针对变分模态分解(VMD: Variational Mode Decomposition)算法在分解信号时参数选择不准确导致降噪效果不理想的问题, 提出一种改进的蜜獾优化算法(LHBA: Levy Honey Badger Algorithm)与 VMD 结合的降噪算法。首先, 利用 LHBA 算法优选 VMD 的分解模态数 K 和惩罚因子 α; 其次, 利用优化后的参数进行 VMD 信号 分解; 最后, 计算各模态分量与原始信号之间的豪斯多夫距离(HD: Hausdorff Distance), 选取有效模态分量 进行信号降噪处理。 实验结果表明, 该算法与 HBA(Honey Badger Algorithm)-VMD、 GA(Genetic Algorithm)- VMD 和 PSO(Particle Swarm Optimization)-VMD 相比, 其 4 种评价指标均优于其他对比算法, 具有较好的降噪效果, 验证了该算法的有效性和先进性。

针对“误差理论与数据处理冶课程理论性强, 计算公式多, 而传统教学中存在重理论、轻实践问题, 基于 Matlab APP(Application) Designer, 设计了综合性实验系统 APP。 分别实现了随机误差、系统误差和粗大误差等基本概念和最小二乘拟合等典型算法的快速实现和可视化。 同时, 依托“地面核磁共振冶实际工程数据, 设计了系统误差和粗大误差的去除方法。 该综合性实验平台不仅能培养学生的应用能力, 还能使科研与教学有机结合, 便于学生理解和掌握抽象概念, 提高学生的学习兴趣。 

为解决非线性板球系统滑模控制中出现的抖振现象以及轨迹跟踪过程中多扰动问题, 提出了一种基于 三步法的滑模控制方案。 首先, 建立板球系统状态空间模型, 设计滑模控制律克服系统存在的不确定性扰动; 其次, 将三步法控制规律与滑模控制算法相结合, 设计三步法滑模控制器, 避免了滑模控制中存在的抖振 现象; 最后, 通过李雅普诺夫函数证明了闭环控制系统的稳定性。 对比仿真实验结果进一步验证该方法在轨迹 跟踪控制中的有效性。 

针对主机在具有延迟响应特征的入侵数据时, 对现有判断模式与延迟数据存在关联度失联的情况, 导致 主机安全防护存在节点间数据关联置信度判断失真, 入侵检测失败的问题, 提出一种入侵数据关联置信度判断 方法。 在主机安全防护框架下, 采用主机防火墙数据包过滤技术对异常数据进行剔除; 采用分布式部署的方式 将安全节点放置于主机内, 并利用数学模型技术进行入侵攻击检测; 通过对正常数据间的关联进行分析, 确定 数据间的关联置信度, 进而完成入侵判断。 实验结果表明, 通过对主机安全防护系统进行具有延迟特征的 病毒、 木马攻击成功次数测试、 数据包监测所用时间测试和功能覆盖率测试, 验证了该系统的安全性和 有效性。 

由于光伏阵列在局部阴影情况下输出功率呈多峰值状态, 而传统最大功率点追踪( MPPT: Maximum Power Point Tracking)控制无法解决多峰问题, 会陷入局部最优, 影响光伏发电效率, 为此, 提出一种复合算法 应用于光伏最大功率点追踪。 该方法将麻雀算法的初始种群进行优化, 结合反向学习策略, 加强了算法的全局 搜索能力。 当搜索到光伏发电最大功率点附近转换成扰动观察法, 利用其快速收敛的特性快速搜索至最大 功率点。 利用 Simulink 仿真与硬件实验, 验证所提出复合算法的全局搜索能力和快速收敛能力, 与麻雀算法、 扰动观察法相对比, 复合算法的准确性和快速性具有显著提升。

针对传统的人工势场法在移动机器人路径规划中存在的目标不可达和局部极小值问题, 提出了一种改进的人工势场法。 首先, 对目标点附近有障碍物时由于斥力较大, 机器人难以到达目标点的问题, 在势场中引入了安全距离因子, 并对该参数进行了优化, 从而使机器人与障碍物保持合适的距离, 顺利到达目标点。 其次, 为解决局部极小值问题, 引入了局部极小值判别条件, 并在触发该条件时对局部极小区域进行绕行, 使机器人顺利到达目标点。 仿真结果表明, 改进后的算法在不同数量的障碍物地图环境下运行, 有较强的鲁棒性, 所提出的算法可以使机器人在 U 型障碍物环境中绕过局部极小值区域, 成功解决了移动机器人路径规划中的 局部极小值问题。

为提高短期电力负荷预测精度, 提出了基于变分模态分解(VMD: Variational Mode Decomposition)的 CNN-BiLSTM-Att( Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention) 的 短 期 负 荷 预测模型。 该模型将历史的负荷数据使用 VMD 分解成多个子序列负荷并结合天气、 日期、 工作日类型等 因素作为输入特征, 得到各个子序列负荷的预测值, 然后相加重构组成实际负荷预测曲线。 通过与其他 模型实验对比, VMD-CNN-BiLSTM-Att 模型在测试集上相比于其他模型均有所降低, 在连续的周负荷预测 中, 日负荷预测的平均绝对百分比误差基本维持在 1% ~ 2% 之间。 在复杂负荷变化的非工作日中, 平均 绝对百分比误差相比 CNN-LSTM 降低 0. 13% 。 证明 VMD-CNN-BiLSTM-Att 短期负荷预测模型能提高电力 负荷预测的精度。 

为解决传统虚拟同步发电机(VSG: Virtual Synchronous Generator)电压电流双闭环控制的抗扰动性能差, 受系统参数变化及各种不确定影响较大等问题, 在建立微电网 VSG 转动惯量自适应控制模型的基础上, 采用 一种基于跟踪微分器的非线性 PID(Proportion Integration Differentiation)实现电压外环和电流内环的控制, 并 根据输出信号的反馈值实时调节系统动态响应, 从而达到稳定输出的效果。 通过仿真验证了基于非线性 PID 的微电网虚拟同步发电机双闭环控制的正确性和有效性。 

针对现有通信工程类专业课程实验大多以仿真为主, 软硬件开发等实操类实验项目不足的问题, 设计了 一套基于手机相机的可见光成像通信实验系统。 该系统利用上位机编辑信息, 通过 STM32 单片机驱动放大 电路, 控制条形 LED(Light Emitting Diode)的高频闪烁, 实现信息的调制和传输。 采用手机相机作为接收器, 基于 Android Studio 开发手机应用程序, 实现条带信息采集、 解调和解码等功能, 并实时显示发布信息。 系统 融合嵌入式软硬件开发、 Android 开发等实用型技术, 激发学生的学习兴趣。 搭建的实验平台逐步实现编码、 调制、 传输、 解调和解码, 使学生对可见光通信原理有深入的理解, 有助于专业教育理论课程的学习。 

为更好地保护生态环境并提高可回收垃圾的经济价值, 针对现有的垃圾识别方法面临的分类背景复杂、 垃圾目标形态变化多样等问题, 提出一种面向垃圾图像分类的残差语义强化网络, 能从复杂背景中剥离前景 语义目标。 该网络以骨干残差网络为基础, 利用视觉概念采样、 推理以及调制模块实现视觉语义的提取, 并通过注意力模块消除语义层次和空间分辨率与视觉概念特征的差距, 从而对垃圾目标形态变化更加具有 鲁棒性。 通过在 Kaggle 开源的 12 分类垃圾数据集及 TrashNet 数据集上进行实验, 结果表明, 相较于骨干网络 ResNeXt-50 和其他深层网络, 该算法均取得了性能的提升, 在垃圾图像分类任务上有较好表现。

 针对视觉 SLAM( Simultaneous Localization and Mapping) 在真实场景下出现动态物体( 如行人, 车辆、 动物)等影响算法定位和建图精确性的问题, 基于 ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping 3)提出了 YOLOv3-ORB-SLAM3 算法。 该算法在 ORB-SLAM3 的基础上增加了语义线 程, 采用动态和静态场景特征提取双线程机制: 语义线程使用 YOLOv3 对场景中动态物体进行语义识别目标检 测, 同时对提取的动态区域特征点进行离群点剔除; 跟踪线程通过 ORB 特征提取场景区域特征, 结合语义信 息获得静态场景特征送入后端, 从而消除动态场景对系统的干扰, 提升视觉 SLAM 算法定位精度。 利用 TUM (Technical University of Munich)数据集验证, 结果表明 YOLOv3-ORB-SLAM3 算法在单目模式下动态序列相比 ORB-SLAM3 算法 ATE(Average Treatment Effect)指标下降30% 左右, RGB-D(Red, Green and Blue-Depth)模式下 动态序列 ATE 指标下降 10% , 静态序列未有明显下降。

 针对传统语言模型不能解决深层双向表征和分类模型不能充分捕获文本显著特征的问题, 提出了一种基 于 BERT-BiGRU-CNN( Bidirectional Encoder Representation from Transformers-Bidirectional Gating Recurrent Unit- Convolutional Neural Networks)的文本分类模型。 首先, 该模型使用 BERT 预训练语言模型进行文本表示; 其次, 将 BERT 的输出数据输入 BiGRU 中, 以捕获文本的全局语义信息; 然后, 将 BiGRU 层的结果输入 CNN 中, 捕获文本局部语义特征; 最后, 将特征向量输入 Softmax 层得到分类结果。 实验采用中文新闻文本标题数据集, 结果表明, 基于 BERT-BiGRU-CNN 的文本分类模型在数据集上的 F1 值达到 0. 948 5, 优于其他基线模型, 证明 了 BERT-BiGRU-CNN 模型可提升短文本的分类性能。

为解决养殖户很难监测到自己养殖鱼类的行为状态与投料反馈的问题, 针对大型半潜平台“澎湖冶号网 箱养殖鱼群进行了昼夜连续的被动声学监测。 结合昼夜时频分析结果, 获得人工投料、 投料机自动投料，外来船舶惊扰及深夜安静状态等 4 个时段的噪声频带及声压级分布特性。 时频分析结果显示大范围自动投料下测 得的鱼群活跃度明显高于其他状态, 相对海洋环境背景噪声的声强度高出 30 dB 左右。 外来船舶惊扰时测得的 鱼群噪声强度高出人工投料时刻 9 dB 左右。 深夜鱼群处于安静状态, 鱼群活跃度最低, 噪声声压级约为 70 ~ 75 dB。 通过变分模态分解(VMD: Variational Mode Decomposition)对时域信号进行模态分解, 获得 Hilbert 谱分析显示: IMF1 为鱼群拍打和泳动噪声高频噪声分量, IMF2 为金鲳鱼摄食及活动噪声, 频带位于 1 100 ~ 3 000 Hz。 石斑鱼进食及活动噪声频带为 300 ~ 1 100 Hz, 是第 3 阶 IMF(Intrinsic Mode Function)分量的主要构成。 希尔伯特边际谱在 600 ~ 700 Hz 频带范围内出现峰值, 鱼群的生物噪声能量占比最高。 研究海洋鱼群发声特性、行为状态与环境背景关系, 预期为投饵调控、 海上施工及网箱养殖鱼群种群分类研究提供基础。 

为实现低资源嵌入式设备的图像分类识别, 针对能实现简单图像识别任务、对图像识别准确率要求不 高, 且要求低成本的场景, 将卷积神经网络(CNN: Convolutional NeuralNetwork)部署到资源受限的微控制器单元(MCU: Microcontroller Units)上。 首先提出一种在资源受限 MCU 上的轻量化部署策略: 为降低模型的参数量, 提出一种轻量化的神经网络算法; 为保证模型大小能适应有限的随机存取存储器(RAM: Random Access Memory), 提出了一种基于闪存(FLASH: Flash Memory)扇区的替存储算法。 其次, 在资源受限的嵌入式设备上部署该策略。 针对采集图像的质量和采集速度不匹配问题, 设计了摄像头外围电路; 对采集图像进行基于高斯分布的自适应阈值二值化处理并对图像样本完整性进行校验。 实验结果表明, 该系统取得大约 80% ~ 89% 的 识别准确率。 虽然该准确率低于训练精度 10% 左右, 但在上述对精度要求不高的实际场景中可以较好地应用。

为解决摄像头监拍煤矿输送皮带上矿料分布情况时, 存在的光照条件不稳定、 扬尘等干扰因素, 从而 导致直接对摄像头画面应用二值化获得矿料分布效果不稳定, 容易出现漏检的问题, 提出了一种基于 Cycle GAN(Cycle Generative Adversarial Networks)图像增强的输送皮带洒料检测技术。 首先利用摄像头采集的煤矿 输送皮带图像作为输入, 经过 Cycle GAN 进行图像增强; 然后采取二值化方法进行图像分割, 准确获取输送 皮带洒料的目标区域; 最后采用阈值法和形态学处理对输送皮带洒料区域进行判断和检测。 实验结果表明, 该技术能有效地监测输送皮带上的洒料情况, 并且在传统监测方法的基础上可提高监测准确率。

针对目前不平衡大数据分类算法分类效果较差的问题, 提出基于随机森林模型的不平衡大数据分类 算法。 首先采用 SVM( Support Vector Machine) 支持向量机算法对不平衡大数据进行信息过滤, 然后利用反 k 近邻法检测并消除离群点, 通过增量主成分分析法去掉不平衡大数据中协方差矩阵存在的奇异性, 并依据 熵值法对其展开权重解析, 进而提取不平衡大数据特征信息。 将 CART(Classification and Regression Trees)决策 树当作不平衡大数据的基分类器, 进而构建随机森林决策树分类器, 最后将提取的不平衡大数据特征信息输入 分类器中, 实现不平衡大数据分类。 实验结果表明, 该算法对不平衡大数据的采样效果较好, 并且分类精准 度、 稳定性和性能都较高。 

针对暴力破解攻击使网络安全面临重大风险问题, 提出了开源网络空间大数据暴力破解攻击识别算法 设计方案。 构建开源网络空间数据信息模型, 求出参变量矢量的集合, 优化模型变量计算结果。 基于蚁群算法 将特征优化变换成路径搜索问题, 先将网络暴力破解攻击特征当做是蚂蚁要访问的一个位置, 再选择明确状态 转移概率, 将部分搜索细化, 获得全局最优特征。 利用信息增益法度量特征, 求出数据集中各特征信息的 增益, 通过计算单一数据集中间值的函数, 测量样本差异性, 降低数据集合中的离群值, 并与阈值比较识别出 攻击行为。 实验结果表明, 所提算法能精准识别网络暴力破解攻击, 识别率保持在 95% 以上, 且误报率较低、 识别效果最佳。

由于光网络中的路径跳数过多或距离偏大, 使寻找可用的频谱资源难度增加, 导致光网络动态频谱利用 率降低、 网络效益较少且阻塞率较高, 为此, 提出基于蛙跳博弈优化算法的光网络动态频谱分配方法。 采用 OHM(Optimized Link State Routing Protocol using the Highway Model)路由算法, 选择与业务请求对应, 且满足跳 数最小、 调制等级最高的候选路径, 找到可用的频谱资源。 根据获取的频谱资源, 在光网络中将最大频隙号在 所有链路中最小作为目标, 构建光网络动态频谱分配的目标函数。 并在约束条件下, 采用蛙跳博弈优化算法对 目标函数求解, 获取的解即为光网络动态频谱分配最优结果。 实验结果表明, 该方法的阻塞率低、 频谱利用率 高、 网络收益高, 具有实用性。

针对目前网络数据平面存在僵化现象, 导致网络中数据流不均衡的问题, 提出了一种基于数据平面可 编程的负载均衡算法。 首先通过带内网络遥测( INT: In-band Network Telemetry)技术获取网络实时状态信息, 然后利用提出的 BD-ECMP(Bandwidth and Delay Equal-Cost Multi-Path Routing)算法选择数据流的最佳传输路径。 采用编程协议无关的包处理器(P4: Programming Protocol-Independent Packet Processors) 语言对 SDN 网络数据 平面的数据流进行优化处理, 从而实现网络负载均衡。 仿真实验结果表明, 与传统 ECMP 算法相比, BD-ECMP 算法在平均流完成时间、 网络吞吐量及网络丢包率等方面具有明显优势。

为保证网络访问稳定, 减少资源浪费, 提出了基于节点实时负载的开源大数据负载均衡优化算法。 建立 开源大数据节点计算能力模型, 按照节点负载大小及时反馈和调整, 根据该区域服务器收到的请求数量预测 下一步行动, 利用指数平滑方法算出每秒服务器请求数量的预测值, 完善一阶指数平滑法滞后偏差问题, 计算 服务器综合负载。 在节点上添加一个负载代理和监控器, 用于平衡组块的数目和分片节点负载, 并将不能删除 的分片和组块放入最小单元候选名单, 实现负载均衡优化。 通过实验证明, 所提算法能提高网络资源利用率和 负载均衡性, 在访问中保证网络更加稳定安全。

针对入侵检测数据集存在类别不平衡问题, 提出了系统化数据预处理与混合采样相结合的网络入侵检测 算法。 根据入侵检测数据集的特征分布, 对特征值进行系统化处理。 首先对 Proto、Service 和 State 3 个类别 特征, 合并每类特征中样本数较少的取值, 以降低独热编码的维度; 然后依据数值分布将其中 18 个极端分布 的数值特征进行对数处理后再执行 Z-score 标准化。 设计了 Nearmiss-1 欠采样与 SMOTE(Synthetic Minority Over- sampling Technique)过采样相结合的类别不平衡处理技术, 将训练集中每类样本按照 Proto、Service 和 State 类别 特征分成子类, 对每个子类进行等比例欠采样或过采样。 建立了入侵检测模型 PSSNS-RF(Nearmiss and SMOTE based on Proto, Service, State-Random Forest), 在 UNSW-NB15 数据集上的多分类检出率达到 97. 02% , 解决了 数据不平衡问题, 显著提高了少数类的检出率。

针对公共计算机实验室课时和上课学生数量众多的问题, 自主开发了一套公共计算机实验室信息化 系统。 该系统包括学生端、 教师端与服务器 3 部分。 学生端是一个基于 Python 的桌面程序。 教师端与服务器 实现在同一个由 JSP(Java Server Pages)编写的 Web 工程里。 在功能上划分为学生签到、 失物招领和意见反馈 3 个基础模块, 同时集成了其他常用功能。 应用结果表明, 该系统能利用信息化手段为学生在实验室学习提供 便利, 真正落实了“以学生为本冶的教学理念。

为解决基于 RNN(Recurrent Neural Network)的序列推荐模型在处理长序列时易出现梯度消失或爆炸从而 导致推荐模型训练过程不稳定问题, 在传统门控循环单元(GRU: Gated Recurrent Unit) 基础上, 引入了残差 连接、 层归一化以及前馈神经网络等模块, 提出了基于深度残差循环神经网络的序列推荐模型 DeepGRU。 并 在 3 个公开数据集上进行了验证, 实验结果表明, 该 DeepGRU 相较于目前最先进的序列推荐方法具有明显的 优势(推荐精度平均提升 8. 68% )。 消融实验验证了引入的残差连接等模块在 DeepGRU 框架下的有效性。 并且, 该 DeepGRU 有效缓解了在处理长序列时训练过程不稳定的问题。 

针对传统人工识别心电信号方法存在工作量大、 容易出错和现有心电监测设备仍然存在心电信号识别 类型少、 诊断精度不高、 过度依赖于网络服务等问题, 为提高心电监测设备性能, 基于深度学习技术设计了 心电信号 ECG(Electrocardiogram Signals)分析检测系统。 通过搭建 SENet-LSTM(Squeeze-and-Excitation Networks- Long Short Term Memory)网络模型实现心电信号 7 分类的自动诊断, 模型建立在一个采用 ADS1292R 作为心电 采集模块, STM32F103 作为数据处理模块, 树莓派作为中央处理模块的智能化硬件平台上, 该系统利用一体化 的高性能微型计算机树莓派进行计算分析, 为用户提供离线化的人工智能(AI: Artificial Intelligence) 服务, 同时模型的准确度和精确度分别为 98. 44% 和 90. 00% , 从而实现 ECG 的实时检测和准确分类, 为患者提供 精准的病情诊断。