融合先验信息和特征约束的杆塔螺栓缺陷检测

目的 螺栓是输电线路中数量最多的紧固件,一旦出现缺陷就会影响电力系统的稳定运行。针对螺栓缺陷自动检测中存在的类内多样性和类间相似性挑战,提出了一种融合先验信息和特征约束的Faster R-CNN（fasterregions with convolutional neural network）模型训练方法。方法 在航拍巡检图像预处理阶段,设计了基于先验信息的感兴趣区域提取算法,能够提取被识别目标的上下文区域,从而减少模型训练阶段的数据量,帮助模型在训练阶段关注重点区域,提高其特征提取能力。在模型训练阶段,首先通过费舍尔损失约束Faster R-CNN模型的输出特征生成,使样本特征具有较小的类内距离和较大的类间间隔;然后采用K近邻算法处理样本特征得到K近邻概率,将其作为难易样本的指示以引导模型后续更加关注难样本。结果 在真实航拍巡检图像构建的螺栓数据集上进行测试,与基线模型相比,本文模型使螺栓识别的平均精度均值（mean average precision,mAP）提高了6.4%,其中正常螺栓识别的平均精度（average precision,AP）提高了0.9%,缺陷螺栓识别的平均精度提高了12%。结论 提出的融合先验信息和特征约束的输电杆塔螺栓缺陷检测方法在缺陷螺栓识别上获得了良好的效果,为实现输电线路螺栓缺陷的自动检测奠定了良好的基础。     

电子科技大学许春香教授团队在IEEE TIFS发表研究成果北大核心CSCD

近日,电子科技大学计算机科学与工程学院(网络空间安全学院)许春香教授团队的硕士研究生宋雅晴以第一作者在网络与信息安全领域期刊IEEE Trans. on Information Forensics and Security(CCF A类)上发表题为《Hardening PasswordBased Credential Databases》的论文,许春香教授、张源研究员为论文通讯作者,电子科技大学为该论文唯一作者单位。     

基于CAN数据的渣土车驾驶行为分析

摘要：针对渣土车辆管控的要求,着力于分析渣土车驾驶员的驾驶行为,以达到提高渣土车驾驶员的驾驶素质、规范其日常驾驶行为和行车安全意识,减少安全事故发生的目的;通过对渣土车辆的北斗定位数据和CAN数据进行采集与解析后,利用K-means聚类算法对渣土车驾驶员的驾驶倾向性进行识别;然后构建司机驾驶行为评分模型,使用熵权层次分析法来确定每个指标的权重,进而由权重来制定指标分值,最终对渣土车驾驶员进行综合评分,实现对渣土车驾驶员的驾驶行为分析。 关键词：CAN数据;驾驶行为;聚类;北斗定位;评分模型     

电网公司配电自动化模拟培训系统设计

设计电网公司配电自动化模拟培训系统,为电网公司培训人才提供现场作业模拟环境。首先,通过Mini-pcie接口采集配电网数据,利用缓存单元处理用户自动化培训请求,采用IP核实现缓存单元控制;然后,采用遗传算法获取最优个体,依据模块度函数最大原则选取最优个体作为最优解,通过解码操作划分资源类别;利用动态演化聚类算法处理应用请求,提升人才培训信息反馈的及时性;最后,利用WEB2.0实现电网公司自动化培训系统的展示层UI设计。系统测试结果表明系统可以成功操作现场配电装置的安装调试以及运行维护,适用于电网公司培养实践。     

敏捷回归测试中关键技术发展现状研究

近年来,随着敏捷方法的广泛应用,回归测试取得了显著的发展。针对敏捷开发环境下,软件版本交付频繁以及测试用例数目不断增多的问题,回归测试优化技术得到了广泛的关注。本文研究敏捷回归测试中关键技术的发展现状,包括回归测试用例选择与回归测试用例优化技术,以提高敏捷回归测试的效率,为回归测试优化技术的发展奠定基础。     

结合半监督聚类的地质图像多条件生成方法

近年来深度学习技术在地质学的应用越来越广泛.地质学科中的一个重要课题是根据稀疏的空间观测数据建立合理的地下模型.最近的工作通过条件生成对抗网络来探索条件化地质建模,产生了逼真且符合空间观测数据的地质图像.然而,多数方法只关注将空间观测数据作为硬条件,忽视了对生成图像中地质属性的调节.本文引入地质属性标签调节地质图像中具体的地质属性表现,将表征地质属性类别的标签数据作为生成条件之一,扩展一个属性分类器与该标签配合,从而实现更可控的图像生成.针对属性标签的人工标注成本大的问题,本文采用半监督聚类利用少量的标注数据为无标签数据自动分配标签.此外,聚类可能产生噪声标签影响建模结果,此方法使用对称交叉熵损失改进分类网络以提高网络对于噪声标签的鲁棒性.本文在黄河地区的河流地质数据集上进行大量实验,结果表明所提出的方法对于不同的属性标签生成了地质模式不同且符合空间观测数据的逼真地质图像,证明了本方法的有效性.     

自适应图融合的缺失多视图聚类算法

多视图聚类能充分利用不同视图间数据的一致性和差异性,引起越来越多的关注。传统多视图聚类方法假设每个视图的数据都是完整的,然而在实际应用中,收集到的多视图数据常存在部分视图缺失的样本。为了对缺失多视图数据进行聚类分析,提出自适应图融合的缺失多视图聚类算法（IMC＿AGF）。算法以两两视图间共有样本为瞄点构建样本-样本的相似度矩阵,学习其一致性知识,再利用两两视图间的互补性,用自适应图融合算法整合所有的相似度图,获取缺失多视图数据完整的相似度矩阵,然后进行谱聚类得到分类结果。实验结果表明,提出的算法优于与之比较的经典缺失多视图聚类方法。     

基于空间向量搜索的密度峰值聚类算法

针对密度峰值聚类(DPC)算法因构建全局样本点间的相似度矩阵,而导致时间开销过大的问题,提出了一种基于空间向量搜索的密度峰值聚类(VS-DPC)算法。在n维正交坐标系中将数据点映射为以原点为起点的空间向量,计算向量的模和与统一坐标轴正方向间的夹角;利用截断距离和截断映射角确定相似范围搜索相似向量;利用相似向量确定有效密度点从而构建稀疏相似度矩阵,降低时间复杂度。在UCI数据库中7个真实数据集和7个形状复杂的人工数据集上的实验结果表明,所提的VS-DPC算法保持了DPC的聚类精度,相较DPC算法减少了约60%的时间开销。并对比于CDPC和GDPC两种提升DPC聚类效率的算法,算法参数更少,且在聚类精度和时间上分别平均提升6和18个百分点。     

基于共享近邻和优化关联策略的边界剥离聚类

边界剥离聚类算法(BP)是一种基于密度的聚类算法,它通过逐渐剥离边界点来揭示聚类的潜在核心,已经被证明是一种十分有效的聚类手段.然而, BP算法仍存在一些不足之处:一方面,数据点的局部密度仅考虑了距离特征,使得边界点的确定不够合理;另一方面, BP算法中的关联策略容易误判异常值,并且在分配边界点时容易产生连带错误.为此,本文提出了一种基于共享近邻和优化关联策略的边界剥离聚类算法(SOBP).该算法使用了基于共享近邻的局部密度函数来更好地探索数据点之间的相似性,同时优化了BP算法中的关联策略,使得每次迭代中边界点不再仅与一个非边界点进行关联,并进一步采用了边界点与非边界点、已剥离边界点之间的双重关联准则.在一些数据集上的测试表明,相较于其他6种经典算法,该算法在评估指标上表现更佳.     

多源基因学习的微种群教与学优化及应用

由于微种群教与学优化算法的种群规模较小, 故其种群多样性很难维持. 为提高微种群教与学优化算法的搜索性能, 提出了一种基于多源基因学习的微种群教与学优化算法(micro-population teaching-learning-based optimization based on multi-source gene learning, MTLBO-MGL). 在MTLBO-MGL算法中, 将教阶段和学阶段根据随机选择策略来对个体进行基因水平上的进化操作; 并从基因层面上对种群多样性进行检测和使用稀疏谱聚类方法对种群的每个维度进行聚类. 然后, 根据多样性检测和聚类结果, 选择不同的进化策略来提高所提算法的搜索性能. 在28个测试函数上, 通过将所提算法与其他4种微种群进化算法作对比, 证明了所提算法的整体性能要显著好于所对比的4种算法. 本文还将所提算法应用于无人机三维路径规划问题, 结果表明MTLBO-MGL算法能够在该问题上取得较好结果.