依赖方位角测量的多智能体系统事件触发协同定位

论文提出了一种基于事件的方案来实现三维空间多智能体系统的方位定位.依赖方位角刚度设计了一种事件触发的定位方法,该方法在少数个体方位角已知的前提下,可以对集群网络中所有个体进行定位.为了保障方法的有效性,利用输入到状态的稳定原理,得到了上述闭环控制系统的稳定性条件,并且理论保证Zeno行为不发生.最后,通过二维和三维的数值仿真验证了所提出的多智能体系统事件触发定位控制方案的有效性.

基于序列对抗域适应的智能裁剪算法

智能裁剪任务一直受到缺乏训练数据的困扰,目前还局限于公开数据集中.因为实际应用场景与训练场景之间存在域迁移,文中提出基于序列对抗域适应的智能裁剪算法.首先,通过实验证实裁剪数据集GAICD和CPC之间存在域迁移问题.然后,构造由美学评分模块和对抗域适应模块组成的算法.美学评分模块用于预测图像的美学评分,并辅助提取面向裁剪任务的不变特征.对抗域适应模块实现基于对抗的域适应学习.不同裁剪数据集之间的域迁移实验及室内/室外场景之间的域迁移实验均验证文中算法的有效性.

基于EEG的癫痫自动检测:综述与展望

癫痫是一种由脑部神经元阵发性异常超同步电活动导致的慢性非传染性疾病,也是全球最常见的神经系统疾病之一.基于EEG的癫痫自动检测是指通过机器学习、分布检验、相关性分析和时频分析等数据分析方法,对癫痫发作阶段的EEG信号进行自动识别的研究问题,能够为癫痫诊疗与评估提供客观参考依据,从而减轻医生工作负担并提高治疗效率,因此具有十分重要的理论意义与实际应用价值.本文详细介绍基于EEG的癫痫自动识别整体框架,以及对应于各个步骤所涉及的典型方法.针对核心模块,即特征提取与分类器选择,进行方法总结与理论解释.最后,对癫痫自动检测研究领域的未来研究方向进行展望.

基于深度神经网络的图像风格化方法综述

图像风格化旨在通过风格化模型,将一幅图像在保持语义内容不变的同时从一种风格转换到另一种风格.鉴于深度神经网络强大的特征提取和表达能力,学者们先后提出各种基于深度神经网络的图像风格化方法.文中根据风格的定义方式,将基于深度神经网络的图像风格化方法划分为基于参考的图像风格化方法和基于域的图像风格化方法,并对相关文献进行归纳梳理.与已有相关综述不同,文中只研究基于深度神经网络的图像风格化方法,从风格定义的角度进行详尽全面的分类.最后总结目前代表性工作在图像风格化任务常用数据集上的实验结果,分析现有方法存在的问题,并基于这些问题展望未来工作.

基于数据关联狄利克雷混合模型的电网净负荷不确定性表征研究

针对电网净负荷时序数据关联的特点,提出基于数据关联的狄利克雷混合模型(Data-relevance Dirichlet process mixture model,DDPMM)来表征净负荷的不确定性.首先,使用狄利克雷混合模型对净负荷的观测数据与预测数据进行拟合,得到其混合概率模型;然后,提出考虑数据关联的变分贝叶斯推断方法,改进后验分布对该混合概率模型进行求解,从而得到混合模型的最优参数;最后,根据净负荷预测值的大小得到其对应的预测误差边缘概率分布,实现不确定性表征.本文基于比利时电网的净负荷数据进行检验,算例结果表明:与传统的狄利克雷混合模型和高斯混合模型(Gaussian mixture model,GMM)等方法相比,所提出的基于数据关联狄利克雷混合模型可以更为有效地表征净负荷的不确定性.

面向高比例新能源电网的重大耗能企业需求响应调度

随着国家“双碳”重大战略的提出,高比例新能源并网将成为我国电力能源转型的重要态势.针对火电机组、配电网和需求侧关联的系列运行约束制约了电网对高比例新能源的有效消纳这一问题,本文提出重大耗能企业这一主要电力负荷参与网需求响应(Demand response,DR)的研究思路,通过重大耗能企业与电网协调调度促进新能源消纳,并获得经济补偿以减少运行成本.研究首先基于混合需求侧响应机制,提出以重大耗能企业、新能源、火电机组为核心的协调调度方法,并根据新能源预测值−预测误差的信息依存顺序提出了两步调度策略.在此基础上,进行生产过程行为建模以实现重大耗能企业需求侧响应决策描述,并建立高比例新能源并网的重大耗能企业需求响应与电网协调调度优化模型.最后,基于烟台电网实际系统进行算例分析,验证了重大耗能企业通过需求响应参与电网协调调度以及两步调度策略的有效性.

公共交通驾驶员调度研究综述

公共交通驾驶员调度是公共交通运营企业必不可少的核心业务之一,自20世纪60年代起就受到企业界和学术界的广泛重视,并且一直是公共交通研究领域的热点课题之一。首先阐述驾驶员调度问题与数学模型;然后对现有的驾驶员调度研究成果进行归纳分析,总结出主要求解模式,并且根据驾驶员调度问题研究的历史发展,对驾驶员调度方法进行综述;最后展望未来的趋势和研究方向。

螺线管微线圈集总电参数的测量技术研究

实际应用中,螺线管微线圈的集总电参数测量十分困难且不准确。为解决此问题,利用经验公式建立了基于物理放大法的微线圈集总电参数测量模型,同时使用有限元仿真计算微线圈放大后的集总电参数,拟合得到集总电参数与放大倍数的回归模型。制作了微线圈放大10倍的原型,测量了其集总电参数,利用测量模型等效计算出微线圈的集总电参数,与仿真值相比,最大误差为9.33%,表明物理放大法可用于实际测量微线圈的集总电参数。

基于生理信号的情感计算研究综述

情感计算是现代人机交互中的一个重要研究方向,旨在研究与开发能够识别、解释、处理和模拟人类情感的理论、方法与系统.脑电、心电、皮肤电等生理信号是情感计算中重要的输入信号.本文总结了近年来基于脑电等生理信号的情感计算研究所取得的进展.首先介绍情感计算的相关基础理论,不同生理信号与情感变化之间的联系,以及基于生理信号的情感计算工作流程和相关公开数据集.接下来介绍生理信号的特征工程和情感计算中的机器学习算法,重点介绍适合处理个体差异的迁移学习、降低数据标注量的主动学习和融合特征工程与学习器的深度学习算法.最后,指出基于生理信号的情感计算研究中面临的一些挑战.

区间二型模糊集和模糊系统:综述与展望

一型模糊集可以建模单个用户的语义概念中的不确定性,即个体内不确定性.一型模糊系统在控制和机器学习中得到了大量成功应用.区间二型模糊集能同时建模个体内不确定性和个体间不确定性,因而在很多应用中显示了比一型模糊系统更好的性能,是近年来的研究热点.本文首先介绍了区间二型模糊集的重要概念和理论研究进展,总结了其在决策和机器学习中的成功应用,然后介绍了区间二型模糊系统的基本操作和理论研究进展,并回顾了其在控制和机器学习中的典型应用.最后,对区间二型模糊集和模糊系统未来的研究方向进行了展望.

基于气压肌动图和改进神经模糊推理系统的手势识别研究

手势识别是人机交互领域的重要研究内容,为截肢患者控制智能假肢手提供基础.当前主流方法之一是利用表面肌电图(Electromyogram,EMG)识别手部运动意图,但肌电信号存在信号弱和易受噪声、汗液、疲劳影响等缺点.同时肌电图在识别准确率方面,尤其是截肢患者手势识别方面仍然具有较大的提升空间.针对这些问题,设计了基于气压肌动图(Pressure-based mechanomyogram,pMMG)的穿戴式信号采集装置,为手势识别提供了优质的信号源.结合深度神经网络中全连接层结构、典型抽样和标准正则化技术,提出了一种改进多类神经模糊推理系统(Improved multicalss neural fuzzy inference system,IMNFIS),与传统自适应神经模糊推理系统(Adaptive neural fuzzy inference system,ANFIS)相比,泛化能力得到显著提升.招募了7名健康受试者和1名截肢受试者,并用8种算法开展离线实验.所提方法在残疾人手势识别实验中取得了97.25%的最高平均准确率,在健康人手势识别实验中取得了98.18%的最高平均准确率.与近年公开报道的多种手势识别研究相比,所提方法的综合性能更优.

两种固体氧化物燃料电池系统的故障建模与仿真对比研究（英文）

固体氧化物燃料电池(SOFC)系统的建模方式较多,而基于机理模型的故障诊断是能够通过系统的动态趋势辨别故障的有效手段之一,但该方法对机理模型的准确性有要求.此外,不同的燃料供给系统采用的系统结构也是有差异的,进而导致在相同故障下SOFC系统的动态响应也是不同的.因此,本文基于两种燃料供应方式,提出了分别以纯氢气和天然气作为燃料的SOFC系统结构,并基于原有机理知识进行MATLAB/Simulink系统建模.经与真实SOFC系统实验对比,搭建的系统模型能够有效模拟系统在无故障状态下的动态变化;另外,在无故障模型的基础上,分别加入两类常见故障,其一为风机故障,其二为燃料供应管路泄露.最后通过仿真分析,明确了所搭建模型的合理性,且发现了两种燃料供应对SOFC系统热响应特性是不同的,对SOFC系统故障的检测和设备选型具有重要意义.

基于变参数模型的锂电池荷电状态观测方法（英文）

锂电池荷电状态(SOC)观测技术作为电池管理系统(BMS)的关键技术,在维持电池系统设备安全高效运作、延长电池组整体生命周期等方面均起着不可或缺的作用.本文以改善锂电池荷电状态的观测结果为目的,对锂离子电池荷电状态的观测方法进行了研究,基于二阶变参数锂电池模型,设计了一种有效的改善SOC观测精度的方法.首先,根据SOC的定义,建立了安时积分估计(AH),通过引入二阶变参数锂电池模型建立扩展卡尔曼滤波估计器(EKF),然后结合Takagi-Sugeno模糊模型原理,设计Takagi-Sugeno和EKF联合估计器(TS–EKF).最后,在Simulink仿真平台上验证了SOC观测方法的准确性和实用性.结果表明,本文所设计的Takagi-Sugeno和EKF联合估计器可以改善SOC观测精度.

基于池的无监督线性回归主动学习

在许多现实的机器学习应用场景中,获取大量未标注的数据是很容易的,但标注过程需要花费大量的时间和经济成本.因此,在这种情况下,需要选择一些最有价值的样本进行标注,从而只利用较少的标注数据就能训练出较好的机器学习模型.目前,主动学习(Active learning)已广泛应用于解决这种场景下的问题.但是,大多数现有的主动学习方法都是基于有监督场景:能够从少量带标签的样本中训练初始模型,基于模型查询新的样本,然后迭代更新模型.无监督情况下的主动学习却很少有人考虑,即在不知道任何标签信息的情况下最佳地选择要标注的初始训练样本.这种场景下,主动学习问题变得更加困难,因为无法利用任何标签信息.针对这一场景,本文研究了基于池的无监督线性回归问题,提出了一种新的主动学习方法,该方法同时考虑了信息性、代表性和多样性这三个标准.本文在3个不同的线性回归模型(岭回归、LASSO(Least absolute shrinkage and selection operator)和线性支持向量回归)和来自不同应用领域的12个数据集上进行了广泛的实验,验证了其有效性.

残疾人智能移动助行器的发展现状及趋势

智能助行器能帮助行走困难者轻松、自由地行走,有效缓解传统助行器单一功能与患者多样需求之间的矛盾。综述了智能助行器的感知、交互与控制、安全性等方面的研究成果,并结合新材料及人工智能新技术的发展探讨了智能助行器的发展趋势。

基于代理拉格朗日松弛的电-氢耦合网络优化调度

针对电-氢耦合网络的调度问题,将电网与氢供应网协调优化,决定氢运输拖车的路径,并考虑氢运输的时效性,提出基于代理拉格朗日松弛的分布式求解方法。首先,考虑氢运输中拖车的行程和到达加氢站的时间等因素,以电网和氢供应网的运行成本最小为目标函数,建立电-氢耦合网络的混合整数线性规划调度模型;其次,根据代理拉格朗日松弛法将该调度问题分解成电制氢与氢供应子问题,并进行同步协调;最后,通过算例验证了所提模型及求解方法的有效性。

面向行为边界框生成的端到端时间全局相关网络

时序行为边界框生成任务的目的是定位未剪辑视频中行为的开始和结束时间.现有的生成行为边界框的方法存在两个缺点:所使用的特征不具有足够的时间全局信息,导致了边界框的不准确;特征提取和边界框生成的过程是分开的,导致生成的特征不完全适合边界框生成任务.为了解决上述问题,本文提出了时间全局相关网络(Temporal Global Correlation Network,TGCNet),利用时间全局相关(Temporal Global Correlation,TGC)模块获取全局信息.TGC模块主要包含动态相关结构和静态相关结构,分别编码动态和静态全局信息.TGCNet网络可以以端到端的方式训练,使得所学习到的特征更适合时序行为边界框生成任务.本文在两个具有挑战性的数据集THUMOS14和ActivityNet1.3上进行了实验,结果表明,所提出的TGCNet网络在这两个数据集上均达到了最好的时序行为边界框生成性能.

RGB-D语义分割:深度信息的选择使用

目的 在室内场景语义分割任务中,深度信息会在一定程度上提高分割精度。但是如何更有效地利用深度信息仍是一个开放性问题。当前方法大都引入全部深度信息,然而将全部深度信息和视觉特征组合在一起可能对模型产生干扰,原因是仅依靠视觉特征网络模型就能区分的不同物体,在引入深度信息后可能产生错误判断。此外,卷积核固有的几何结构限制了卷积神经网络的建模能力,可变形卷积(deformable convolution, DC)在一定程度上缓解了这个问题。但是可变形卷积中产生位置偏移的视觉特征空间深度信息相对不足,限制了进一步发展。基于上述问题,本文提出一种深度信息引导的特征提取(depth guided feature extraction, DFE)模块。方法 深度信息引导的特征提取模块包括深度信息引导的特征选择模块(depth guided feature selection, DFS)和深度信息嵌入的可变形卷积模块(depth embedded deformable convolution, DDC)。DFS可以筛选出关键的深度信息,自适应地调整深度信息引入视觉特征的比例,在网络模型需要时将深度信息嵌入视觉特征。DDC在额外深度信息的引入下,增强了可变形卷积的特征提取能力,可以根据物体形状提取更相关的特征。结果 为了验证方法的有效性,在NYUv2(New York University Depth Dataset V2)数据集上进行一系列消融实验并与当前最好的方法进行比较,使用平均交并比(mean intersection over union, mIoU)和平均像素准确率(pixel accuracy, PA)作为度量标准。结果显示,在NYUv2数据集上,本文方法的mIoU和PA分别为51.9%和77.6%,实现了较好的分割效果。结论 本文提出的深度信息引导的特征提取模块,可以自适应地调整深度信息嵌入视觉特征的程度,更加合理地利用深度信息,且在深度信息的作用下提高可变形卷积的特征提取能力。此外,本文提出的深度信息引导的特征提取模块可以比较方便地嵌入当下流行的特征提取网络中,提高网络的建模能力。

基于三维卷积的人手姿态估计高分辨率网络

在体素化输入的三维卷积基础上,通过引入高分辨率保持模块,提出了一种基于三维卷积的高分辨率保持网络.该网络以体素化的深度图为输入,进行三维卷积.不同于先前大多数从低分辨率特征中恢复高分辨率特征的方法,构建的网络引入不同分辨率子网络并行的结构,在处理低分辨率特征图的同时保持高分辨率特征图,从高分辨率子网络卷积得出每个关节点在3D体素中的分布概率,最终计算出每个关节点的三维空间坐标.实验表明:该算法相较于先前的基于沙漏模型的三维卷积网络能更准确地进行关节点估计.

基于图卷积及振幅约束的弱监督时序行为检测

针对弱监督时序行为检测缺乏精确的行为起始和结束时间标注,导致时间维度信息匮乏等问题,提出基于挖掘视频片段间联系的方法,捕获一定程度上的时间维度信息,提高行为检测能力,本研究采用图卷积建模弱监督时序行为检测任务,用图节点表达视频片段的特征,图的边表达视频片段间的联系,使得行为检测网络不仅考虑了各视频片段的特征,还考虑了视频片段之间的联系.此外,利用振幅约束和背景约束进一步建模视频片段特征.在公开数据集上的实验结果表明本文方法相对于已有方法具有一定的性能优势.