可为后续机器人进行工艺规划和优化提供输入条件。

摘要:针对石英坩埚透明层中气泡检测依赖于人工肉眼检测，存在着效率低、准确性不高的问题，提出了一种基于深度融合 气泡检测算法(DFBDA) 。 首先，利用智能机械臂夹持工业显微镜，自动采集石英坩埚透明层的气泡视频图像；然后，使用融合 形态学变换的气泡分割和轮廓提取算法，以确保对气泡的准确分割；最后，通过深度融合方法对多帧相似气泡进行融合，实现 了对气泡准确位置的三维重建。针对不同坩埚样品的测试验证，实验结果表明，方法对气泡的平均识别准确率达到了 98.7%,速度和精度都满足工业需求。

摘要:针对石英坩埚透明层中气泡检测依赖于人工肉眼检测，存在着效率低、准确性不高的问题，提出了一种基于深度融合 气泡检测算法(DFBDA) 。 首先，利用智能机械臂夹持工业显微镜，自动采集石英坩埚透明层的气泡视频图像；然后，使用融合 形态学变换的气泡分割和轮廓提取算法，以确保对气泡的准确分割；最后，通过深度融合方法对多帧相似气泡进行融合，实现 了对气泡准确位置的三维重建。针对不同坩埚样品的测试验证，实验结果表明，方法对气泡的平均识别准确率达到了 98.7%,速度和精度都满足工业需求。