梯级水电枢纽群巨灾风险分析与防控研究综述

伴随超标准巨震、极端暴雨洪水、巨型滑坡等灾害频繁发生,极端载荷作用下梯级水电枢纽群的灾害风险分析与防控等问题成为当前水利工程领域的研究热点。为分析梯级水电枢纽群巨灾风险研究现状,绘制了国内外水库大坝溃坝事件的时间序列图,分析了梯级水电枢纽群的风险特征,总结评述了梯级水电枢纽群巨灾风险分析和巨灾防控研究进展,主要结论如下：1)梯级水电枢纽群巨灾风险是我国水利水电工程风险防控面临的主要问题;2)梯级水电枢纽群风险分析方面主要聚焦于梯级水库连溃概率的分析和计算,对于溃决可能产生的巨灾损失的量化研究不足,缺乏对巨灾因子及其相关影响作用下巨灾风险的评估;3)缺乏对梯级枢纽群灾害链的阻断技术研究和应急避险方案设计研究。为此提出了梯级水电枢纽群可能最大灾难(Probable Maximum Disaster, PMD)的科学内涵,考虑可能遭遇的多种致灾因子和承灾体特征,分析相互因果关系和极端荷载组合情况,初步建立了PMD评估的理论模型,为绘制梯级水电枢纽群在巨灾情景下的灾难空间外包线和估算PMD损失上限值提供科学依据,为梯级水电枢纽群巨灾风险分析和防控提供理论基础和技术支持。     

自适应短波通信系统跳频信号时差定位方法

短波通信在拓宽应用广泛性与普适性的同时,也存在信号跳频与难以监管问题。以自适应短波通信系统为研究对象,提出一种跳频信号时差定位方法。分析自适应短波通信系统的天波传输信道电离层特性、短波传播形式与跳频信号特点,利用离散频谱与傅里叶基,构建基于平坦衰落信道的跳频信号定位模型,根据架构的模型似然函数与互相关函数矩阵,获取目标方位定位最大似然估计,实现跳频信号时差定位。采用三个信号接收站与一个控制处理中心构成自适应短波通信系统,经过外场试验环境,展开信号源信号与无人机遥控跳频信号的时差定位试验,依据对比实验结果可知,所提方法能够有效定位目标信号,且定位精度具有显著的优越性,验证了方法的正确性与可行性,并为日后的研究工作提供了一定的参考价值。     

A real-time vehicle detection and a novel vehicle tracking systems for estimating and monitoring traffic flow on highways

Real-time highway traffic monitoring systems play a vital role in road traffic management, planning, and preventing frequent traffic jams, traffic rule violations, and fatal road accidents. These systems rely entirely on online traffic flow info estimated from time-dependent vehicle trajectories. Vehicle trajectories are extracted from vehicle detection and tracking data obtained by processing road-side camera images. General-purpose object detectors including Yolo, SSD, EfficientNet have been utilized extensively for real-time object detection task, but, in principle, Yolo is preferred because it provides a high frame per second (FPS) performance and robust object localization functionality. However, this algorithm’s average vehicle classification accuracy is below 57%, which is insufficient for traffic flow monitoring. This study proposes improving the vehicle classification accuracy of Yolo, and developing a novel bounding box (Bbox)-based vehicle tracking algorithm. For this purpose, a new vehicle dataset is prepared by annotating 7216 images with 123831 object patterns collected from highway videos. Nine machine learning-based classifiers and a CNN-based classifier were selected. Next, the classifiers were trained via the dataset. One out of ten classifiers with the highest accuracy was selected to combine to Yolo. This way, the classification accuracy of the Yolo-based vehicle detector was increased from 57% to 95.45%. Vehicle detector 1 (Yolo) and vehicle detector 2 (Yolo + best classifier), and the Kalman filter-based tracking as vehicle tracker 1 and the Bbox-based tracking as vehicle tracker 2 were applied to the categorical/total vehicle counting tasks on 4 highway videos. The vehicle counting results show that the vehicle counting accuracy of the developed approach (vehicle detector 2 + vehicle tracker 2) was improved by 13.25% and this method performed better than the other 3 vehicle counting systems implemented in this study.     

中继协同无人机辅助的认知无线电网络安全通信

针对中继协同无人机（UAV）辅助的无线通信网络,提出一种基于认知无线电网络（CRN）的物理层安全通信方案。利用二次发射机协同解码转发中继向目的接收机发送机密消息,将UAV用作移动干扰器发送干扰噪声,以降低窃听者的解码能力。在不影响主用户通信的前提下,通过联合优化UAV的飞行轨迹和发射功率提高系统的平均保密率,采用基于连续凸逼近的算法求解近似凸规划的保密率最大化问题。仿真结果表明,相较于优化功率和优化轨迹这两种传统方案,该方案能够进一步提高CRN系统通信的安全性。     

适用于飞行自组网的闲置时隙预约TDMA协议

在飞行自组网中,固定时隙分配时分多址接入（TDMA）协议存在闲置时隙无法成功使用的问题。通过对TDMA协议引入闲置时隙预约机制,提出一种支持业务优先级传输机制的闲置时隙预约TDMA协议。采用短帧长的方式满足协同与控制业务的低时延传输需求,并利用闲置时隙预约机制允许节点使用闲置时隙传输感知业务,从而满足感知业务的高吞吐量传输性能要求。仿真结果表明,与CF-MAC和CTMAC协议相比,该协议能够在降低传输时延的同时,有效提高信道利用率和网络吞吐量。     

基于加速度补偿的无人机吊挂飞行抗摆控制

为了抑制四旋翼无人机（UAV）吊挂飞行中的载荷摆动,研究了一种新的基于加速度补偿的抗摆控制方法。首先,基于拉格朗日法建立了四旋翼UAV吊挂系统的非线性动态特性方程,并构建了能量函数来设计飞行控制系统,使四旋翼UAV跟踪参考轨迹;然后,利用吊挂载荷运动轨迹广义误差设计抗摆控制器,对四旋翼UAV进行加速度补偿以修正UAV的运动轨迹,进而抑制因四旋翼UAV快速运动造成的吊挂载荷摆动;最后,通过仿真对加速度补偿前后的UAV吊挂飞行控制效果进行对比分析。仿真结果表明,基于加速度补偿的飞行控制方法不仅能保证UAV吊挂飞行的平稳,而且能为飞行控制系统提供足够的稳定裕度。     

基于改进遗传算法的无人机路径规划

针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题,提出了一种基于改进遗传算法的无人机（UAV）路径规划方法,该算法对遗传算法的选择算子、交叉算子和变异算子进行改进,从而规划出平滑、可飞的路径。首先,建立适合UAV田间信息获取的环境模型,并考虑UAV的目标函数与约束条件以建立适合本场景的更为复杂、精确的数学模型;然后,提出了混合无重串选择算子、非对称映射交叉算子和启发式多次变异算子,寻找最优路径以及扩大种群搜索范围;最后,采用三次B样条曲线对规划出的路径进行平滑,得到平滑的飞行路径,并且减少了算法的计算时间。实验结果表明,与传统遗传算法相比,所提算法的代价值降低了68%,收敛迭代次数减少了67%;相较蚁群优化（ACO）算法,其代价值降低了55%,收敛迭代次数减少了58%。通过大量对比实验得出,当交叉率的值为（1/染色体长度）时,算法的收敛效果最好。在不同环境下进行算法性能测试,结果表明所提算法具有很好的环境适应性,适合于复杂环境下的路径规划。     

基于双重权重偏差建模的无监督域适应

无监督域适应(Unsupervised Domain Adaptation,UDA)是一类新兴的机器学习范式,其通过对源域知识在无标记目标域上的迁移利用,来促进目标域模型的训练。为建模源域与目标域之间的域分布差异,最大均值差异(Maximum Mean Discrepancy,MMD)建模被广泛应用,其对UDA的性能提升起到了有效的促进作用。然而,这些方法通常忽视了领域之间对应类规模与类分布等结构信息,因为目标域与源域的数据类规模与数据分布通常并非一致。为此,文中提出了一种基于跨域类和数据样本双重加权的无监督域适应模型(Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,SCUDAN)。具体而言,一方面,通过源域类层面的适应性加权来调整源域类权重,以实现源域与目标域之间的类分布对齐;另一方面,通过目标域样本层面的适应性加权来调整目标域样本权重,以实现目标域与源域类中心的对齐。此外,文中还提出了一种CEM(Classification Expectation Maximization)优化算法,以实现对SCUDAN的优化求解。最后,通过对比实验和分析,验证了所提模型和算法的有效性。     

有适应力的分布式状态估计方法

为提高智能体系统对攻击的免疫力,研究了测量攻击下的适应力分布式状态估计方法。每个智能体对系统状态进行连续的本地线性测量。由于不同智能体的本地测量模型相互异构,对系统状态可能不具有本地可观测性,且攻击者能够操控部分智能体的测量数据,随意改变其测量结果。而智能体的目标是协同处理本地测量数据,并正确估计出未知的系统状态。因此,该问题的挑战在于在不对真实测量数据和恶意智能体的测量数据进行分辨时,如何设计算法估计得到真实的系统状态。为了解决这个问题,设计了适应性分布式最大后验概率估计算法。在该算法中,只要恶意智能体的数量小于某个特定值,所有智能体都能够收敛到系统状态。首先,根据卡尔曼滤波给出集中式最大后验概率(Maximum A Posteriori,MAP)估计方法,并与分布式一致性结合,进而得到分布式最大后验概率估计方法。然后,考虑到测量攻击,从估计一致性的角度,利用自适应饱和度增益设计了适应性分布式最大后验概率估计方法。最后,通过仿真实验验证算法的有效性。     

无人机航拍图像中裸露地表的识别

电力输电线路下方或附近的无覆盖物的裸露地表,是引起输电线路事故的主要隐患之一;从无人机电力巡检航拍图像中识别裸露地表可以预防类似事故的发生;由于Mask RCNN识别无人机电力巡检航拍图像中裸露地表的精度较低,提出一种图像特征融合的方法,即人工提取HOG和LBP两种不同的图像特征,经过不同权重的融合共同表征图像中裸露地表区域的特征,再对SVM进行训练并用于识别;实验结果表明,采用该方法识别率可以达到80％以上,识别时间少于60 ms;HOG和LBP两种特征在进行融合时,当两种特征的数量级相当时,得到的识别率最高;可见,该方法在具有较高识别率的同时,具有比较好的实时性,适合于无人机机载平台对航拍图像的初筛,且训练时间较少,权重参数规模小,为无人机航拍图像中目标物的识别提供一种新思路.