摘要:在规模化分布式能源接入的新型电力系统背景下，电流差动保护作为保障电网安全运行的关键技术，但其动作可靠性会受限于信息传输和保护判据两方面影响。现有关于电流差动保护研究中往往忽视了信息传输扰动这一因素，这可能导致保护动作性能下降甚至失效。基于ρ平面理论，深入分析了高斯白噪声和脉冲噪声构成的复杂噪声扰动对电流差动保护动作特性的影响，并提出了一种具有噪声鲁棒性的新型扇形电流差动保护判据。该扇形判据能够灵活设置线路无故障时两端电流的最小相位差ϕop和最小幅值比R以实现动态制动区域，有效提高了系统在噪声扰动下的抗干扰能力和动作可靠性。通过理论分析和仿真验证，与传统圆形判据相比，所提扇形判据在不同信噪比条件下均展现出优越的抗误动和抗拒动性能，在较低信噪比（30 dB）的复杂噪声扰动下，扇形判据相比传统判据误动率下降约50%，并可以保证误动率和拒动率均远小于10-5，可为新型电力系统中电流差动保护提供一种更具鲁棒性的解决方案，对于保障新型电力系统的安全稳定运行具有重要的理论和实际意义。

摘要:构音障碍语音是神经病变导致患者发音器官产生运动障碍因而发音和韵律异常的语音，给传统自动语音识别系统带来了巨大挑战。为此，本研究提出了一种结合多层表征融合解码策略和热词增重技术的创新算法。在基于Transformer架构的编码器解码器模型上，改进传统的单视角解码方式为多层次表征融合，通过3种表征融合策略有效增强了模型对语境和复杂句子的理解能力。同时，为进一步提升构音障碍语音的识别精度，本文将热词增重技术集成到波束搜索解码过程中，针对关键词赋予更高权重。实验在TORGO和UASpeech数据集上进行，结果表明与其他基准模型相比，该方法显著降低了WER。其中与Whisper基准模型比较，在UASpeech数据集上WER从38.31%降低至27.18%，在TORGO数据集上WER从16.38%降低至12.67%，证明了该方法在提升构音障碍语音识别精度方面的有效性。

摘要:水库大坝作为具有防洪度汛、水力发电、农业灌溉等重要作用的超大型重要基础设施，一旦发生溃坝将会引发严重灾难，因此对其进行常态化安全监测具有重要意义。但受到测量环境、系统故障和监测对象异常影响，大坝监测数据中会出现各种异常数据，对这些异常监测数据进行检测有利于监测数据的有效分析并及时发现险情，保障水库大坝安全稳定运行。但现存的数据异常检测方法大多只关注数据粗差等异常，忽略了数据缓变异常。因此本文基于深度支持向量描述(DSVDD) 方法提出一种缓变异常检测方法，该方法将大坝多维监测参数构建为多维参数样本，并构建自编码器网络利用DSVDD方法进行有效训练，将输入样本映射到紧凑的超球体中，以输入样本偏离超球体中心距离作为异常分数实现异常检测。为验证所提方法有效性，本文基于某高心墙堆石坝激光准直监测系统数据将所提方法与其他多类方法进行对比分析，结果证明所提方法具有优异的数据异常检测性能。

摘要:为了解决传统轧制力模型预测精度低和DBO算法易陷入局部最优解的问题，提出了一种基于改进蜣螂优化算法的结合自注意力机制的长短期记忆网络轧制力预测模型。加入黄金正弦策略和动态权重系数并引入Circle混沌映射得到改进蜣螂优化（IDBO）算法，通过结合长短期记忆网络（LSTM）与自注意力机制（SA），建立IDBO-SA-LSTM冷轧轧制力预测模型，并与其他模型进行对比。采用6个不同的基准函数对优化算法进行测试，仿真实验表明IDBO算法比麻雀搜索算法、蜣螂优化算法、灰狼搜索算法等具有更快的收敛速度和寻优精度；采用某两机架冷连轧机组6 554次现场作业数据进行轧制力预测实验，最终结果表明IDBO-SA-LSTM算法预测误差指标均小于其他对比模型，预测两道次轧制力±4%之内的命中率均大于99%，模型精度高，泛化能力好。

摘要:针对传统A*算法在路径规划时存在搜索效率低、穿插障碍物、路径不平滑、无法规避未知障碍物等问题，提出了一种改进A*算法与改进DWA算法相融合的移动机器人动态避障方法。在改进A*算法中，引入全局障碍物占比率，在启发函数中增加动态权重系数，优化搜索领域，设定安全距离去除冗余节点，并加入三阶贝塞尔曲线对路径进行平滑处理，同时在DWA算法中加入目标点代价子函数，并动态调整代价函数系数，最后将改进A*算法与改进DWA算法进行融合，实现移动机器人的动态避障。仿真实验结果显示，在不同环境中，本文改进A*算法与传统A*算法以及其他改进A*算法相比，路径长度分别平均缩短了5.14%和1.01%，搜索节点分别减少了57.05%和36.59%，规划时间分别减少了34.39%和8.49%；本文改进融合算法与传统融合算法以及其他融合算法相比，路径长度分别平均缩短了19.89%和1.82%，规划时间分别平均减少了53.66%和13.01%。证明了本文所提出的改进融合算法有效缩短了规划的路径长度与时间，能够在复杂的动态环境下实现实时避障，满足移动机器人行驶过程中的高效性和安全性。

摘要:针对现有的方法在密集、遮挡以及小目标检测中存在的问题，本研究提出了一种用于城市道路场景中车辆检测的QARep-YOLOv8n算法。首先，本研究采用了一种Haar小波下采样模块来缓解传统跨步卷积或池化操作所导致的特征信息丢失的问题；其次，提出了一种批量正则化注意力模块和QARepC2f模块来提高YOLOv8的特征提取能力；最后，采用了NWD边界框损失和Slide分类损失来提高对于小目标以及遮挡目标的检出效果。在4个主流的车辆检测基准数据集上的广泛消融实验和验证实验表明，QARep-YOLOv8n相比于YOLOv8n，mAP分别提升了3.3%、3.2%、2.7%和1.5%，此外，本研究方法具有更显著的小目标、遮挡目标检测效果。

摘要:针对传统的ORB算法在航空发动机叶型图像拼接下，特征点检测数量不稳定，出现误检、漏检、尺寸不变性较差，以及拼接精度低等问题，本文开展了叶型图像拼接实验研究，并提出了一种结合卷积神经网络改进的角点检测ORB-CNN算法。该算法的思想为：应用改进后的角点检测算法在构建图像金字塔下实现不同尺度下的角点提取，在特征点检测阶段，使用卷积神经网络（CNN）替代FAST算法中的16像素圆环所建立FAST-n检测，根据领域像素数量，在CNN中添加卷积层，即添加设计卷积核，提取图像中与FAST-n检测相关的特征。采用BRIEF方法获取检测特征点描述子，计算Hamming距离，实现了特征点的精准匹配。实验结果表明，对比于传统ORB算法以及SIFT算法，改进后的算法特征点提取均匀度分别提升了18.83%、33.36%。在光照变化实验中，改进算法在强光和暗光条件下的特征点匹配精度分别提升了16.63%和19.04%。在尺寸不变性及旋转不变性测试中，改进算法在图像缩放和旋转后仍能稳定匹配特征点，对比原ORB算法及SIFT算法，其特征点偏距及匹配精确率分别提升了66.95%、64.26%、12.63%、6.62%。该方法有效克服了传统ORB算法在尺寸不变性层面的局限性，还保留了ORB算法在配准速度及质量上的优势，显著提升了在复杂环境下的检测性能和鲁棒性，为航空发动机叶型间隙非接触测量奠定了基础。

摘要:针对智能清扫车路径规划中存在的路径冗余、覆盖率低的问题，提出了一种融合半弹簧式人工势场法、A*算法和动态更新策略的全覆盖路径规划混合算法，以解决该问题。通过A*算法进行初始路径规划，结合半弹簧式人工势场法进行局部避障，减少局部最优问题，利用覆盖值动态更新策略根据实时覆盖情况优化路径优先级，从而提升覆盖效率和减少重复覆盖。此外，基于模糊逻辑的动态权重调整机制使算法在复杂环境中自适应调节覆盖与避障权重。仿真实验结果表明，混合算法相较于其他算法具有较高的覆盖率与较低的重复覆盖率，并于实车实验上得到了验证，可以满足清扫车的全覆盖作业任务要求。

摘要:针对D2D-NOMA系统在非完美串行干扰消除条件下的吞吐量最大化问题，提出了一种基于非完美SIC的D2D-NOMA系统吞吐量最大化算法。首先在蜂窝用户和D2D用户的服务质量、最大发射功率下，考虑非完美SIC条件，建立一个以D2D-NOMA系统的吞吐量最大化为目标的优化模型。然后将模型转换为以吞吐量为奖励的马尔可夫决策过程。利用TD3算法设计了一个功率分配算法，实现了系统吞吐量最大化。经仿真验证，所提出的算法与DDPG算法、遗传算法和随机功率分配算法相比，非完美SIC下D2D-NOMA系统的吞吐量分别提高了约14%、25%和40%，也展现出更优的收敛性和公平性。

摘要:堆垛式无人叉车在仓储和物流管理中负责货物的堆垛和取放任务，在工业环境中，需要开发快速而准确的状态估计和环境感知算法，以便实现无人叉车的自主导航运动。然而，直接使用激光雷达里程计进行状态估计时，往往会导致建图不准确和位姿漂移等问题。为此，提出了一种基于改进DLO算法的堆垛式无人叉车同时定位与建图方法。利用惯性测量单元提供的运动模型以及多线激光雷达的点云数据，对叉车的初始位姿进行先验估计。通过DLO SLAM算法的前端，采用广义最小二乘法进行扫描匹配，实时估计叉车的位姿并构建地图。利用HDL-Graph-SLAM的后端位姿图优化和回环检测，进一步提升地图重建的精度。实验结果表明，该方案能够有效抑制动态环境中的地图漂移及误差累积问题。与DLO SLAM相比，定位精度提高了60.9%，与Cartographer算法相比提高了56.9%，同时，稳定性也显著提升，能够满足堆垛式无人叉车同时定位与建图的要求。

摘要:声学相对传递函数矩阵的估计是实现麦克风阵列多参考非同步测量的前提。针对在外场环境中存在强背景噪声导致现有多参考非同步测量误差较大的问题，本文建立基于总体最小二乘的声学相对传递函数矩阵的辨识方法，补全麦克风阵列扫描得到的互谱矩阵，并基于互谱矩阵分解得到的部分场实现声全息成像。结果表明，文中方法能够有效抑制低信噪比情形下背景噪声干扰对声学相对传递函数矩阵估计和麦克风互谱矩阵补全的影响，当信噪比低于10 dB时，误差能够减小2%以上，有效提高了麦克风阵列非同步成像精度。

摘要:为解决机械故障诊断中稀疏标签、数据不足等问题，同时提升诊断性能与模型可解释性，本文提出了一种嵌入时频分析的时频卷积神经网络（TF-CNN）模型。该模型结合多种高效数据增强方法与嵌入时频分析的卷积神经网络，从振动信号中提取多尺度关键时频特征。时频卷积层利用时频变换的物理可解释性与卷积神经网络的自主特征提取能力，精准捕捉信号关键信息，并通过分类器实现故障诊断。在CWRU数据集上的实验结果表明，TF-CNN模型的诊断准确率高达99.8%，显著优于基线方法。此外，频率响应分析验证了模型对信号关键频段的关注能力，进一步增强了诊断过程的物理可解释性。本文提出的TF-CNN模型充分结合时频分析与深度学习优势，提供了一种高效、精准且可解释的解决方案，为工业故障诊断领域带来了新思路与实践指导。

摘要:针对变分模态分解算法在处理多分量、非平稳机械振动信号时，性能受模态数量、二次惩罚参数及更新步长等关键因素严重影响的问题，提出了一种基于二叉树机制的自适应变分模态分解算法。以待分解信号的加权精细多尺度反向散布熵作为二次惩罚参数设定的依据，通过信号噪声程度调节算法更新步长，借助二分法机制持续将原始信号进行分解。不断优化二次惩罚参数与更新步长，将所得到分量之间的最小二乘互信息和重构误差构成作为分解完成评价指标，并对特征相似度较高的模态进行合并。算法综合考虑了模态提取性能所受内嵌参数的共同影响。通过仿真数据及实测机械振动信号验证，所提算法复杂度低，可有效缓解频带相近模态之间的混叠问题，完全自适应地提取振动信号特征模态。

摘要:现阶段，因袖带测量血压的方法无法在高气压环境下工作，为了解决在高气压环境下测量血压的难题，本研究提出了结合脉搏波传导时间与心率变异性的K最近邻连续无创血压预测模型。本研究使用兔子做实验，在动物高压舱内从常压加压到深度1 000 m，此过程中采集兔子的心电、脉搏波和有创血压。以30 s的时长为1个数据，最终采用深度为0~300 m数据训练，300~1 000 m数据预测，K最近邻模型对于兔子1的收缩压和舒张压预测的平均绝对误差±标准差的结果分别为2.2±1.5 mmHg和1.9±1.4 mmHg，对于兔子2的收缩压和舒张压的结果分别为1.7±1.3 mmHg和1.7±1.5 mmHg。结果表明，本文的方法对不同个体在高气压环境对血压预测取得了良好的结果，并为高气压下血压监测提供思路。

摘要:为了解决施工环境中现有安全帽和反光衣检测算法参数量和计算量大、检测精度低以及模型较大难以高效部署等问题，提出改进CCEI-YOLOv8轻量化检测算法。在骨干网络和颈部网络中采用C2f-CIB模块；重构颈部网络，形成跨尺度特征融合模块(CCFM)；引入EMA坐标注意力机制；将CIoU替换为Inner-EIoU，提高回归定位精确度。以Roboflow开源安全帽和反光衣数据集为基础，验证改进方法的有效性。实验结果表明，CCEI-YOLOv8检测算法相较于原始YOLOv8n，参数量降低了48.3%、计算量下降了32.1%、平均检测精度均值mAP@50提高了0.5%，达到了91.7%，模型仅为3.442 MB，减少了45%。CCEI-YOLOv8检测算法在检测性能和轻量化方面均优于原始YOLOv8n检测算法和其他主流的目标检测算法，更适用于项目的实时检测和部署，为安全帽和反光衣的实时检测提供参考。

摘要:偏差订正是为了优化传统数值天气预报模型的预测精度，在气象学中，温度是一个至关重要的指标，它对天气现象、大气循环、气候模式以及人类活动等方面有着深远的影响，与此有必要对传统数值天气预报产品进行温度偏差订正。本文设计了一种适用于温度偏差订正的新型深度学习网络模型SWGU-ConvLSTM，采用了unet和双向对抗网络架构。该模型使用ConvLSTM模块提取局部信息，使用SwinTransform模快提取全局信息，然后使用IAFF模块将ConvLSTM和SwinTransform模块的输出特征进行融合，并且对融合后的特征信息使用U形连接和跳跃连接，以更好的拼接浅层信息和深层信息，并提取不同尺度的信息，最后将上述融合模块作为生成器和辨别器进行双向对抗训练，以此来增强模型的学习和预测能力。本文使用ECMWF平台公开的TIGGE数值模式数据作为被订正数据，使用ERA5再分析资料作为标签数据，订正6小时预报气温，实验结果表明，提出的SWGU-ConvLSTM模型在MSE、MAE、SSIM等指标上明显优于其他对比模型，相比较于simvp模型，他的MSE和MAE误差分别下降了30%和27%，提高了温度订正的准确率。

摘要:针对目前X光违禁物品之间遮挡、噪声干扰和检测精度低等问题，以YOLOv8s网络为基础模型，提出一种融合了锚点辅助训练策略和细粒度多尺度特征的违禁品检测模型。在网络中采用C3_Res2Net模块替换C2f模块，通过集成不同层次的特征来增强多尺度，以增加网络层的感受野范围，获取细粒度层面的特征，解决违禁品之间存在遮挡带来检测精度低问题；采用滑动平均的Slide Loss目标类别损失函数和改进的边框损失函数尝试为困难样本分配更高的权重，降低高质量锚框的竞争力的同时，减小了低质量示例产生的有害梯度，同时聚焦于普通质量的锚框，提高检测器的整体性能，使得具有更好的抗噪声干扰能力；在训练前期使用ATSS和Task-Aligned Assigner协同训练机制的标签分配策略，利用Anchor-based的预设信息，达到稳定模型训练的目的；在训练的后期采用锚点辅助训练策略充分发挥了结合不同Anchor网络的各自优势，从而进一步提升了模型检测精度。本文所改进模型在公开数据集SIXray、HiXray上进行了训练和测试，mAP50分别达到94.9%、83.7%，mAP50:95为73.1%、52.2%。结果表明，本文所改进模型具有较高的检测准确性和稳定性。

摘要:针对X射线安检图像中背景复杂、尺度多变、小尺寸目标难以检测等挑战，提出一种聚焦边缘与多尺度特征的轻量化违禁品检测算法LEM-YOLO。首先，设计轻量化边缘特征增强模块（LEFE），增强模型的边缘特征提取能力。其次，设计高效多级特征融合金字塔网络，利用动态上采样（Dysample）和层次尺度特征金字塔网络（HS-FPN），增强多尺度特征融合并减少计算冗余，同时设计动态特征编码模块（DFE），保留小尺寸目标的全局信息。最后，使用Shape-IoU作为边界框回归损失函数，聚焦边框形状和自身尺度，提升目标定位精度。在公开数据集SIXray上进行实验，结果表明，LEM-YOLO在违禁品检测中的mAP达到了94.63%，比原算法提升了2.56%，同时模型体积下降了50.67%，更好地满足了违禁品检测场景的需求。

摘要:烟叶产量的预估是一项非常重要的任务，叶片数量与产量直接相关。传统人工统计效率低、成本高，为解决这些问题，研究提出一种轻量化YOLOv8-SLSS烟叶计数检测算法，该算法针对YOLOv8n检测精度不足、计算复杂度高以及烟叶遮挡场景导致的漏检问题进行改进。算法采用改进后的ShuffleNetV2light网络结构替代原模型的骨干网络，缩减模型参数和计算负荷；引入设计的LHCB模块到颈部网络的C2f 中，扩大模型的感受视野，提高模型检测精度的同时减少计算量；引入SEAMDetect检测头模块，增强了烟叶遮挡场景下的检测能力；最后，引入SPPELAN模块，增强模型多尺度特征提取能力和计算效率。实验结果表明，改进后的模型参数量和浮点运算量分别减少了63.3%和61.7%，算法的检测平均精度AP@0.5由原算法的92%提高到93.1%，实时检测速度达到83 fps，相比原YOLOv8n模型提高5.1%。改进后的算法提高了传统YOLO模型在烟叶遮挡场景下的检测能力，实现了较高精度、轻量化、实时检测性能的平衡，为烟草农业数字化提供有效地技术支持。

摘要:为了降低复杂天气、光照变化和交通标识污损等环境因素干扰和算法自身复杂度高导致模型性能的下降，提出一种以RT-DETR为基准模型的公路路面交通标识检测算法。首先，使用设计的轻量化模块CSP-PMSFA作为算法的主干网络，降低模型的计算量和参数量，提高模型的表达能力。然后，针对原有算法尺度内特征交互模块计算量大、模型容量小且计算效率有限等问题，引入了级联分组注意力CGA进行改进。最后，设计了跨尺度特征融合模块EMBSFPN，用于解决感受野适应性不足，特征信息处理有限的问题；采用EUCB上采样模块的解码机制在保证准确度的情况下保留和融合特征信息，优化性能的同时提高模型的鲁棒性。实验结果表明，改进算法在ROAD MARK路面标识检测数据集上与原有算法相比mAP50提高了2.6%、FPS提高了13.6帧，计算量和参数量分别下降了29.7%和39.6%，整体优于其他改进算法，在进行轻量化的同时提高了检测精度和速度，具有实用性。