改进的免疫粒子群算法在TDOA定位中的应用

针对无线传感器网络中的TDOA节点无源定位估计中的非线性优化问题,提出了一种改进的免疫粒子群优化(Immune Particle Swarm Optimization, IPSO)的TDOA定位算法。该算法在自适应粒子群算法的基础上,引入免疫过程,增加了粒子种群的多样性,平衡局部搜索能力和全局搜索能力,有效地解决粒子易陷入局部最优问题,更快收敛到全局最优解。仿真结果表明,提出的算法相比于标准粒子群算法、自适应粒子群算法、Chan算法,当基站数量仅为4～5个、半径达到100 m时定位精度仍然较高,当加入随机噪声时,性能更加稳定,鲁棒性较好。     

复杂恶劣环境下水位智能检测方法研究

实现智能化水务管控和洪涝灾害预警,需要实时、准确感知水位信息变化情况。针对现有技术不能满足夜晚、雾天、雨天、漂浮物遮挡、灯光阴影等复杂恶劣环境下的水尺水位的影像水位反演(小目标特征)识别需求,提出一种融合改进YOLOv5与RankSE的水位智能检测方法。首先,采用强化小尺度特征的多层级特征融合方法来改进YOLOv5算法,以强化对小目标的捕捉能力;其次,融入RankSE模块进一步提升对小目标的感知能力;最后,提出一种全新的水位高程解算方案,仅需利用部分水尺锚框信息即可获得准确的水位高程信息,极大提升了检测方法的鲁棒性。研究结果表明,本文所述方法水位检测相对准确度达98.5%,较原算法提高了8.4%;在复杂恶劣环境下可以自动、准确识别出水位高程,最大误差仅为0.11 m。研究结果有效提升了复杂恶劣环境下水位检测的准确性。     

改进PSO优化ELM预测锂离子电池剩余寿命

针对极限学习机在预测锂离子电池剩余寿命过程中的不稳定性,提出利用混合粒子群优化算法对极限学习机预测模型优化的方法。通过改进的粒子群优化算法对极限学习机的输入端进行寻优处理,不但能够使模型的预测精度有进一步提高,而且大大增加了锂离子电池单次剩余寿命预测结果的可信度。利用NASA PCoE公开的锂离子电池数据进行仿真实验并评估该模型的预测性能,然后与标准的极限学习机预测模型预测结果进行对比,统计结果表明该方法使预测误差控制在2%左右。     

基于无迹卡尔曼滤波预测的锅炉吹灰优化

针对锅炉受热面从清洁到产生积灰和结渣导致锅炉传热效率降低等问题,以清洁因子为监测指标,提出一种基于无迹卡尔曼滤波算法的实时吹灰预测方法。采用双指数函数拟合分析清洁因子退化数据,利用无迹卡尔曼滤波算法对模型参数进行更新,并预测清洁因子未来的变化趋势。同时提出一种基于单位时间传热量最大的吹灰优化模型对吹灰时间进行进一步的优化。以某省煤器的清洁因子数据为例,通过与扩展卡尔曼滤波算法进行比较分析发现,所提方法能够更准确地预测吹灰时间,并进行吹灰优化实例计算,验证了所提优化模型的可行性。     

电动汽车供电系统锂电池剩余寿命预测

电动汽车的锂电池受工况、环境等因素影响,具有很强的时变非线性,对其进行剩余寿命预测具有挑战性。针对现有算法未同时考虑不确定表达、预测精度以及不同电池的适应能力对剩余寿命的影响,提出了一种正则化粒子滤波和自回归滑动平均模型相融合的锂电池剩余寿命预测算法。以锂电池的经验退化模型作为融合算法的状态方程,自回归滑动平均模型的预测输出值替代观测值,构建状态空间模型,迭代更新电池容量,实现锂电池的剩余寿命预测。基于NASA锂电池数据集进行仿真验证,并与标准粒子滤波和正则化粒子滤波算法相比较,实验结果表明,在中期、后期预测过程中融合算法的预测误差在5%以下,该方法具有较好的锂电池剩余寿命预测精度。     

融合注意力机制的人脸识别算法研究

FaceNet人脸识别算法是目前较为主流的人脸识别算法,其运行速度快被广泛应用于工业界。针对FaceNet人脸识别网络存在对面部遮挡人脸识别精度低的问题,提出了一种融合注意力机制的FaceNet人脸识别算法。该算法在FaceNet的基础上引入GhostNet特征提取网络对人脸更好的提取人脸特征,并融合注意力机制与特征金字塔(feature pyramid networks, FPN)加强特征提取网络实现对3种尺度特征图中局部信息的放大,加强不同感受野下的特征提取,增强较为重要的特征信息。实验结果表明,提出的人脸识别算法取得了良好的识别效果,在人脸数据集(LWF)下准确率达到99.62%。对有遮挡的面部识别也取得了较好的检测结果,可准确识别存在遮挡的人脸目标。     

融合Transformer与残差通道注意力的恶劣场景水位智能检测方法

精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10^-2 m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。     

轻武器靶道分布式全弹道测试的高精度时钟同步

在轻武器靶道分布式全弹道测试的时钟同步中,时钟同步的精度会随着节点的增多、通信路径的延长以及晶振的老化和温漂而降低,同时稳定性也随之变差。为实现靶道内分布式时钟网络±300 ns的同步精度,在研究IEEE1588协议实现原理的基础上,分析了由晶振引起的误差,使用温补晶振来抑制温漂,将带有PTP协议的交换机与主从时钟进行交互并利用透明时钟来计算驻留时间。在自主搭建的层次拓扑和线性拓扑两种不同结构的分布式网络系统中,考虑了系统运行中可能遇到的问题,使用限幅平均滤波提高了系统的抗干扰性,探究并验证了时钟同步结果出现波动的原因,并将同步精度由±300 ns提升至±30 ns。实验结果表明,在跨两级交换机的情况下,主从时钟的同步精度能长时间稳定在±120 ns,最优情况下能稳定在±30 ns,且具有较强的抗干扰能力,可满足靶道测试所需的精度级别。