基于YOLOv8-OCR的井下人员检测算法

为提高井下昏暗环境的目标检测性能,将行人属性应用到井下,将反光号码牌贴在安全帽和工作服上作为属性进行识别。针对井下小目标检测率低的缺点,提出了一种将YOLOv8检测算法与光学字符识别(Optical Character Recognation, OCR)技术相结合的方法。通过添加卷积块注意力模块(Convolutional Block Attention Module, CBAM),提高了网络对不同尺度的特征提取能力;将YOLOv8中的CBS模块改进为CBF模块,提高了目标的识别准确率;对检测到的反光号码牌区域用OCR技术对区域内数字进行识别,进一步提高了模型的检测精度。实验结果表明,提出的方法在自建数据集上获得了93.2%的识别准确率和每张24.4 ms的检测速度,相比YOLOv8模型有着更高的准确率,能够有效地应对井下环境中的光照变化和干扰因素并且满足实时检测的要求。

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。

基于雷达自动目标识别技术的反无人机雷达

面对“低慢小”(Low Slow Small, LSS)无人机威胁挑战,反无人机雷达的关键作用日益凸显。在反无人机系统(Countering-Unmanned Aerial Systems, C-UAS)技术中,反无人机雷达作为C-UAS的核心传感器,承担着关键任务,包括探测和导引等。尽管其重要性显而易见,反无人机雷达设计仍然存在概念上的不清晰,例如如何定义LSS无人机目标,以及为何众多反无人机雷达难以探测无人机等问题。通过探讨雷达自动目标识别(Automatic Target Recognition, ATR)技术在反无人机雷达中的应用,从目标特性和探测技术2个方面明确了关键问题。强调了雷达探测的独立过程,将其分为“信号检测”和“目标识别”,并指出反无人机雷达的主要探测对象是LSS无人机目标。ATR性能等级被明确定义,涵盖了“Detection探测”“Classification分类”“Identification识别”“Description描述”4个等级。整合ATR功能显著提升了无人机的探测距离和识别能力,推动了反无人机雷达系统的性能升级。

基于信誉分类的拜占庭容错共识算法

针对许可区块链场景下实用拜占庭容错(Practical Byzantine Fault Tolerance,PBFT)共识算法通信开销大、主节点选取随意以及吞吐量低等问题,通过引入并优化信誉评分模型(Reputation Scoring Model,RSM)。提出了一种基于信誉分类的拜占庭容错(Byzantine Fault Tolerance Based on Reputation Classification,RCBFT)共识算法。定义RSM,依据节点的历史共识行为所获得的信誉评分排序对参与节点进行动态分类以及分级管理,提出基于信誉分类的多层次节点架构;在可信节点层中随机选取节点来担任主节点,优化主节点选取机制;设计了缓冲节点层类型转换策略(Type Conversion Strategy for Nodes,TCSN),兼顾了环境等非主观因素导致低信誉评分的诚实节点不能参与共识的问题,使得诚实节点尽可能多地参与共识,而拜占庭节点快速下降到最差类型中限制共识权限;RCBFT共识算法还对传统三阶段共识协议进行优化,减少通信开销,在确保容错性的同时能够提高算法性能。实验分析表明,相较于PBFT共识算法,RCBFT共识算法能够提升交易吞吐量,降低通信开销与共识时延。

TEB算法中机器人平稳避障策略研究

时间弹性带(Time Elastic Band,TEB)算法由于其具有运动学约束、最快路径约束的特点被广泛用于实时局部路径规划和避障,但是在非结构化的动态社会环境进行导航的情况下,强转弯时存在速度输出不稳定的问题,这对于移动机器人的整个前进过程是非常不利的。为了解决这一问题,将轨迹曲率作为一种新的约束引入TEB算法,提出了基于曲率速度控制的时间弹性带(Curve Speed Control TEB,CSC-TEB)算法。在CSC-TEB算法中,移动机器人在实时避障时的最大瞬时速率能够根据其与行进路径的航向变化程度做出一定调整。实验结果表明,应用CSC-TEB算法能够使移动机器人在躲避障碍物时具有更加平稳的速度,同时输出较平滑的轨迹曲线,避免了原始TEB算法中的速度抖动现象。在静态和动态场景中,移动机器人躲避障碍物时具有更加稳定的速度曲线,保证机器人在安全避障的前提下路径总耗时降低了15.02%,从整体上提升了路径规划效率。

基于区块链的外包安全多方统计计算可验证隐私保护方案

安全多方求和/乘积是安全多方计算(Secure Multi-Party Computation, MPC)的一种典型问题,近年来在智能电网、电子投票和联合征信等场景中有诸多应用。如何实现数据隐私保护是安全多方求和/乘积计算应用领域的一个关键性问题。针对此问题,引入了区块链构建可信数据共享环境,以此为基础结合可验证秘密共享协议设计了简单可行的基于区块链的外包安全多方统计计算可验证隐私保护方案。应用实例证明了方案的安全性和可行性,理论分析和实验测试表明该方案可实现安全多方统计计算过程中数据的可验证隐私保护,且较Feldman方案在数据验证过程中有更小的计算开销。

数据驱动的无人机异常检测算法综述

随着无人机(Unmanned Aerial Vehicle,UAV)集成化与智能化的不断发展,UAV在军事领域和民用领域得到广泛应用。因此,对UAV的安全飞行提出更高的要求,而UAV异常检测在保障安全飞行、减少经济损失等方面有着重要作用。近年来,数据驱动的方法在特征提取、非线性问题求解和准确率等方面的优势,使其成为UAV异常检测的主流算法。对UAV异常类型及异常数据特点进行分析与总结。梳理并总结国内外UAV数据驱动的异常检测算法的研究现状,从监督学习、半监督学习和无监督学习三方面对UAV异常检测进行了归纳与总结,并分析了各类算法的优缺点。针对现有算法的研究现状,展望了未来UAV异常检测领域的发展趋势,旨在为后续相关研究提供参考。

基于状态可观测性和多模态数据PF的移动目标跟踪

为了实现对移动目标的跟踪,提出了一种新颖的基于目标状态可观测性和多模态数据粒子滤波(Particle Filter,PF)的跟踪方案。通过部署在目标移动区域中的传感器获得跟踪目标的距离和到达方向测量值,对接收到的数据进行预处理来计算PF的观测值,以形成一个临时距离图像。通过利用状态更新函数和形成的候选图像模板确定目标状态向量;在PF器中加入额外的加权阶段,使得PF器可自适应地同步多模态数据流,以实现鲁棒的目标跟踪。仿真实验结果验证了所提方案能够有效地跟踪移动目标。

精准时空感知赋能数字经济发展

当前数字经济的发展愈发依赖于精准时空信息,分析了通信导航融合感知网络对实现精准时空感知的作用与挑战,介绍了我国在通导融合研究方面取得的突破性进展,阐述了隐嵌信噪定位技术对5G网络定位性能的提升、异构多网多源融合对定位鲁棒性的保障,对北斗与5G深度融合的增量效应进行了讨论。从精准时空感知如何赋能数字经济发展的角度对通信导航融合网络做出进一步规划。

区块链技术及应用导读

区块链是共识机制、智能合约、分布式账本、对等网络和密码技术等多项关键技术的创造性集成,是分布式技术的深化发展,具有弱中心、难篡改、可追溯等特点,正成为继人工智能、大数据、物联网等技术后,又一项对未来发展产生重大影响的战略新兴技术。区块链的兴起,带动了解决分布式一致性等问题的相关技术的融合。区块链面向弱信任场景下,提供了可传递信任的能力,得到了广泛的产业认同,正在引领全球新一轮技术变革和产业变革,有望成为全球技术创新和模式创新的“策源地”。

结合改进ShuffleNet-V2和注意力机制的无人机图像自主分类预警框架

为实现灾难事件的无人机(Unmanned Aerial Vehicle,UAV)自主监测和预警,提出了结合逐通道注意力机制和高效卷积神经网络的新架构。考虑到嵌入式平台的资源限制条件,使用轻量级ShuffleNet-V2作为骨干网络,能够对更多信息进行高效编码并尽可能降低网络复杂度。为进一步提高灾难场景分类的准确度,在ShuffleNet-V2网络中结合了挤压-激发(Squeeze-Excitation,SE)模块以实现逐通道注意力机制,显著增强分类网络对重要特征的关注度。通过数据采集和增强技术获得包括12876张图像的UAV航拍灾难事件数据集,对所提方法进行性能评估,并比较所提方法与其他先进模型的性能。结果表明,所提方法取得了99.01%的平均准确度,模型大小仅为5.6 MB,且在UAV机载平台上的处理速度超过10 FPS,能够满足UAV平台自主灾情监测任务的现实需求。

改进YOLOv8的遥感图像检测算法

针对目前遥感图像目标检测算法中存在的误检、漏检和检测精度低等问题,提出了一种改进YOLOv8的遥感图像检测算法。在主干网络中引入注意力机制EMA到C2f模块,以提高模型对多尺度目标的特征提取能力;在颈部网络中提出Slim-PAN结构,以减少模型计算量;使用WIOU损失函数代替CIOU损失函数,以提升模型的检测精度。通过在DIOR和RSOD遥感数据集上的实验结果表明,改进后的算法与原YOLOv8算法相比,mAP分别提升了1.5%和2.3%,计算量降低了0.3 GFLOPs,改进算法在不增加计算量的同时能提高检测精度,证明了改进算法的有效性和先进性。

嵌入注意力机制的深度可分离卷积SAR目标识别

深度可分离卷积(Depthwise Separable Convolution,DSC)的应用使得深度学习的网络模型轻量化。在此基础上,提出了嵌入注意力机制的DSC合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别方法。通过将DSC与注意力机制结合,提高网络对目标重要特征的学习能力;将多个DSC进行叠加和并联,设计多尺度网络模块,增强不同深度网络的特征提取能力;通过残差连接缓解深层网络的梯度弥散和梯度爆炸问题。使用公开数据集实验表明,所提方法在网络模型参数量较小的情况下,获得99.0%的平均识别率,具有较强的识别优势。

基于YOLOv5算法的无人机巡检图像中绝缘子单目测距方法

为了提升无人机安全飞行性,提升线路运维能力,基于YOLOv5深度学习算法,提出了一种无人机单目测距方法,用于实现一种精确的辅助距离测量功能。对现有的开源绝缘子数据集进行了扩充和标定,采用YOLOv5s模型进行了训练、验证和测试,建立了绝缘子串的测距模型,设计代码加入到检测模块中,实现对绝缘子的识别和测距。实验结果表明,该模型能够准确识别输电线路不同类型的绝缘子并进行精确测距,平均测距误差为4.76%;对复合绝缘子的识别和测距效果最佳,改变俯仰角和相对距离,最大测距误差为6%;在不同天气条件下,亮度变化越大,对绝缘子的识别测距误差也越大,亮度增加至100%时,误差最高可达到12.3%。测距所需平均时间为0.2984 s,可以实现高效、高精度测距,为无人机巡检安全距离测量提供支持。

多无人机辅助NOMA网络的联合无线资源分配算法

为了满足高容量需求和通信质量,提出了一种多无人机(Unmanned Aerial Vehicle, UAV)辅助下行非正交多址(Non-Orthogonal Multiple Access, NOMA)网络的联合定位、用户调度、用户配对和功率分配优化算法。在基站位置固定的网络场景下,推导出通用最优用户配对和功率分配策略闭式解。针对多小区场景,将无人机的位置优化问题转化为一个局部合作博弈问题,并证明所提博弈是一个精确的潜在博弈,它至少有一个纯策略纳什均衡(Pure Strategy Nash Equilibrium, PNE),且最优的纳什均衡(Nash Equilibrium, NE)能够最大化网络和速率。设计了一种集中分布式学习算法寻找最优PNE。仿真结果表明,该算法优于现有方案,显著提高了网络效用。

基于双目视觉的车前行人检测方法研究

当前的汽车安全辅助驾驶和无人驾驶汽车是图像领域的研究热点,针对汽车在启动或行驶时车前存在行人可能导致的安全问题,着重研究了基于双目视觉的车前行人检测方法。进行了双目相机的相机标定和立体标定;通过改进后半全局立体匹配算法获取深度图,确定车前行人所处位置的感兴趣区域(Region of Interest,ROI),剔除冗余的背景信息;分割并提取了图像的降维梯度直方图(Histogram of Gradients,HOG)特征信息;将特征输入到支持向量机(Support Vector Machine,SVM)分类器训练,检测并标记出车前的行人目标。实验证明,所提算法对车前场景下的动态行人可以更为有效地检测,具备更优的检率精度、时效性和鲁棒性。

基于注意力机制引导深度残差网络的RIS辅助通信信道估计

用可重构智能表面(Reconfigurable Intelligent Surface, RIS)增强无线覆盖和信道容量是未来通信网络的候选方案之一。为估计RIS辅助的多用户(Multi User, MU)通信系统上行链路的信道状态信息,提出一种基于注意力机制的深度残差网络,构建了包含稀疏块、特征增强块、注意力引导块和重构块的网络结构,隐式地学习残差噪声,利用注意力机制加强对特定信道噪声特征的提取。仿真结果表明,该方法的估计精度略低于线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)估计,在高信噪比时比常规深度残差去噪网络的估计精度更高。

基于深度学习的认知物联网频谱感知算法研究

针对认知物联网(Internet of Things, IoT)对低信噪比(Signal to Noise Ratio, SNR)的频谱感知性能低下以及传统卷积神经网络(Convolutional Neural Network, CNN)频谱感知方法提取数据特征不充分导致感知性能差等问题,提出了一种改进残差网络——ResNeXt的单节点频谱感知算法,ResNeXt只需要设置少量超参数且高度模块化,将该网络在图像处理上的优势应用在频谱感知问题上,先将接收信号转成二维矩阵并归一灰度化处理,得到灰度图像作为网络的输入。通过训练ResNeXt来提取灰度图像特征,将在线数据输入完成频谱感知。将各个次用户(Secondary User, SU)得到的评分向量矩阵直接用融合中心SoftCombinationNet(SCN)融合获得协作频谱感知结果,有效解决了传统硬融合方法检测性能低、软融合处理复杂等问题。实验结果表明,所提方法在低SNR仍能实现低虚警率、高检测概率,优于传统频谱感知方法。

基于遗传算法优化BP神经网络的GNSS干扰源定位技术

全球导航卫星系统(GNSS)应用已全面深入到国家安全和国民经济当中,但由于GNSS信号到达地面后信号强度很弱,极易受到无意或有意的人为干扰。当出现压制干扰时会影响接收机正常工作,从而导致某一区域导航定位效果受到影响,因此对干扰源的排查和消除十分重要。针对上述压制干扰,通过在监测区域分布一定数量低成本接收机,利用其接收的载噪比数据特征实现干扰源的位置估计。考虑到信号传播过程中的衰减模型是非线性的,提出了基于遗传算法(Genetic Algorithm,GA)优化反向传播(Back Propagation,BP)神经网络的干扰源定位方法,通过神经网络学习得到监测区域载噪比特征的复杂非线性关系,GA对神经网络的初始权值和阈值进行优化,最终在监测区域通过梯度下降法搜索出干扰源位置。结果表明,GA优化后的网络预测误差更小,能够初步定位干扰源位置且平均定位误差率(Average Localization Error Rate,ALER)约为0.23%,验证了模型的合理性和有效性。

Ka频段车载遥感站天线伺服控制系统设计

针对Ka频段7.3 m车载遥感站天线高精度标校、窄波束跟踪等应用需求,提出一种多数据源融合的跟踪控制方法。该方法采用双GPS/北斗定北和太阳标校相结合的角度校准方法,提高了天线捕获概率,解决了车载站天线难捕获以及车载站转场后伺服高精度角度标校的问题;综合利用天线系统中的接收机跟踪误差数据、程序跟踪点位数据、外部引导角度数据和天线实时角度测量数据,通过自适应加权最小二乘方法进行数据融合跟踪,提高了车载站天线伺服控制系统跟踪精度和跟踪性能。测试结果表明,组合标校方法实现天线外场角度标校精度优于0.02°;多源融合跟踪与单一数据源跟踪相比,伺服控制系统跟踪误差减小了30%以上,跟踪精度优于1/15个波束宽度。验证了组合标校和多源融合跟踪方法的有效性,可用于指导大口径高频段遥感接收天线伺服控制系统设计。