可见光色分复用通信系统研究与实验

针对单色光通信不便用于照明、普通白光通信频谱利用率较低的问题,设计了一个可见光色分复用通信系统。该系统在保持发光二极管(LED)正常照明功能的同时,还具备信息传递功能。在发送端,采用3种具有固定波长的LED进行调制;在接收端,使用与发送端波长相匹配的窄带滤光镜来分离各个信道的光信号。分离后的光信号经由单片光电二极管转换成电信号,这些电信号再经过与预设阈值的比较后,被微控制器接收并解码。测试结果表明:接收端的窄带滤光镜能有效区分来自3个特定波长LED的广播信号;当发送速率低于50 kHz时,眼图效果良好,能够实现稳定的通信;但当发送速率提升至50 kHz以上时,图像会出现错误色块和偏移失真。

针对视频监控系统隐蔽式攻击及蜜罐防御

基于视频监控系统网络化和智能化发展带来的风险,研究其隐蔽式网络攻击问题,目的在于调研大量隐蔽式网络攻击案例,总结针对视频监控系统的隐蔽式攻击特异性。结合蜜罐技术在检测网络攻击行为和发现攻击线索等方面的独特优势,梳理针对视频监控系统隐蔽式攻击的蜜罐防御方法。针对监控视频蜜罐在视觉场景部署上的不足,介绍了一种深度场景伪造防御框架,将生成式AI大模型与视频监控蜜罐相结合。最后提出了面向视频监控系统的蜜罐防御技术的发展方向。

基于渐进式生成对抗网络的农作物病虫害细粒度分类

随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力模块,提出一种改进的渐进式生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过对渐进式生成对抗网络判别器网络结构的调整,采用均衡学习率、像素级特征向量归一化和卷积注意力模块增强CPDM网络模型的特征提取能力,提高对真实图片的识别准确率。试验在PlantVillage数据集上进行,将该模型与VGG16、VGG19和ResNet18进行比较,得到TOP-1准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高2.56%、2.41%、0.2%,且参数量仅为8.2 M。试验证明提出的CPDM网络模型满足在保证分类准确率的基础上,有效控制神经网络参数计算量的目的。

基于智能优化算法的边坡稳定性预测方法研究

针对边坡稳定性预测中数据分析片面、模型预测精度低的问题,基于302个边坡案例,选取6个变量特征,利用麻雀搜索算法(SSA)更新BP神经网络的敏感因子,建立SSA-BP边坡稳定性预测模型。采用混淆矩阵、受试者工作特征(ROC)曲线及曲线下面积A_(UC)值作为衡量指标,通过五折交叉验证法提高模型的泛化能力并与RF、BP、SVM、PSO-BP、GA-BP和LSTM 6种机器学习算法进行预测效果对比。结果表明,SSA-BP模型的A_(UC)值、准确率和F_1分数均最高,分别为91.90%、85.81%和85.87%,相较于优化前的BP网络A_(UC)值提高了23%。经典算例证明SSA-BP预测模型与ABAQUS计算的安全系数相近,并可给出可靠的预测结果,为岩土工程中边坡稳定性预测提供了一种新方法。

用于高功率微波系统的全介质透镜阵列天线

为了实现透镜阵列天线所需的移相范围,设计了两种不同的单元结构,通过优化参数,在保证良好的传输幅值的基础上实现相移范围的互补。为了探索在高功率微波系统应用,对两种单元的功率容量也开展了详细研究。在无限周期情况下,随着单元尺寸变化,单元功率容量范围为1.08~19.37 MW;通过研制口径为315 mm×315 mm的透镜天线来构建有限周期条件,并仿真计算得到该天线最大功率容量为226.553 MW,功率密度可以达到2283.23 W/mm^(2),并且该天线在中心频点10 GHz处峰值增益可达到29.37 dBi,口径效率为62.43%,副瓣电平约为-21.54 dBi。结果表明所提出单元的有效性与正确性,也说明设计的透镜阵列天线不仅具有良好的辐射特性,同时具有MW量级的功率容量。

基于ASO-BP神经网络的屈服强度预测技术研究

针对传统屈服强度预测模型通用性较差的问题,提出一种采用原子搜索优化算法优化BP神经网络,建立多类型合金屈服强度预测模型的方法。以Kaggle公开数据为研究对象,对89种钢合金建立ASO-BP神经网络屈服强度预测模型,同时与PSO-BP,GA-BP,BP神经网络模型对比。结果表明:ASO-BP预测模型平均绝对百分比误差(MAPE)为6.98%,相关系数达到0.98716,效果优于其他对比模型。验证了预测多种类型合金屈服强度的合理性和可靠性,为工程实际应用和合金屈服强度检测提供较好的辅助判断。

智能消防小车无线控制系统的设计与实现

为实现对环境的智能防火巡查并及时处理险情,设计一款基于STM32单片机和LabVIEW的模拟智能消防小车无线控制系统。该系统具有自动循迹和无线遥控两种工作模式。在自动循迹模式下,该系统利用红外传感器获取周围环境信息,自主完成前进、转弯、掉头等操作,并跟随黑色绝缘胶带模拟的路径完成轨迹巡航;进一步地,通过位于车头三个不同角度的火焰传感器协同工作,实现火焰强度探测并完成报警和驱动风扇实施灭火。在无线遥控模式下,利用LabVIEW设计上位机并结合nRF24L01模块实现环境监测信息和控制信令的无线传输。测试结果表明,该系统在室外20 m范围内可无线控制智能消防小车的运行,并实现小车工作模式切换以及模拟灭火等功能,具有较强的实用性。

基于NOMA的无人机群应急通信系统总和速率优化

针对自然灾害后地面基础设施无法有效提供可靠通信的问题,提出基于NOMA的无人机群应急通信系统总和速率优化方案。该方案首先在无人机最大发射功率、地面用户服务质量等约束下,构建一种以地面用户总和通信速率最大化为目标的无人机群辅助应急通信模型;其次,通过改进模拟退火算法实现NOMA机制下无人机功率分配;最后,通过改进K-means算法对地面用户进行聚类,优化无人机与用户的路径损耗及视距链路概率完成无人机3D部署,实现系统总和速率最大化。数值仿真结果验证了所提方案的有效性。

基于JS+XML技术的编程语言学习:Ailearn小程序的设计与实现

随着互联网的快速发展,计算机行业也始终保持加速发展的趋势,为了顺应时代的脚步,越来越多的人加入了计算机学习的行列。然而,面对网上五花八门的学习资源,如何对计算机相关知识进行高效率的学习成了一个难题。对网上各种学习方式的学习网站、APP(应用程序)进行比较,发现学习类小程序具有一定的便利性,并且微信小程序在微信生态中占据了前所未有的市场,未来发展前景不可估量。同时,开发一款编程语言学习类的小程序,可以促进编程语言学习者更高效地学习,也是人们适应时代发展的需要。

基于深度神经网络的7065铝合金厚板应力检测模型

针对工业生产中传统超声应力检测法对铝合金厚板在不同拉伸率和不同温度条件下存在的测量误差的问题,以7065铝合金厚板为实验对象,提出一种在不同拉伸率和不同温度条件下的基于树突神经网络的应力预测模型与传统超声检测法融合的应力检测模型,然后使用改进的GSA-GRNN对该应力检测模型进行温度补偿。以南南铝公司生产的7065铝合金厚板为研究对象,使用恒温槽为超声检测提供恒温环境,分别对不同拉伸率、不同温度下的7065铝合金厚板进行超声检测,将声时差、拉伸率作为输入参数,应力作为输出参数,创建一个基于树突神经网络的应力检测模型,然后将应力检测模型的输出作为输入,使用改进的GSA-GRNN建立温度补偿模型对应力检测模型进行温度补偿。研究结果表明:融合了传统超声声时差的检测模型均方根误差为0.84636,相关系数为0.99743,和其他神经网络模型对比,该模型拥有更好的精度;在对该模型进行温度补偿后,模型的应力均方根误差和相关系数分别可以达到0.78848和0.99844,模型的精度得到了进一步的提升。证明基于数据驱动的神经网络融合传统超声检测可以有效降低检测误差,同时省去传统检测方法人工计算应力的时间,提高了检测效率。研究结果可以为基于数据驱动的应力检测模型提供进一步的优化参考。

基于机器学习的茶树DNA聚类算法

为了研究茶树基因序列的聚类问题,设计一种基于累计方差贡献率进行改进的核主成分分析(KPCA)与k均值(k-means)++聚类算法相结合的降维聚类算法(KPCA-k-means++)。将基因库数据集筛选分组后,利用k-mers算法提取基因数据的数据特征,根据累计方差贡献率的占比大于85%的标准确定降维主元个数对KPCA进行降维改进并采用k-means++算法对降维后数据聚类,通过CH(Calinski-Harabaze Index)指标和响应时间分析聚类结果。结果表明:在单独聚类、KPCA聚类、改进PCA聚类、改进KPCA聚类4种处理方式中,改进KPCA-k-means++算法在不同处理方式和不同样本数的对比下,CH指标均为最高,与未改进时相比平均高出33%。在响应时间方面,改进KPCA-k-means++算法与同样改进PCA-k-means++算法在不同聚类数和样本数的对比下响应时间均较短。改进KPCA-k-means++算法能够保证对于茶树的基因序列的聚类准确率和聚类速度,表现出极好的聚类稳定性。

基于重参数化的注意力机制算法

为提高注意力机制对深度神经网络准确率的提升效果,提出一种重参数化通道注意力模块(RCAM)。鉴于挤压激励网络的通道压缩方法对网络精度存在较大误差,故提出一种基于重参数化技术的通道重参数化模块,将此模块与注意力机制进行有效结合;按集成策略消融实验所获得的结果,将此注意力模块放置进主干网络中。实验结果表明,在公共数据集CIFAR-100和ImageNet-100,主干网络为RepVGG_A0、ResNet-18时,其准确率分别较未添加注意力机制的网络提升了2.37%和1.72%,1.61%和0.71%,将结果与其它注意力机制进行比较,验证了基于重参数化的注意力机制对主干网络的提升远优于其它方法。

基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型

针对道路场景下红外目标遮挡、缺乏纹理细节而导致目标误检、漏检的问题,提出一种基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型(MSC-YOLO)。以YOLOv7-tiny作为基线模型,首先,在MobileNetV3的不同中间特征层引入多尺度金字塔模块PSA(Pyramid Split Attention),设计一种多尺度特征提取的轻量化主干提取网络MSM-Net(Multi-Scale Mobile Network),解决固定大小卷积核造成的特征污染问题,提高对于不同尺度目标的细粒度提取能力;其次,在特征融合网络融入加权坐标注意力(WCA)机制,叠加从中间特征图垂直和水平空间方向上获取的目标位置信息,增强目标特征在不同维度上的融合能力;最后,替换定位损失函数为高效交并比(EIoU),分别计算预测框和真实框的长、宽影响因子,提高收敛速度。在Flir数据集上进行验证实验,与YOLOv7-tiny模型相比,在mAP(IoU=0.5)仅降低0.7个百分点的前提下,MSC-YOLO的参数量减少67.3%,浮点运算次数减少54.6%,模型大小减小60.5%,帧率在RTA 2080Ti上达到101,在检测性能和轻量化上达到平衡,满足红外道路场景的实时检测需求。

注塑件机器视觉缺陷检测的几何矫正方法研究

针对多面体注塑零件在机器视觉缺陷检测中的零件图像几何形变问题,提出了基于几何光学原理的矫正算法。在拍摄定位误差不大于1 mm的条件下,所述方法矫正误差理论上<0.1 mm,可满足注塑零件机器视觉缺陷检测的需要。首先对采集的图像进行预处理获取图像边缘;接着将轮廓线交点确定为零件顶点;根据顶点位置分割零件的不同表面并将其映射在二维平面;然后根据几何光学计算图像中每一个像素点的偏移量;最后使用基于几何光学的方法对图像中的像素点进行逐点矫正。利用一组六面体零件模拟实际工况,在不同的拍摄定位误差状态下进行实验,使用Matlab对矫正算法进行验证。实验结果表明,所述方法误差在0.1 mm以内,与理论分析相吻合,满足注塑零件在机器视觉缺陷检测中零件图像几何矫正精度的需要。

基于VMD和时空网络变分自编码器的负荷聚类

为了解决用户用电负荷曲线数据维度高、特征提取困难以及序列存在信号模态混叠的问题,提出了使用变分模态分解(variational modal decomposition,VMD)和改进基于时空网络的变分自编码器(variational auto-encoder,VAE)对电力负荷曲线进行特征提取。通过模态分解得到信号的固有模态,对模态重构得到时序特征较明显的序列信号。再通过长短期记忆网络(long short-term memory network,LSTM)和卷积网络(convolutional neural network,CNN)组成的时空变分自编码器进行潜在特征提取,并构建网络分类器来联合损失优化自编码器模型。最后使用Minibatchkmeans算法聚类并计算聚类中心。使用UCI数据集中葡萄牙居民用电量作为实验数据,通过实验结果表明经模态分解后通过降维再聚类的算法在戴维斯丁堡指数(Davies-Bouldin index,DBI)和轮廓系数(silhouette coefficient,SC)上表现出较好效果。

基于机器学习算法的滑坡土壤含水率预测方法研究

土壤含水率是影响坡体稳定性的决定因素之一。针对滑坡体内部土壤水分信息难以准确感知的问题,建立了一种基于机器学习算法树突神经网络的土壤含水率预测模型(DDNN),通过分析土壤水分垂向变化特征和数据相关性确定关键的影响因子后,将水分预测模型DDNN与GA-BP、RF、RBFNN三种算法进行对比试验。发现DDNN预测模型的拟合优度R2最高为0.998,均方根误差和平均绝对误差均最小,分别为0.091、0.059,其预测精度明显高于其他三种算法。并采用关系谱探究了相关影响因素对土壤含水率的敏感程度。结果表明,敏感度由高到低依次为气温、降水、初始水分、风速、地温,研究结果可为滑坡体稳定性分析提供技术方法支撑。

基于深度学习的室内点云语义分割研究进展

点云是一种被广泛使用的三维数据,而语义分割作为三维场景理解的关键技术,人们对其的需求也越来越广泛。近三年来,点云语义分割技术的发展迅速,为了展示基于深度学习的室内场景三维点云语义分割方面的进展,着重整理了其近三年最新的研究动向。首先介绍了点云语义分割常用的数据集以及评价指标,接着对近三年的各种点云语义分割方法进行分类,并从间接、直接处理点云的角度,按照不同类别分析总结了各种方法的框架结构以及其创新点,在S3DIS、ScanNet等几种最常使用的室内数据集上对各种算法的mIou等评价指标进行了对比展示。最后,根据现有的点云的语义分割技术的研究现状和存在的问题进行了总结以及展望。

基于偏置交叉注意力的点云配准算法

点云配准对机器视觉、人工智能等领域的发展起到了重要作用。针对传统点云配准算法与现有深度学习点云配准算法精度低和鲁棒性差的问题,提出一种基于偏置交叉注意力的点云配准网络模型OCADGCNN。该模型在动态图卷积神经网络(DGCNN)中插入偏置注意力模块用于提取全局特征向量,充分利用点云的局部结构信息和空间语义信息以减少信息损失;在特征提取中加入残差连接以提高网络性能;使用交互注意力模块实现全局特征之间的信息交换,以增强相关信息,抑制非重叠区域信息的干扰。实验结果显示,OCADGCNN模型在无噪和少量噪声的ModleNet40数据集中配准效果均优于ICP、PointNetLK、PCRNet、OMNet和DOPNet等配准方法,配准精度较高。在未知类别的实验中,OCADGCNN模型泛化能力较高,通用性良好,在点云完整度降低的情况下能够较好地处理低重叠度点云。

基于深度可分离卷积的异常驱动视频异常检测

视频异常检测已成为当前研究的热点问题,具有深刻的实际应用价值。针对视频异常检测中3D卷积计算复杂度高、难以训练以及使用重构方法进行检测时仅利用正常数据容易导致过拟合的问题,提出一种新型的深度可分离卷积异常驱动网络。首先,通过手工特征提取的方式抽取跳跃帧,并将其作为伪异常样本进行辅助训练;其次,设计深度可分离卷积网络,降低3D卷积的计算参数量;最后,通过最小化正常数据的重构误差和最大化异常数据的方式让网络学习以区分异常数据和正常数据。实验结果表明,该模型在各大公开数据集上均表现出具有竞争力的性能,其中在UCSDped1、UCSDped2、Avenue和UMN数据集上的准确率分别达91.3%、99.2%、87.4%和98.6%。此外,该模型对异常检测具有较强的灵敏度,且具有较强的泛化能力和鲁棒性。

基于神经网络架构搜索的X射线图像违禁品检测算法

为了提高卷积神经网络设计的自动化程度并进一步提高复杂背景下违禁品检测的准确率和速度,提出了一种基于神经网络架构搜索的X射线图像违禁品检测算法。首先,设计逐层渐进式搜索策略和多分支搜索空间,并基于批量归一化指标为每一个layer结构搜索最佳侧分支;然后,逐层搜索构建新的骨干网络组件;最后,组成由数据驱动的新目标检测模型。该算法在数据集HiXray、OPIXray、PIDray上分别取得了83.4%、87.2%、70.4%的检测精度。实验结果表明,本文算法能够自适应数据集并自动搜索出性能更好的Backbone组件,与FCOS、YOLOv4等主流算法相比,有效提高了复杂背景下违禁品检测的准确率和速度。