基于IESPSO的舵机倾转矢量动力系统建模与参数辨识

针对在旋翼动态时产生的外力矩影响下,倾转矢量动力系统中的舵机系统模型辨识精度低、实际响应难以估计的问题,本文将舵机外力矩作为扰动噪声纳入辨识环节,构建系统模型,并提出了一种基于改进生态系统粒子群优化(IESPSO)的倾转旋翼舵机系统参数辨识方法。为确保试验稳定安全进行,本文设计了倾转矢量动力系统辨识平台,进行参数辨识试验。试验结果表明,在旋翼动态时产生的外力矩噪声影响下,IESPSO相对于粒子群优化法、生态系统粒子群优化法与递推最小二乘法,均方根误差降低了1.46%,1.79%与56.37%,辨识精度有明显提升,并具备更快的寻优收敛速度。在修改搜索空间后,IESPSO仍具有较高的寻优精度,避免了在宽搜索空间下无法快速搜索至较优可行解的问题。     

多维敏感属性隐私保护数据发布方法

在匿名数据发布中,当敏感属性为多维时,攻击者有可能能够获取一维或几维敏感属性信息,并且结合准标识符信息对其他敏感属性进行推理攻击。针对此问题提出（Dou-l）-匿名模型,更好地保护了敏感信息。基于多维桶和分解思想,提出（Dou-l）-匿名算法,使得即便攻击者掌握了部分敏感数据,仍然能较好地保护其他敏感属性数据的隐私安全性。实际数据实验证明,算法可以较好地均衡发布数据的安全性和可用性。     

高心墙堆石坝原生集成式智能无人碾压系统研发及应用

无人碾压技术是大坝填筑施工研究的前沿,有助于提高堆石坝施工质量和效率。然而,目前缺乏对多料种复杂施工环境条件下无人碾压系统的研究,且现有的无人碾压多基于RTK-GNSS和毫米波雷达对位姿与障碍物进行感知,缺乏对压实质量、环境障碍物和位姿的多模态感知;现有的无人碾压多采用外挂执行机构的方式进行改装,设备耐久性和稳定性难以得到保证。针对上述不足,采用感知设备、执行设备和控制设备统一设计和集成装配的方式,自主研发了集成多模态智能感知、智能规划决策和智能控制等功能的无驾驶舱原生集成式智能无人碾压系统。其中,智能感知采用RTK-GNSS、毫米波雷达和机器视觉等多种模态方法实现对车体位姿和环境障碍物的精准感知;基于能量守恒原则,采用加速度计等实现对有效压实功率的精准感知;智能规划决策集成了事前的全覆盖路径规划与事中的碾压参数动态优化等算法;智能控制中通过蝴蝶优化算法动态调控比例-积分-微分算法的控制参数,实现了复杂条件下循迹的精准控制;此外,基于B/S架构研发了原生集成式智能无人碾压数字孪生平台,实现了碾压施工过程中物理空间与孪生空间的双向交互。研发的原生集成式智能无人碾压系统在两河口水电站堆石区、过渡区和砾石土心墙区等复杂施工条件下开展了应用研究,结果表明,相较于传统碾压施工方法,该系统一次碾压质量达标率提升2.42%,效率提升15.20%。     

基于Kmeans-EMD与IWOA-Elman的碾压速度异常值检测与修正

碾压速度是评价压实质量的重要指标,但在监控过程中,碾压速度易受施工环境、定位漂移等干扰而出现异常检测值,影响压实质量的评价精度,但目前还缺乏对碾压速度异常值检测与修正的相关方法研究。为保障碾压速度的数据质量,结合碾压速度的时序变化特征,利用Kmeans算法初步定性检测异常值,弱化异常值对经验模态分解(EMD)结果的影响,并基于EMD实现对异常值的精细定量检测,提高异常值检测的精度;进而利用经混沌种群初始化、非线性收敛因子、自适应惯性权重与鲶鱼效应-黄金正弦改进的鲸鱼优化算法(IWOA)优化Elman神经网络,并构建碾压速度异常值修正模型,实现对碾压速度异常值的修正。将本文方法应用于西南某大型水电工程,结果表明：Kmeans算法与EMD的联合作用相比箱线图法可更高精度地检测碾压速度中的异常值;IWOA-Elman神经网络预测值与真实值的相关系数达到0.907 75,相比常规模型不仅可以更好地确保数据的完整性与可靠性,还可以为压实质量的高精度评价奠定良好的数据基础。     

改进Harris-Susan算法下砾石土料掺配均匀度评价

砾石土料掺配均匀程度对砾石土心墙坝的安全至关重要。数字图像处理方法被广泛应用于混合物识别领域,但在处理存在黏连特性的图像时易出现过分割与欠分割问题,导致评价结果精度不足。针对上述问题,本文提出改进Harris-Susan算法下砾石土料掺配均匀度评价方法。首先,改进Harris-Susan算法可分割欠分割区域并修复过分割区域,提高二值图像精度;其次,基于砾石邻域的概念,对图像进行单分位均匀度评价;最后,采用空间分布采样构建砾石土的空间均匀度评价指标。将该方法应用于大渡河双江口砾石土高心墙堆石坝工程建设中,本文方法相对统计准确率为0.935,较Otsu算法（0.353）和分水岭算法（-3.101）提升明显。结果表明,本文方法结果与筛分法高度一致,同时可有效节省人力、物力与时间成本,评价效率更高,具有很强的工程应用价值。     

一种基于坐标和的保护位置隐私近邻查询方法

空间定位和无线通信技术的成熟促进了基于位置服务(Location Based Service,LBS)的发展,用户通过向LBS服务器发送位置和查询信息获取相应服务。这种模式不可避免地带来对用户个体隐私的侵犯。随着用户对个体隐私信息安全的日益关注,如何在保护用户位置隐私安全下提供基于位置的查询服务成为研究的热点。现有的基于可信第三方的方法主要存在以下问题:(1)难以寻找满足要求的可信第三方;(2)可信第三方容易成为系统的瓶颈,造成系统查询效率和扩展性较差。针对这些问题,提出一种不依赖于可信第三方的隐私保护查询策略,即客户端通过向LBS服务提供方发送其当前位置的二维坐标之和,实现对查询发起用户位置隐私的保护。LBS服务器通过设置基于坐标和的查询处理策略将包含查询结果的候选解反馈给客户端,进一步通过对候选解的有效剪枝,有效降低通信开销以及服务器与客户端的处理代价。理论分析和实验结果表明,算法是可行的,能够有效解决依赖于可信第三方的系统带来的查询效率和系统扩展性较差的问题。     

一种面向聚类的对数螺线数据扰动方法

面向挖掘应用的隐私保护数据发布要求对数据集进行隐藏的同时维持数据的挖掘可用性,数据扰动是解决该问题的有效方法.现有的面向聚类的数据扰动方法难以兼顾原始数据个体隐私和维持数据聚类可用性,对此提出了一种基于对数螺线的隐私保护数据干扰方法.通过构建面向聚类的隐私保护数据扰动模型,利用对数螺线对原始数据进行扰动隐藏,维持原始数据的k邻域关系稳定,实现数据集聚类可用性的有效维护;进一步提出多重对数螺线扰动的策略,提高隐私保护强度.理论分析和实验结果表明:文中方法能够有效地避免数据隐私泄露,同时维持数据的聚类可用性.     

大场景视频监控下大坝运输车改进多目标多视觉卸料识别模型研究

运输车卸料识别对保障大坝施工安全、优化运输配置具有重要意义。然而,大坝施工中多采用全球导航卫星系统（Global Navigation Satellite System,GNSS）进行运输车活动状态分析,存在设备成本高、识别精度低等缺点。目前,通过布设高清摄像头进行坝面大场景施工监控成为趋势,但尚未见基于机器视觉的运输车卸料识别研究。针对上述问题,提出大场景视频监控下大坝施工运输车卸料识别改进多目标多视觉任务模型。首先,采用ByteTrack实现大场景监控视频中多辆运输车目标检测与追踪,记录其行驶轨迹;其次,High Resolution Net（HRNet）被用于运输车头部和尾部的关键点检测,进而结合行驶轨迹判断运输车前进、停止和后退等行进状态;再者,通过Destruction and Construction Learning(DCL)细粒度分类方法判断运输车料斗的抬升状态;最后,结合ByteTrack、HRNet和DCL的多目标多视觉任务的分析结果判定运输车卸料状态。以两河口施工视频监控为例进行验证,提出的卸料识别模型在34帧时卸料状态识别平均准确率为87.3%,卸料时间判断精度为90.3%,验证了本模型的可行性和有效性。