融合 YOLOv5s 与 SRGAN 的实时隧道火灾检测

针对传统隧道火灾检测方法速度慢、误检率高的问题,提出了一种基于 YOLOv5s 的实时火焰检测算法,采用 K-means 重新计算锚框尺寸。 本文提出的 YOLOv5s-SRGAN 融合算法,在 1 326 幅隧道火焰图像中的召回率为 94%,是 YOLOv5s 的 1. 7 倍。 引入了 CBAM 注意力机制模块和梯度均衡机制,分别通过特征提取网络和损失函数提升模型的性能。 与原 YOLOv5s 相 比,火焰检测的平均正确率(IOU= 0. 5)提高了 44%,测试集平均检测速度为 32 FPS。 结果表明,改进后的火焰检测算法对小火 焰目标有了更好的识别效果。     

纳米V2O5包覆CFx复合材料的制备及性能

通过简单易行的超声浸渍法和高温煅烧法,采用纳米五氧化二钒（V₂O₅）颗粒包覆氟化碳（CF_x）制备CF_x@Nano V₂O₅复合材料。对比CF_x@Nano V₂O₅复合材料与商用CF_x材料的形貌、结构和性能。经纳米V₂O₅颗粒包覆制备的CF_x@Nano V₂O₅复合材料具有层状表面形貌,振实密度更高。在0.2 C的放电倍率下,CF_x@V₂O₅复合材料的电压平台可达2.81 V;此外,在大电流放电时表现出明显的功率输出优势,在3.0 C倍率下的比容量较商用CF_x材料提升了16.68%。     

基于随机森林算法的对冲锅炉出口NOx排放量预测模型研究

对冲锅炉中的仪器测量具有滞后性,导致控制系统作用始终落后于被控对象。为了提前了解对冲锅炉出口NOx排放量随工况变化的趋势,需要对对冲锅炉出口的NOx排放量进行快速并准确地预测。以实际运行的机组数据为基础,采用随机森林（random forest,RF）算法建立1 000 MW对冲锅炉机组的出口NOx排放量预测模型,并使用Spearman系数对对冲锅炉特征进行筛选,进一步降低模型计算时间。结果表明,随机森林模型预测结果的均方根误差为10.182 mg/m3,决定系数为0.913,可见基于特征选取的随机森林模型结构能实现对冲锅炉出口NOx趋势的提前预测。     

基于改进代价敏感直推式支持向量机的发电企业 滥用市场力识别

随着现货市场的加速推进,准确地实时识别滥用市场力行为是电力市场违规行为管理的一项关键性任务。将改进的支持向量机与变分不等式求解算法结合,实现了在只有少量发电企业有标签数据情形下仍可以准确实时地识别发电企业滥用市场力行为。首先,结合电力市场实际情况,构造了滥用市场力识别指标体系,并基于电力市场高维数据的特点对数据进行降维。其次,针对发电企业有标签数据占总体数据小部分及数据不平衡的特点,提出了基于改进代价敏感直推式支持向量机的发电企业滥用市场力识别方法。然后,考虑到半监督算法求解时间较长,将求解问题转化为高效的变分不等式求解问题,并使用定制近邻法进行求解。最后,利用UCI数据集、电力市场仿真数据及实际电力市场数据进行试验。结果表明,该识别方法可以将滥用市场力的发电企业快速有效地识别出来。     

雨量传感器用压电换能器设计仿真研究

为突破压电式雨量传感器在小雨滴粒径方面的检测精度,该文提出了一种新型的换能器设计结构。 在传统换能器结构四周增加压电双晶片的外围结构,通过 ANSYS瞬态分析法分别对中心弧形结构、外围压电双晶片、压电纤维复合材料及压电纤维复合材料双晶片等结构在不同冲击位置的电压进行仿真分析,同时对压电纤维复合材料双晶片因不同水膜厚度引起的阻抗特性进行仿真分析,最后验证了仿真结构的有效性。结果表明,该研究对于新型雨量传感器提高雨滴检测的灵敏度,实现新型雨量传感器关键技术突破起到了一定支撑作用。     

基于强化学习的列车驾驶曲线节能优化算法

在保证安全和准时性的前提下,自动化列车运行可以有效减少列车耗能。为了灵活应对列车运行种的动态变化,提出了一种基于强化学习的方法,可以优化列车控制策略且不采用之前关于列车动力学的知识和设计的列车速度曲线。这个优化模型将列车节能作为目标,把准点到达、列车限速、停车位置作为限制条件。大量的列车运行经验可以被用来训练深度神经网络直到得到最优化行为价值函数,通过对训练过的神经网络输入状态,可以准确输出每个行为的价值,然后再根据行为价值的大小来选择最优的驾驶策略。     

静电喷印技术在太赫兹超表面制备中的应用

近年来,太赫兹技术快速发展,基于超表面的太赫兹器件受到广泛关注,并已应用于太赫兹成像、光谱和生物传感等诸多领域。但太赫兹超表面器件的制备复杂且成本高,而静电喷印技术无需掩模版,成本低、精度高且易于在异形曲面上制作。基于静电喷印技术设计和制备了太赫兹吸波器,并利用太赫兹时域光谱系统（THz-TDS）对样品进行了性能测试,实验与仿真结果基本相符,在0.098~0.353 THz频段内吸收大于90%。此外,还设计了太赫兹线极化转换器,在0.167~0.355 THz频段内的极化转换大于95%,相对带宽约72%,并分析了所设计样品的制备工艺条件,验证了静电喷印技术对于制备太赫兹极化转换器的可行性。研究成果表明,静电喷印技术在太赫兹超表面器件的制备中具有广泛的应用前景。     

In Situ Management of Ions Migration to Control Hysteresis Effect for Planar Heterojunction Perovskite Solar Cells

As one of the most promising photovoltaic materials, the efficiency of inorganic–organic hybrid halide perovskite solar cells (PSCs) has reached 25.5% in 2020. However, the stability and hysteresis remain primary challenges before it can become a commercial photovoltaic technology. Therefore, those issues have drawn significant attention for photovoltaic applications. In this work, a study of the PSCs hysteresis improvement is presented based on a combination of first-principles simulations, scanning electron microscopy images, and time-dependent photocurrent measurements. It indicates the hysteresis led by the ion migration and accumulation is mainly localized at the two interfaces: one is between electron transport layer and active layer, and the other is between active layer and hole transport layer. Considering the massive defects at the grain boundaries (GBs), they lower the potential barriers significantly. The defect density at GBs is therefore reduced via the in situ passivation of PbI₂ crystals. The hysteresis index is decreased from 22.43% down to 1.04%, and results in an improvement in efficiency from 17.12% up to 20.10%. Following the understanding of defect-induced hysteresis, an approach to improve the hysteresis is provided, which can be integrated into the fabrication process and widely applied to enhance the performance of PSCs.     

基于多分支网络的深度图帧内编码单元快速划分算法

3维高效视频编码(3D-HEVC)标准是最新的3维(3D)视频编码标准,但由于其引入深度图编码技术导致编码复杂度大幅增加。其中,深度图帧内编码单元(CU)的四叉树划分占3D-HEVC编码复杂度的90%以上。对此,在3D-HEVC深度图帧内编码模式下,针对CU四叉树划分复杂度高的问题,该文提出一种基于深度学习的CU划分结构快速预测方案。首先,构建学习深度图CU划分结构信息的数据集;其次,搭建预测CU划分结构的多分支卷积神经网络(MB-CNN)模型,并利用构建的数据集训练MB-CNN模型;最后,将MB-CNN模型嵌入3D-HEVC的测试平台,通过直接预测深度图帧内编码模式下CU的划分结构来降低CU划分复杂度。与标准算法相比,编码复杂度平均降低了37.4%。实验结果表明,在不影响合成视点质量的前提下,该文所提算法有效地降低了3D-HEVC的编码复杂度。     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。