基于深度学习的水声信道估计技术

在水声通信中,传统的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)系统需要大量导频数量和循环前缀以维持系统性能,严重浪费有限的频域资源。因此,利用深度学习辅助OFDM恢复失真的传输数据。具体地讲,利用改进的残差块提取和双向记忆接收信号。将自归一化网络(Self-Normalizing Network, SNN)与注意力机制结合,有效分配信道权重,以便系统更有效地利用信道资源,最小化信号失真。使用深度神经网络(Deep Neural Network, DNN)实现接收信号的分类,以准确地恢复接收信号。提出的ICANet(Improved Residual Network, Convolutional Neural Network and Attention Mechanism Self-Normalizing Network)模型可应用于由Bellhop软件生成的水声环境。仿真结果证明,与传统技术中的最小二乘法(Least Square, LS)以及现有的深度学习模型相比,所提出的模型在循环前缀受限的情况下可达到更低的误码率。

基于双目立体视觉的多分辨率图像匹配方法研究

在双目立体视觉系统中,面对复杂场景时噪声会损害图像特征,增加提取难度,导致匹配精度和鲁棒性下降。因此,文中提出基于双目立体视觉的多分辨率图像匹配方法,旨在从不同尺度图像中有效获取信息并实现高精度匹配。该方法利用双目立体视觉模型的双目旋转相机扫描目标并进行成像,根据内、外空间标定提升双目旋转相机的位置精度,保证目标的多分辨率成像效果;将其输入金字塔立体匹配网络中,通过网络中的类金字塔多空洞卷积操作提取双目图像特征,在此基础上,基于可变卷积增强其纹理特征细节;结合细粒度特征和互注意力机制完成双目图像匹配。测试结果显示,空间标定后,左、右两个相机的成像误差最小值分别为0.6 Pixel和0.4 Pixel;匹配点坐标偏差均值和坐标偏差方差值分别低于0.012和0.011,匹配效果良好。

基于参数优化变分模态分解的信号降噪方法

针对心电信号中肌电干扰噪声难以去除的问题,提出一种基于参数优化变分模态分解(VMD)的信号降噪方法。通过设计动态边界策略和反向种群生成方式,对白鲸优化(BWO)算法进行改进;采用改进白鲸优化算法对VMD参数自适应寻优,确定分解层数K与惩罚因子α;对含噪心电信号进行分解,得到k个本征模态函数(IMF)分量,同时采用相关系数法进行有效模态和含噪模态识别;对噪声主导的模态分量采用小波阈值降噪,并重构信号主导模态与降噪后模态。对仿真信号与含真实肌电干扰的心电信号进行降噪处理,实验结果表明,所提方法去噪效果优于小波阈值去噪法、EMD法、EMD-小波阈值去噪法,真实含噪的心电信号经该方法去噪后自相关系数可达0.91以上。

基于DTW算法的sEMG手势识别控制系统设计

人体在运动过程中会产生微弱的生物电信号,其中蕴含着大量的控制信息。为了使用生物电信号中的信息控制机械臂动作,提出一种基于DTW算法的sEMG手势识别控制系统,利用该系统对采集的原始信号进行滤波和放大。为了确定有效的sEMG,采用移动平均法对处理信号进行划分。使用平均绝对值从数据片段中提取有效段数据,应用DTW算法将3路表面肌电信号融合,计算样本与模型之间的相似度,实现手势识别;再将识别后的信号通过无线模块发送到控制指令,以控制机械臂的动作;最后,采用提出的算法并结合6种类型的手势分类模型创建最佳特征模型。实验测试结果表明,使用动态时间规整(DTW)算法进行手势识别的平均准确率为93.752%,6种手势的平均模型匹配率达到92%,实现了肌电信号对机械臂的精确控制。由此证明所提方法的手势识别比传统的阈值控制开关更准确。

基于细节增强和多颜色空间学习的联合监督水下图像增强算法

由于水下特殊的成像环境,水下图像往往具有严重的色偏雾化等现象。因此文中根据水下光学成像模型设计了一种新的增强算法,即基于细节增强和多颜色空间学习的无监督水下图像增强算法(UUIE-DEMCSL)。该算法设计了一种基于多颜色空间的增强网络,将输入转换为多个颜色空间(HSV、RGB、LAB)进行特征提取,并将提取到的特征融合,使得网络能学习到更多的图像特征信息,从而对输入图像进行更为精确的增强。最后,UUIE-DEMCSL根据水下光学成像模型和联合监督学习框架进行设计,使其更适合水下图像增强任务的应用场景。在不同数据集上大量的实验结果表明,文中提出的UUIE-DEMCSL算法能生成视觉质量良好的水下增强图像,且各项指标具有显著的优势。

基于UTXO模型区块链的众包物流可信身份认证模型

针对现有集中式众包物流平台中用户身份数据存储与管理存在的隐私泄露和篡改问题,提出一种基于UTXO模型区块链的众包物流可信身份认证模型.该模型包括利用区块链技术实现身份注册、身份验证、身份撤销及身份认证.针对链上存储用户隐私数据风险的问题,采用混合加解密方案对链上个人信息做安全存储与分享;针对平台认证用户身份的问题,采用可信身份凭证以零知识证明方式登录众包物流平台.对身份信息以及认证进行安全性分析,并将该方法与LIU方法、LI方法的安全性能进行了对比.在Python3.9环境下完成试验,进行了身份信息加密和零知识身份认证测试分析.结果表明该方案的认证时延和处理事务能力均优于现有的SHAO方案.

改进RRPN模型的遥感图像目标检测

针对遥感目标背景复杂、易受外界环境干扰,传统方法无法满足复杂场景下的检测高精度与实时性要求的问题,提出基于改进RRPN模型的遥感图像目标检测方法。首先,将特征金字塔(FPN)架构引入到了模型的残差网络中,使得遥感图像的高、低层特征得到了有效融合;其次,在特征提取网络中添加了通道和空间相融合的注意力机制(CBAM),提升了模型在遥感图像目标特征提取方面的跨通道和空间处理能力;此外,将剔除重叠建议框时的原始NMS算法优化为DIoUNMS算法,综合考虑遥感图像候选框之间的重叠度、距离、尺度大小等因素,使目标框的回归过程更加稳定。对比实验与消融实验显示,所提方法在公共数据集DOTA和HRSC2016上获得的平均精度均值mAP分别可高达77.30%、90.24%,较原始RRPN模型分别提高了8.29%、11.16%,且优于其他几种较新的经典模型,表明所提方法对于复杂环境下的遥感图像目标检测是合理且有效的。

多障碍环境下巡检机器人路径规划优化研究

针对大规模、密集的障碍物分布,高效地搜索最佳路径是一个挑战,为规划出更短的巡检路线,并实现多障碍环境下的灵活避障,文中提出一种多障碍环境下巡检机器人路径规划优化方法。使用二维矩阵构建巡检环境模型,应用D*算法在巡检环境模型中进行巡检机器人路径规划,并将传统D*算法中的扩展步长方式改变为自适应扩展步长,使机器人在面积较大的巡检场地能够更快地完成巡检;将代价函数由欧氏距离替换为切比雪夫诺距离和曼哈顿距离融合的代价函数,并引入了平滑度函数优化线路规划结果,使规划的路径更为平滑,在遇到由于多种原因产生的新障碍物时可以重新规划路径。通过实验结果可知,无论是静态地图还是动态地图,该方法均可以快速准确地规划出一条最佳路线,并且在多种环境中应用该方法能够高效获取路径规划结果。

基于坐标注意力和软化非极大值抑制的密集安全帽检测

为解决现有的安全帽检测算法对密集小目标的检测精度低的问题,提出一种基于坐标注意力和软化非极大值抑制的安全帽检测算法。引入坐标注意力机制,聚焦训练安全帽相关目标特征以提高准确率。采用软化非极大值抑制算法对候选框的置信度进行优化,提升模型对密集小目标的检测精度。通过WIoU优化边界框损失函数,使得模型聚焦于困难样例而减少简单示例对损失值的贡献,提升模型的泛化性能。实验结果表明:与基准模型YOLOv5s相比,所提算法的mAP@0.5达到88.4%,提升了3.0%;mAP@0.5:0.95达到65.6%,提升了6.8%;在召回率和准确率上分别提升了2.4%和0.5%。所提算法为密集小目标的检测提供了一定参考。

光照不均匀条件下无人机航拍低照度图像增强方法

增强图像时高低频参数未增强,没有更好地保留图像的细节和平衡图像的亮度,因此,提出一种光照不均匀条件下无人机航拍低照度图像增强方法。首先通过高斯滤波预处理无人机航拍图像,实现无人机航拍图像中的噪声抑制,将预处理后的图像通过小波分解得到图像的高频参数和低频参数,分别通过双边滤波算法、软阈值方法和直方图对图像的低频参数和高频参数进行增强,采用小波重构对增强后的图像高频参数和低频参数进行重构,得到增强后的无人机航拍图像。通过实验验证,该方法能够实现一种效果较好的图像增强,在原始图像基础上,通过文中方法增强原始亮度8.14%、对比度提高了37.90%以及清晰度增加了31.01%,使得图像的整体质量得到了显著提升,为后续的图像分析、处理提供了更加准确、丰富的信息。

基于改进神经网络的医院通信安全态势感知方法

针对医院通信安全态势感知不及时,易导致医院信息系统重要信息受到损害的问题,提出基于改进神经网络的医院通信安全态势感知方法。使用基于小波消噪的通信信号去除噪声并保留关键信息,输入基于改进RBF神经网络的医院通信安全态势感知模型。利用花朵授粉算法完成改进RBF神经网络训练。通过径向基函数对输入数据进行非线性变换,将得到的权值进行加权求和,得到当前通信网络信号的安全态势预测结果。实验结果显示,应用该文方法的医院通信网络异常信息可在1 s内完成感知。

基于改进YOLOv7-Tiny的车辆检测研究

为了提高计算机识别检测车辆的准确度与速度,提出了一种基于改进YOLOv7-Tiny的车辆检测算法。在众多目标检测模型中,YOLOv7有着非常快的检测速度和较高的检测精度,非常适用于实时检测任务。在原YOLOv7-Tiny模型的基础上进行改进,将最浅层ELAN-T模块纳入特征金字塔,通过跳跃连接的方式将浅层特征与深层特征跨层融合,使输出的特征信息更加丰富。同时引入SE注意力机制,将计算资源分配给对当前任务更为关键的信息。并且更换了非线性激活函数HardSwish,以提高模型的表达能力。在华为发布的2D自动驾驶数据集SODA10M上进行实验,结果表明,改进后的模型对所有四种目标的检测精度都有所提高,平均精度mAP@0.5达到了66.1%,比原YOLOv7-Tiny模型61.0%提升了5.1%。

光伏发电机组异动信息主动增量式更新算法

针对进行光伏发电机组密集型异动信息更新操作时,出现更新时延长、更新结果不完整的问题,提出了光伏发电机组异动信息主动增量式更新算法。通过特征提取、小波变换和模极大值计算来获取有效的增量式特征;构建增量特征成词袋模型并进行标注;结合蚁群算法搜索异动信息,计算最小平均带宽和最佳更新路径,通过动态更新相容类和决策类异动信息完善数据;采用2阶段集合式更新方案进行信息增量收集和校验增量分发,以获取主动增量式更新异动信息。由实验结果可知,该算法更新时延在全部校验节点下未超过40 s,且能够保证更新结果具有完整性。

基于改进YOLOv5的复杂场景电动车头盔检测方法

佩戴电动车头盔是安全骑行的重要保障,对电动车驾乘人员佩戴头盔进行有效检测在保障驾乘人员安全方面具有重要意义。电动车头盔检测中存在目标之间相互遮挡、复杂背景干扰、头盔目标小等问题,现有方法尚不能满足复杂场景下电动车头盔检测的要求,因此,提出一种改进YOLOv5的复杂场景电动车头盔识别方法。首先,提出一种新的主干网络结构ML-CSPDarknet53,增强网络的特征提取能力,引入轻量级上采样算子CARAFE,利用特征图语义信息扩大感受野;其次,搭建坐标卷积CoordConv模块,增强网络对空间信息的感知能力,并将WIoU v3作为边界框损失函数,降低低质量样本对模型性能的不利影响;最后,构建了内容丰富的头盔检测数据集对改进算法进行验证。实验结果表明,改进后算法相较于原算法在精确度、召回率、mAP@0.5、mAP@0.5:0.95上分别提升了2.9%、3.0%、3.4%和2.2%,并且性能优于其他主流检测算法,满足复杂道路交通场景下电动车驾乘人员头盔检测的任务要求。

关于大坝监测数据质量评价因子及算法研究

大坝监测数据是判断大坝运行安全的主要依据,为了鉴别数据优劣并选择出可信度较高的数据,文中构建一个大坝监测数据质量评价框架。针对测点之间的相关性、监测项目及仪器的特点,利用Kshape算法找出具有强相关性的测点,再通过相对偏移率、相对平滑率、周期波动程度和精度修正率等评价因子对大坝监测数据进行评价;其次,结合混合蝙蝠算法优化后的长短期记忆网络对大坝监测数据进行分类,构建了大坝监测数据质量评价算法流程。以新疆某大坝监测数据为研究对象进行试验,结果表明所提出的大坝监测数据质量评价算法的准确率为94.33%,可为评价大坝监测数据质量提供有效的解决方法。

基于改进人工势场法的避障路径规划研究

传统的人工势场法(APF)在路径规划领域因其简单性和高效性而被广泛采用,然而,这种方法往往会遇到局部最小值的问题,并且在动态环境中的适应性有限。为了解决这些问题,文中提出一种基于模拟退火算法(SA)改进的人工势场法。该改进方法结合人工势场法的实时避障能力和模拟退火法的全局优化特性,在所提出的改进方法中,通过在局部极小值附近添加随机目标点,使用模拟退火算法进行优化,从而有助于跳出局部最小值,并逐渐逼近全局最优或近似最优解。通过一系列的仿真实验表明,与传统人工势场法相比,基于模拟退火法的改进方法能够显著减少陷入局部最小值的情况,并在多种动态场景中表现出更强的鲁棒性和更优的路径规划效果。此外,该方法还展现了良好的实时性和适应性,能够满足车辆在复杂动态环境中进行避障和路径规划的需求。

基于形态学构建尺度空间与谱峭度的轴承故障诊断方法

针对高速列车轴箱轴承服役环境恶劣,故障特征难以提取的问题,提出了基于形态学构建尺度空间表征的经验小波变换(EWT)故障诊断方法。首先,提出基于形态学的尺度空间表征方法,实现共振频带边界的自适应识别;其次,将基于形态学构建的尺度空间表征与谱峭度相结合,识别出共振频带;然后,根据所识别的频带边界构造滤波器组,对信号进行自适应分解;最后,对分解信号进行包络谱分析,识别故障特征频率,实现轴承故障的诊断。高速列车轴箱轴承振动试验结果表明,该方法能够有效提高频带划分的准确性以及计算效率,准确诊断轴承故障。

基于自适应差异化图卷积的图注意力网络表示学习算法

为解决传统图卷积网络在处理节点间复杂关系时存在的局限性,提出一种基于自适应差异化图卷积的图注意力网络表示学习算法。采用差异化图卷积网络,依据每个节点自身特征和邻居信息进行差异化采样,捕捉节点间的复杂关系;再结合二阶段关键相邻采样方式优先挖掘重要节点并保留随机性,完成关键邻居节点的采样;然后结合图注意力网络,通过局部关注和自适应学习权重分配将关键邻居节点特征聚合到自身节点上,增强节点的特征表示;最后经网络训练,进一步增强网络表示学习能力。实验结果表明,所提出的算法优化了节点聚合程度和边界清晰度,提高了节点分类的准确性和可视化效果,并且通过关注二阶邻居和使用双头注意力,在网络表示学习上也展现出了优越性能。

基于语义分割的乡村道路识别

针对目前智能农机在乡村复杂环境下行驶时对周围特征识别精度不足的问题,以乡村道路场景为研究对象,提出一种改进PP-LiteSeg模型。首先使用STDC对图像特征进行提取,在保证轻量化的同时确保特征信息完整;然后将条形池化引入简单金字塔模块,加强特征的提取能力,并将坐标注意力加入统一注意力融合模块,进一步加强多尺度特征的融合,捕获更为丰富的信息,从而提高模型对乡村复杂场景识别的准确率。实验结果表明,在不同场景下,所提模型可以达到较好的分割效果,建筑物、柏油路、障碍等单个类别的准确率均达到80%以上,能够有效地分割乡村道路场景。改进模型可为智能农机在乡村道路场景下的安全行驶提供技术参考。

UMTransNet:结合U-Net和多尺度感知Transformer的图像拼接定位方法

当前基于深度学习的图像拼接定位方法大多只关注深层次特征,且感受野有限,忽略了浅层次特征,影响图像拼接定位的准确性。针对上述问题,文中提出一种结合改进U-Net和多尺度多视角Transformer的图像拼接定位网络UMTransNet。改进U-Net模型的编码器,将编码器中的最大池化层替换成卷积层,防止浅层次特征的流失;将多尺度多视角Transformer嵌入到U-Net的跳跃连接中,Transformer的输出特征与U-Net的上采样特征进行有效融合,实现深层次特征与浅层次特征的平衡,从而提高图像拼接定位的准确性。通过可视化检测结果图显示,所提方法在定位拼接篡改区域方面表现得更加出色。