A Bionic Neural Network for Fish-Robot Locomotion

A bionic neural network for fish-robot locomotion is presented. The bionic neural network inspired from fish neural net- work consists of one high level controller and one chain of central pattern generators （CPGs）. Each CPG contains a nonlinear neural Zhang oscillator which shows properties similar to sine-cosine model. Simulation re, suits show that the bionic neural network presents a good performance in controlling the fish-robot to execute various motions such as startup, stop, forward swimming, backward swimming, turn right and turn left.

基于改进小波神经网络的实时系统任务流量预测方法

针对当前航空装备实时系统对非周期实时任务无法预知难以实现可靠调度的困难,开展对航空装备实时系统非周期任务流量预测方法的研究。以小波神经网络为基础结合航空装备实时系统的特性建立任务流量预测模型,并提出利用人工鱼群算法对小波预测模型关键参数进行优化,避免陷入局部最优解,最终构建一种人工鱼群算法改进的小波神经网络任务流量预测系统。利用提出的预测模型开展实时任务流量预测对比仿真实验,实验结果表明,建立的基于改进小波神经网络的实时系统任务流量预测系统对非周期实时任务具有较高的预测精度,预测效果优于原始小波神经网络模型及T-S模糊神经网络模型。

基于多阶段特征提取的鱼类识别研究

鱼类自动识别在海洋生态学、水产养殖等领域应用广泛。受光照变化、目标相似、遮挡及类别分布不均衡等因素影响,鱼类精准自动识别极具挑战性。提出了一种基于多阶段特征提取网络(Multi-stage Feature Extraction Network,MF-Net)模型进行鱼类识别。该模型首先对图片作弱增强预处理,以提高模型的计算效率;然后采用多阶段卷积特征提取策略,提升模型对鱼类细粒度特征的提取能力;最后通过标签平滑损失计算以缓解数据的不平衡性。为验证模型的性能,构建了一个500类、含32768张图片的鱼类数据集,所建模型在该数据集上的准确率达到86.8%,优于现有的主流目标识别方法。利用公开的蝴蝶数据集对该模型进行泛化性能验证,多组消融实验进一步验证了所提算法的有效性。

基于深度学习的鱼类识别相关技术研究现状及展望

为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。

超网络体系作战下的打击目标优选模型

针对当前进行海上作战体系目标优选分析与决策时对打击代价考虑不足的问题,提出综合考虑目标节点重要度和打击费效度的网络节点分析模型。利用超网络构建海上作战体系网络模型,通过度和介数等指标评估网络中节点的重要度;利用打击费效比为指标评估网络中节点的打击代价,进而将目标分析与选择问题转化为多目标优化问题,建立寻优模型,并通过人工鱼群算法进行寻优求解。最后对模型进行案例仿真应用,通过专家Delphi法评估检验,结果表明所建立的模型方法可行,对水面舰队体系的目标分析与选择具有借鉴作用。

基于多源异构数据融合分析技术的激光通信网络钓鱼检测

网络钓鱼对激光通信网络的应用带来较大危险,为保障激光通信网络应用安全,提出基于多源异构数据融合分析技术的激光通信网络钓鱼检测方法。首先采集激光通信网络钓鱼特征,采用D-S证据理论融合不同来源、不同结构的激光通信网络钓鱼特征数据,然后根据特下数,采用支持向量机检测设计激光通信网络钓鱼检测模型,最后进行了仿真实验,结果表明,该方法可有效提取并准确融合钓鱼特征数据,激光通信网络钓鱼检测激光通信网络钓鱼检测准确率超过95%,降低激光通信网络安全风险。

基于神经网络和人工鱼群算法的惯性延时微通道优化

为了保证中、小口径弹引信的炮口安全性控制要求,设计了具有肋板阻尼结构的惯性延时微通道,同时为了保证其具有稳定的延时性能,研究了该微通道在高离心转速下的延时响应性能。采用了神经网络模型和人工鱼群算法对蛇形微通道内肋板的结构位置进行优化设计。用两相流水平集模型以微通道的延迟时间为研究对象进行了模拟仿真,得到180组样本数据,分析发现肋板结构在微通道内的不同位置与延迟时间呈现出高度的非线性关系。根据样本数据建立神经网络模型用以拟合设计变量与优化目标之间的映射函数,并采用人工鱼群算法对神经网络模型拟合的映射函数的参数进行优化。结果表明,经过结构优化之后,在1 000 g离心环境下微通道中流体的延迟时间从最短的11.446 ms提升到了25.054 ms,延时效果得到了显著提升。最后研究了优化后的结构在中、小口径弹引信使用环境下的延时特性,验证了其满足大部分中、小口径弹引信的延时控制要求。

基于互补仓的轴辐式网络下生鲜农产品配送研究

轴辐式网络因高灵活性和快速反应能力在现代快递行业中已被普遍使用,而其中各枢纽节点也是降低物流供应链环节相关成本的重心所在。当前生鲜农产品因易腐败性和新鲜度极度依赖冷链运输,每次配送不可避免地会造成部分商品损毁而无法销售食用。文中着重研究将轴辐式网络与生鲜农产品的配送相结合,并在中途节点间设立互补仓,利用鱼群算法确定各互补仓的最佳选址地点,从而尽可能降低货损率以及物流成本,以期为生鲜农产品的配送提供新的解决方案。

基于气象特征数据智能识别与评估的雷电灾害预测模型设计

针对大部分预测模型未全面考虑雷电的时空特征而导致预测精度较低的问题,文中设计了一种基于气象特征数据智能识别与评估的雷电灾害预测模型。该模型利用数据挖掘方法获取气象特征,并计算其皮尔森相关性系数,从而确定了与雷电相关的气象特征。通过将雷电特征输入由人工鱼群算法训练后的Elman网络进行学习分析,即可得到雷电灾害的预测结果。基于Python平台对所提模型进行实验分析与测试,结果表明,该模型预测结果的平均绝对百分比误差小于0.03,且在不同时间片和空间内均具有良好的预测效果。

基于膨胀卷积和参数重构的鱼类目标实时检测方法

针对已有的目标检测方法在复杂场景中对鱼类目标检测效果不理想的问题,提出了一种基于膨胀卷积和参数重构的鱼类目标实时检测方法.先设计了一种四分支融合卷积结构,在引入少量参数量的情况下,扩大了目标检测的感受野,提升了目标检测的效果.再引入了RepVGG(重构VGG)并联辅助分支思想,在训练过程中使用复杂模型进行特征学习,而在推理过程中对模型中的BN(Batch Normalization)层以及1×1的辅助分支中的参数进行融合,利用参数重构对训练过程的冗余参量进行合并,保证了模型的低参数量和实时推理.基于YOLOv5s进行实验,相比原始的YOLOv5s获得了更高的检测精度和召回率,平均精度(mean Average Precision,mAP)达到83.1%,超越了目前主流的目标检测算法.提出的算法在检测速度上相比原始模型无明显降低,处理速度上达到100FPS,在实现高精度检测的前提下保证了鱼类目标的实时检测,为基于视觉的鱼类检测方案提供了有效的技术支持.

基于改进AFSA算法的智慧农业监测网络研究

智慧化农业监测实际上是将无线传感器网络应用于农业监测场景中实时采集农田、气象、养殖等方面的数据。多个微小型嵌入式系统相互协作共同构成无线传感器网络,可实时监测、感知、收集和处理环境信息,并以无线通信方式进行信息交互。无线传感器网络覆盖是无线传感器网络监测的基础,直接影响网络感知质量。建立了面向农业场景的无线传感器网络覆盖问题模型,提出了一种基于改进人工鱼群算法的覆盖优化策略,提高了网络覆盖率和算法收敛性,得到最优网络传感器节点覆盖。

面向能源互联的主动配电网选址定容研究

传统主动配电网选址定容忽略了能源系统多能互补协调特性,导致成本较高。为此,提出一种基于能源互联的主动配电网选址定容方法。基于能源互联建立目标函数,采用全寿命周期成本理论计及设备购置成本、安装成本、运行维护成本、系统运行成本以及残值回收,以概率形式的配电网选址定容综合成本作为目标函数,构建必要约束模型,包括设备配置容量约束、系统供能可靠性约束、功率平衡约束、设备运行约束。在此基础上,采用改进人工鱼群算法对选址定容算法进行求解。仿真实验结果表明:接入分布式电源相比不接入分布式电源的主动配电网选址定容所需成本更小,改进后的人工鱼群算法计算得出的网损和无功补偿总成本更低,所提方法相对于其他方法的选址定容网损成本和无功补偿成本更低,说明所提方法可以减少主动配电网选址定容的成本,实用性效果较优。

基于改进VGG16的射流式鱼泵内鱼类损伤的图像识别与分类

鱼类损伤分类研究对捕捞作业过程中的鱼类健康状况监测具有重要意义。针对现有鱼类损伤研究中存在的未准确分类损伤类型的问题,在射流式鱼泵捕捞作业时鱼逐条通过泵喉管的特殊场景下,本文使用高速摄像机拍摄鱼通过泵的过程,建立了鱼类损伤数据集,提出了一种基于VGG16改进的S-VGG卷积神经网络分类模型。损伤分类实验表明,S-VGG模型的损伤分类准确率为96.52%,比ResNet16和GoogLeNet分别提高了0.96%和8.2%。与VGG16模型相比,本文所提出的S-VGG模型仅有9层,整体参数减少了93.75%,有效地降低了模型训练所需的计算成本。本研究采用迁移学习方法进一步优化了S-VGG模型初始权重。结果表明,经过迁移学习的S-VGG*模型准确率达到了99.70%,比未进行迁移学习的S-VGG模型提高了3.18%。本研究建立的S-VGG*模型取得了良好的鱼类损伤分类效果。

行动者网络视角下长江流域退捕渔民可持续生计重构——以歙县九砂村为例

为动态探究长江流域退捕渔民可持续生计重构过程,以及重构过程中多元主体的互动关系,文章基于行动者网络视角,以歙县九砂村为案例地,采用半结构化访谈与参与式观察等质性研究方法,讨论了可持续生计重构过程、模式及机制。研究发现,退捕渔民可持续生计重构以政府为关键行动者,涉及村委会、退捕渔民、市场主体等人类行动者和房屋、土地、乡土环境、人文风俗等非人类行动者,共同缔结成具有互动关系的行动者网络。政府主导、市场配置、村集体参与、退捕渔民为主体是一种典型的产业融合型可持续生计重构模式。在该模式下,退捕渔民生计资本、基层自治能力、政府政策、社会力量共同推动退捕渔民可持续生计重构。

基于IAFS算法融合小波神经网络的变压器故障诊断研究

鉴于小波神经网络训练模型在电力变压器故障诊断中存在易陷入局部最优与对初始值高难度、高要求性问题,通过将人工鱼群算法和小波神经网络技术有机地融入到变压器故障诊断中,开发出一种全新、高效的方法。采用人工鱼群算法改善小波神经网络训练模型的权重和阈值,以达到最佳的模型性能,提升模型的准确性和可靠性。在整个学习过程中,小波神经网络训练模型的复杂度和泛化能力都得到了较大的提升,同时加快了收敛速度,从全局搜索逐步转向精细搜索,避免算法出现局部最优的情况。最后,通过仿真实验结果证明所提方法可有效地提升变压器故障诊断的准确度,提高了变压器故障诊断效率。

基于改进YOLOv5s的轻量级水下鱼群检测与识别

为进一步提高水下鱼群检测与识别的检测精度和工作效率,提出了一种改进DCG-YOLOv5s的轻量化水下鱼群检测算法。首先为了增强网络模型的特征提取能力及识别准确性,在Backbone主干网络的卷积层中引入可变形卷积;其次采用轻量级上采样算子CARAFE,在增大感受野的同时进一步提高模型对于水下鱼群的识别效果;最后引入了GhostBottleneck替换原结构中的部分C3结构,在不影响精度的前提下实现了轻量化。实验结果表明,改进后模型的平均检测精度、计算量均有明显提高,达到了轻量化的效果。

基于贝叶斯网络的近海渔船碰撞事故致因分析

为减小近海渔船碰撞事故发生的概率,保障渔船航行安全,从渔船视角出发,根据渔船碰撞事故样本数据,采用鱼刺图法分析近海渔船碰撞事故的原因,并将事故原因作为贝叶斯网络的节点进行推理和验证,通过后验概率推理和敏感性分析探究事故致因链。结果表明:人为因素对近海渔船碰撞事故的影响程度最大;其次是管理因素,其中未按规定显示号灯号型、未采取有效的避让行动、瞭望疏忽及配员不符合要求的敏感度较高,对近海渔船碰撞事故的影响程度较大。

基于L(2+1)D的养殖鱼类摄食状态下活跃程度识别方法

鱼类行为的活跃程度是鱼类行为研究中的关键指标,可为水产养殖过程提供有用的基础数据。然而现有的计算机视觉方法在活跃程度识别的应用中依赖于大量存储和计算资源,在实际场景中实用性较差。为了解决这些问题,提出一种鱼类摄食活动识别模型——L(2+1)D,将3D卷积分解为2D大空间卷积和1D时间卷积,使用少量的大型卷积核来增加感受野,实现更强大的特征提取效果。将空间卷积和时间卷积串联成用于时空特征学习的时空模块,并减少时空模块数量,达到减少参数数量的同时提高准确性的效果。实验结果表明,所提方法可以在实际水产养殖中准确识别鱼群的活跃程度,准确率可达到65.02%,并更适合部署在资源受限的设备或现场。

基于运动特征提取和2D卷积的鱼类摄食行为识别研究

为了促进渔业装备智能化,近年来基于视频流的鱼类摄食行为识别研究受到了广泛关注。针对基于视频流的传统识别方法模型过于复杂,难以在边缘计算设备部署的问题,提出了一种轻量级的2D卷积运动特征提取网络Motion-EfficientNetV2,该网络以视频流为输入,能够有效识别鱼类摄食行为。提出的模型以EfficientNetV2为主干网络,基于TEA和ECANet构建了运动特征提取模块Motion,并将该模块嵌入到EfficientNetV2的每个Fused-MBConv模块中,使改进后的EfficientNetV2具有运动特征提取能力。同时使用ECANet对EfficientNetV2网络中的MBConv进行改进,增强其通道特征提取能力。在此基础上利用空洞卷积扩大感受野,提高大范围特征提取能力。试验结果表明,Motion-EfficientNetV2的参数量和浮点运算量分别为9.3×106和1.31×1010,优于EfficientNetV2。在TSN-ResNet50、TSN-EfficientNetV2、C3D以及R3D模型上进行对比试验,本文模型在降低参数量和浮点运算量的同时,使识别准确率提高到93.97%。该研究对于渔业装备智能化升级和科学养殖具有推动作用。

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法:首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10^(-4),模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。