结合轻量化骨干与多尺度融合的单阶段检测器

目的 基于卷积神经网络的单阶段目标检测网络具有高实时性与高检测精度,但其通常存在两个问题：1)模型中存在大量冗余的卷积计算;2)多尺度特征融合结构导致额外的计算开销。这导致单阶段检测器需要大量的计算资源,难以在计算资源不足的设备上应用。针对上述问题,本文在YOLOv5(you only look once version 5)的结构基础上,提出一种轻量化单阶段目标检测网络架构,称为E-YOLO(efficient-YOLO)。方法 利用E-YOLO架构构建了E-YOLOm(efficient-YOLO medium)与E-YOLOs(efficient-YOLO small)两种不同大小的模型。首先,设计了多种更加高效的特征提取模块以减少冗余的卷积计算,对模型中开销较大的特征图通过下采样、特征提取、通道升降维与金字塔池化进行了轻量化设计。其次,为解决多尺度特征融合带来的冗余开销,提出了一种高效多尺度特征融合结构,使用多尺度特征加权融合方案减少通道降维开销,设计中层特征长跳连接缓解特征流失。结果 实验表明,E-YOLOm、E-YOLOs与YOLOv5m、YOLOv5s相比,参数量分别下降了71.5%和61.6%,运算量下降了67.3%和49.7%。在VOC(visual object classes)数据集上的平均精度(average precision,AP),E-YOLOm比YOLOv5m仅下降了2.3%,E-YOLOs比YOLOv5s提升了3.4%。同时,E-YOLOm的参数量和运算量相比YOLOv5s分别低15.5%与1.7%,mAP@0.5和AP比其高3.9%和11.1%,具有更小的计算开销与更高的检测效率。结论 本文提出的E-YOLO架构显著降低了单阶段目标检测网络中冗余的卷积计算与多尺度融合开销,且具有良好的鲁棒性,并优于对比网络轻量化方案,在低运算性能的环境中具有重要的实用意义。     

双分支特征融合网络的步态识别算法

目的 在步态识别算法中,基于外观的方法准确率高且易于实施,但对外观变化敏感;基于模型的方法对外观变化更加鲁棒,但建模困难且准确率较低。为了使步态识别算法在获得高准确率的同时对外观变化具有更好的鲁棒性,提出了一种双分支网络融合外观特征和姿态特征,以结合两种方法的优点。方法 双分支网络模型包含外观和姿态两条分支,外观分支采用GaitSet网络从轮廓图像中提取外观特征;姿态分支采用5层卷积网络从姿态骨架中提取姿态特征。在此基础上构建特征融合模块,融合外观特征和姿态特征,并引入通道注意力机制实现任意尺寸的特征融合,设计的模块结构使其能够在融合过程中抑制特征中的噪声。最后将融合后的步态特征应用于识别行人身份。结果 实验在CASIA-B （Institute of Automation,Chinese Academy of Sciences,Gait Dataset B）数据集上通过跨视角和不同行走状态两种实验设置与目前主流的步态识别算法进行对比,并以Rank-1准确率作为评价指标。在跨视角实验设置的MT （medium-sample training）划分中,该算法在3种行走状态下的准确率分别为93.4%、84.8%和70.9%,相比性能第2的算法分别提升了1.4%、0.5%和8.4%;在不同行走状态实验设置中,该算法在两种行走状态下的准确率分别为94.9%和90.0%,获得了最佳性能。结论 在能够同时获取外观数据和姿态数据的场景下,该算法能够有效地融合外观信息和姿态信息,在获得更丰富的步态特征的同时降低了外观变化对步态特征的影响,提高了步态识别的性能。     

多源融合SLAM的现状与挑战

同时定位与地图构建（simultaneous localization and mapping,SLAM）技术在过去几十年中取得了惊人的进步,并在现实生活中实现了大规模的应用。由于精度和鲁棒性的不足,以及场景的复杂性,使用单一传感器（如相机、激光雷达）的SLAM系统往往无法适应目标需求,故研究者们逐步探索并改进多源融合的SLAM解决方案。本文从3个层面回顾总结该领域的现有方法：1）多传感器融合（由两种及以上传感器组成的混合系统,如相机、激光雷达和惯性测量单元,可分为松耦合、紧耦合）;2）多特征基元融合（点、线、面、其他高维几何特征等与直接法相结合）;3）多维度信息融合（几何、语义、物理信息和深度神经网络的推理信息等相融合）。惯性测量单元和视觉、激光雷达的融合可以解决视觉里程计的漂移和尺度丢失问题,提高系统在非结构化或退化场景中的鲁棒性。此外,不同几何特征基元的融合,可以大大减少有效约束的程度,并可为自主导航任务提供更多的有用信息。另外,数据驱动下的基于深度学习的策略为SLAM系统开辟了新的道路。监督学习、无监督学习和混合监督学习等逐渐应用于SLAM系统的各个模块,如相对姿势估计、地图表示、闭环检测和后端优化等。学习方法与传统方法的结合将是提升SLAM系统性能的有效途径。本文分别对上述多源融合SLAM方法进行分析归纳,并指出其面临的挑战及未来发展方向。     

泛在电力物联网智能感知关键技术发展思路

智能感知是泛在电力物联网的数据入口,在泛在电力物联网建设中扮演着极其重要的角色。该文通过抽象化泛在物联网的信息论表述,量化比较了泛在电力物联网在数据传输容量上的优势,综合估算了智能感知网络规模,预测需要在此基础上解决海量异构多源数据融合、信息安全防护等问题。探讨了泛在电力物联网边缘算法的可分解性与下沉系数,定义了描述边缘算法可分解程度的范式,举例电力常用算法在泛在物联网边缘分解后的计算效率。讨论了智能感知在时空、类型、准确度的信息增益,以此为数学前提分别叙述了泛在电力物联网智能感知技术在通信网络、边缘计算、深度感知3个维度的发展思路,在此基础上讨论了泛在电力物联网的实际应用场景。     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于多特征目标函数PCA-ILP的非侵入式负荷分解方法

非侵入式负荷监测（non-intrusive load monitoring, NILM）能够在不影响用户正常用电的前提下,低成本地获取用电信息,实现用电设备的类型识别和负荷分解,而大量智能电表的安装也为用户进行NIML提供了数据与技术支撑。首先,在研究常见家用电器的功率特征、电流波形及其频域谐波特征的基础上,采用主成分分析方法（principal components analysis, PCA）对高维谐波特征空间进行降维,提取主要谐波信息,与基本功率特征结合形成多特征目标函数。然后,基于整数线性规划（integer linear programming, ILP）模型,提出了考虑多特征目标函数的PCA-ILP的NILM方法。算例分析表明,所提方法对不同信噪比（signal to noise ratio, SNR）下的不同家用电器应用场景均具有良好的负荷分解效果。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

基于XGBoost与Stacking模型融合的短期母线负荷预测

母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。     

面向电力物联网信息感知的低压电力线与微功率无线通信融合方法

为提高电力物联网信息感知层面的覆盖范围和可靠性,提出一种构建低压电力线与微功率无线通信跨层融合网络(CPW)的方法。首先建立CPW的统一介质访问控制(MAC)层模型,为实现CPW网络层的融合提供基础支持;然后提出一种结合布朗运动与局部收敛次数控制的改进蚁群算法,完成了CPW的组网过程;对CPW的子业务流进行分配,并提出业务分配中的误码率需求因子,实现了低压电力线与微功率无线通信网络的跨层融合。仿真结果表明,该跨层融合网络的通信链路服务质量优于电力线与无线双模或级联通信网络,用户可以根据不同业务设置相应的误码率需求因子,以兼顾通信链路质量与网络负载均衡,保障CPW的高效性和可靠性。     

CBR和RBR融合的牵引变压器运维策略

牵引变压器在运行中易受到高电压、大电流、机械应力及其他环境因素的影响而产生发热、放电、绝缘不良等故障,为了制定合理的运维检修策略从而提高运行中牵引变压器的故障处理水平,提出一种基于规则推理(RBR)和基于案例推理(CBR)融合的牵引变压器运维决策方法:利用RBR获取能反映牵引变压器状态的关键参数,并根据规则库的知识储备得到初步检修方案;设计案例检索算法在状态检修案例库中匹配相似案例,提取检修策略;根据RBR的初步方案对CBR结果进行修改与复用,综合得到最优运维策略,指导检修工作。收集了60例目标案例验证融合决策模型的准确性,结果表明平均决策准确率可达81.67%,且通过实验可判断源案例数量的增加与决策准确率之间呈正相关关系。