针对在室内应用超宽带 UWB(Ultra Wide Band)定位技术时, 需要建立高效精确的三维坐标定位系统以 克服信号干扰问题, 应用机器学习方法对其进行了研究。 首先使用多种统计分析模型清理无效或误差测量值; 然后将 TOF(Time Of Flight)算法的先验知识与神经网络、 XGBoost(eXterme Gradient Boosting)算法相结合, 提出 了神经XGB(Exterme Gradient Boosting)三维定位系统, 该系统可通过“正常数据冶和“异常数据冶 (受干扰)以及 4 个锚点的坐标精准预测靶点的坐标值, 能使误差在二维平面降至 5. 08 cm, 在三维空间降至 8. 03 cm; 同时 建立了判断数据是否受干扰的神经网络分类模型, 精确率为 0. 88; 最后通过结合上述系统, 得到了连续且规律 的运动轨迹, 证明了系统的有效性与鲁棒性。

针对微地震信号能量较弱, 噪声较强, 使微地震弱信号难以提取问题, 提出了一种基于 EM-KF (Expectation Maximization Kalman Filter)的微地震信号去噪方法。 通过建立一个符合微地震信号规律的状态 空间模型, 并利用 EM(Expectation Maximization)算法获取卡尔曼滤波的参数最优解, 结合卡尔曼滤波, 可以有 效地提升微地震信号的信噪比, 同时保留有效信号。 通过合成和真实数据实验结果表明, 与传统的小波滤波和 卡尔曼滤波相比, 该方法具有更高的效率和更好的精度。 

目前大多计算卸载策略是在任务整体卸载情况下进行的, 且仅考虑时延或能耗单一指标, 未将二者结合进行优化, 为此, 以任务处理的时延与能耗加权和为优化目标, 提出一种基于强化学习的部分卸载算法。 将单个任务的处理分为本地计算和部分卸载两种方式, 且在部分卸载中引入了变量确定卸载权重, 最后利用强化 学习 Q-learning 完成了所有任务的计算卸载与资源分配。 实验结果表明, 所提算法能有效降低任务处理的时延与能耗。

为更好地使 URLLC( Ultra-Reliable and Low Latency Communications) 与增强型移动宽带业务( eMBB: enhanced Mobile Broad Band)在同一载波频段有效复用, 进一步提升混合业务系统性能, 提出一种基于可扩展 传输时间间隔(TTI: Transmission Time Interval)的动态带宽分配策略。 系统根据业务类型进行带宽动态划分; 时域上提升 URLLC 调度优先级; 频域上采用不同长度的 TTI 进行以用户为中心的无线资源分配。 动态系统级 仿真表明, 在不同程度的负载水平下, 相比传统无线资源分配算法, 该方案能在有效满足 URLLC 用户时延 需求的前提下优化 eMBB 用户的吞吐量消耗, URLLC 用户时延增益最高达到 83. 8% , 提升了 5G 混合业务系统 中不同类型业务的服务质量(QoS: Quality of Service)。

针对传统无源有损积分环路滤波器相较于有源无损积分环路滤波器, 具有功耗低、 电路设计简单等特 点, 但其噪声传输函数(NTF: Noise Transfer Function)平滑, 噪声整形效果较弱的问题, 提出了一种无源无损的 二阶积分环路滤波器, 保留了无源有损积分优点的同时具有良好噪声整形效果。 设计了一款分辨率为 16 bit、 采样率为 2 Ms/ s 的混合架构噪声整形 SAR ADC。 仿真结果表明, 在 125 kHz 带宽、 过采样比为 8 时, 实现了 高信号与噪声失真比( SNDR( Signal to Noise and Distortion Ratio) 为 91. 1 dB)、 高精度(14. 84 bit) 和低功耗 (285u W)的性能。

为标定光交叉芯片驱动电压, 控制光交叉芯片实现光路由功能, 提出并搭建了基于多通道 DAC(Digital to Analog Converter)阵列的控制驱动电路系统。 系统主要由控制系统模块、 多路驱动电路模块及上位机控制 模块构成。 控制电路和驱动电路具有调校简单、 可双极性输出、 输出路数多、 加电精确度较高的特点, 解决 了当前驱动电路工作繁琐、 加电极性单一、 加电路数少、 精度差的问题。 上位机控制模块除了可控制驱动 电路施加控制电压外, 还可接收来自数据采集装置采集到的光功率信号作为控制驱动系统的反馈信号。 通过分析控制电压与光功率之间的关系, 可得到最佳的光交叉芯片控制驱动电压。 系统测试实验结果表明, 该系统能提供高精确度的双极性驱动电压, 有效地对光交叉芯片进行驱动。 可在较短的时间内标定出光 开关的控制电压, 完全可以满足有源光交叉芯片控制中对驱动电压的需求。 该系统在光交叉芯片控制方面具有一定的应用价值。

针对当前设备到设备(D2D: Device-to-Device)通信在车联网端应用时只考虑提高 D2D 的复用模式的资源 利用率或系统遍历容量, 而未将 D2D 的其他模式纳入到系统内的问题, 提出一种兼顾资源分配与模式选择的 算法。 通过优先复用模式的方式提高通信资源利用率, 对不满足复用模式的 D2D 用户对(D-UE: Device-to- device UsErs)采用蜂窝模式, 采取和蜂窝用户(C-UE: Cellular UsErs)相同的方案满足 D-UE 的基础需求, 考虑 D-UE 用户与蜂窝用户和基站(BS: Base Station)距离、 D-UE 间的信噪比等因素对 D-UE 分配不同的资源接入 模式。 理论计算与仿真结果均表明所提资源分配与模式选择方案能有效提升系统容量及 D-UE 的服务质量 (QoS: Quality of Service)。

针对遥控水下机器人(ROV: Remote Operated Vehicle)在水下作业时, 传统滑膜控制( SMC: Sliding Mode Control)方法存在抖振、 稳定性差等问题, 提出一种新型协同控制律, 并设计出一种基于推力矢量分配的 ROV 姿态控制器。 首先, 建立 ROV 运动学和动力学模型, 并解耦动力学模型; 然后, 提出了一种新型协同控制律, 通过构造适当的宏变量使其呈指数收敛, 从而为 ROV 姿态控制系统提供连续的控制律, 达到消除 ROV 姿态控 制系统抖振的目的; 最后, 采用新型协同控制律设计出基于推力矢量分配的 ROV 姿态控制器。 通过Matlab / Simulink 进行仿真, 结果表明, 所提出的新型协同控制律可提高 ROV 姿态控制系统的控制精度与稳定性。 该控制策略为 ROV 姿态控制提供了一种新的可行方案。

为改善板球系统轨迹跟踪控制误差大, 控制精度低的问题, 提出了一种基于微分平坦的板球系统反步 滑模控制方法。 首先基于欧拉-拉格朗日方程建立板球系统的运动学模型, 通过合理简化得到解耦线性状态 空间模型。 以 X 轴方向控制器设计为例, 利用微分平坦技术获得系统的目标状态量以及前馈控制量, 建立误差 系统, 进而采用反步法实现对误差系统的滑模控制, 利用李雅普诺夫稳定性理论证明了闭环系统的稳定性。 算法中使用双曲正切函数抑制滑模的抖动, 实现了对板球系统的轨迹高精度跟踪控制。 仿真实验结果表明, 该方法控制精度高, 具有良好的控制效果。

针对电动汽车直流充电桩故障多发且难以精准诊断的问题, 提出一种基于改进反向传播神经网络(BP: Back Propagation)的充电桩故障诊断方法。 首先, 对充电桩的运行数据集归一化、 缺失值填充等预处理, 将 处理后的数据集输入 BP 模型中进行训练; 其次, 引入基于蝴蝶优化算法改进的麻雀搜索算法, 对 BP 模型的权 值和阈值进行寻优, 得到最优化模型; 最后, 基于优化后的 BP 模型对充电桩的故障状态进行诊断。 仿真结果 表明, 在平均绝对误差、 平均绝对百分比误差、 均方根误差等方面均具有良好的计算优势, 相比传统 BP 算法 的诊断精度, 所提出的改进 BP 方法提升了 14. 85% , 能较为准确地诊断充电桩的状态, 为电动汽车故障诊断 提供有力保障。

针对传统 SMO( Sliding Mode Observer)在开关函数切换过程中存在抖振现象, 提出一种利用饱和函数 代替开关函数的新型滑模观测器削弱抖振, 并在位置信息提取过程中选用锁相环代替传统的反正切方法, 从而 提高对 PMSM(Permanent-Magnet Synchronous Motor)转子位置的观测精度。 在 Matlab 环境下, 通过传统和新型 SMO 的对比, 可观察到转子的转速误差提高了大约 14 r/ min, 转子位置误差提高大约 0. 03 rad。

为了能清晰理解互斥量对共享资源的独占访问原理与机制, 在简要分析实时操作系统的互斥量的含义、 应用场合、 调度机制以及关键要素作用的基础上, 对 mbedOS 互斥量调度机制进行了理论剖析。 以 KL36 芯片 为例对 mbedOS 的互斥量进行了实践, 基于时序图采用 printf 方法直观地输出了线程响应互斥量的调度过程信 息, 并对互斥量调度机制的实时性能进行分析。 通过对互斥量调度机制的剖析, 有助于进一步分析 mbedOS 的 其他同步与通信方式, 也可为深入理解其他实时操作系统的同步与通信手段提供参考借鉴。

为保证电力应急物资及时配送, 使其可快速恢复供电, 减少经济损失, 以地理信息系统为基础, 提出 电力应急物资配送路径的规划方法。 先基于 GIS(Geographic Information System)地理信息系统中的 Map X 组件, 构建地理空间数据预处理模型, 然后根据处理后数据, 建立配送路径规划数学模型与约束条件, 最后融合遗传 算法、 爬山算法与蚁群算法, 循环运算数学模型, 取得最优配送路径。 实验以某次电力设备突发事件为背景, 当满足物资需求时, 规划路径在道路状况正常与非正常条件下的配送时间各减少 14 min 和30 min, 成本分别 减少10. 9 元和 5. 09 元, 证明所设计的规划方法具有显著优越性。

针对在虚拟网络布局过程中, 存在大量重复特征与相关性较少的特征, 影响其布局效率的问题, 提出了 大数据消冗技术下虚拟网络聚类特征层次布局算法。 利用加权无向图方式建立虚拟网络图, 通过社团划分 虚拟网络社团结构, 在保持原有特征不变的前提下, 最大限度消除虚拟网络聚类特征, 得到相关性较大特征; 根据库伦力的斥力增加各社团之间距离, 采用胡克定律的引力缩小网络节点与中心点之间距离, 结合共轭梯度 (FR: Flecher-Reeves)算法调整虚拟网络聚类特征层节点的斥力与引力之间关系, 实现层次布局算法。 实验 结果表明, 所提算法能更加清晰展现出各社团内部结构特征, 且布局用时最短。

针对油气物联网(OGIoT: Oil and Gas Internet of Things) 连接设备的数量暴增导致边缘计算(EC: Edge Computing)系统中的边缘节点算力不足, 且难以有效识别其他边缘节点的恶意攻击而导致的服务崩溃问题, 提出针对油气物联网数据污染检测改进的高效机器学习算法(EMLDI: Efficient Machine Learning Method for Improved Data Contamination Detection of Oil and Gas IoT), 解决了因边缘节点鲁棒性不强, 数据失真或遭到轻度 质变导致边缘节点运算结果波动大且不准确问题。 通过随机选择批量样本加入高斯噪声(GN: Gaussian Noise) 扩充数据集训练网络, 使网络具有更宽泛的数据拟合能力和预测能力, 解决了数据被严重破坏时边缘节点难以 实施正确运算导致系统性崩溃问题。 实验结果表明, 该算法能更有效地识别噪声污染以及随机标签污染的 样本, 并且算法在规定的训练批次内能达到最好的效果。

针对不完整大数据因其自身结构具有不规则性, 导致在进行缺失值插补时计算量大、 插补精度低的 问题, 提出空间自回归模型下不完整大数据缺失值插补算法。 利用迁移学习算法在动态权重下过滤出原始数 据中冗余数据, 区分异常和正常数据, 提取残缺数据, 采用最小二乘回归对残缺数据实施修补。 将缺失值插补 分为 3 种类型, 分别为一阶空间自回归模型插补、 空间自回归模型插补和多重插补法。 根据实际情况将修补后 数据插补到合适的位置, 实现不完整大数据缺失值插补。 实验结果表明, 所提方法具有良好的缺失值插 补能力。

为解决由于固定温度 SAC(Soft Actor Critic)算法中存在的 Q 函数高估可能会导致算法陷入局部最优的 问题, 通过深入分析提出了一个稳定且受限的 SAC 算法( SCSAC: Stable Constrained Soft Actor Critic)。 该算法 通过改进最大熵目标函数修复固定温度 SAC 算法中的 Q 函数高估问题, 同时增强算法在测试过程中稳定性的 效果。 最后, 在 4 个 OpenAI Gym Mujoco 环境下对 SCSAC 算法进行了验证, 实验结果表明, 稳定且受限的 SAC 算法相比固定温度 SAC 算法可以有效减小 Q 函数高估出现的次数并能在测试中获得更加稳定的结果。

由于动态负载均衡是保证数字集群系统正常运行中不可缺少的环节, 但其在控制过程中存在易受通信 故障等因素的干扰问题, 为此提出基于 Kent 映射的数字集群动态负载均衡算法。 通过基于云平台的虚拟机系 统采集数字集群的节点连接数、 响应时间、 动态负载等信息, 分析数字集群系统的负载情况。 其次构建数字集 群资源利用率模型, 通过基于 Kent 映射的灰狼算法对模型求解得到数字集群的资源利用率。 最后将资源利用 率输入 LQR(Linear Quadratic Regulator)控制回路器中, 通过控制服务器的迁移实现数字集群的动态负载均衡。 实验结果表明, 所提算法处理后的数字集群响应时间短、 适应度值大、 容错能力强。

为使风电并网过程中电流、 电压、 频率、 相位等参数保持一致, 提高风电并网安全性和稳定性, 提出 一种基于寻优算法的风电并网变流器控制参数辨识方法。 建立风电并网变流器控制模型, 根据电力电压支撑 情况变更 PI(Proportional Integral)调节器的功率控制指令。 利用微分函数方程, 设置 PI 调节器控制条件, 计算 复频域的函数关系, 明确调节积分系数逻辑关系。 通过控制传递函数得出控制参数的可辨识性, 分析参数控制 输出值以及特性数据, 最终完成控制参数的寻优辨识结果。 实验结果表明, 所提方法在多种环境下均能完成控 制参数的辨识, 辨识误差小, 准确度高。

为了更好地利用深度学习框架防范安卓平台上恶意软件攻击, 提出了一种新的应用程序可视化方法, 从而弥补了传统的采样方法存在的信息损失问题; 同时, 为得到更加准确的软件表示向量, 使用了 Swin- Transformer架构代替传统的卷积神经网络(CNN: Convolutional Neural Network)架构作为特征提取的主干网络。 实验采用的数据集中的样本来自 Drebin 与 CICMalDroid 2020 数据集。 研究结果表明, 新提出的可视化方法 优于传统的可视化方法, 检测系统的准确率达到 97. 39% , 具有较高的恶意软件识别能力。

针对目前人们只是从理论上提出了针对知识图谱外延简洁性评估指标, 并没有给出针对该指标规范的 评估方法及流程问题, 对知识图谱外延简洁性评估方法进行了研究, 提出了支持中英文混合知识图谱外延简洁 性评估的新方法。 该方法定义了从总体层面进行分组以及分别对头实体、 关系和尾实体进行评估的公式, 同时 为保障评估的准确性, 定义了句子层面的评估公式。 最后, 将 4 种评估公式联合, 得到了对知识图谱外延简洁 性指标进行评估的算法。 为验证所提出算法的准确性和性能, 利用开放数据集 OPEN KG(Knowledge Graph), 对提出的算法和相关的算法进行了评估与比对, 结果验证了本算法对中英文混合知识图谱简洁性评估方面的 准确性、 时间效率都具有一定的保障, 综合性能高于相关的算法。

针对目前 BNN(Binarized Neural Network)剪枝方法存在剪枝比例低、 识别准确率显著下降以及依赖训练 后微调的问题, 提出了一种基于三值向二值演化的滤波器级的 BNN 剪枝方法, 命名为 ETB( Evolution from Ternary to Binary)。 ETB 是基于学习的, 通过在 BNN 的量化函数中引入可训练的量化阈值, 使权重和激活值 逐渐从三值演化到二值或零, 旨在使网络在训练期间自动识别不重要的结构。 此外, 一个剪枝率调节算法也被 设计用于调控网络的剪枝率。 训练后, 全零滤波器和对应的输出通道可被直接裁剪而获得精简的 BNN, 无需 微调。 为证明提出方法的可行性和其提升 BNN 推理效率而不牺牲准确率的潜力, 在 CIFAR-10 上进行实验: 在 CIFAR-10 数据集上, ETB 对 VGG-Small 模型进行了 46. 3% 的剪枝, 模型大小压缩至 0. 34 MByte, 准确率为 89. 97% , 并在 ResNet-18 模型上进行了 30. 01% 的剪枝, 模型大小压缩至 1. 33 MByte, 准确率为 90. 79% 。 在 准确率和参数量方面, 对比一些现有的 BNN 剪枝方法, ETB 具有一定的优势。

针对内部网络安全威胁节点成因多、 特征难捕捉问题, 提出一种基于 XGBoost 算法的内部网络安全威胁 检测方法。 以内部网络社区间的状态差异作为指标, 计算不同社区类型内节点的边权重, 查找与目标值存在 关联性的节点。 经多次分配提取特征值, 将其作为初始值输入 XGBoost 决策树中, 构建威胁性特征目标函数, 求解每个节点对应的泰勒系数, 实现内部网络安全威胁检测。 实验结果表明, 所提方法特征提取精准度高, 在 多种网络攻击条件下均能实现精准检测。

针对数字信息产生的海量、 多角度的非结构化大数据, 由于外界干扰、 数据结构损坏等因素造成其信息 丢失问题, 提出了基于迁移学习的非结构化大数据缺失值插补算法。 通过迁移学习算法, 预测非结构化大数据 缺失部位, 利用朴素贝叶斯算法分类数据特征, 度量属性间权重值, 明确数据类别特征差异向量, 辨别特征 差异程度。 采用核回归模型对数据缺失部分实施非线性映射, 经过多项式变化编码, 描述数据的跨空间互补条 件, 完成非结构化大数据缺失值插补。 实验结果表明, 所提算法可以有效完成非结构化大数据缺失值插补, 具有较好的插补效果, 能提高插补精度。

为提高传统目标检测的识别效果和准确率, 并加快运算速度, 提出了一种具有更强大特征学习和特征 表达能力的卷积神经网络(CNN: Convolutional Neural Network)模型和相关的深度学习训练算法, 并将其应用于 计算机视觉领域的大规模识别任务。 首先详细分析了传统目标检测算法, 如 V-J(Viola-Jones) 检测器、 HOG (Histogram of Oriented Gradients)特征结合 SVM(Support Vector Machine)分类器和 DPM(Deformable Parts Model) 检测器的特点。 然后提出了深度学习算法, 如 RCNN(Region-based Convolutional Neural Networks)算法和 YOLO (You Only Look Once)算法, 并分析了其在目标检测任务中的应用现状。 针对倒地检测任务, 使用 YOLOv5 (You Only Look Once version 5)模型对不同身高体型目标人群的行为进行训练。 通过使用不同的交并比( IOU: Intersection over Union)、 准确率(Precision, P)、 召回率(Recall, R)和 PR 曲线等评估指标, 对 YOLOv5 模型进 行了分析, 评估了其在检测站立和倒地两种活动方式的实际效果。 同时通过预训练和增强处理, 增加了训练样 本数量并提高了网络的识别准确率。 实验结果表明, 倒地识别率达到了 86% 。 可将其应用于灾区探测救援类 机器人的设计中, 以辅助识别和分类受伤倒地人员, 提高灾区救援效率。