基于改进AG算法的机器人动态路径规划方法

为了充分发挥Agoraphilic(AG)算法的优越性,使其可以在动态环境中有效地进行路径规划,对传统AG算法进行了研究和改进,在计算自由空间力时增加了机器人和动态障碍物之间的相对速度分量,该分量可分解为2个方向的分力,一个分力使机器人向背离障碍物的方向运动,另一个分力使机器人向垂直于障碍物的方向运动,充当机器人绕行的动力。利用Matlab进行了仿真实验,将改进的AG算法和几种其他动态路径规划方法进行了对比。改进后的AG算法使机器人能够迅速躲避动态障碍物,有效地进行动态避障。研究方法不仅可以解决动态环境中机器人躲避动态障碍物并到达目标点的问题,而且与其他动态路径规划算法相比,具有路径长度更短、耗时更少、路径更平滑等优点。     

基于改进YOLOv7的工业指示灯状态检测方法

针对现有工业指示灯检测算法存在检测速度较慢、精度不高等问题，提出了一种基于YOLOv7-tiny算法改进的轻量化检测模型，引入CBAM注意力模块强化模型目标识别能力，同时为提高边界框损失的拟合效果，改进回归框损失函数为基于动态非单调聚焦的Wise-IoU，确保该网络在保证检测速度的前提下，能够实现对设备状态灯的高效准确检测。最后，基于Segment Anything Model的AnyLabeling标签工具制作的数据集进行实验，得到改进算法在测试集上准确率（Precision,P）达到99.5%，召回率（Recall,R）达到99.3%，单张图片检测速度达到15.7 ms/张，验证了提出算法在检测精度和速度方面的优越性，有助于提高设备监控的自动化程度。     

基于轻量级卷积神经网络的苹果表面缺陷检测方法

为了解决目前农业信息领域对苹果表面缺陷检测准确率低的问题,提出一种基于轻量级卷积神经网络的苹果表面缺陷检测方法。首先采集苹果缺陷样本图片制作实验数据集用于模型训练和测试;其次在AlexNet网络结构的基础上,引入深度可分离卷积代替原有网络中的标准卷积运算来进行图像特征的提取;最后利用全局平均池化方法代替原有网络中的全连接层,从而将卷积层输出的多个特征图以自身为单位进行映射得到特征点。实验结果表明:改进后网络对苹果缺陷识别精度达到了98.57%,较改进前提升1.55%;较改进前模型参数量减少99.3%、训练速度提高32.67%、FPS提高33.28%,改进后的轻量级卷积神经网络不仅减少了模型参数量和训练时间,而且提高了检测精度和速度。因此,新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,具有较强的工程实用性,可为苹果缺陷分类提供理论参考。     

基于PSO的信息熵数据融合非均匀分簇路由算法

针对无线传感器网络分簇算法中能量分布不均衡导致的"热区"和簇头负载过重问题,提出了一种基于PSO算法优化簇头选举的非均匀分簇算法。在候选簇头选举和竞争半径计算过程中综合考虑节点动态能量、节点密度和节点距基站距离,将网络进行非均匀分簇,并引入PSO算法进行最终簇头选举。根据节点能量、节点密度和距基站距离确定簇间单跳多跳结合的路由规则,选取代价函数小的节点作为下一跳节点。基于节点信息熵确定融合阈值,进行簇内数据融合剔除冗余数据。仿真结果表明,改进算法的数据传输量比EEUC算法和UCRA算法分别提高了20%和10%,提升了数据的融合效率,有效延长了网络生命周期,簇头能量消耗得到均衡,减少了网络能量消耗,网络的整体性能显著优于其他对比算法。     

一种基于感受野增强的人脸检测方法

为了解决多任务级联卷积神经网络（MTCNN）算法网络模型在小人脸检测方面鲁棒性较低的问题,提出了一种基于感受野增强的网络模型。首先,为MTCNN算法模型中的R-Net网络和O-Net网络添加感受野模块（receptive field blocks,RFB-S）。其次,通过添加批量标准化和全局平均池化,加速网络模型的收敛,防止模型过拟合。最后,调整网络任务的权重,P-Net和R-Net网络用于人脸区域粗筛选,O-Net网络用于人脸区域精筛选以及人脸关键点回归。实验结果表明,与MTCNN算法网络模型相比,所提模型缩小了16%,但检测速度提升了9%,在FDDB数据集上的检测精度提高了2.3%。因此,基于感受野增强的网络模型能有效完成人脸的检测任务,增强对小人脸检测的鲁棒性,可为人脸识别、表情识别等提供技术支持。     

基于改进YOLOv5的驾驶员疲劳状态检测

为了减少因疲劳驾驶而造成的意外交通事故,提出了一种基于改进的YOLOv5网络模型,对驾驶员的疲劳状态进行检测。首先,使用轻量型网络MobileNetV3替换原YOLOv5主干网络;其次,在颈部网络各个C3模块中融入ECA注意力机制;最后,通过检测网络对眼睛的开合度和嘴巴有无打哈的状态进行定位和识别,使用多指标对驾驶员进行疲劳判定,并自建疲劳检测数据集进行实验。结果表明：改进的YOLOv5模型参数量、计算量、体积分别减小至原模型的48%、38%、50%,解决了原模型参数量、计算量、体积过大的问题;mAP值由98.6%提升至99.1%,精确率由95.9%提升至96.8%,检测速率由115 f/s提升至119 f/s,进一步提高了模型的检测精度和检测速度。改进的YOLOv5模型具备轻量化、高精度、高速率的特点,可为疲劳驾驶预警提供参考。     

配送式物流配送车辆综合调度优化算法

本文针对配送式物流配送车辆的综合调度问题,建立了运输模型和网络模型,同时给出了多车场配送情况下的车辆优化调度算法,并通过实例分析,证实了该方法有效性。     

土壤水入渗参数非线性预测模型改进及应用研究

针对传统土壤水入渗模型不能考虑纵向土壤水分布变化,引入非线性模型对传统模预测模型进行改进,并结合土壤水观测试验对改进前后模型的预测精度进行比对。结果表明：改进模型可综合考虑纵向土壤水分布变化,相比于改进前,土壤水含水量预测精度得到明显提升,相对误差平均降低%。研究成果对于土壤水入渗量非线性预测方法具有重要参考价值。     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

改进的GM(1,1)模型在区域降水量预测中的应用研究

通过引入变量权重系数对传统灰色动态预测模型各变量赋予权重值,对传统GM(1,1)进行改进,并将改进的GM(1,1)模型运用区域的降水量预测中。研究结果表明:改进的GM(1,1)模型可以更好的考虑变量之间的权重,改善传统模型的计算收敛精度。在对年降水量的预测中,改进的GM(1,1)模型可通过置信度为95%的F检验,相比于传统模型,改进的模型在区域2个降水站点年降水预测相对误差分别减少9.3%和17.52%。改进的GM(1,1)模型在夏季F检验的决定系数和F值均最高,冬季最低。研究成果对于区域降水量的预测提供参考价值。     

倒边盖挖逆作法基坑支护结构可靠性分析

为了解决采用标准Monte Carlo法计算复杂基坑工程上常见小概率失效,导致计算效率低的问题,以南京市湖南路地下商业街工程为工程背景,首先,将随机响应面法与基坑工程三维模型相结合,求解极限功能函数的响应面方程,并用标准Monte Carlo法计算失效概率和可靠指标,探讨采用倒边盖挖逆作法作为基坑支护结构施工方法的可行性;其次,基于该响应面方程,以土体的弹性模量为随机变量参数,采用马尔可夫链蒙特卡罗子集模拟法(MCMC子集模拟法)计算基坑支护结构的失效概率,并与标准Monte Carlo法结果进行对比分析。结果表明：当支护结构最大侧移控制指标为25 mm时,计算得到的可靠指标均大于4.6,即采用倒边盖挖逆作法施工过程中基坑是安全的;10万次和50万次标准Monte Carlo法计算得到的失效概率均为零,说明对于标准Monte Carlo法,在计算小概率失效问题时10万与50万的样本量是不足的;而MCMC子集模拟法用2.98万个样本计算出的结果与标准Monte Carlo法采用100万个样本计算的结果相对误差仅为1.7%,表明MCMC子集模拟法对于小概率失效问题求解的优势。所提算法在一定...     

两阶段遗传算法的结构及性能分析

针对基本遗传算法(简称BGA)常常存在局部收敛以及收敛解精度不高等方面的不足,提出了一种改进的算法——两阶段遗传算法,给出了算法的结构及具体的实施策略,进而利用Markov链理论和仿真技术分析了该算法的收敛性能,结果表明该算法具有操作简单、鲁棒性强等特点,不仅可以有效地避免寻优过程中的“早熟”现象,而且在很大程度上能提高最优解精度,适合于大规模、高精度的优化问题。     

基于图像的地铁车站施工人员不安全行为识别研究

为了解决人工监测不能实时看护和及时管理地铁车站施工人员的不安全行为等问题,构建了基于KNN,MLP和LSTM模型的不安全行为识别神经网络模型。首先,通过行为理论研究和现场调查分析,对地铁车站施工不安全行为进行了分类;其次,通过实验构建人体数据集,基于人体骨骼关节点提取不安全行为特征,并进行模型训练;最后,基于MobileNet V1的SSD目标检测算法对施工人员进行定位和追踪,结合射线法判断目标是否跨越不安全区域并发出警报,搭建神经网络模型对施工人员的不安全行为进行识别,并获得计算识别率。结果表明：传统机器学习算法KNN总体准确率为93.45%,优化后的MLP和LSTM两种神经网络模型总体准确率分别达到93.94%和93.68%,相对KNN算法分别提高了0.49%和0.23%。因此所提模型能有效识别施工人员不安全行为,可为地铁施工安全智能识别技术应用提供参考。     

基于WOA-LSTM的窄带通信网网络时延预测算法

为了给窄带通信网的链路选择及协议的智能切换提供实时参考,设计了 一种基于鲸鱼优化算法(WOA)和长短期记忆神经网络(LSTM)的窄带通信网网络时延预测算法.首先对实测数据样本进行标准化处理,以LSTM神经网络算法的均方根误差函数的倒数作为适应度函数;其次采用鲸鱼优化算法对LSTM神经网络的学习率、隐含层神经元个数进行优...     

基于RBF网络的涡流无损检测系统设计

结合涡流无损检测的特点,介绍了基于RBF网络的涡流无损检测系统及系统软、硬件设计方法。硬件部分采用TI公司的DSP芯片TMS320VC5410作为核心,完成信号的产生及其处理。软件部分采用了基于RBF神经网络的涡流无损检测方法,且针对常用的RBF中心选择算法不能构成全局最优、收敛速度慢等缺点,提出采用基于改进Fisher中心选择算法确定RBF网络隐层节点数及径向基函数中心。仿真结果表明:利用DSP产生处理信号,得到的波形精度高、稳定性好;利用改进Fisher算法确定RBF隐层节点数及径向基函数中心简化了网络结构,提高了分类能力和收敛精度。     

大数据驱动下的新一代高速公路 智慧诱导技术

为了解决高速公路出行路径选择问题,基于图论模糊算法,提出了大数据下的智慧诱导技术。首先对高速路网在路径诱导的实时性、线路规划的精准度和算法的适用性方面进行优化;其次通过利用贪心算法和整体寻优算法,对经典路径诱导算法进行研究和比选;最后针对高速路网提出基于大数据动态规划的路径诱导技术,采用大数据、内存计算、图计算和AI结合的方式来实现大数据的动态实时路径诱导。研究结果表明,智慧诱导技术可主动为有不同诉求目标的出行者提供实时最优的方案选择,解决复杂路网下动态路径的合理诱导问题。所提出的方法可实现大数据驱动下的智慧诱导,对进一步提升公路智能化和精细化管理水平具有借鉴意义。     

基于用户兴趣的多属性效用算法的研究

针对用户兴趣提供个性化的搜索服务一直是搜索引擎系统追求的目标。提出了基于用户兴趣的多属性效用算法,该算法使用效用性算法并结合了实体多个属性偏好因子和遗忘因子,更好地表达用户的兴趣偏好并实现动态更新,提高检索的准确性,实现搜索过程的个性化服务。     

粒子群算法和灰狼算法的融合

为了解决传统粒子群算法(PSO)容易“早熟”、陷入局部最优以及灰狼算法(GWO)收敛速度慢的问题。首先，采用GWO算法的个体极值更新策略来实现个体包围式向最优值趋近，融入PSO算法的速度更新策略来实现群体向最优值的趋近，并且在原始粒子群算法基础上加入线性惯性权重递减来提高算法的收敛速度，从而提出了一种基于灰狼算法和改进的粒子群算法(IPSO)的融合优化算法(GW-IPSO);其次，通过6个经典算例进行仿真试验，将融合算法与PSO算法、IPSD算法、灰狼和粒子群结合算法(GW-PSO)进行对比；最后，应用融合算法对二级直线倒立摆的控制器设计进行参数寻优。结果表明：针对6个标准测试函数，混合算法的30次试验结果平均值更接近最优值，且标准差几乎都是最小的；应用在倒立摆控制问题上，系统在5 s左右进入稳定状态。融合后的GW-IPSO算法能够在一定程度上避免早熟和陷入局部极值的问题发生，并且能够很好地应用于控制器设计过程中参数寻优问题。