INCREMENTAL AUGMENT ALGORITHM BASED ON REDUCED Q-MATRIX

Reduced Q-matrix （Qr matrix） plays an important role in the rule space model （RSM） and the attribute hierarchy method （AHM）. Based on the attribute hierarchy, a valid/invalid item is defined. The judgment method of the valid/invalid item is developed on the relation between reachability matrix and valid items. And valid items are explained from the perspective of graph theory. An incremental augment algorithm for constructing Qr matrix is proposed based on the idea of incremental forward regression, and its validity is theoretically considered. Results of empirical tests are given in order to compare the performance of the incremental augment algo-rithm and the Tatsuoka algorithm upon the running time. Empirical evidence shows that the algorithm outper-forms the Tatsuoka algorithm, and the analysis of the two algorithms also show linear growth with respect to the number of valid items. Mathematical models with 10 attributes are built for the two algorithms by the linear regression analysis.

Combined Economic and Emission Power Dispatch Control Using Substantial Augmented Transformative Algorithm

The purpose of the Combined Economic Emission Dispatch(CEED)of electric power is to offer the most exceptional schedule for production units,which must run with both low fuel costs and emission levels concurrently,thereby meeting the lack of system equality and inequality constraints.Economic and emissions dispatching has become a primary and significant concern in power system networks.Consequences of using non-renewable fuels as input to exhaust power systems with toxic gas emissions and depleted resources for future generations.The optimal power allocation to generators serves as a solution to this problem.Emission dispatch reduces emissions while ignoring economic considerations.A collective strategy known as Combined Economic and Emission Dispatch is utilized to resolve the above-mentioned problems and investigate the trade-off relationship between fuel cost and emissions.Consequently,this work manages the Substantial Augmented Transformative Algorithm(SATA)to take care of the Combined Economic Emission Dispatch Problem(CEEDP)of warm units while fulfilling imperatives,for example,confines on generator limit,diminish the fuel cost,lessen the emission and decrease the force misfortune.SATA is a stochastic streamlining process that relies upon the development and knowledge of swarms.The goal is to minimize the total fuel cost of fossil-based thermal power generation units that generate and cause environmental pollution.The algorithm searches for solutions in the search space from the smallest to the largest in the case of forwarding search.The simulation of the proposed system is developed using MATLAB Simulink software.Simulation results show the effectiveness and practicability of this method in terms of economic and emission dispatching issues.The performance of the proposed system is compared with existing Artificial Bee Colony-Particle Swarm Optimization(ABC-PSO),Simulated Annealing(SA),and Differential Evolution(DE)methods.The fuel cost and gas emission of the proposed system are 128904$/hr and 138094.4652$/hr.

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

混合增强型机器学习算法在稀土供应链金融中评价中小企业信用风险的研究

稀土是支撑高端技术创新和新能源产业发展的关键原材料之一,研究解决稀土供应链中小企业融资困难的问题,做强我国稀土产业链,更好地维护国家战略利益是当务之急。供应链金融作为创新型融资方式成为实现中小企业融资授信的一种主要手段,但其中信用风险问题成为融资决策中需解决的最关键问题之一。本文提出了一种混合增强型机器学习算法,首先采用动态透镜成像反向学习改进的海洋捕食者算法(IMPA)对支持向量机算法(SVM)进行优化,再采用AdaBoost算法对优化后的SVM进行集成,建立AdaBoost-IMPA-SVM模型。采用该模型对供应链金融风险进行评价,重新建立供应链金融风险体系指标,通过相关性分析进行特效选取,并从计算机通信及其他制造业选取52家中国上市中小企业2019—2021年期间140个样本作为特征变量输入模型。仿真实验结果验证了该模型相较于其他信用风险评价模型具有更好的分类识别性能。

基于特征与数据增强的城市街景实例分割算法

城市街景分割是智能交通领域中一项关键的技术,对于城市街景环境中的客观因素例如遮挡、小目标等问题,提出一种基于特征增强与数据增强的城市街景实例分割算法DF-SOLO(data augmentation and feature en-hancement SOLO)。针对遮挡问题,通过非对称自编-解码器架构对城市街景图像进行数据增强,与传统方法相比处理后的图像更贴近真实的源数据分布。针对城市街景中的小目标分割问题,引入特征加权和特征融合的思想,特征加权模块在特征处理过程中能够根据特征的重要程度赋予不同的权值,提高对重要特征的利用率;特征融合模块从更细粒度的角度进行多尺度特征融合以解决尺度敏感问题,提高语义特征的描述性。通过在Cityscapes数据集上的实验表明,提出的实例分割算法在保证实时性的同时相较于单阶段SOLO算法和两阶段Mask R-CNN算法的mAP值上分别提升2.1%和2%,改善了对小目标和遮挡目标的分割效果。

生成对抗网络在表面缺陷生成中的应用

基于深度学习的目标检测算法广泛应用于工业产品表面缺陷检测领域,但构建的模型需要大量的带标签的产品缺陷数据。为降低缺陷数据的获取成本,本文提出了一种基于生成对抗网络的表面缺陷生成算法。通过该算法,可以生成更接近真实分布的缺陷数据。实验结果表明,生成的缺陷图像非常逼真且包含了一定的判别性,将其作为样本参与缺陷检测模型训练,能够产生正则化效果,从而提高缺陷检测的鲁棒性和泛化能力。

计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法研究

轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进YOLOv5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进YOLOv5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的YOLOv5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。

General dynamic model for educational assembling-type robot and its fast simulation algorithm

To realize automatic modeling and dynamic simulation of the educational assembling-type robot with open structure, a general dynamic model for the educational assembling-type robot and a fast simulation algorithm are put forward. First, the educational robot system is abstracted to a multibody system and a general dynamic model of the educational robot is constructed by the Newton-Euler method. Then the dynamic model is simplified by a combination of components with fixed connections according to the structural characteristics of the educational robot. Secondly, in order to obtain a high efficiency simulation algorithm, based on the sparse matrix technique, the augmentation algorithm and the direct projective constraint stabilization algorithm are improved. Finally, a numerical example is given. The results show that the model and the fast algorithm are valid and effective. This study lays a dynamic foundation for realizing the simulation platform of the educational robot.

基于YOLOv5算法的多尺度小目标船舶识别方法

为提高海面多尺度小目标船舶的识别性能,提出一种数据集划分方法,并在YOLOv5算法中改进数据增强方法,融合注意力机制,改进损失函数。实验结果表明,该方法能更好地识别海面上的多尺度小目标船舶,平均精度(mAP)、精确率(P)、召回率(R)分别为99.1%,98.5%,97.5%,识别性能比经典深度学习算法和近几年的方法都高。

点估计与区间估计:算法预测呈现方式对人机共融决策效果的影响

决策者对算法的态度及采纳程度是实现人机共融决策扩展中的关键议题。但目前关于算法预测的不同呈现方式的影响尚缺乏深入探究。本文以两个典型的人机共融决策场景为研究情境,设计了三个层层递进的在线随机对照实验,探究智能算法预测结果以点估计及带有不同置信度的区间估计等形式呈现对人类决策者采纳程度的影响及背后的原因。研究发现人类决策者对以不同形式呈现的同一算法预测的采纳存在行为偏误。研究提出并验证了可解释这一行为偏误的一种认知捷径,据此设计了一种可消弭该偏误的算法预测结果展示方式,通过实验验证其效果并分析决策者间的异质性。本研究结论具有清晰的因果识别及可操作性,对人机共融决策相关理论及实践具有一定的贡献。

带有模糊流量限制的最大流问题

定义构造区间中智数的基本运算,提出中智逻辑并给出数学定义,通过概率论期望的概念提出中智数学期望的定义.结合图论,提出用区间中智数表示网络流中每条弧上的模糊信息,通过改进区间中智数运算并运用增广链算法调整流网络流量,给出中智最大流问题的中智线性规划模型.最后通过算例给出算法具体实现步骤,得到中智环境下的最大流以及流量的波动率,结果说明运算可行,算法合理有效.

面向大型客机翼身对接的增强现实跟踪注册方法研究

飞机大部件的装配质量往往对整机的装配质量起决定性作用。随着增强现实技术的发展,可对大部件装配对接过程涉及的多源异构数据以图形或数字形式进行直观展示,辅助工艺人员更好地完成复杂装配任务。为了将虚拟信息叠加到现实世界中,需要对大部件的位姿进行准确定位。然而在实际翼身对接过程中,大部件本身的复杂性以及装配环境的限制导致传统的跟踪注册方法在应对这些挑战时出现定位精度不高、计算效率较低的问题。因此,文中提出了新的跟踪注册方法。首先,基于Unity Perception构建了图像数据集;然后,基于Harris和尺度不变特征变换法(Scale Invariant Feature Transform,SIFT)实现了特征点识别和模板匹配;最后,基于果蝇优化算法优化了匹配阈值,并通过翼身对接模拟实验平台验证了该方法的有效性,新方法的总误差百分比平均值仅为2.0069%。该方法解决了大部件跟踪注册定位中的关键问题,为增强现实技术在飞机装配领域的进一步应用提供了更为可靠的支持。

关于相机自标定算法的研究

针对传统相机自标定方法需要利用三个正交方向的消失点,在实际场景中不容易满足并且无法求得畸变系数的问题,提出了一种改进的相机标定的方法,该方法基于二消失点和低秩纹理对车载相机进行标定和畸变矫正。首先引用RANSAC算法进行消失点查找,利用相机成像的投影模型和消失点之间的几何特性求解相机的焦距和外参;再利用图像的低秩性进行建模,通过增广拉格朗日算法对模型进行迭代求出相机的畸变系数。实验结果表明该方法具备较好的精度和实用性。

引入积分微分的水轮机调速器最优控制

水轮机调速器的先进控制对水电机组及其互联电力系统安全稳定运行具有重要意义。针对原始线性二次型控制存在静态误差,且难以处理非零状态轨迹跟踪等问题,在水轮机调节系统的微分方程模型中引入转速误差积分和微分两个增广状态变量,构建调节系统增广微分方程组模型,并在此基础上提出一种引入积分微分的调速器最优控制算法。数值仿真表明,所提控制算法较传统PID方法在不同运行工况下均具有更好的综合控制性能,且控制器参数设置简便,对工况变化不敏感,具有较PID算法更好的工况适应性。

融合熵聚类和增广变邻策略的蚁群优化算法

针对蚁群算法求解大规模旅行商问题时存在收敛速度慢、易陷入局部最优的问题,提出一种融合熵聚类和增广变邻策略的蚁群优化算法。首先提出融合信息熵的聚类策略,利用熵确定最佳截断距离对数据集进行合理划分;通过求解每个子簇形成初始路径,并为全局寻优提供导向信息素,从而提升收敛速度。其次提出增广变邻策略,将蚂蚁分为爬行蚁和滑翔蚁,滑翔蚁引入的增广变邻策略在迭代后更新节点和邻居信息素,而且通过邻居数量随最优解质量动态匹配,来强化邻居节点探索,以平衡收敛速度与解的质量。当算法陷入停滞时,利用路径相似性机制平滑非公共路径信息素,帮助算法跳出局部最优。通过对旅行商问题数据集进行实验仿真表明,所提算法有效平衡了收敛速度与解的精度,尤其对于大规模问题,显著提高了解的质量。

增广立方体上边独立生成树的并行构造

近年来,围绕互连网络的研究工作越来越多。其中独立生成树(Independent Spanning Trees,ISTs)可以应用于信息的可靠传输、并行传输、安全分发以及故障服务器的并行诊断中,因此受到了许多研究者的关注。在一对多广播、可靠通信、多节点广播、容错广播、安全消息分发、IP快速重路由等网络通信中,边独立生成树(Edge-Independent Spanning Trees,EISTs)发挥着重要作用。n维增广立方体AQ_(n)是n维超立方体Q_(n)的节点对称变型,它具有超立方体及其变型所没有的一些可嵌入性质。然而,目前增广立方体上边独立生成树的构造方法都是串行构造的。文中首先提出了一种并行算法,用于构造以AQ_(n)中的任意节点为根的2n-1棵树。然后证明算法得到的2n-1棵树是高度为n的边独立生成树,算法的时间复杂度为O(N),其中N表示增广立方体中的节点数。最后通过模拟实验来验证了所提方法的准确性。

基于改进YOLOv8的风电叶片表面损伤检测与识别方法

针对风电叶片极易出现损伤和故障,且制造和维护成本高昂等问题,提出了一种基于改进YOLOv8模型的风电叶片表面损伤检测与识别方法。首先,将现场拍摄到的高清叶片图像作为实验数据集,并将其按比例随机划分为训练集、验证集和测试集;然后,在YOLOv8模型中引入了动态数据增强算法Mosaic、Mixup及离线数据增强算法Albumentations,对训练数据集进行了扩充,解决了模型在有限数据集下的泛化性问题;最后,使用卷积注意力模块(CBAM)和梯度协调机制(GHM)/Focal loss算法等手段加强了模型的损伤检测能力,改进了样本分布不均衡问题,建立了一种先进的风电叶片表面损伤检测与识别方法,提升了YOLOv8模型对叶片损伤的检测精度。研究结果表明:改进后的YOLOv8模型在计算量和参数量都较低的情况下,其平均精度(AP)、平均召回率(AR)都超越了同等配置下的快速区域卷积神经网络(Faster R-CNN)模型。改进后的YOLOv8模型在交并比(IoU)阈值为0.5时的AP和AR分别达到了73.2%和58.8%,验证了该方法在风电叶片损伤检测方面具有一定的可靠性和有效性。

一种基于矩阵填充的稀疏阵波达方向估计技术

为了提高稀疏阵列波达方向(DOA)估计的性能,该文将低秩矩阵重构理论应用到DOA估计中,提出了一种改进的矩阵填充模型及其优化求解方法。该方法利用Sigmoid函数实现核范数约束并建立最小化模型;然后基于粒子群算法改进增广拉格朗日乘子法,对模型实现低秩优化求解;最后利用多信号分类(MUSIC)算法实现DOA估计。仿真结果表明,该方法能有效实现稀疏阵重构,DOA估计的性能优良,且能够适用于相关信源。

保护样本分布特征的混合采样方法

在大数据窃电检测领域,基于机器学习的异常用电检测方法往往面临数据不平衡问题,影响了模型的泛化性能。为此,提出了一种保护样本分布特征的混合采样算法。首先,根据样本的分布特征提出了密度欠采样和邻域过采样算法。然后,为进一步提高数据处理效果、提升模型性能,给出了失衡度指标来将两种算法结合,并提出了保护样本分布特征的混合采样方法。在两份数据集上进行实验,经过该算法处理的数据集,相较于现有的过采样算法,能够有效减少样本数量,提高模型的训练速度;相较于现有的欠采样算法,能够提高模型准确率和AUC值。

联合残差网络和最近点迭代的机器人重定位

针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。