为降低 MEC(Mobile Edge Computing)系统的总开销, 将所有设备的延迟和能量消耗的加权总和设定为优化目标, 解决了多用户多信道移动边缘计算系统中的任务卸载问题。 该方案能使多个用户设备通过无线信道将计算负荷重的任务卸载到 MEC 服务器上。 并考虑到多个智能设备间在剩余能量方面的差异, 引入能量因子用于衡量智能设备在能耗和时延之间的偏重。 同时利用基于 Q-learning 算法的强化学习方案共同优化卸载决策、 计算资源的分配以及无线信道的选择。 仿真结果表明, 该算法能有效降低任务处理的时延和能耗,

容纳更多用户。

针对射频识别(RFID: Radio Frequency Identification)系统的信道资源有限, 当多个标签竞争同一个频率或时间槽时, 会导致发生碰撞和冲突的问题, 为优化广播信道的通信效率, 对基于帧时隙 ALOHA 的物联网 RFID 广播信道防碰撞算法进行了研究。 该方法引入帧时隙概念, 对通信时间进行时间段划分;通过时隙内 空闲、成功识别以及碰撞 3 种状态的发生概率分析, 得到广播信道内的碰撞原因。 结合贝叶斯算法与泊松分布规则, 通过标签数目概率分布计算, 实现读写器作用范围内标签数量的估计, 并根据标签数量计算结果调整下一帧帧长。 若调整后的帧时隙范围内仍存在标签碰撞问题, 则通过 FastICA( Indcpendent Component Analysis)独立主成分分析法, 将帧时隙内的标签识别问题, 转化为 EPC(Electronic Product Code) 编码生成问题, 进而实现统一时隙内多标签的并行识别, 避免发生碰撞。 实验表明, 所提方的标签数量的估算准确, 能在保证通信信道稳定性的前提下, 提高时隙内标签识别率, 有效提高广播信道的传播效率。

由于在应用磁法探测时, 为抑制地磁日变等低频磁场干扰对测量结果的影响, 通常会进行多台磁力仪的同步测量, 而时间同步误差对抑制效果有明显影响。 为此, 以实验室自研的 JOM-5SF 型 Overhauser 磁力仪为基础, 研究了不同时间同步误差对 Overhauser 磁力仪在地磁探测和仪器灵敏度评估方面的影响。 在吉林大学校园内利用两台 Overhauser 磁力仪进行实验, 将实验结果与专业机构评估结果进行对比分析表明, 时间同步误差越小, 两仪器磁场值之差跳动范围越小, 同步法评估仪器的灵敏度越准确。 实验结果对 Overhauser 磁力仪的研制和应用具有一定参考作用。

为满足地磁台站磁场总强度的观测需求, 自主设计了一种台站专用磁力仪架构, 并研制了 JOM-5J 台站监测型 Overhauser 磁力仪。 分别在野外低噪声和嘈杂的高电磁干扰条件下采用单台直接测量法和双台同步法对仪器进行了灵敏度评估。 实验结果表明, JOM-5J 磁力仪在周期为 1 s 时的灵敏度可达 0. 02 nT。 其可替代GSM-90F 用于地震前兆观测和火山长期监测。

针对无人机航拍具有多角度、 大视角、 大规模场景的特点, 使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题, 提出了一种新的模型 CA-NWD-YOLOv5 ( Coordinate Attention-NormalizedWasserstein Distance-You Only Look Once v5)。 该模型以 YOLOv5 模型为基础, 在头部网络添加了多尺度检测层以提取小目标特征, 同时在骨干网络加入了 CA 注意力机制, 避免模型忽略目标的位置信息。 最后, 使用归一化 Wasserstein 距离损失函数代替基于交并比的损失函数, 加强了模型对微小目标的敏感程度。 在VisDrone2019数据集上的实验表明, 相比改进前的 YOLOv5 模型, CA-NWD-YOLOv5 模型可有效提升无人机航拍图像中小目标的检测精度, 改进后算法的 mAP_0. 5 达到了 50% , 可以有效应用于航拍小目标的检测。

为解决大学校园网络信息化发展中的网络流量管理问题, 结合新疆某高校校园网络管理中的实际问题及工作实践经验, 提出并实现了基于 CactiEz 的网络流量监控平台。 依据校园网实际环境, 分析了校园网络现状,并且结合具体的软硬件设备进行流量监控。 应用效果表明, 该监控系统能实时监控网络流量变化, 及时反映网络状况, 并对网络流量进行统计和分析, 为网络性能和安全提供数据支持。 基于 CactiEz 的网络流量监控平台对提升校园网络管理效率具有显著作用, 有助于优化网络管理工作。

针对人工蜂群算法局部搜索能力不足的缺点, 借鉴强化学习的寻优思想, 提出了一种基于强化学习的多策略自寻优人工蜂群算法。 该算法将强化学习中的 Q 学习方法与人工蜂群算法相融合, 利用种群最好值与个体适应值的距离和种群多样性两个指标作为划分状态的依据, 建立包含多种搜索策略的动作集, 采用ε -贪心策略选择最优, 产生高质量的后代, 实现了 ABC(Artificial Bee Colony)算法更新策略的智能选择。 通过 20 个测试函数和在股票预测方面的应用, 结果显示所提算法表现出较优性能, 能更好地平衡勘探和开发之间的关系, 具有较快的收敛速度和较好的自寻优能力。

针对股价预测中存在的不确定性、 间断性、 随机性和非线性等问题, 提出一种 TRSSA-ELM(Tent Random Walk Sparrow Optimization Algorithm-Extreme Learning Machine)股价预测模型。 首先, 采用自适应 Tent 混沌映射和随机游走策略对算法进行改进, 增强种群多样性和随机性, 提高算法局部和全局的寻优能力。 其次, 使用单峰、 多峰和固定维多峰测试函数对 TRSSA(Tent Random Walk Sparrow Optimization Algorithm)性能进行了验证,相比于 SSA(Sparrow Optimization Algorithm)、AO(Aquila Optimizer)、POA(Pelican Optimization Algorithm)和 GWO(Grey Wolf Optimizer), TRSSA 算法具有更好的收敛速度、 精度和统计性质。 最后, 由于 ELM(Extreme Learning Machine)模型随机生成权重和阈值, 降低了预测精度和泛化能力, 应用 TRSSA 算法优化 ELM 模型的权重和阈值, 并用三安光电股票数据集对 TRSSA-ELM 模型进行了测试。 实验结果表明, TRSSA-ELM 模型相比于 SSA-ELM、ELM、SVR(Support Vector Regression)和 GBDT(Gradient Boosting Decision Tree), 具有更好的预测精度和稳定性。

针对传统的识别表结构方法难以充分学习多行多列合并、 空白、 嵌套单元格等复杂表结构以及提取特征过程中容易出现信息缺失的问题, 提出了一种改进 SLANet(Structure Location Alignment Network)的 OCR(Optical Character Recognition)表结构识别方法。 首先, 利用轻量级 CPU(Central Processing Unit)卷积神经网络并引入注意力机制, 增强网络泛化和解释能力, 将训练得到信息向量输入轻量级高低层特征融合模块中提取特征, 并将输出特征通过特征解码模块对齐结构与位置信息, 得到预测标签。 实验表明, 与 EDD(Encoder -Dual-Decoder)、TableMaster 等模型相比, 该方法准确率有显著提升, 达到 76. 95% , TEDS (Tree-Edit-Distance-based Similarity)

达到 95. 57% , 显著增强了模型识别非常规复杂表结构能力, 为识别表结构提供了一种优化策略。

针对传统图像处理算法对钢铁表面缺陷检测存在识别效率低、 漏检误检率高等问题, 提出了 YOLOv8-DSG(Deformable Convolution Network Squeeze and Excitation Network Generalized Intersection over Union)钢铁表面缺陷检测算法。 在传统 YOLOv8 算法的基础上, 首先在 Backbone 网络的 C2f(Convolution to Feature)模块中嵌入了可变形卷积网络 DCN(Deformable Convolution Network) , 增强了模型在复杂背景条件下的特征提取能力;其次, 在 Neck 网络中引入了 SE( Squeeze and Excitation Network)注意力模块, 突出钢铁表面重要特征信息,提升了特征融合的丰富性; 最后, 利用 GIOU(Generalized Intersection Over Union)损失函数代替原有的 CIOU

(Complete Intersection Over Union) , 相比 CIOU, GIOU 引入了最小包围框面积比率, 可更准确衡量框的重合面积。 实验结果表明, YOLOv8-DSG 算法在 NEU-DET 数据集上平均精度 mAP 达到 80% , 相较于原 YOLOv8算法, 提高了 3. 3% , 且误检、 漏检率低, 具有更高的检测精度和运算效率, 可在质量检测方面发挥重要作用。

针对原始鱼鹰优化算法(OOA: Osprey Optimization Algorithm)易陷入局部最优和寻优速度慢等问题, 提出了一种改进鱼鹰优化算法(L_OOA: An Improved Osprey Optimization Algorithm)。 首先, 为保持种群多样性,采用了 Tent 混沌映射策略初始化种群个体位置。 其次, 通过引入 Levy 策略对鱼鹰的位置进行更新, 提高了鱼鹰优化算法跳出局部最优值的能力, 并在鱼鹰优化算法中引入了螺旋曲线策略, 提升了算法计算精确度。最后, 在 CEC2021(Computational Experimental Competition 2021)测试函数集上与其他智能算法进行了对比实验。结果表明, L_OOA 具有更优的精度和更快的速度。

针对 Tate 对的计算效率优于 Weil 对问题仍然存疑, 有待进一步验证, 以及 Miller 提出的二元群结构参数选择算法属于概率型算法, 算法效率不高的问题, 建立了 Tate 对和 Weil 对执行效率的分析模型, 提出一种利用椭圆曲线的阶是扭曲值的平方关系查找扭曲值参数的新方法。 研究表明, 在扭曲值较小时, Tate 对的计算效率优于 Weil 对, 与已有研究结果一致, 但当扭曲值很大时, Weil 对的计算效率优于 Tate 对, 同时扭曲值参数查找新方法的时间复杂度小于 Miller 方法的时间复杂度 O(M), 相对 Miller 的概率方法, 新方法为确定型方法。

分析和实例验证了分析模型的正确性, 而且新方法极大地提高了参数选择的效率和准确性。

为降低目标钻孔轨迹与实际钻孔轨迹测量结果之间的误差, 提出基于粒子群算法的钻孔轨迹测量误差校正方法, 建立钻孔轨迹计算模型, 确定钻孔倾角、 面向角、 方位角数值, 采集钻孔轨迹数据。 分析钻孔轨迹测量的误差来源, 构建误差传递状态空间模型, 合并历史误差完成钻孔轨迹测量误差的计算。 以钻孔轨迹测量误差最小为目标构建误差校正目标函数, 对粒子的速度与位置进行更新, 并构建适应度函数。 通过不断更新计算适应度函数对目标函数进行求解, 完成钻孔轨迹测量误差的校正。 实验结果表明, 所提方法的各个方向的滚转

角误差仅在 0. 3° ~ 1. 8°间, 且钻孔轨迹与实际值曲线高度拟合, 可有效校正轨迹测量误差, 并能为地下工程的实际勘探工作提供有价值参考。