多智能体强化学习的机械臂运动控制决策研究

针对传统运动控算法存在环境适应性较差,效率低的问题。可以利用强化学习在环境中不断去探索试错,并通过奖励函数对神经网络参数进行调节的方法对机械臂的运动进行控制。但是在现实中无法提供机械臂试错的环境,采用Unity引擎平台来构建机械臂的数字孪生仿真环境,设置观察状态变量和设置奖励函数机制,并提出在该模型环境中对PPO(proximal policy optimization)与多智能体（agents）结合的M-PPO算法来加快训练速度,实现通过强化学习算法对机械臂进行智能运动控制,完成机械臂执行末端有效避障快速到达目标物体位置,并通过该算法与M-SAC（多智能体与Soft Actor-Critic结合）和PPO算法的实验结果进行分析,验证M-PPO算法在不同环境下机械臂运动控制决策调试上的有效性与先进性。实现孪生体自主规划决策,反向控制物理体同步运动的目的。     

基于改进YOLOX-s的安全帽检测

在施工现场中, 发生过许多高空坠落事故, 因此在施工现场佩戴安全帽是十分有必要的. 针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况, 提出一种基于YOLOX-s的改进算法. 首先, 在Neck层引入主干特征提取网络中的160×160特征层进行特征融合, 并且增加了一个针对小目标的检测头; 其次, 采用SIoU损失函数计算损失值, 使得网络在训练过程中考虑的损失项更加全面; 并且采用varifocal loss函数来计算置信度损失值, 进一步改善训练过程中存在的正样本与困难样本不均衡的问题, 最后, 采用CA (coordinate attention)注意力机制来增强模型的特征表达能力. 实验结果表明, 通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制, 使得网络在训练过程中收敛与回归性能更佳. 改进后的算法的mAP值为95.57%, 相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%. 改进后的算法检测速度为54.73帧/s, 符合实时检测速度要求.     

基于鲸鱼算法改进小波神经网络的GIS局部放电诊断方法研究

针对封闭式气体绝缘开关装置由于生产、运输安装和运行环境等因素,引发的局部放电现象而造成的绝缘故障问题,提出了一种基于改进鲸鱼算法与小波神经网络结合的封闭式气体绝缘开关装置局部放电诊断方法。该方法利用灰度图谱与矩特征实现对局部放电信号的特征提取,基于矩特征值构建小波神经网络的输入样本集;然后使用改进鲸鱼算法对小波神经网络参数进行寻优,以解决神经网络存在的参数敏感问题;最后将优化好且训练完成的小波神经网络应用于绝缘开关装置局部放电诊断中。改进鲸鱼算法引入非线性收敛因子与自适应思想提升了算法的性能,对小波神经网络的超参数有较好的寻优效果。仿真结果表明,相比于通用参数配置的小波神经网络,改进诊断方法诊断精度提升了9.45%。     

基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

Riemann-Liouville型分数阶导数的非线性估计（英文）

本文主要研究任意有界连续信号的Riemann-Liouville分数阶导数估计问题.当分数阶α属于0到1时,首先利用滑模技术提出一种有界连续信号分数阶导数的非线性估计方法;然后将其结果推广至分数阶α∈R⁺的情况,并给出相应的非线性估计方案.借助Riemann-Liouville分数阶微积分频率分布模型,本文详细分析讨论了所给分数阶导数非线性估计的收敛性问题,并得到相应闭环系统是渐近稳定的结论.文中所提方法的主要优点是在事先未知给定信号分数阶导数上界的情况下,不仅能自适应地估计其Riemann-Liouville分数阶导数,而且当信号中含有随机噪声和不确定扰动时依然能正常工作.数值仿真实例验证了本文所给估计方法的可行性和有效性.     

基于知识引导的自适应动态多模态差分进化算法

为充分利用问题求解过程知识,提升动态多模态优化算法的计算资源利用效率,提出一种基于知识引导的自适应动态多模态差分进化算法.首先,利用自组织映射神经网络实现种群自聚类,形成稳定的小生境;然后,通过对种群全局知识和个体邻域知识的综合学习,设计一种基于知识引导的自适应差分进化算法,在对种群进化状态进行实时监测和分析的基础上,逐层递进地引导不同种群个体自适应地选择最符合当前进化需求的变异方式,提升种群搜索效率,平衡种群多样性与收敛性;最后,针对问题动态特性,设计一种基于历史动态过程知识引导的自适应动态响应机制,通过对历史寻优经验的自适应学习,预测生成新环境下的潜在精英个体,引导种群实现精准快速的多峰定位.实验结果表明,所提出算法能够有效解决动态多模态优化问题,且在不同动态环境设置下其求解性能均优于对比算法.     

双重补贴下考虑低碳商誉的供应链决策和协调

考虑低碳和回收补贴政策,对供应链中上游制造商碳减排和再制造,下游零售商低碳宣传共同提高产品低碳商誉的现实问题展开分析.将低碳商誉水平作为状态变量,构建非协同和协同情形下的微分博弈模型.通过对比分析,设计利润共享-低碳宣传成本共担的协调机制.研究表明:各情形下的低碳商誉水平均会随着时间逐渐达到稳定状态;双重补贴不仅能够激励制造商的低碳行为,还能有效提高产品低碳商誉和成员绩效,但是不会影响零售商的低碳宣传水平;非协同情形导致供应链效率的损失,协调时保持低碳宣传成本分担比例高于利润分享比例可有效改善低碳商誉水平.此外,制造商适当提高其成本分担比例有利于成员利润的改善.     

Label distribution learning for scene text detection

Recently, segmentation-based scene text detection has drawn a wide research interest due to its flexibility in describing scene text instance of arbitrary shapes such as curved texts. However, existing methods usually need complex post-processing stages to process ambiguous labels, i.e., the labels of the pixels near the text boundary, which may belong to the text or background. In this paper, we present a framework for segmentation-based scene text detection by learning from ambiguous labels. We use the label distribution learning method to process the label ambiguity of text annotation, which achieves a good performance without using additional post-processing stage. Experiments on benchmark datasets demonstrate that our method produces better results than state-of-the-art methods for segmentation-based scene text detection.     

电力系统密集型频率信号的测量与分析

针对非同步采样条件下密集频率信号无法准确测量的问题,提出一种密集型频率信号检测方法。基于离散傅里叶变换建立密集型频率信号模型,然后对单通道观测信号做周期延拓,形成多路信号。使用可变主成分分析法进行去相关性处理。再基于极大似然盲源分离法求解密集型频率信号模型。最后根据比例系数校正各频率成分参数。仿真和实验结果表明,所提方法具有较高的精度和一定的抗噪声能力。     

基于ADMM算法的主动配电网分层优化经济调度

主动配电网(active distribution network,ADN)因其具有调度控制灵活、用户交互性高、能源利用率高等特征正逐渐取代传统配电网,在系统安全运行的前提下实现了经济性最优的目标。文章充分考虑配电网整体运行的经济性,提出一种基于交替方向乘子法(alternating direction method of multipliers, ADMM)的主动配电网分层优化经济调度方法。首先,以最小配电网整体运行成本为目标建立了主动配电网分层优化调度模型,借助ADMM算法分解为上下两层进行求解,上层以最小化配电网整体运行成本为目标进行优化,下层考虑配电网内部节点接入的分布式光伏和储能单元,以最小化本地储能运行成本和购电成本为目标进行优化。其次,上下两层通过有限的边界信息交换,相互迭代,直至满足收敛条件,得出最优解。最后,通过设计算例进行测试,验证了所提调度方法的有效性和可行性。