摘要:随着电力系统呈现高比例可再生能源与高比例电力电子设备的特征日益显著，为提升新能源并网系统的频率调节性能，以光储系统为例，本文提出一种径向基函数自适应方法与模型预测控制结合的虚拟同步发电机调频控制策略。在系统转动惯量和阻尼系数的动态调节的基础上，构建频率三步预测模型，引入系统角频率偏差和有功功率作为外部输入，通过模型预测控制器滚动优化虚拟同步发电机补偿功率，对参考功率进行动态修正。系统直流侧由光伏与储能联合供能，保证虚拟同步发电机有功输出稳定和直流母线稳压。仿真结果表明，该策略可有效抑制光储并网系统的有功功率振荡，减小了频率偏差和变化率，适用于高比例新能源并网系统的调频控制需求。

摘要:短期电力负荷预测面临着影响因素多、负荷数据本身非线性、非平稳等问题，导致传统预测方法精度不足难以满足工程应用，为此，本文提出了一种基于MPSR和IHBA-BiGRU-Attention的组合预测模型。首先，利用Spearman相关系数优选电力负荷影响因素，与电力负荷序列组成多变量时间序列；其次，对该时间序列进行多变量相空间重构(MPSR)，以此作为输入变量；采用融合Kent混沌映射、密度因子改造和小孔成像反向学习策略的改进蜜獾算法(IHBA)，对双向门控循环单元(BiGRU)网络的超参数进行寻优，并引入注意力(Attention)机制对BiGRU的隐藏状态序列进行动态加权，构建基于MPSR和IHBA-BiGRU-Attention的短期电力负荷预测模型；最后，在澳大利亚和新加坡的电力负荷数据集上进行对比实验，结果表明该模型的平均绝对百分比误差分别为0.650%和1.067%，均低于其他模型，验证了其有效性；同时，在国内南方某地区实际负荷数据集上进行预测实验，平均绝对百分比误差为1.523%，优于对比模型，验证了所提模型的工程应用价值。

摘要:在增强现实（AR）显示、激光光束校准及衍射光学元件检测等精密测量任务中，光斑中心的亚像素级定位精度对系统稳定性与可靠性具有关键影响。受限于系统像差、衍射畸变以及结构噪声等因素，传统基于模型拟合与规则提取的定位方法在复杂场景中难以实现稳健、准确的光斑中心估计。为此，构建了一种基于U-Net架构的光斑中心定位框架，提出自适应双通道热图监督机制，协同建模光斑中心及其扩散结构，实现对真实点扩散函数特征的精细表征。推理阶段引入基于Hessian矩阵的二阶差分极值检测方法，增强亚像素级峰值定位的稳定性。实验结果表明，所提出方法在真实光学数据集上误差分布集中、RMSE达0.413 pixel，与关键点检测模型HRNet及特征增强方法FFD相比，定位精度和稳定性均获得显著提升。

摘要:无人机辅助通信在未来无线通信中应用广泛，将其部署在无线供能通信网络中，可实现对节点的能量传输与信息收集。本文引入基于宇称时间对称原理的磁耦合谐振的无线电能传输方式，并采用双无人机协同工作的供能通信系统。以最大化最小和速率为优化目标，联合优化信息收集无人机的轨迹和节点的功率分配，由于是非凸问题，通过块坐标下降法、加权最小均方误差算法和逐次凸逼近等方法求解。供能无人机采用动态规划算法选取遍历所有节点的最短路径。仿真结果表明，所提联合优化算法收敛性良好，与轨迹规划方案相比，最小和速率提升超2倍；与直线飞行方案相比，不同周期下最小和速率分别提升约10.7%和4.2%；与射频供能方案相比，最小和速率提升超7倍，证明了本文方案在无人机辅助无线供能通信网络中的适用性。

摘要:针对风电功率序列非平稳特性与多尺度动态演化规律。首先采用变分模态分解（VMD）对原始功率序列进行自适应频域分解，分离噪声干扰并提取多尺度动态子模态；其次，利用时间卷积网络（TCN）的膨胀卷积分层捕获局部时序特征，结合NTSformer的去平稳化注意力机制动态修正标准化偏差，提升趋势突变与周期波动建模能力；并引入频率增强通道注意力模块（FECAM），通过快速傅里叶变换提取频域特征，动态分配通道权重聚焦关键频率成分，最终构建VMD-FECAM-TCN-NTSformer预测模型。实验表明：该模型在15 min的单步预测和15 h的60步预测中较传统CNN模型决定系数提高13%、相较Transformer等模决定系数提高4%。因此，证明所提出的模型有较高预测精度和良好预测效果。

摘要:无人机红外图像小目标检测是侦察监视、搜索救援等领域的关键技术，其可靠性受到目标尺寸微小、特征表达弱、背景复杂等问题的挑战。针对上述难题，本文提出了一种基于多尺度感知与自适应筛选策略的无人机红外小目标检测算法PGF-RTDETR。首先，在颈部网络中构建极化通道门控单元，利用极化注意力机制引导多尺度特征进行深度语义融合，从而增强小目标的可辨识度，有效抑制背景干扰。其次，设计了自适应卷积增强模块，利用门控机制增强特征的选择性与精细度，提升细粒度特征的提取效率。最后，骨干网络中引入了融合部分卷积与通道变换的高效残差结构，提升特征表达能力的同时有效降低了模型参数量。实验结果表明，与基准模型RT-DETR-R18相比，PGF-RTDETR在HIT-UAV数据集上mAP50和P分别提高了2.6%和6.6%，模型参数量、计算量分别降低了20.7%、25%，在FLIR数据集上，mAP50提升0.6%。改进模型在保持较小参数量和计算量的同时，提高了检测精度，为无人机红外小目标检测提供有效解决方案。

摘要:为了引导电动汽车用户参与有序充电，提出了一种基于多策略融合的电动汽车群体内部演化博弈模型。首先，设计了包含仅充电、充放电和避开峰时充电3种策略的演化博弈模型，并引入动态阈值机制，结合经验加权吸引规则和费米规则，实现了多策略融合更新。通过设定放电激励和充电补贴，提高了用户对充放电策略选择的积极性。其次，建立了电动汽车群体内部的博弈模型，分析了用户在不同策略下的收益情况，并通过仿真验证了模型的有效性。最后，采用多策略融合更新规则方法，通过动态阈值机制，结合EWA的长期学习能力和Fermi的短期响应优势，显著提高了策略调整的稳定性和适应性。仿真结果表明，该模型能够准确模拟用户决策行为，有效提高电能分配效率，降低电网峰谷差约36.7%。与单一策略更新规则相比，多策略融合方法在策略调整的稳定性和适应性方面表现出显著优势。本文为电网运营商制定激励措施及电动汽车参与车网互动提供了理论支持与参考方法。

摘要:在交通事故或道路管控等紧急情况下，常用交通锥指示临时道路。然而，当前自动驾驶研究主要聚焦结构化道路，而针对非结构化道路的相关研究则较少。因此，确保无人驾驶车辆在临时道路环境中能够准确感知交通锥构建的临时道路对提升行驶安全性具有重要意义。提出了一种基于多传感器数据融合的深度学习模型，通过快速检测特殊场景下的交通锥信息，实现临时道路检测。该框架通过改进型的YOLOX模型通过机器视觉获取环境中交通锥的颜色信息，并将其与激光雷达检测的交通锥距离数据进行融合，进而实现临时道路的实时感知。实验结果表明，该模型在非结构化道路环境中单帧检测耗时31 ms，在15 m内检测准确率超过85%，可实现交通锥的实时检测，达到设计目标，对提升无人驾驶车辆行驶安全有重要意义。

摘要:为了更高效、精确地控制应用于电子测量领域的永磁同步电机(PMSM)，针对PMSM的非线性自抗扰控制参数多、整定困难以及传统非线性函数抖振等问题，提出了多策略改进黑翅鸢算法(MBKA)的自抗扰控制器(ADRC)。首先在原有黑翅鸢算法(BKA)基础上使用混沌映射初始化种群，使用纵横交叉策略和自适应柯西-高斯游走改进位置更新过程，所提改进策略在测试函数上表现均最优，最后将多策略改进黑翅鸢算法用于优化自抗扰控制器，在对ADRC进行Sobol参数敏感性分析后挑选出待优化参数，使用改进后的黑翅鸢算法优化自抗扰控制器参数收敛速度更快，跃出局部空间能力更强。将改进策略用于PMSM电机FOC控制时电机电流谐波更少、系统效率更高、动态响应更快、抗扰性能更优。

摘要:针对遥感图像存在的图像背景复杂、小目标分布密集、目标尺度多样等问题，提出了一种基于YOLO11的改进算法。首先，在主干网络中引入幽灵卷积，在保证模型性能的前提下，显著减少计算量和参数量；其次，在主干网络设计了一个混合网络模块，其中包含3种类型的模块，以丰富信息流并增强骨干网络的特征提取能力；最后，采用了一种语义收集的跨层多特征融合方式，将原本的P5层替换为P2层，增强了网络的多尺度特征融合能力，有效提升了检测精度，改善了遥感小目标特征信息难以提取的缺陷。通过在VisDrone2019、AI-TOD和DIOR数据集上的实验结果表明，改进后的YOLO11s模型与原模型YOLO11s相比，mAP50分别提升了2.8%、5.1%和9.8%，参数量下降了31%，验证了新算法的有效性。

摘要:在户外停车场中，因车辆时空分布的不确定性与动态交互性，以及实时计算资源的限制，全向移动机器人面向动态停车场路径规划的实时性与高效性有待提升。当前路径规划算法难以满足此类实时动态环境下的路径规划需求。本研究基于A*算法提出了一种融合模糊控制的A*-DWA改进算法，将环境障碍因子驱动的模糊化全局规划与动态窗口法局部动态轨迹优化二者相结合，以解决全向移动机器人在实时动态环境下的路径规划难题。首先，采用扩展20邻域搜索策略优化全局路径生成；其次，设计基于多参数加权的模糊自适应评估机制，增强算法对动态环境的适应性；然后，利用三次样条插值实现路径平滑；最后，结合DWA进行局部动态避障与轨迹优化。通过构建户外停车场模拟仿真环境，仿真结果表明：对比文献所提算法，FCA*-DWA算法在路径长度、搜索效率和节点优化方面分别提升了13.30%、21.16%和45.45%，为复杂动态场景中移动机器人的自主导航提供了方法指导。

摘要:针对现有模糊逻辑评估方法在复杂工业场景中存在的规则优化困难、参数调整复杂以及多场景适应性差等问题，提出一种基于双重优化模糊逻辑的智能评估框架。首先，设计双重优化模糊推理优化机制，结合模糊熵引导规则生成与模糊梯度协同下降，交替优化模型结构与参数，并采用自适应优化调度器，动态协调优化过程。其次，构建多尺度模糊特征提取网络和自适应模糊特征融合，前者通过并行多尺度分支提取不同粒度的模糊特征，后者通过模糊通道-空间协同注意力实现特征的智能融合。最后，提出动态模糊权重分配策略，通过场景感知权重生成网络，根据输入特征动态调整模糊规则权重。将该框架应用于天然气管道风险评估和用电设备识别两个典型场景。实验结果表明，在天然气管道风险评估任务中，该框架的评估准确率达到95.83%；在用电设备识别任务中，识别准确率达到96.54%，F1分数达到96.32%。与传统模糊逻辑方法和深度学习方法相比，所提方法在保持可解释性的同时显著提升了评估精度和泛化能力。

摘要:在无人机航拍交通监控中，小目标检测面临特征表达不充分、多尺度融合效率低等挑战。为此，提出改进的YOLO-MAF目标检测算法。首先，设计多尺度边缘增强特征提取模块（MSEE），通过自适应多尺度感受野机制增强微小目标边缘信息捕获；其次，构建SEGE双向采样增强模块，结合软最近邻插值（SNI）和增强型分组卷积策略（GSConvE），优化特征融合效率；最后，在建立一层小目标检测层的同时结合构造的多尺度自适应空间融合检测头（MASF-Head），采用双重注意力机制动态调节特征融合权重。实验结果表明，在VisDrone2019数据集上，YOLO-MAF的mAP@0.5和mAP@0.5:0.95分别达到45.6%和29.4%，相比基线方法提升7.3%和6.4%，参数量减少50%。所提方法有效提升了无人机航拍场景下的小目标检测性能。

摘要:针对移动边缘计算中时延最小化的任务卸载问题，提出了一种在能耗约束下实现计算任务总时延最小化的量子遗传算法。首先，以最小总时延的卸载策略为优化目标，建立了系统模型和计算模型；其次，权衡总时延最小化与能耗、计算资源的约束的条件，构建了总时延最小化的目标函数；最后，将量子遗传算法与量子变异门、精英保留策略相结合得到总时延最小化的卸载策略。仿真实验结果显示，与其他卸载策略相比，所提出的卸载策略在不同的能耗约束、计算任务数下总时延更小，且在不同任务数据量下，其总时延相比遗传算法减少了7.3%、相比自适应粒子群优化算法减少了4.3%。

摘要:到达角（DOA）估计是阵列信号处理领域的一个重要研究方向，其估计精度与阵列孔径密切相关。增大阵列孔径可以有效提升DOA估计性能，但传统方法通常采用增加阵元数量的方式来扩展孔径，在实际应用中受到物理尺寸和硬件成本的限制。因此，如何在不增加物理资源的情况下有效扩展阵列孔径是值得研究的问题。本研究提出一种基于多特征融合的阵列孔径扩展学习方法，首先通过多尺度卷积模块提取小孔径阵列接收信号的特征，然后结合通道注意力模块对多特征进行自适应加权融合，最终生成大孔径阵列接收信号。仿真结果表明，所提出的方法能够基于单个快拍的小孔径阵列信号有效实现孔径扩展，显著提升DOA估计性能。

摘要:针对传统故障诊断模型在齿轮箱振动信号时空特征协同挖掘不足和噪声环境下鲁棒性较弱的问题，本文提出一种融合感受野注意力残差网络（ResNet-RFA）与双向门控循环单元-自注意力机制（BiGRU-SATT）的智能故障诊断方法。首先对原始振动信号进行短时傅里叶变换（STFT）生成时频图像，并保留一维时序信号以保留多维度信息；随后构建双通道特征提取网络：空间特征通道采用ResNet-RFA模块，通过感受野注意力机制聚焦时频图像的关键区域；时序特征通道采用BiGRU-SATT模块，结合双向门控循环单元与自注意力机制捕捉动态依赖关系；最后通过特征拼接融合策略整合时空信息，输入全连接层实现故障分类。实验结果表明，该方法准确率达到100%，显著优于对比模型（Transformer：91%，Mamba：96%，SVM：94%，DBN：89%），在添加10、20 dB高斯-脉冲混合噪声后仍保持较高识别性能，展现出优异的抗噪性与稳定性。综上，ResNet-RFA与BiGRU-SATT的融合模型能够有效协同挖掘信号的时空特征，在准确率和鲁棒性方面均优于其他对比模型，适用于复杂工业环境。

摘要:蜂窝车联网（C-V2X）作为智能网联汽车的代表性通信技术，通过构建高可靠的通信链路，实现车与车、车与基础设施及车与人之间的数据交互。然而，车联网复杂多变的通信环境使得终端身份接入面临重大挑战。射频指纹（RFF）由于具备唯一性、稳定性和不可克隆的特点，可以为C-V2X终端身份接入提供物理层安全方案。基于此，提出了一种C-V2X终端射频指纹提取及认证方案：首先通过设计有效预处理算法分离物理侧链路共享信道（PSSCH）和控制信道（PSCCH）中的解调参考信号（DMRS）；采用对数谱分离算法来抑制因DMRS序列随机化带来的噪声分量；设计了一种基于孪生对抗网络（SANet）的训练方法，使特征提取网络专注于提取硬件相关的设备指纹。实验结果表明：所设计的预处理和对数谱去噪算法在多场景中均可有效提升终端指纹的稳定性和识别准确率；SANet在跨信道环境下测试显示出良好的泛化能力，其中静止场景的认证平均精确率和召回率可达93.22%和92.67%，移动场景下可达82.85%和82.21%。

摘要:针对国产仪表着陆系统关键元器件依赖进口导致的供应链安全风险与技术瓶颈问题，提出了一种基于全国产芯片的仪表着陆系统（ILS）信号发射单元设计方案。该设计采用国产FPGA与DDS技术，实现90、150 Hz单音信号以及1 020 Hz的Morse码识别信号的高精度生成；通过国产DAC完成基带信号数模转换，结合频率源器件生成的射频载波，采用I/Q调制架构实现CSB/SBO信号合成；最终经组合数字衰减器与高线性功放完成功率动态调控。最后根据多环境测试并与国外主流设备进行对比分析，表明其技术指标符合ICAO Annex10要求。初步实现了ILS信号发射单元从FPGA至射频前端的全链路国产化方案探索，为航空导航装备自主可控的技术路径提供了实践参考。

摘要:机械设备关键部件的运行安全和健康状况与温度状态密切相关。针对传统单点测温方案难以捕捉动态热流场的局限性，提出了一种基于薄膜热电阻传感器的多通道采集系统。所提系统旨在克服现有多路采集时模拟开关的导通电阻及线材阻抗对精度制约的固有缺陷。创新性地采用三线制结合双模拟开关差分补偿架构，辅以双恒流源结构，有效消除线材阻抗和模拟开关导通电阻的影响。此外，利用多项式拟合算法进行实时软件补偿，进一步消除电阻残留偏差。实验验证表明，该系统在20℃~300℃温区内测试薄膜热电阻传感器的分辨率达0.07℃，精度优于0.4℃，能够为关键部件结构健康监测系统提供高可靠性的温度场数据，提升机械部件结构状态诊断的准确性。

摘要:针对目前排水管道缺陷数据集缺乏标注标准的问题，以管道变形缺陷为研究对象，利用YOLOv8检测模型研究了不同的标注方式对管道缺陷识别结果的影响。首先根据变形缺陷特性将缺陷图像分为凸块变形和整体变形两大类，对凸块变形采用凸块全标和凸块半标两种标注方式，对整体变形采用整体全标和整体半标的标注方式进行标注，并对每种标注方式进行了5次独立实验。结果表明，对于凸块变形采用凸块全标的标注方式，其P、R、F1和mAP50这4项评价指标的数值分别为76.56%、74.36%、75.43%和72.12%，而凸块半标的标注方式其4项数值分别为88.51%、76.77%、82.17%和83.14%，因此凸块半标的标注方式更适用于凸块变形；对于整体变形，采用整体全标的标注方式，其P、R、F1和mAP50这4项评价指标的数值分别为83.85%、84.92%、84.34%和84.46%，而采用整体半标的方式在训练3次之后发现4个评价指标都无法趋于稳定，表明整体全标的标注方式更适用于整体变形。

摘要:行人重识别作为智能监控与智慧城市建设的核心支撑，在实际场景中常因遮挡问题导致识别精度不佳。现有基于卷积神经网络的行人重识别方法受限于局部感受野，难以捕捉跨遮挡区域的长距离依赖。基于Transformer的行人重识别方法虽具备全局建模能力，但存在局部与全局特征融合不足等问题，在严重遮挡场景下鲁棒性欠佳。针对上述问题，提出了一种基于动态特征增强和分层门控融合的端到端遮挡行人重识别方法，通过动态特征增强模块优化中层特征的局部细节与抗噪能力，借助分层多尺度门控融合模块缓解高层特征的语义稀释，构建“中层增强-高层提纯”的端到端特征处理链路。仿真实验对比了所提方法与现有方法在Occluded-Duke、Occluded-ReID、Market1501和MSMT17数据集上的识别性能，Rank-1准确率分别达到了74.8%、88.8%、96.7%和90.9%，mAP精度分别为67.0%、86.3%、93.8%和77.6%，验证了其在遮挡场景下的有效性与优越性。

摘要:针对线束端子压接过程中，检测场景复杂导致遮挡和模糊的检测难点，提出基于改进YOLOv11的线束端子缺陷检测模型ACS-YOLO。该模型设计C2PSA_EFA模块，结合C2PSA与边缘增强特征注意力机制，通过Sobel算子提取并融合边缘信息，增强线束端子不规则缺陷捕捉能力；引入注意力尺度序列融合模块ASF-YOLO改进Neck部分，引入多尺度特征融合机制，提升模型对线束端子缺陷特征的检测能力；引入SlideLoss分类损失函数，根据样本的难易程度调整损失权重，提升模型对困难样本的检测能力。实验结果表明，ACS-YOLO模型相较于原始模型的准确率、召回率、mAP50分别提升6.1%、1.0%、3.1%，可有效应用于线束端子缺陷检测任务。

摘要:YOLOv8算法具有高效的推理速度和卓越的检测性能，被广泛应用于各类目标检测，然而在面对船舶图像中的小目标检测和复杂背景干扰时，常出现漏检、误检等问题，为此提出了一种基于多尺度特征的RAMW-YOLOv8目标检测算法。在C2f模块中增加一层卷积操作以及残差结构，并引入坐标注意力机制，构建了C3Res_CA模块以增强对复杂背景图像中细微特征提取和背景噪声抑制的能力；将多尺度特征提取融入SPPF模块，并引入平均池化层和自适应池化操作构建SPPF_AuxPool模块，增强算法挖掘不同特征类型的能力；针对船舶图像中小目标密集容易干扰判断的问题，添加小目标检测层MicroDetect，通过多尺度特征融合和精细化的特征提取策略增强对小尺寸目标的检测能力；为减少低质量样本对算法精度的影响，引入WIoU损失函数以增加算法的收敛速度，以及在复杂场景下的鲁棒性和稳定性。在公开数据集HRSID上进行实验，结果表明RAMW-YOLOv8算法在精确率、召回率以及两种不同指标的平均精度均值上较原始算法分别提高了1%、3.6%、3.1%和3.2%，且检测效果明显优于其他经典算法。

摘要:针对爬壁机器人进行桥梁检测时存在的对尺度多变，密集混杂混凝土表观缺陷识别精度低，易错检漏检问题，提出了一种基于YOLOv12n的轻量级CDM-YOLO算法。首先，针对多尺度缺陷难识别问题，在骨干网络浅层引入MFC多尺度特征融合网络，改善其提取多样化和细粒度特征能力，丰富特征信息流，使模型适应多尺度缺陷。其次，针对相似缺陷易混淆问题，在骨干网络深层和颈部使用动态tanh机制强化模型特征融合和聚焦能力，提升其对不同缺陷的分辨力，降低漏检错检。最后，针对密集混杂缺陷，在模型颈部采用CARAFE上采样算法，加强深度语义信息流动，优化模型对密集缺陷的识别能力。上述方法在保持网络实时轻量的前提下提升了模型的检测精度。CDM-YOLO的mAP(IoU=0.5)和召回率相对于YOLOv12n分别提升了2.43%和3.25%，表明其能更好应对多尺度和密集缺陷，错检漏检发生率更低，并支持有限算力的爬壁机器人及现场设备。

摘要:无线供能移动边缘计算网络能够为物联网应用提供充足的算力与稳定的能量供应。然而，与云端相比，边缘侧任务到达和无线信道状态具有更强的时变性，固定部署方案难以及时适应任务负载的变化。为此，本文考虑由多个无线充电器组成的无线供能移动边缘计算网络，构建了一个以最大化无线设备计算完成率为目标的优化问题，联合优化无线充电器在线部署决策、无线设备任务卸载比率和资源分配。针对该混合整数非凸优化问题，本文将其分解为两个子问题，并提出一种基于门控Transformer的联合优化算法，以有效应对长期网络动态性和高维动作空间带来的挑战。本文中的无线充电器部署采用候选位置集合上的在线离散决策建模，通过在不同时间帧更新部署方案来适应网络状态变化。仿真结果表明，与已有算法相比，所提算法在常规负载下计算完成率平均提升约48%，在高负载计算密集型场景下性能提升可达60%，且具有良好的稳定性和收敛性。