摘要:无人机的自主飞行性能在物流、巡检等实际应用中深受风力扰动的制约。传统基于滤波的方法依赖于精确的动力学模型与噪声假设，在面对复杂时变的风力扰动时，因存在未建模动态而导致估计性能显著退化。近年来，数据驱动与混合方法展现出巨大潜力。本文旨在综述风力扰动下无人机状态估计的研究进展，分析传统卡尔曼滤波系列方法在应对风扰中的局限性，同时探讨数据驱动方法在风扰建模与补偿方面的优势，并聚焦于物理信息神经网络及模型补偿学习等混合范式，为实现高精度、强泛化的抗风扰状态估计提供了有效路径。最后，本文总结了当前技术面临的挑战，并对未来研究方向进行展望，特别探讨了大型语言模型在增强状态估计系统智能性与可解释性方面的潜在价值。

摘要:汽车开放系统架构（AUTOSAR）标准是以文档形式呈现，规模庞大且有模糊性。验证车载软件的一致性测试需从文档中提取出配置，以保障车载软件合规性。在深入研究AUTOSAR规范文档的内容及一致性测试配置的前提下，提出了一种自动化生成配置数据的方法。首先，在图检索增强生成技术的基础之上集成MinerU，利用语义增强、文本优化、结构感知分块策略，构成领域实体-关系知识网络。其次，采用少样本思维链（Few-Shot CoT）提示词技术，引导大语言模型（LLM）从领域知识网络中提取测试场景及所需配置数据。最后，基于配置规范生成带属性的配置项树，通过广度优先搜索（BFS）和深度优先搜索（DFS）算法检查并补全配置数据，生成符合AUTOSAR标准的ARXML配置文件。在15个AUTOSAR基础软件模块实验中的8项指标上，对比传统生成配置数据的方法，结果显示所提方法在隐式依赖提取的F1分数达到97.51%，人工修正率降低至5%，测试场景生成数量提升3%。用本研究提出的方法生成的配置，不仅可以协助测试人员发现软件中难以定位的异常，而且显著提升隐式配置依赖项提取的完整性与配置文件生成的质量和效率。

摘要:针对无人车传统感知系统模块化设计带来的信息割裂和鲁棒性不足的问题，提出基于Transformer的多模态BEV融合算法。首先，视觉分支基于BEVFormer构建图像时空协同编码机制，结合语义引导的BEV投影增强关键区域表征，缓解光照、运动模糊导致的特征失真问题；其次，雷达分支提出稀疏矩阵状态空间混合模型（Sparse-SSM），通过稀疏体素化与状态转移建模，解决点云稀疏性与不连续性问题。最后，采用Transformer交叉注意力机制实现跨模态特征精准对齐与融合，并在nuScenes数据集上进行训练和实验验证。结果表明，与图像分支和雷达点云分支相比，目标检测指标分别提升15%和23.3%；与先进基线BEVFusion方法相比，所提方法平均精度提升2.7%、目标检测指标提升2.3%，且凭借稀疏设计将浮点运算次数降低20%，推理速度更快，可为无人车提供高精度、强鲁棒性的环境感知能力。

摘要:基于180 nm BCD工艺设计了一种应用于微弱生物信号检测的高输入阻抗、低噪声电容耦合斩波仪表放大器。通过斩波调制技术来减小闪烁噪声和失调，采用正反馈环路和预充电技术解决斩波调制技术带来的输入阻抗降低的问题，通过直流伺服环路来抑制放大器的电极偏移，采用多速率占空比电阻作为直流伺服环路的积分器的大电阻，以此降低直流伺服环路引入的噪声。针对心电信号或脑电信号等的特点，将仪表放大器的-3 dB带宽设定为2 kHz。仿真结果表明，放大器的直流输入阻抗可以达到9 GΩ，等效输入噪声为0.282 μVrms，总的电流消耗为4.5 μA，噪声品质因数仅有1.63。

摘要:针对传统双永磁同步电机（D-PMSM）转速同步性能易受电机参数失配的影响，提出了一种基于超局部无模型预测控制（UMFSPC）的双永磁同步电机转速同步控制策略。采用超局部模型构建双永磁同步电机的机械运动方程，避免了对电机参数的依赖；设计了全阶离散扰动观测器对超局部模型中的未建模项和扰动部分进行估计，并进一步提出控制器参数选择的方法；采用交叉耦合结构对电流进行补偿使得双电机协同运转。对所提出策略进行了仿真和实验，并与传统PI控制策略进行对比，结果表明，所提出的策略能够有效抑制电机参数变化所造成的同步性能下降。

摘要:针对光纤式叶尖间隙传感器测量精度受端面倾斜度影响较大的问题，本研究在双圈同轴型光纤传感器的结构基础上设计了一种改进型、抗端面倾斜度干扰的多光纤束光纤传感器。通过将双圈同轴型光纤束探头的内圈6根接收光纤分为两路对称分布的接收光纤束，在传统双圈同轴型光纤传感器测量内外圈接收光强之比R1作为单一输出特征参量的基础上，新增了内圈双路光强比R2作为另一独立的输出特征参量。采用光学Zemax仿真计算验证了改进型两个输出特征参量(R1, R2)与端面倾角β、叶尖间隙z之间的关联性，并通过构建双参数解耦模型实现了根据给定输出特征参量同步反演叶尖间隙z与倾角β。结果表明：当 β在0°~10°范围内变化时，基于三光纤束传感器输出特征参量解耦得到的叶尖间隙计算值在1.0~2.5 mm范围内误差小于3%，证明了改进型光纤传感器在复杂工况下的可靠性和测量精度。

摘要:为解决质子交换膜燃料电池输出电压小且非线性，易受极化损耗、负载波动等影响，与Boost变换器协同时稳定性不足的问题，开展了相关研究。首先构建含活化、欧姆、浓差3种极化损失的PEMFC输出电压模型，及Boost变换器状态空间平均模型；接着重构输出函数满足反馈线性化条件，设计带自适应趋近律的反演滑模控制器以抑制抖振；最后基于Matlab/Simulink仿真，对比BSMC与PI控制性能。结果显示，BSMC稳态电压误差率为0.099%（PI为0.170%），动态响应快20.1%~34.1%，抗扰时电压跌落幅度、恢复时间均优于PI。结果表明，该策略能提升复杂工况下PEMFC电压控制效能，为其稳定运行提供理论与技术支撑。

摘要:现有的基于深度学习的信道估计算法精度显著优于传统算法，却因运行缓慢、参数庞大而难以满足实时通信需求，且无法在移动终端上有效部署。针对上述问题，提出了一种轻量化信道估计神经网络模型ESPCN-net，将信道估计问题建模为从低分辨率图像（即稀疏导频处的信道响应）重建为高分辨率图像（即完整信道响应）的超分辨率任务。该模型摒弃现有神经网络模型的插值环节，在无需插值预处理的情况下，直接从导频信号中学习信道特征的空间相关性，恢复高精度信道状态信息。实验结果表明，所提模型在典型5G OFDM多径信道场景下，从计算效率来看，较SRCNN、ChannelNet分别提升25.7%和77.2倍。在计算复杂度方面，乘加累积操作数仅为SRCNN的36.4%、ChannelNet的0.76%，展现出优异的计算效率。参数规模上，虽然ESPCN-net的47.25×103参数比SRCNN多，但远低于ChannelNet（682.34×103）和ReCNet（100.45×103）。

摘要:为提升MLC NAND闪存中LDPC码译码的可靠性与效率，提出了MSWBF译码算法。所提算法不再仅依赖单一最小LLR值作为翻转决策依据，而是将校验节点关联变量节点的最小LLR值与其平均LLR值进行线性整合，从而构建更加稳定的局部置信度评估模型。进一步地，在变量节点的翻转指标计算中引入指数调整函数，以动态强化对低置信比特的识别能力。结合闪存物理特性，建立了包含RTN、DRN、CCI的信道模型，并通过蒙特卡洛仿真构建软信息环境。在此基础上，构造QC-LDPC码并设计译码架构，对比BF、WBF、MWBF、IMWBF、BP等算法进行性能验证。仿真结果表明，MSWBF在强干扰条件下的译码成功率提升55.6%，平均迭代次数降低超30%，有效改善译码鲁棒性与收敛效率。所提算法具备硬件友好性与实际部署价值，为低复杂度软判决译码方法提供了一种切实可行的改进路径。

摘要:在脑控机器人系统中稳态视觉诱发电位（SSVEP）因其高信噪比（SNR）、高信息传输速率等优势，已成为当前应用最广泛的脑电(EEG)信号之一。然而，受“BCI盲”现象影响，部分被试难以诱发稳定的SSVEP响应，限制了该技术在实际场景中的应用。为提升SSVEP信号的可识别性，提出了一种融合事件相关电位时间序列的新型调制SSVEP范式，并设计了一个基于该范式的在线脑控机器人系统，能够实现在复杂场景下对轮式机器人的协调控制。首先，在不改变标准SSVEP频率特征的前提下，通过嵌入事件相关电位刺激以增强用户注意力，从而提高信号质量；然后，采集8名被试在该调制范式和标准范式下产生的EEG信号，通过对比其在滤波器组典型相关分析（FBCCA）和任务相关分析（TRCA）两种算法下的离线分析结果，验证调制范式对EEG信号的提升效果并选择正确率高的算法用于在线系统的数据处理；最后，基于该范式开发在线脑控机器人系统并进行在线实验。离线分析结果表明调制范式产生EEG信号相较于标准SSVEP范式在多种分类算法下的分类准确率提升了2%~32%，有效缓解“BCI盲”问题，在线脑控机器人系统在多个受试者中均表现出较好的分类性能，平均信息传输效率（ITR）为30.74 bits/min，证明了其在实际应用中的可行性与有效性。

摘要:针对遥感图像背景复杂、目标多尺度等特点，提出了一种基于YOLOv8n的遥感图像目标检测算法PAM-YOLO。首先，在主干网络部分，构建并嵌入三池混合注意力机制(TPHA)，通过融合全局最大、平均及中值池化信息，有效抑制背景噪声对通道特征的干扰，并强化关键区域的特征表达；其次，在颈部结构引入空间上下文感知模块(SCAM)，通过挖掘全局上下文信息，构建通道语义与空间结构的长程依赖关系，提升模型区分目标与背景的能力；最后，设计并引入并行分支特征提取模块（PBFE），通过局部细节、全局语义和多尺度上下文3个并行分支的深度解耦与交互融合，实现对不同尺度目标的精细化表征。在DIOR数据集上，PAM-YOLO的mAP50提升了1.8%，mAP50.95提升了2.4%，P值提升0.3%，R值提升1.8%；在DOTA数据集上的各项指标也优于其他算法。实验结果表明，PAM-YOLO在遥感图像目标检测任务中展现出更高的检测精度与鲁棒性。

摘要:针对自动驾驶复杂场景下远景小目标与遮挡目标漏检问题，提出了一种基于YOLO11n的改进算法。首先引入高效多尺度注意力机制替换原Backbone网络中的C2PSA模块，在不降低通道维度的情况下进行分组重塑和并行多尺度融合，增强模型对小目标的关注度；同时增加了大小为160×160的小目标检测层，利用浅层特征精确定位小目标；引入上下文引导模块，设计C3k2-CGB，通过全局上下文信息增强特征融合，提升对遮挡目标的判别能力；最后采用Wise-IoU优化边界框回归，抑制低质量样本的梯度干扰。在自动驾驶数据集KITTI上的实验结果显示，改进后模型的mAP提升5.9%，召回率提高10.3%，参数量降低10.1%，在多类YOLO算法中表现最优，显著改善了小目标与遮挡目标的检测效果。

摘要:针对飞行器在跨音速、大机动等复杂飞行状态下因气流分离与激波干扰导致大气数据系统（ADS）测量精度下降的问题，提出了一种基于数据驱动风场估计，结合速度矢量三角形解算的大气参数重构方法。所提方法基于历史飞行数据，采用最小二乘多项式拟合算法对风速进行预测，并利用速度矢量三角形模型反向解算真空速，进而重构迎角（AOA）、侧滑角（AOS）与马赫数等关键大气参数。仿真结果表明，所提方法在复杂环境的大气参数重构中精度显著提升：原始测量迎角波动约为2°，侧滑角波动约为1°，以平均绝对值误差(MAE)和均方根误差(RMSE)为评价标准，所提方法计算迎角误差为0.47°、0.50°，侧滑角误差为0.20°、0.24°，马赫数误差为0.005 5、0.006 3。此外，研究还对比了基于冻结风场理论的估计方法，二者均能有效降低迎角与侧滑角测量误差。本研究为复杂飞行环境下高精度、高可靠性的大气数据测量提供了一种不依赖额外硬件的软件解决方案。

摘要:为应对环境污染和能源危机，各国大力发展绿色风力发电，但受风速、风向等不可控因素影响，风力发电具有波动性和间歇性，故需对风电功率进行精准预测，保障综合能源系统安全运行。为此，本文提出多特征融合的基于双塔Transformer模型风电功率预测方法，该方法深入挖掘含气象信息的风电功率数据，全面抽取特征信息。引入时间维度注意力、经验分布和K-means聚类，构建基于时间关联和分布特征的气象模式解耦Transformer模型。同时，引入特征维度注意力、希尔伯特变换和季节趋势分解，构建基于特征关联和频域特征的季节趋势分解Transformer模型。最后，设计加权平均融合模块，融合上述两个Transformer模型预测结果，精准预测风电功率。通过与近5年的先进算法在通用公有数据集和企业专有数据集上的大量实验对比，验证了所提方法在预测综合能源系统风电功率时预测准确性和模型解释能力具有显著优势，与次优算法相比，均方误差（MSE）和平均绝对误差（MAE）最大幅度降低了15.34%和6.04%，决定系数R2最高提升了39.33%。

摘要:针对标准河马优化算法（HO）收敛速度慢、易陷入局部最优、搜索与开发不平衡等问题，提出了多策略协同改进的河马优化算法（MSCHO）。在初始化阶段引入Circle映射，增强初始化种群的多样性，减少初始化盲区；其次在HO位置更新阶段引入镜像极差随机游走策略，增强寻找到最优解的可能；最后在HO探索阶段采用余弦自适应 t 分布变异，提升算法的收敛速度和稳定性。为验证算法的改进效果和性能，选取5个群智能优化算法对8个经典测试函数以及经典工程应用问题进行仿真实验，实验结果表明：与其他的算法相比，改进后的MSCHO具有更加出色的寻优能力和收敛速度。

摘要:针对安装在直线运动机构上的2D激光雷达（LiDAR）的运动方向标定问题，提出了一种选用由2个正交平面构成的标定装置的方法。如果利用沿直线运动的2D激光雷达扫描标定装置2次或以上，由两个标定平面上的扫描线可得到关于激光雷达运动方向参数的几何约束，证明了运动参数必位于平面上的一条双曲线上；通过对不同位姿的标定装置的扫描，获取多条约束曲线；提出4种标定解算方法：线性最小二乘（LSM）、高斯牛顿（G-N）、最优化点到约束曲线的最短距离平方和（Opt-D）、最优化重建后2个标定平面的正交性方法（Opt-O）。仿真实验表明4种方法中Opt-O具有最好的精度；真实实验中利用标定结果构建一个塑料球的3D点云，再利用该点云估计球面的方程，应用G-N、Opt-D、Opt-O的标定结果重建的点云样本到拟合的球表面的距离均值都小于0.5 mm，标准差均小于0.5 mm，验证了本文提出的标定方法的有效性。

摘要:为提高复杂场景下遥感图像在轨目标检测的准确率，提出了一种基于多尺度特征融合的检测方法。首先，设计多尺度特征融合模块，扩展模型感受野，采用并行化多通道融合处理的方法获取目标多维特征；其次，结合注意力机制构建空间通道特征交互模块，增强模型提取显著区域细节特征的能力；最后，引入归一化Wasserstein距离改进损失函数，优化重叠锚框间位置偏移的度量方法，提高模型对密集重叠目标的分辨能力。此外，通过数据增强等处理，在“吉林一号”卫星影像上标注了一套船舶数据集JS25k。模型最终检测精度为982%，比最新的YOLOv13高0.6%，性能优于RT-DETR系列模型，在边缘端嵌入式部署后检测速率为92.3 fps。实验结果表明，模型能够有效提高复杂场景下的检测精度，同时满足在轨时效性需求。

摘要:高时空分辨率毫米波雷达技术的进步显著提升了距离与速度分辨率，从而使目标在距离-多普勒图中跨越多个相邻单元，形成扩展目标结构。此类结构违背了传统恒虚警率算法所基于的点目标假设，导致背景噪声估计不准确，进而造成扩展目标检测不完整。为解决这一问题，提出了一种基于卷积与熵引导加权采样的毫米波雷达检测方法。该方法首先利用十字形卷积核对距离多普勒图进行区域增强，以强化目标区域的空间连续性；随后，通过熵分布引导的加权随机采样估计全局背景噪声，取代传统的滑动参考窗结构，从而实现更精确的背景噪声估计。仿真结果表明，所提方法在信噪比(SNR)为-5 dB时仍可实现90%的检测概率，相较现有算法在扩展目标检测性能上具有明显提升。实测结果进一步验证了该方法在保持目标结构完整性和提高点云密度方面的有效性。在两个典型交通场景中，相比两种对比算法，点云数量分别提升21.51%和111.11%，以及39.38%和136.87%，展现出其在复杂交通环境下实现鲁棒毫米波雷达感知的潜力。

摘要:抽油管漏磁（MFL）检测过程中接收的漏磁信号信噪比（SNR）较低，且常与其他频率成分相近的低频噪声混叠，现常见的去噪算法无法有效地将漏磁信号与其他噪声成分有效筛选。为提高漏磁信号提取准确性，提出了一种基于瞪羚优化算法（GOA）优化的变分模态分解（VMD）与动态小波阈值去噪（DWTD）相结合的方法来识别漏磁信号。首先，使用GOA算法来选择VMD中的输入参数。然后，VMD根据优化后的参数对信号进行自适应分解，得到一定的模态分量，并通过相关系数将其划分为有效信号分量和噪声分量。最后，对有效信号分量进行动态小波阈值去噪处理，得到去除噪声的漏磁信号。对不同强度下的仿真信号和实测漏磁信号进行了测试和分析，仿真信号指标分析本文方法至少比其他方法在SNR上提高了20%，实测漏磁信号比其他方法平滑度提高了10%。结果表明，基于GOA优化的VMD参数与DWTD相结合的去噪方法可以有效地去除干扰噪声，更完整地还原原始漏磁信号特征，适用于油井油管漏磁信号的去噪。

摘要:针对传统故障检测方法在部署难度、环境抗干扰能力及早期故障敏感性方面的不足，提出一种基于WSSA-VMD与改进Swin Transformer的声纹故障检测模型。首先，提出一种融合鲸鱼优化算法的麻雀搜索算法（WSSA），用于自适应优化变分模态分解（VMD）的关键参数，以提升对原始声纹信号的降噪性能；其次，选取优化VMD分解后的有效模态分量重构信号，并将其转换为对数梅尔谱图，作为高质量特征输入；最后，构建一种改进的Swin Transformer模型，通过引入卷积注意力模块（CBAM）并采用均方根归一化方法替换原归一化层，以增强模型的特征提取能力与训练稳定性。实验结果表明，所提模型的总体精准率达到97.93%，不仅能够有效识别早期叶片故障，也展现出良好的泛化性能。

摘要:本研究针对传统木材分类效率低、依赖人工经验,家具市场存在以假充真、以次充好等材质造假的行业痛点问题，同时瞄准X射线单投影成像技术在木材检测领域的研究空白，自主研制了一套木材材质可视化专用成像装置，并提出了一种基于X射线单投影成像与双重注意力机制的木材材质智能鉴别系统。系统性构建了10类典型商用树种的X射线单投影数据集，包括非洲紫檀等3种紫檀属木材、交趾黄檀等4种黄檀属木材、古夷苏木等3种其他科属木材，并提出了一种双重注意力模型EDMA-Net。该模型通过双重注意力机制的层级化协同设计，实现浅层全局纹理与深层通道特征的联合优化。实验结果表明：该模型在测试集上分类总体精度达98.04%；消融实验进一步验证其有效性，EDMA-Net在参数压缩至16.51 M的同时，其分类准确率较基础模型提升2.38%，单张图像平均推理时间仅为7.00 ms，推理速度达142.95 fps，体现出优异的计算效率与实用性。在实际家具板材测试中，所有样品准确率均超过95%。该系统利用X射线单投影成像技术，为家具市场材质鉴别、质量监控及木材加工管理提供了一种无损、快速、实用的技术解决方案。

摘要:为解决无人机巡检中风机叶片缺陷特征弱化与定位困难的问题，提出了一种基于改进YOLO11的轻量化高精度检测算法。首先，在主干网络引入混合局部通道注意力（MLCA），通过局部纹理与全局上下文的协同建模，强化模型在复杂光照下对微小缺陷的响应；其次，采用ADown渐进式下采样替代标准卷积，在降低分辨率的同时最大限度保留缺陷边缘完整性；最后，构建多尺度注意力特征金字塔网络（MAFPN），通过跨层级特征聚合提升对不同尺度缺陷的表征能力。基于真实巡检数据集的实验表明，该方法在参数量减少22.5%、GFLOPs降低9.5%的前提下，mAP@0.5与mAP@0.5:0.95分别提升4.0%与5.6%，达到85.7%与61.1%。结论显示，该算法显著降低了复杂场景中的漏检与误检，与I-YOLOv8n、O-YOLO11等主流模型相比实现了更优的精度-效率平衡，更适合部署于无人机等资源受限的端侧设备。

摘要:针对风电机组叶片表面的微小缺陷检测精度低以及模型参数量大的问题，提出一种基于YOLOv8n改进的新型检测框架CESL-YOLO。首先，在骨干网络中引入卷积块注意力机制(CBAM)注意力机制，增强模型在特征提取过程中对微小缺陷的关注能力；其次，将颈部特征融合网络重构为EfficientFPN，利用重参数卷积提升多尺度特征的融合效率；随后，采用SIoU边界框回归损失函数加快模型的收敛速度；最后，设计轻量级稀疏可分离卷积分支检测头(LSSB)，提高缺陷定位精度。实验结果表明，CESL-YOLO相比原模型的精确率、召回率以及mAP分别提升了2.7%、4.8%和5.3%，模型的参数量由3.01 M下降至2.82 M，更加适用于风电机组叶片表面缺陷检测任务。

摘要:复杂场景陨石坑的高精度检测在深空探测和行星科学领域中具有重要价值。本文针对沟壑区域内和边缘退化陨石坑的检测精度瓶颈，提出离散小波变换与交叉注意力协同的 HCF-YOLO陨石坑检测网络。设计了小波频域保留下采样模块，缓解边缘退化陨石坑结构特征的衰退，提升其与背景的区分度，降低漏检率。其次，提出浅层引导的交叉注意力融合模块，以浅层陨石坑结构细节生成权重，定向约束与高层语义的跨尺度融合，抑制沟壑纹理噪声干扰并避免清晰大陨石坑的语义特征对结构特征的覆盖，降低背景噪声和特征混淆引发的误检。两模块协同强化复杂场景下的检测鲁棒性。最终，在MDCD数据集上开展系统对比与消融实验。与最新方法相比，真阳性(TP)检测数提升133个，召回率提升5%，精确率提升2%。

摘要:针对现有带钢表面缺陷检测算法参数量大、检测精度不足及在嵌入式设备部署难等问题，提出了一种基于改进YOLOv11n的轻量化检测算法YOLO-AMM。首先，引入ADown模块，解决传统跨步卷积下采样导致的微小缺陷特征丢失问题以提升精度，减少参数量以提升实时性；其次，构建C3k2_MDSB模块，增强多尺度特征提取能力和计算效率；最后，在特征融合网络中引入混合局部通道注意力(MLCA)机制，提升对不同尺度缺陷的特征提取能力。实验表明，YOLO-AMM算法的mAP50较YOLOv11n提升3.6%，召回率提升2.3%，精确率提升2.9%，同时参数减少18.0%，计算量减少14.1%，模型大小下降16.5%，优于多种经典轻量级与同类改进算法，适合部署于资源受限的嵌入式设备中。

摘要: