摘要:针对传统天鹰算法（AO）在高维复杂优化问题和机器人路径规划应用中易陷入局部最优、收敛速度慢的缺陷，本文提出了一种基于空中搜索和三角变异算子改进的天鹰算法。首先，通过Halton低差异序列提高初始种群分布的均匀性；其次，在算法收缩开发阶段融合北极海鹦算法的空中搜索机制提升种群的协同进化能力与搜索精度；最后，利用三角变异算子改善算法后期的收敛性能。随后在CEC2017测试函数上与五种同类算法进行对比，并采用秩和检验评估其差异性。最后，将所提出的算法应用于机器人路径规划应用。实验结果表明，HATAO算法具有较强的搜索精度和较快的收敛速度，不仅能有效避开障碍物、获得较短路径，还具有更好的稳定性，在简单和复杂场景下路径相比于原天鹰算法分别缩短了约4.96%、6.34%，验证了算法在实际路径规划任务中的有效性与鲁棒性。

摘要:针对DTP-PMSM控制中对确定性模型依赖较强的问题，提出一种OBMFC方法。首先，依据超局部模型的方法，对DTP-PMSM在VSD坐标系下的数学模型，构建了考虑参数不确定的超局部模型。接着，分别对电流环和转速环分别设计ESO和LOB，实现了对超局部模型中未知扰动的估计。最后，将未知扰动的估计补偿到电流环中的DCPC和转速环中的NFTSMC中。从而，使DTP-PMSM的电流环DCPC降低了对数学模型的依赖，并且提高了转速环对转速控制的鲁棒性。仿真结果表明，对比另外两种无模型控制方法，PI控制和转速环采用ADRC电流环采用MFCPC，本文所提方法对速度控制无超调并且响应速度更快，对负载和转速突变的抗干扰更强，电流谐波含量更低；显著提高了DTP-PMSM系统的鲁棒性、速度响应和动态性能。

摘要:为解决小样本条件下安卓恶意软件家族分类中模型泛化性差导致准确率低的问题，本文提出一种监督对比学习驱动的动态原型网络框架 SupProto。该框架采用监督对比学习（SupCon）优化特征嵌入空间，以提升类间分离度和类内紧致性；同时结合基于层次聚类与轮廓系数的动态原型机制，以适应家族内部多模态结构差异。在输入与编码设计方面，本方法通过多源静态特征构建 RGB 图像输入，提供统一且具判别性的恶意软件表示，并利用 DenseNet121 网络结合 CBAM 注意力机制强化特征提取能力。实验结果表明，在 Drebin 和 CIC InvesAndMal2019 两个公开数据集上，SupProto 在 5-way 5-shot 设置下的分类准确率分别达到 90.59% 和 85.64%，在 5-way 1-shot 设置下的准确率分别为 75.56% 和 67.96%。

摘要:针对滚动轴承的振动信号易受到噪声干扰、故障特征提取困难、诊断精度低的问题，提出一种基于DE优化VMD与CNN-BiGRU-Attention结合的模型进行故障识别与诊断的方法。根据最小化包络熵原则，用DE优化VMD,得到最佳分解层数和惩罚因子，计算最佳分解参数组合下的各个IMF的相关系数，根据设定的阈值筛选有用信号完成信号重构。首先将识别模型与常用分类模型进行对比了实验，本文所提方法的accuracy、precision、recall和F1 score均高于其他方法,故障诊断准确率达到了99.17%。其次将原始信号和重构信号特征输入CNN-BiGRU-Attention模型中，原始信号在本文所提模型的故障准确率为89.58%，低于信号降噪后的准确率。最后将CNN-BiGRU-Attention与CNN-BiLSTM-Attention模型对比，CNN-BiGRU-Attention比CNN-BiLSTM-Attention模型准确率高1.25%、GPU占用率降低21%、CPU占用率降低23%，训练时间快35s，实验研究结果可为现有滚动轴承故障诊断技术提供一种有效的改进方法。

摘要:针对现有网络流量异常检测方法因数据不平衡和特征提取能力不足导致准确率低的问题，提出一种基于多层次特征融合的不平衡网络流量异常检测方法。通过CGAN-SMOTE算法平衡数据分布；在特征提取阶段，利用门控循环单元捕捉时间序列数据中的长期依赖关系，并结合注意力机制自适应分配权重，提取关键时间局部特征；同时，采用双向长短时记忆神经网络和平均池化，提取数据时间全局特征；最后，将提取的时间局部与全局特征融合，利用改进的卷积神经网络提取空间维度特征，从而增强模型对异常数据的识别能力。在公开数据集上的实验结果表明，本文提出的异常检测模型相比现有多种方法具有更优的检测性能。

摘要:时空图像测速法是一种空间分辨率高、实时性强的一维时均流速测量方法，但在复杂场景下运行时易产生粗大误差，需根据场景人工调参导致环境适应性较差。对此，本文提出一种纹理角检测及判别融合的方法，在纹理增强与频域变换的基础上通过图像分割将频谱中的有效与无效信号分离，在纹理角检测的同时利用分割后的信号局部特征进行统计判别，从而减少错误角度的噪声干扰，并开展了参数测定、敏感性分析、多场景对比、流速比测和率定检验实验。结果表明：当采用大样本统计优化后的参数时，本文方法在多场景测量中的平均绝对误差相比于3种不同积分半径的频域时空图像测速法分别减少了58.32%、42.94%、29.66%，均方根误差分别减少了36.90%、22.60%、13.56%。在攀枝花站和茅洲河站的测流实验中的相对误差在7.88%以内，并利用攀枝花站的数据进行率定分析，实验得出断面流量系统误差为0.188%，随机不确定度为4.879%，关系曲线检验中的符号检验、适线检验、偏离数值检验均合格，验证了本文方法运用在复杂场景测流中的有效性和可靠性。

摘要:为解决快递包裹缺陷检测中对复杂包裹类型和细节特征的识别能力有限，以及现有模型在精度和实时性方面的不足，提出一种基于改进YOLOv8n的快递包裹缺陷检测算法。首先，将网络中的C2f模块融合频率自适应空洞卷积设计了C2f-FADC模块，在处理多尺度、多频率缺陷检测任务时灵活调整，优化特征提取过程和提高表征能力；其次，引入SimSPPF模块替代原有SPPF模块，简化结构的同时增强多尺度特征融合能力，改善对小尺寸目标的感知效果；最后，将边界框回归损失函数替换为Shape-IoU，以更精准地建模预测框与GT框之间的形状与尺度差异，优化检测定位性能。在自制的包裹缺陷数据集上，改进后的算法检测精度为96.3%，与原算法相比mAP50提高了4.4%，检测速度达到98 帧，综合考量较其他算法具有明显优势，验证了该方法的有效性和优越性。

摘要:传统助听器在语音放大过程中采用的增益补偿公式主要适用于安静环境，无法满足听损患者在不同环境下实际增益的需求，这导致患者对助听器增益补偿不满意、佩戴体验感不佳，为解决这一问题，本文提出了一种针对实际生活环境自动调整最适增益的GS-LGA-XGBoost算法，算法通过极端梯度提升（XGBoost）、网格搜索（GS）和改进的遗传算法（LGA）来预测助听器各频率点增益，利用实际医院采集的患者满意的1 200只耳朵的助听器增益数据作为数据集，构建小声、中声、大声三个增益预测模型。本文提出的算法在小声、中声和大声增益测试集上的测试效果更接近患者满意的增益值。与三种不同的机器学习方法（支持向量回归（SVR）、随机森林（RF）和深度学习（DNN））相比较，本文提出的算法在预测助听器增益方面均优于其他机器学习方法。本文提出的GS-LGA-XGBoost算法不但实现助听器增益在不同环境下的动态调整，而且预测精度高，更符合听障患者对助听器满意增益的需求。

摘要:针对在复杂环境下无人机全局路径规划过程中，双向RRT*算法存在的采样搜索随机性过高、环境适应能力差和规划路径不平滑等问题，本文提出一种融合步长策略的双向快速随机树星路径规划算法（FB-RRT*)。首先，针对采样随机性过高的问题，设置一个具有目标偏向的采样策略，减少盲目的随机采样个数；接着利用融合角度和障碍物环境参数的动态随机步长，提高算法的环境适应度；最后针对规划路径过长的问题，结合路径裁剪与B样条优化策略，有效去除多余的转折点，从而得到更优路径。MATLAB实验结果表明，本文改进后的FB-RRT*算法与BRRT*算法相比，平均规划时间减少了58%，平均路径长度缩短了11.9%，由此得出，改进的FB-RRT*算法具有高效规划能力。

摘要:路径规划算法是移动机器人实现导航技术的关键。针对果园环境中传统路径规划算法在节点遍历、搜索效率、路径平滑性及避障能力等方面的不足，本文提出了一种改进A*算法与DWA算法结合的路径规划方法，有效提升规划路径的全局最优性和实时避障能力。首先采用三维点云数据构建二维栅格地图，为导航机器人提供精确的环境模型。通过矩形扩展搜索策略优化传统A*算法的邻域搜索方式，结合关键路径节点选取方法和基于动态相切圆的路径平滑技术，生成符合果园作业需求的全局路径。优化传统DWA算法的评价函数，引入角度偏差、路径偏离及障碍物信息等因素，提高避障决策的全局导向性和局部响应能力。最后，构建改进A*算法与改进DWA算法的融合架构，实现全局导航与局部避障的协同工作。仿真结果表明，本文改进算法在路径规划效率、路径质量及避障能力等方面具有显著优势，满足了果园环境下移动机器人路径规划的实际需求，有效支撑了果园智能化管理的需求。

摘要:针对高频天线近场测量中相位信息缺失导致的远场重构精度下降问题，提出一种基于双球面采样的无相位近远场变换方法。基于等效磁流近远场变换理论，通过双球面截断幅值流算法实现等效磁流重构与远场反演。首先对测量矩阵实施预处理以保证算法的收敛性；其次在迭代过程中引入Armijo线搜索策略优化步长选择，提升等效磁流解的逼近效率；通过双球面交替采样机制有效降低测量矩阵相关性，增强幅值信息的空间采样维度。仿真实验表明：对于不同类型大小的天线，在仅获取双球面近场幅值的条件下，所提方法可实现主瓣±60°范围内的精确远场重构，其幅度误差控制在0.5 dB以内。在实际近场测量中计算结果吻合良好。该方法为无相位近场测量提供了有效解决方案，具有工程实用价值。

摘要:针对电子机械制动系统存在夹紧力响应缓慢、控制精度恶化的问题，提出基于扰动观测器的电子机械制动夹紧力复合滑模控制方法。首先，根据电子机械制动系统不同制动阶段的需求，设计分阶段闭环控制策略，通过分段式控制算法实现精准调控；其次，在传统指数趋近律的基础上引入对称型Sigmoid函数和滑模面幂次项构建复合趋近律，在提升趋近速度的同时削弱抖振。同时设计超螺旋扩张状态观测器，用于估计系统扰动并将其反馈补偿至控制器中；最后通过Lyapunov函数证明所述控制算法和扰动观测器的稳定性。仿真结果表明，在紧急制动工况下，所述算法与双幂次算法及超螺旋算法相比，响应速度提升0.05 s和0.06 s，平均稳态误差减少0.04%和0.05%，证明了所述算法下的电子机械制动夹紧力控制具有更优的响应速度和控制精度。

摘要:针对光伏系统在局部遮挡、光照突变等复杂动态环境下，出现多极值特性导致最大功率点难以准确追踪和功率波动问题，本文将深度确定性策略梯度连续动作空间优化能力与长短期记忆网络时序特征优势相融合，提出一种基于深度强化学习的DDPG-LSTM算法。通过设计分层次奖励函数实现功率追踪、动作平滑性和系统稳定性的多目标协同优化。在MATLAB/Simulink平台搭建光伏系统仿真模型。实验表明：在多极值和动态环境变化条件下，DDPG-LSTM算法可稳定跳出局部极值且在最大功率点附近无显著振荡，平均追踪效率达98%以上，验证了DDPG-LSTM算法在动态环境中的高效性与鲁棒性,为光伏系统智能控制及可再生能源高效利用提供了理论支持。

摘要:针对现有深度学习调制识别方法在低信噪比条件下识别性能显著下降，信号特征利用不充分的问题，提出了一种基于自适应小波分解的多融合复值卷积密集连接神经网络（AW-MCDCN）。AW-MCDCN将IQ与AP信号作为输入，通过采用密集连接构建深层网络来充分提取IQ信号的时域特征，同时加入AP信号形成异构特征互补；并根据复值卷积原理改进了经典的复值卷积网路设计了新的复值交叉卷积网络，此外，为解决传统复值网络参数量过大的问题，嵌入可学习小波分解层，自适应地捕捉信号的多尺度特征的同时加入频域特征。实验表明，在RML2018.01a数据集上，该模型最高达到98.31%的识别精度，平均准确率达到了64.59%，相比传统的网络结构提升了1.65%~18.91%，达到了SOTA性能。

摘要:准确预测设备的剩余使用寿命(RUL)能够优化维护策略、降低成本并提高效率。然而现有的方法大多依赖于分离式地提取时间特征与空间特征，无法充分融合时间信息与空间信息。为此本文提出了一种基于多尺度特征提取的双轴注意力图卷积剩余寿命预测模型。模型首先通过级联的尺度可塑卷积模块对原始特征进行多尺度时空特征提取，获得不同维度的时空特征；随后利用这些不同维度的时空特征构造时空图，通过图卷积操作挖掘数据深层次的依赖关系；最后设计双轴注意力机制，对时间维度与空间维度的特征进行动态加权，实现关键特征的增强。在C-MAPSS数据集的FD001和FD004子集的实验验证中，RMSE和Score分别为11.87、236和13.44、816。结果表明，该方法相较于其他方法具有更高的精度。

摘要:基于WiFi的指纹定位技术利用现有的无线接入点进行WiFi指纹定位时，存在AP质量不好掌控、指纹数据库冗余、实时定位计算量大等问题。为解决上述问题，提出一种混合稳健接入点选择算法。该算法首先在离线阶段通过综合信号稳定性指数分析AP的稳定性，然后利用互信息和相关系数分析AP的相似性，筛选出稳定、相似度低的AP构建新的轻量化指纹数据库；在线阶段利用对数距离路径损耗模型评估实时信号质量，选择高质量AP进行匹配定位。实验结果表明，与原始数据库相比，该算法有效筛除了冗余AP，定位误差降低了57.79%，同时定位精度在1.5 m以下的概率从68.75%提高到93.75%。

摘要:脉冲噪声因突发性、高强度及非高斯特性，破坏了LFM信号在分数域的峰值特性，导致非高斯环境下基于FRFT的参数估计算法性能失效。针对该问题，本文提出了一种在脉冲噪声环境下基于张量表示的LFM信号参数估计方法。首先，利用滑动窗口对含噪LFM信号进行分段，沿时间维度得到含噪LFM信号的三维张量表示；其次，利用高阶奇异值分解构建张量降噪模型，通过阈值筛选提取核心张量信息，实现对三维张量信号的降噪处理；在此基础上，计算降噪信号的FRFT，建立分数域参数估计模型；最后，引入梦境优化算法对参数估计模型求解，并和张量降噪模型交替优化，通过确定最优分数谱的峰值位置实现对LFM信号的参数估计。实验结果表明，在稳定性参数α≥0.8和GSNR=-4 dB时，本文方法估计的调频率RMSE值低于0.1，显著优于其他方法，验证了张量表示方法在仿真数据和实测数据上均具有更强的抗噪性能和泛化能力。

摘要:针对皮革表面缺陷纹理复杂多样，现有的缺陷检测方法存在检测精度低、漏检率和误检率高的问题，本文提出了一种基于YOLOv5s且融合了小目标检测方法与注意力机制的皮革缺陷检测算法。首先，在模型主干网络中引入多种注意力机制，使模型能够聚焦于缺陷区域，抑制背景和无关区域的干扰，增强模型的特征提取能力；其次，在颈部网络中构建加权双向特征金字塔网络，强化模型的特征融合与交互能力；最后，在头部网络中设计专门的小目标检测头，提升模型对细微缺陷特征的捕捉和定位能力。实验结果表明，所提改进方法的召回率和检测精度达到92.27%和92.16%，相较于基准模型分别提高了4.56%和3.06%。所提改进算法解决了以往缺陷检测算法在小目标检测任务中漏检率和误检率高的问题，显著增强了模型的泛化能力，使模型性能更加全面、稳健。

摘要:转子叶片由于工作环境恶劣，十分容易发生形变，为了能监控转子叶片的边缘状态，提出了一种可以快速分割出转子叶片边缘的深度学习算法CACNet,一种进行边缘检测的卷积神经网络。由于转子叶片高能X射线图像噪声多，动态模糊较大，且高能X射线透射带来的机匣内部结构伪影重叠在图像同一部分，导致待检测的图像质量极低。针对这种低质量的图像，使用改进过的自适应Canny算子来获得图像的粗略分割信息，用于辅助神经网络学习到更加准确的叶片边缘原始信息。模型采用多尺度的结构，能够将不同尺度下的分割信息进行融合，使得最终的结果更为清晰精准。为了进一步提高训练质量，引入了一种复合损失函数，可以精确地引导模型学习训练图像中正确的信息，使得最终模型在真实图像上表现的更加良好。实验结果表明，CACNet具备了快速高效检测处转子叶片边缘的能力。

摘要:子午线轮胎X射线图像纹理复杂、缺陷形态多样，多依赖人工目测进行质检，难以兼顾高精度与实时性。为此，针对子午线轮胎气泡缺陷，提出一种基于YOLOv8改进的检测模型——YOLOv8n_RSI。首先，引入RepNCSPELAN4结构增强模型特征提取能力；其次，融合SKAttention注意力机制，自适应选择感受野大小，提升模型对多尺度目标的检测性能；最后，采用Inner-CIoU损失函数，通过增加中心点距离约束和宽高比惩罚项，有效提升检测精度。实验结果表明，相较于基准模型YOLOv8n，所提出的YOLOv8n_RSI模型的精确率、召回率和平均精确率均值分别提升了3.5%、7.0%和8.4%。同时，模型的计算复杂度和推理速度表明其能满足实时检测需求。初步的实际工业应用也验证了该改进模型的有效性。

摘要:针对复杂场景中高动态人体运动引发的跌倒特征判别性下降、小目标难以识别、关键部位遮挡等问题，提出了一种基于改进YOLOv10的人体跌倒检测算法ICIYOLO。通过引入上下文锚点注意力替换骨干网络中的部分自注意力机制，实现了全局上下文依赖与细粒度空间融合表征；融合了迭代注意力机制对骨干网络C2f进行重构，强化关键区域语义表达能力；并提出融合交互卷积和跨尺度特征融合的交互式特征融合网络，提升了模型多尺度特征融合能力。实验表明，改进后的ICI-YOLO模型在自制人体跌倒行为检测数据集FALL上召回率和mAP@0.5分别提升了4.3%和2.2%，在公开数据集DiverseFALL10500上准确率和mAP@0.5:0.95分别提升了2.0%和1.5%，且在与主流实时检测算法的对比中展现出更优的检测性能。

摘要:本文提出了一种基于深度学习的自动拾取网球机器人，旨在解决网球场地人工捡球效率低、耗时长的问题。该机器人通过集成树莓派5B主控板、STM32RCT6单片机、USB摄像头和无刷直流电机等硬件模块，结合轻量化的YOLOv11、改进的DBSCAN聚类路径规划算法、双闭环PID算法以及碾压滚轴式的捡球机械结构，实现了对网球的高效识别、路径优化和自主拾取。研究中对YOLOv11进行了轻量化改进，采用StarNet主干网络、C3k2_Faster模块和共享卷积轻量化检测头SCLD-Head，显著降低了模型的计算需求。实验结果表明，改进后的模型参数量减少了80.8%，GFLOPs仅为1.7，mAP@0.75达到0.980 6，检测速度达到129.7 fps。此外，基于DBSCAN聚类算法的路径规划通过密度聚类和距离加权模型优化了捡球路径，提高了机器人在复杂环境下的适应性和鲁棒性。实验结果表明，该模型成功部署于树莓派平台后，系统能够在不同光照条件下准确识别网球，并达到9~12 fps的检测速度，单次可拾取7~9个网球，能够显著提升网球拾取效率，具有重要的应用价值和市场潜力。

摘要:立体匹配是双目立体视觉感知场景深度信息的关键步骤，针对传统双目立体匹配算法难以有效解决弱纹理区域和复杂光照场景下匹配歧义性的难题，提出了一种结合场景纹理特性的跨尺度立体匹配算法。首先将左右图像进行高斯下采样，得到多种尺度的图像对作为算法的输入图像，然后对不同尺度的图像对进行代价计算得到初始代价体；基于纹理特性将输入图像划分为纹理丰富区域和弱纹理区域，根据纹理区域对初始代价体在各个尺度下进行代价扩散，将纹理丰富区域的匹配代价扩散到弱纹理区域；用优化引导滤波算法对各个尺度视差图进行代价聚合；考虑代价体的多尺度间交互进行代价融合，得到最终代价体；随后经过视差计算和视差后处理得到最终视差图。Middlebury网站的数据集的测试结果表明，引入结合纹理区域特性的跨尺度立体匹配算法后，全部区域的误匹配率相较于引导滤波算法平均降低了2.35%；相较于CSCA算法平均降低了0.77%。非遮挡区域的误匹配率相较于引导滤波算法平均降低了2.29%；相较于CSCA算法平均降低了0.65%。说明所提算法能有效解决弱纹理区域的误匹配问题，并且满足立体匹配过程中高效率、高精度的要求。

摘要:针对模糊监控与复杂路况导致的异常行为检测精度不足的问题，本文提出一种多模块协同优化的YOLOv11改进模型。首先，采用Dynamic Sample替代颈部网络的传统上采样，提升目标定位与识别精度；其次，在骨干网络末层集成重新设计的多窗口注意力机制，增强模糊视频中异常特征的捕捉能力并抑制噪声干扰；最后，引入轻量型网络ShuffleNetV2作为主干网络，在保持特征表达能力的同时，将模型参数量显著降低。实验结果表明，在UCF101和UCF Crime数据集上，通过引入Dynamic Sample模块与多窗口注意力机制，本文模型比原始YOLOv11模型的mAP50、mAP50.95分别提高8.5%、13.1%，有效减少漏判与误判现象；结合轻量化ShuffleNetV2，成功将模型参数量从2.58 M压缩至0.82 M。综合结果显示，改进后的YOLOv11模型能够更好地满足交通监控等实时场景需求，兼顾检测效率与准确性，具备广泛的应用潜力。

摘要:在密集行人场景中，由于遮挡严重、小目标多、尺度变化大，且环境复杂，容易造成行人漏检、错检及定位不准等问题。针对以上挑战，本文提出了一种轻量化的密集行人检测算法DC-YOLO。该算法基于YOLO11n，在主干网络上提出了轻量级特征提取网络EfficientNetV2S-S3，提高模型对小目标和多尺度目标的特征提取能力，降低模型参数量和计算成本；在颈部网络上提出了P-LightNeck模块，进一步提高了对小目标的特征融合能力，实现检测精度与效率的协同优化；引入RepNCSPELAN4卷积模块，通过多尺度卷积和重参数化技术，强化遮挡目标的特征提取能力，并提高推理效率；设计了动态多尺度协同注意力模块DynaMSAttn，增强模型对不同尺度目标和复杂环境的适应性。实验结果显示，与YOLO11n相比，DC-YOLO算法在CrowdHuman数据集上，mAP@0.5、mAP@0.5-0.95分别提升4.7%和4.5%，同时参数量降低了46.2%，通过对比实验和消融实验，验证了DC-YOLO算法在密集行人检测任务中具有优秀的检测效果和鲁棒性。

摘要: