摘要:

摘要:

摘要:

摘要:

摘要:针对小目标检测任务中目标图像尺寸小、目标特征信息模糊、目标和背景难区分等问题,提出一种基于双流对比特性学习和图像多尺度退化增强的小目标检测方法.首先,将对比学习模型的输入图像进行多尺度退化增强,增强算法对小目标的捕获感知;其次,在空间域和频率域同时进行对比学习表征,以学习更具鉴别性的目标识别特征,增强模型对目标与背景的区分能力,从而提高小目标检测的效果.为验证所提方法的有效性设计了消融实验,并对比分析了与其他先进算法的检测性能优劣.实验结果表明:所提方法在MS COCO数据集上平均精度均值mAP相较基线算法提升3.6个百分点,小目标平均精度均值mAP_S相较主流先进算法提升7.7个百分点;在VisDrone2019数据集上,所提方法平均精度均值mAP较基线算法提升2.4个百分点,所提方法综合性能优于基线算法与其他主流先进算法.可视化检测效果分析表明,所提方法在小目标检测上的漏检、误检问题得到较大改善.

摘要:针对现有图像修复算法修复后的图像可能会出现纹理模糊,以及训练过程中存在的不稳定现象,提出一种基于扩散过程的生成对抗网络图像修复算法.将扩散模型引入至双判别器生成对抗网络,生成器生成的图像与真实图像经过前向扩散过程,得到带有高斯噪声的修复图像和真实图像,将其作为判别器的输入,在提高修复质量的同时,增加了模型训练稳定性.在损失函数中引入风格损失与感知损失来学习语义特征差异,消除动态模糊,使修复结果保留更多细节和边缘信息.在CelebA和Places2数据集上分别做定性、定量分析及消融实验,评价结果及修复效果显示,所提出的算法均有较好的表现.与所对比的当前修复方法相比,峰值信噪比和结构相似性分别平均提高了1.26 dB和1.84%,L1误差平均下降了25.7%,且根据损失函数变化可以看出经过扩散过程的图像修复算法训练更稳定.

摘要:深度神经网络(DNNs)对经过特殊设计的对抗样本存在脆弱性,容易受到欺骗.目前的检测技术虽能识别一些恶意输入,但在对抗复杂攻击手段时,其保护能力仍显不足.本文基于无标记数据提出一种新型无监督对抗样本检测方法,其核心思想是通过特征的构建与融合,将对抗样本检测问题转化为异常检测问题,为此设计了图像变换、神经网络分类器、热力图绘制、距离计算以及异常检测器5个核心部分.先对原始图像进行变换处理,将变换前后的图像分别输入神经网络分类器,提取预测概率数组与卷积层特征绘制热力图,并将检测器从单纯关注模型输出层拓展到输入层特征,增强检测器对对抗样本和正常样本差异的建模和度量能力,进而计算变换前后图像的概率数组KL距离与热力图关注点变化距离,将距离特征输入异常检测器判断是否为对抗样本.在大尺寸高质量图像数据集ImageNet上进行实验,本检测器面向5种不同类型攻击取得的平均AUC值为0.77,展现出良好的检测性能.与其他前沿的无监督对抗样本检测器相比,本检测器在保持相近的误报率的情况下TPR大幅领先,检测能力具有明显优势.

摘要:随着全球气候变化的不断加剧和城市化的快速发展,极端降雨过程导致的城市积涝灾害愈演愈烈,已成为世界各国许多城市面临的严重挑战.基于2021年5—8月浙江省诸暨市75个国家自动气象观测站的降雨量数据和典型积水点的积水深度数据,使用深度学习模型长短时记忆网络(Long Short Term Memory,LSTM)构建降雨量与积水深度的关系模型,提供未来间隔15 min的2 h内城市积涝水位预报,并与随机森林(Random Forest,RF)和人工神经网络(Artificial Neural Network,ANN)模型预报结果进行对比.预报结果表明,LSTM使用前4 h的积水与降雨量资料进行未来2 h积水预报的结果最优,均方根误差(RMSE)小于5.6 cm,相关系数(CC)大于0.93,纳什效率系数(NSE)大于0.86,预报效果优于RF和ANN,所构建的积水预报人工智能模型具有较好的预报效果.

摘要:针对加工速度可变的分布式置换流水车间调度问题,以最大完工时间和机器总能量消耗为优化目标,提出了一种双种群算法.首先,采用混合四种策略的初始化方法来生成高质量的初始种群.其次,针对两个种群的特点分别设计了特定的进化方式,并引入了动态引导因子调整种群的进化方式.同时,提出调速节能策略,进一步优化能量消耗.最后,提出动态种群策略用于平衡两个种群的资源.通过仿真实验证明了各个策略的有效性,并与其他算法进行了对比,结果表明所提出的算法具有明显的优越性.

摘要:路径跟踪在无人驾驶中起着至关重要的作用.为提高无人驾驶卡车在不同车速下路径跟踪的精度与稳定性,设计了一种基于改进遗传算法优化的线性二次调节器(LQR)进行路径跟踪.首先,基于自然坐标系建立车辆二自由度动力学模型和跟踪误差模型,并设计LQR控制器,采用前馈控制消除稳态误差,提高跟踪精度;其次,通过改进遗传算法对LQR的权重矩阵进行优化,以提高路径跟踪的精度与稳定性;最后,通过Matlab／Simulink-TruckSim联合仿真平台在不同工况下对所设计的LQR控制器控制效果进行仿真验证.结果表明,在双移线工况下,GA (遗传算法)优化后的LQR控制器在30 km/h和60 km/h跟踪精度分别提高了约68.5%和49.4%;在U形工况下,跟踪精度分别提高了约12.0%和25.5%,且具有更高的稳定性,位置误差和航向误差分别可控制在0.17 m和0.11 rad以内,证明了所提出的跟踪控制框架的有效性.

摘要:针对天然气负荷序列的复杂性和非线性,本文提出一种基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测模型.首先,采用皮尔逊相关系数进行相关性分析,提取出相关性强的气象特征;其次,引入时间向量嵌入层Time2Vec,将时间序列转换为连续向量空间,提取相应的时间特征,提高了模型对时间序列信息的计算效率;然后,将Time2Vec提取的时间特征、皮尔逊相关系数选取出的气象特征和原始负荷序列输入到长短期记忆网络(LSTM)和时间卷积网络(TCN)中进行负荷预测,充分利用LSTM的长期记忆能力和TCN的局部特征提取能力;最后,将LSTM和TCN通过注意力(Attention)机制组合起来,并根据其重要程度分别赋予不同的权重,得到最终预测结果.实验结果表明,本文所提出的组合预测模型具有更强的适应性和更高的精度.

摘要:电力设备故障检测模型的性能受到多种因素的影响,如故障种类的多样性、故障特征的复杂性和图像质量的差异等.为此,本文提出一种基于TrellisNet和注意力机制的新型电力设备故障检测模型.首先,将长短期记忆(Long Short-Term Memory,LSTM)网络和卷积神经网络(Convolutional Neural Network,CNN)进行融合,构建LSTM-CNN来获取图片中的故障特征,以有效区分不同故障类型的特征,并减少噪声和干扰因素的影响.然后,将LSTM-CNN获得的特征数据作为输入,并将注意力机制嵌入到TrellisNet中,构建具有高分辨能力的AT-TrellisNet网络来检测不同电力设备的故障类型.最后,选取5种常见的电力设备故障进行模型验证.实验结果显示,本文模型与一些现有的检测模型相比,检测精确率较高,最高可达90％以上,可满足实际电力设备故障检测需求.

摘要:针对小区接入充电桩无序充放电加大负荷峰谷差率和用户成本的问题,提出一种储能式充电桩有序充放电优化运行策略.该优化策略在降低峰谷差率的前提下,以用户充电成本最低和充电桩收益最高为优化目标.选取典型日建立储能充电桩优化充放电调度模型,采用改进多目标粒子群优化算法进行求解,结合分时电价调整储能式充电桩的充放电功率和时间.通过优化惯性权重和学习因子并自适应改变位置分裂因子来改进多目标粒子群优化算法.实验结果表明:该算法可有效提高收敛速度,避免陷入局部最优,能更好地处理多目标问题,在求解储能调度模型中降低了典型负荷峰谷差率55%,比原有算法优化了36%,能合理分配充电桩在谷时段储存电力资源,降低用户充电费用20%~30%,提高充电桩收益,达到电网、用户和充电桩三方共赢的目的.

摘要:基于架空线传输的风电柔直并网系统容易发生瞬时直流故障,利用风机内部配置的储能单元消纳故障期间的不平衡功率是一种有效解决方案.然而,现有文献未考虑各个储能单元之间的剩余容量差异,将风电场等值为单台风机进行研究,这容易造成剩余容量较小的储能单元过载,而剩余容量较大的储能单元仍有富余的储能能力未被利用,从而导致故障期间功率不平衡.针对上述问题,本文提出一种基于风电场储能优化控制的直流故障穿越协调控制策略.该策略将荷电状态(State of Charge,SOC)方差作为定量描述储能单元剩余容量差异程度的指标,并以SOC方差下降率最大作为目标函数,将非故障极换流站转带后的剩余不平衡功率优化分配给各个风机内部的储能单元,在保证故障期间系统功率平衡的同时,缩小各储能单元之间的剩余容量的差异.在PSCAD/EMTDC仿真平台上搭建模型将所提出的储能功率优化分配方案与传统平均分配方案进行对比.结果表明,储能功率优化分配方案充分发挥了储能系统的功率消纳能力,提高了系统直流故障穿越能力.

摘要:新型电力系统需要"源网荷储一体化"协同优化调度.目前,调度自动化系统采用关系型数据库,基于多个关联表进行数据查询和存储,难以满足计算的快速性需求.本文提出一种基于图的源网荷储协同日内调度计算方法.首先,利用图数据库实现源网荷储时空数据的融合;其次,综合考虑火电机组、可调节负荷和储能等多种资源,构建源网荷储协同日内调度优化模型;然后,提出基于图计算的潮流计算方法,快速进行系统安全校核;最后,基于安全校核结果修正系统运行状态,直至满足所有的运行约束条件.通过对改进的IEEE118和IEEE1354节点系统算例进行分析,结果表明,本文提出的源网荷储协同优化方法能够提升计算效率.

摘要:大规模环境建图时,使用轻便的机器人群去感知环境,采用多机器人协同SLAM (同步定位与地图构建)方案,可以解决在单个机器人SLAM方案下面临的个体成本高昂、全局误差累积、计算量大和风险过于集中的问题,有着极强的鲁棒性与稳定性.本文回顾了多机器人协同SLAM的发展历史,介绍了相关的融合算法与融合架构,并从机器学习分类的角度梳理了现有的协同SLAM算法;同时还介绍了未来多机器人SLAM发展的重要方向:深度学习、语义地图与多机器人VSLAM的结合问题,并对未来发展侙作出了展望.

摘要:为探明麦田氧化亚氮(N₂O)排放对二氧化碳(CO₂)浓度缓增与氮肥减施的响应,选用扬麦22为试验材料,基于开顶式气室(OTC)构成的CO₂浓度自动控制平台开展田间试验.在环境大气CO₂浓度(AC,对照)的基础上设置CO₂浓度缓增处理(EC,自2016—2017年冬小麦生长季起在AC基础上逐年增加40 μmol·mol^-1,至2018—2019年生长季CO₂浓度比AC高120 μmol·mol^-1);在常规施氮量(N₁,25 g·m^-2)基础上设置氮肥减施处理(N₂,15 g·m^-2).使用静态暗箱-气相色谱法进行冬小麦田N₂O的气样采集与通量测定.结果表明:冬小麦生育期内,不同CO₂浓度与氮肥水平下冬小麦田N₂O通量生长季变化较为一致,整体均呈现波动下降特征;AC处理下,与N₁处理相比,N₂处理使得N₂O累积排放量显著降低45.2%(P=0.004),EC处理下,不同氮肥水平对冬小麦田N₂O排放无显著影响;在冬小麦孕穗至乳熟期时,氮肥减施处理对麦田N₂O排放的影响较为明显;CO₂浓度缓增与氮肥减施共同作用时,施氮量是影响麦田N₂O排放量的主要因素.

摘要:氨是大气中生成PM_2.5的主要前驱物之一.为了用同位素方法更精确地识别大气中氨的来源,减轻城市大气PM_2.5污染,对近年来国内外有关气态氨的采样与浓度分析方法、氮同位素比值测定和估算方法、不同来源氨的氮同位素组成及同位素分馏、大气中氨的氮同位素组成及分馏、大气颗粒物和降水中NH₄⁺的氮同位素组成,以及大气中氨的源解析等研究现状进行了分析.据此为未来的研究工作提出了若干建议:被动采样法会引起NH₃的氮同位素分馏,采样前应确定最低采样质量;需加强对生物质燃烧、天然土壤、海洋、污水处理厂、植物及其他潜在排放源氨的氮同位素组成研究;要进一步研究不同排放源氨的氮同位素组成变化机理;应以更高的时间分辨率同时测定气态NH₃和颗粒态NH₄⁺的质量浓度和氮同位素组成,以探讨颗粒态NH₄⁺生成过程中氮的同位素分馏机理;需更加深入地研究不同大气污染状况和气象条件下气态氨的氮同位素分馏机理.