摘要:在应急通信场景中，无人机作为空中数据采集平台，可以在地震、洪水、森林火灾、矿难、战场等灾害环境中快速部署到灾区，收集物联网无线设备的数据，并将数据传输到指挥中心，提高救援决策的效率。灾后场景中的数据传输任务对传输效率和数据的完整性有着更高的要求，同时由于无人机的电池容量有限，如何用尽可能少的能耗快速完成尽可能多的数据采集，同时确保关键数据完整上传，是灾后数据传输场景中亟需解决的问题。针对上述问题，本文研究了一种由单架无人机辅助的无线通信系统，采用一对多的通信方式和飞行-悬停-通信的数据采集模式，制定了一个联合设备关联、无人机悬停位置和带宽分配的优化问题，以最大化无人机的覆盖效用并最小化其总能量消耗。首先，为了优化无人机的覆盖效用，采用了基于K-means初始化的粒子群算法；然后，为了最小化无人机的能耗，提出了一个基于粒子群的两阶段优化算法，对无人机的悬停位置和带宽分配进行交替优化；特别地，在优化无人机悬停位置时，提出了基于高斯干扰和差分机制的粒子群算法。仿真结果表明，该方法能有效提高无人机的覆盖效用和节能性能，覆盖效用与K-means相比提高了13.15%，能耗相较于仅优化悬停位置的方案相比降低了18.58%，且低于对悬停能耗和飞行能耗分开优化的方案。

摘要:航空发动机健康监测传感器众多，传感器选择是否得当，将直接影响发动机剩余寿命预测效果。提出一种基于特征优选的传感器选择方法，结合Informer预测剩余寿命，提高了预测的精度。首先利用差分聚类算法对真实的飞行工况进行分类，接着由航空发动机退化机理构建健康因子，利用巡航阶段的数据建立回归树模型，选出重要的传感器，最后基于Informer进行航空发动机剩余寿命的预测。利用NASA最新发布的真实飞行条件下航空发动机退化数据库进行了实验，实验结果表明：与不选择传感器相比，所提方法的预测结果均方根误差下降了14%，平均评分函数下降了29%；与传统的依据传感器退化趋势或传感器变化差异二种选择方法相比，均方根误差分别下降了10%、8%，平均评分函数分别下降了48%、27%；将提出的剩余寿命预测方法与CatBoost、LightGBM、XGBoost、BiLSTM和Transformer算法相比，精度分别提升了36%、24%、14%、6%和5%。

摘要:针对化工过程中由于多变量传感数据的时间依赖性导致的特征耦合、工况变化带来的数据分布偏移以及样本数据不平衡等问题，提出了将K均值合成少数类过采样技术与条件对抗域适应相结合的化工过程故障诊断框架。首先，通过时间窗口分割技术将原始一维数据转换为多个二维时间窗口数据，在这些窗口内采用KmeansSMOTE方法对少数类故障样本进行扩充，扩充后得样本能够保留完整的时序故障特征，同时该算法还能减少生成噪声样本的数量；然后，使用领域自适应技术对齐源域与目标域的特征分布，减少两者间的分布差异，使得基于源域训练的故障诊断模型能够在新工况下有效识别故障类别；最后，通过使用田纳西——伊斯曼过程的故障数据进行诊断实验，并通过与CDAN、DANN以及JDA等模型进行诊断率对比，验证了所提方法的有效性。

摘要:针对星地测控系统中DSSS信号捕获技术面临的多普勒频移、数据比特跳变及宽扩频因子适应性难题，本文提出一种基于截断伪码分段的联合捕获算法。通过构建截断伪码分段并行相关架构与N段时域聚合策略，结合快速傅里叶变换频偏估计实现二维联合搜索，有效抑制多普勒频移(±800 kHz)及比特跳变引起的相关峰衰减。硬件架构优化方面，解析截断伪码段间采样分布规律，重构并行相关器资源分配，使乘法器资源消耗较传统二段式方案降低73%。仿真实验表明，在扩频因子为12的低扩频场景下，当截断参数N=32时，扩频码片信噪比-18 dB时相关峰-噪声差扩大9倍，捕获概率达89%(虚警概率≤2.5×10-5)。相同条件下的FPGA实测验证显示，捕获概率稳定于85%以上。该方案通过动态可调截断参数设计，解决了高动态速率切换场景中传统固定架构的局限性，为星载设备的小型化及高动态弱信号捕获提供了兼具高性能与低复杂度的工程解决方案。

摘要:考虑到时间序列数据因其复杂的长短期模式和多周期特征，为预测带来了独特的挑战。传统的固定尺度分片方法难以有效捕捉多周期信息，同时周期性和趋势性变化进一步增加了建模难度，影响了预测精度和可解释性。基于上述问题，本文提出了基于双重时间依赖学习的多周期模型MDTDNet。该模型首先通过傅里叶变换自适应获取多周期信息；然后对于每个周期，结合季节趋势增强模块，通过周期分片设计、频域季节性增强和时域趋势性增强，提升了子序列的语义表达；引入双重时间依赖模块，通过长期变化提取器和局部波动提取器，分别捕捉分片间和分片内的不同时间依赖模式，实现特征提取和融合；实验结果表明，在六个数据集中的模型实验效果均超越了当前的最优模型PatchTST，在ETTh1数据集上均方误差（MSE）平均下降了9%，最高下降了10.14%。

摘要:针对气体检测领域高量氧与微量氧测量存在的的复杂工况适应性差、非线性误差补偿精度不足及仪器智能化水平低等问题，本文设计了一款基于轻量型MAPSO-BP网络进行误差补偿的气体检测仪，该系统构建多传感器嵌入式平台，实现温度、压力、流量与浓度等多参数同步采集与融合补偿；采用微控制器实时运行MAPSO-BP网络进行非线性误差修正；基于Qt开发的嵌入式人机交互系统，支持网络通信、数据存储、实时报警及云端数据同步功能，增强仪器智能化水平。将本文所设计的系统样机进行系统稳定性测试、抗干扰能力测试和与现有误差补偿模型对比实验，结果表明本文所提出的误差补偿方法以及设计的系统样机相比当前主流的误差补偿方法，高量氧和微量氧测量的绝对误差均值分别降低20%和25%；有效解决了传感器在复杂工况下测量精度低的问题，为气体传感器精密化与低成本化提供了可行方案。

摘要:针对传统二维码辅助导航的检测方法在复杂工业、物流运输场景中存在识别失败的情况，本研究通过使用成熟且可以提供相对位姿信息的AR码，提出了一种改进的轻量化YOLOv8-AR模型来进一步增强识别效率。在网络模型方面，主干引入超强轻量级StarNet网络来降低目标检测的算法计算量；在颈部网络中优化并构建C2f-EMSC模块，以增强复杂环境下AR码特征的提取，同时降低了计算负载；此外，本文提出了轻量级细节增强共享卷积检测头LSDECD-H，以提高细节特征表达能力，从而提升小目标和多目标的检测精度。实验结果表明，该模型的参数量和计算量分别为1.46M和4.7GFLOPs，仅为基线的51%和42%，在帧率满足实时检测情况下，mAP高达0.962，具有较高的鲁棒性。在解码之前快速确定其位置，从而提升识别效果来达到精确定位，适合于二维码路标导航等应用场景。

摘要:高压电缆接地电流是保障电缆运行安全与稳定的关键指标，其精准预测对于故障预防和提升电网可靠性具有重要意义。针对传统时序预测模型在预测精度和计算效率上的局限性，本文提出了一种基于Mamba架构的接地电流预测模型——Bi-EMamba模型。模型通过构建时空依赖关系编码器，显著增强了对多变量时间序列中长期依赖关系和空间关联性的建模能力，同时提升了模型的记忆性能。为应对非平稳数据问题，模型引入可逆归一化进行数据归一化处理，并通过超参数优化进一步提升了模型预测精度和泛化能力。基于北京某高压电缆线路数据集的实验结果表明，Bi-EMamba在多种预测步长下均显著优于现有基准模型，尤其在长期预测场景中展现出更强的泛化性和计算效率。与当前SOTA模型iTransformer相比，Bi-EMamba的均方误差降低了6.52%，平均绝对误差降低了3.21%，内存使用量降低了29.49%。

摘要:异常检测是现代工业制造中的一项重要任务，由于异常样本的稀缺性，仅需正常样本训练的无监督检测引起了广泛关注，其中，重构式检测因其简洁、通用的框架得到普遍应用。然而，现有算法多基于图像进行重构，异常和正常区域之间的区分度不够，同时，由于工业图像中异常位置、大小的未知性强，现有算法无法很好的捕获样本的整体结构特征。针对以上问题，本文提出了一种基于特征重构的工业图像异常检测算法。首先，利用预训练模型提取多尺度特征来作为重构对象，避免了像素空间重构对异常鉴别力不够的状况；其次，设计了一种全局特征提取模块来增强重构模型对全局特征的感知能力；最后，设计一种特征重组策略来联合训练重构模型，以进一步增强模型对样本整体结构的理解，从而提升重构的效果。在MVTec-AD上进行的大量实验表明，所提算法在样本级异常检测上实现了98.7%的AUROC分数，在像素级异常定位上实现了98.3%的AUROC分数，均达到了最先进的性能。

摘要:现代战争需求推动了多无人机协同在军事领域的应用，为解决面临雷达、火炮等多威胁山地环境下的多无人机航迹规划问题，提出了一种改进的冠豪猪优化算法（BCPO）。对于种群缺乏多样性的问题，引入了结合反向学习的佳点集初始化，加大算法的遍历程度；针对冠豪猪算法(CPO)的开发阶段提出了基于自适应小扰动的螺旋搜索策略，进一步激发算法的全局搜索性能；针对CPO算法的探索阶段，引入了基于最优随机位置的变异三角形游走策略，有助于提高算法局部收敛效率；提出融合动态因子的莱维飞行策略，帮助算法在全局搜索和局部寻优间寻求更好的平衡。在CEC2017测试函数上进行仿真对比，验证BCPO算法具有优秀的收敛速率和精准度；通过模拟山地环境进行仿真实验，表明BCPO算法相比CPO、GWO、WOA算法平均提升性能为8.834%、5.776%、21.828%，且算法稳定性有了大幅提升，该方法在面临复杂场景的多无人机航迹规划问题中具有较好的应用价值。

摘要:人工旅鼠算法是一种新提出的元启发式算法，能够通过模拟旅鼠的4种不同行为，有效探索复杂的搜索空间，但该算法仍存在过早收敛、探索不足、缺乏鲁棒性以及易陷入局部最优。针对上述问题，本文提出一种多策略改进的人工旅鼠算法，首先，引入Halton序列实现初始种群均匀分布，以提升全局搜索能力；其次，结合精英池策略与惯性权重，避免搜索过度依赖最优个体，增强种群的跳跃搜索能力，从而抑制早熟收敛；最后，在算法迭代后期引入非线性权重的黄金正弦策略，与觅食行为相结合，以提高局部搜索的精度与稳定性。为验证改进算法的性能，本文选取CEC2017测试函数集进行实验，并采用Wilcoxon秩和检验进行统计分析。实验结果表明，改进后的算法在收敛速度、寻优精度以及稳定性方面均优于5种对比算法，相较于原算法平均值误差降低了27.36%，标准差平均降低了36.99%，在3个工程优化问题中，改进后的算法均取得了最小目标函数值，优于对比算法，表现出较好的适用性和优越性。

摘要:面向自主船舶自主识别航行场景的实际需求，提出一种基于电子海图的港口水域航行场景自适应识别方法。首先，通过系统分析港口水域的航行特征，将船舶航行过程划分为进港、出港、航道航行、进出锚地、锚泊、靠泊、离泊、在港系泊八种场景。其次，根据物标特征和相对位置关系建立了一种场景判定规则，并构建了融合几何关系与动态参数的自适应识别模型。最后，基于进出烟台港水域船舶的AIS历史轨迹数据，对所提方法进行了验证。结果表明，该方法对港口航行场景的精确率达到了95.6%，场景判断的延迟缩小到了12 ms。可为港区航行船舶的自主航行系统实时提供必要的航行场景信息和高精度的航行环境感知支持。

摘要:针对复杂语音环境下CAM++模型在特征提取与识别性能方面存在的不足，本文提出了一种融合空洞卷积与时频多尺度注意力机制的说话人确认模型TF-DCAM。该模型首先利用空洞残差卷积与时频重聚焦机制增强特征提取能力，提升对冗余信息的抑制效果；其次引入时频多尺度注意力模块，通过通道注意力与跨纬度交互机制提升模型对关键信息的感知能力；再通过自适应掩码时序卷积模块强化长时依赖建模；最后采用对比损失函数联合优化嵌入空间结构。实验在CN-Celeb数据集上表明，TF-DCAM在EER和minDCF上分别相较基线模型降低了14.98%和10.98%；在VoxCeleb1上亦展现出良好的跨语种泛化能力。结果证明所提方法在保证轻量化的同时显著提升了说话人确认性能与鲁棒性。

摘要:为提升无人机动态目标跟踪效率和精度，提出结合DDPG算法和YOLO目标检测技术的ETC-DDPG算法。该算法引入事件触发机制，通过动态调整策略更新频率来提高算法的决策效率；引入课程学习构建分阶段训练框架，逐步提升无人机对复杂任务的适应性。实验结果表明，ETC-DDPG算法能够有效提升动态目标跟踪任务的跟踪效率和训练过程稳定性，并能减少计算资源需求，成功率可达93.357%，相比原始DDPG算法和ETC-TD3算法各项指标都有所提升，其中成功率分别提升56.175%和37.1%，并通过消融实验验证了事件触发机制和课程学习的协同作用，为无人机的自主执行任务提供了参考。

摘要:本研究基于电磁感应原理，具体为涡流法和磁性法，结合有限元仿真技术，对线圈阻抗及基体表面磁感应强度进行了仿真分析，验证了检测方法的可行性。根据研究，基体表面的镀锌层和涂层厚度对线圈阻抗及磁感应强度具有显著影响。基于此，本研究设计并开发了针对铁磁性基体表面镀锌层和涂层厚度的测量电路、算法及检测设备。实验结果表明，该设备在铝基表面涂层厚度测量中的误差小于1%，在铁基表面涂镀层厚度测量中的误差小于6%，在绝缘子铁帽厚度测量中的误差亦小于6%。本研究所开发的涂镀层检测仪能够同步地高效、精确地测量镀锌层和涂层厚度。

摘要:钕铁硼（NdFeB）永磁材料凭借其极高的磁能积和矫顽力，在现代工业与电子技术领域得到了广泛应用。然而，在实际生产中，压型工艺作为钕铁硼生产的关键环节，其工艺参数的设置仍主要依赖于操作人员的经验。由于操作人员经验的差异以及生产过程的复杂性，这种依赖容易导致参数设置不稳定，从而影响产品质量并造成资源浪费。为了精确预测钕铁硼粉末压型阶段的工艺参数，本研究提出一种动态分层调整的CatBoost多输出预测模型DLA-CatBoost，并创新性地提出基于粒子群优化引导动态搜索空间调整的混合优化策略PSO-DSS-NSGA-III，实现预测模型超参数的多目标协同优化。实验结果表明，经PSO-DSS-NSGA-III策略优化的DLA-CatBoost模型在多输出预测任务中表现优异，其均方根误差（RMSE）在0.5~0.9之间，平均绝对误差（MAE）在0.2~0.5之间，决定系数（R2）在0.96~0.99之间，展现出卓越的预测效果，为钕铁硼压型工艺参数优化提供了一种有效的新方法。

摘要:针对当前检测算法在非机动车不规范驾驶行为检测容易出现漏检误检的问题，提出一种改进YOLOv8的非机动车违规行为检测方法YOLO-CSSM。首先在Backbone和Neck中构建了SPD-Conv网络模块，以提高对微小目标的学习能力，加强模型在复杂背景条件下的特征提取能力；其次分别在Backbone和Neck网络中引入DCNv2和SegNext Attention注意力机制模块，重新设计了C2f-DCNv2，突出非机动车和驾驶人重要特征信息，提高模型特征融合能力；最后使用WIoU损失函数的思想改进MPDIoU，将原CIoU替换为Wise-MPDIoU，用来解决正负样本不均衡带来的问题。该算法在自建非机动车不规范驾驶行为数据集上进行验证，实验结果显示，改进后的YOLOv8算法在自建非机动车不规范行为驾驶数据集上的精确率P、召回率R和平均精度均值mAP@0.5为89.4%、90.0%和93.6%，比传统的YOLOv8算法分别提升了3.3%、5.4%和4.5%，取得了更好的检测精度和效果。并以非机动车违规行为检测算法为基础，使用PyQT5设计开发了非机动车违规行为识别检测系统。

摘要:针对口罩遮挡下注意力机制存在的多维度动态协同能力不足与细粒度抑制欠缺等问题，本文提出一种基于双重注意力校准的鲁棒识别方法，在通道和空间两个维度进行遮挡区域的动态校准。其中通道维度基于全局统计量抑制污染通道的异常响应，空间维度则定位遮挡区域并削弱其梯度传播，实现了从粗粒度筛选到细粒度增强的动态校准。在此基础之上，通过加权交叉熵损失和三元组损失进一步引导模型聚焦了局部未遮挡区域的特征表达，从而扩大类间特征距离间隔。实验结果表明，本文提出的双重注意力校准机制经过通道维度特征筛选与空间维度区域增强的协同作用，本文算法在LFW与AgeDB30的掩膜场景下，相比于ArcFace算法，分别提高了6%和7.2%的准确率，在真实遮挡数据集MAFA数据集上则提高了7.3%，验证了其在复杂遮挡场景下的识别鲁棒性。

摘要:针对航拍遥感图像场景中目标体积小、背景复杂的问题，提出了一种基于RT-DETR改进的轻量化目标检测算法ELS-RTDETR。该算法提出并使用一种基于Vovnet网络改进的新主干网络LOB-Vovnet对原主干网络进行替换。在LOB-Vovnet中，设计提出了一种新的特征增强模块LRFF，提高检测模型对小目标的检测精度。同时为抑制复杂背景干扰，引入自适应通道提取的注意力机制SE。最后为均衡模型精度与体积，LOB-Vovnet将部分卷积替换为深度可分离卷积，并通过进行大量消融实验，对主干网络的深度和宽度重新调整。在AIFI中，引入级联群体注意力机制（CGA）有效减少多头注意力机制中的计算冗余。在数据集方面将RSOD数据集和NWPU VHR-10数据集进行融合，并通过添加仿射变换、相机底噪等效果对原始数据进行离线数据增强，使训练数据集更贴近真实应用场景。实验结果表明，改进模型ELS-RTDETR与原模型对比mAP@50提升2.7%，模型参数量减少了32.9%，面对困难检测目标实现了较好的检测效果，在SIMD数据集上进一步验证了改进方法的有效性。

摘要:针对现有行人重识别算法过于依赖卷积神经网络作为主干网络，导致其过度关注具有显著特征的区域，而忽略了广义前景特征，进而全局特征信息不够丰富，对细微的判别特征关注度较差的问题，提出了一种基于特征增强的行人重识别算法。通过位置编码和多层多头注意力结构，更好地利用空间上下文信息，增强对空间相对位置的理解，有效捕捉空间结构信息，从而提升特征的表征能力，提升全局提取能力。局部分支利用空间向量关联的特征矩阵优化空间注意力，捕捉更加紧凑的广义外观特征，并通过建模不同通道间的关系加强通道维度特征表达，突出显著特征信息，从而增强判别性特征的关注度。最后，采用softmax损失、三元损失和中心损失在Market-1501和DukeMTMC-ReID数据集上进行了模型训练，实验结果充分证明了所提出算法的有效性和性能优势。

摘要:针对通航飞机蒙皮表面损伤检测智能化水平不足的问题，提出了一种基于改进YOLOv11n的通航飞机蒙皮表面损伤检测算法。首先，替换Adown下采样机制构建多尺度特征融合架构，通过跨层级特征交互与轻量化核设计实现冗余信息动态压缩，降低算法参数量与计算复杂度；其次，设计DySample动态上采样策略，通过可变卷积核形变感知与多任务梯度协同优化，提升模型在不同场景下的泛化能力；再者，引入FASSHead特征聚合检测头，通过渐进式语义融合与边缘感知约束，提升算法对复杂损伤区域的识别能力；最后，增加P2小目标检测层，在浅层网络嵌入高分辨率检测分支，提升对小目标及细节损伤的捕捉能力。最终，通过自主构建的通航蒙皮表面损伤数据集对改进算法效果进行验证。结果表明：改进算法精确率达到87.4%，召回率达到80.4%，mAP值达到86.6%。相较于基准模型YOLOv11n分别提升了2.0%、9.4%、6.7%，显著提升了蒙皮表面损伤的检测性能，为通航飞机智能化检测维修体系奠定理论基础。

摘要:针对驾驶员疲劳检测方法中存在面对光照变化或复杂背景时人脸检测精度下降的局限性，提出一种改进的MTCNN网络。通过对MTCNN网络进行优化，在3个子网络中均引入坐标注意力机制和批量归一化算法，提高模型对驾驶员面部的定位精度，提升网络的收敛速度和稳定性，并增强对过拟合的抑制。实验结果表明：改进MTCNN模型在疲劳驾驶数据集上的准确率达到了98.78%，比原模型提高了2.43%，且模型参数量仅为0.5 M，具有良好的人脸检测精度和可部署性。此外，将改进MTCNN模型与PFLD模型结合，根据实验设定了合理的疲劳参数阈值，并实现了较为准确的疲劳驾驶检测。

摘要:裂缝检测在土木基础设施维护中具有关键作用。传统人工视觉检测方法存在诸多缺陷，推动了裂缝检测技术的持续发展。然而，现有裂缝检测技术仍面临复杂背景干扰、特征多样性干扰及高计算资源需求的挑战。本研究挖掘Mamba模型在视觉任务中的潜力，提出一种超轻量裂缝检测网络（UltraLight CrackNet），其包含3个核心模块：并行轻量化视觉Mamba模块（通过高效建模长程依赖关系提取深层语义特征）、多尺度残差视觉状态空间模块（增强多尺度特征表征能力），以及改进的语义细节融合模块（优化编码器解码器架构的跳跃连接机制）。实验表明，该方法仅需0.13 M参数量与1.96 G浮点运算量，在超轻量模型设计下，于DeepCrack和Crack500数据集分别取得87.85%和77.92%的平均交并比mIoU），达到最优性能；在SteelCrack数据集获得可比结果，且参数量较现有对比模型中参数量最小的模型降低87.85%。