为提高频率选择表面的性能,使其可精确控制电磁波在微波频段下的传播特性,实现对电磁波的反射、 透射或吸收,设计了一种微波频段小型化频率选择表面。 该频率选择表面单元尺寸为0.024λ x 0.024λ,小型化 性能良好。 在1~10 GHz范围内有3个通带, 具有极好的极化稳定性和角度稳定性,可保持工作频率和带宽 不变, 传输性能良好。 该研究结果可作为频率选择表面分析的依据,为其小型化设计提供思路。

 针对在局部阴影条件下, 光伏阵列的功率-电压特性曲线呈现多个峰值,传统群体智能优化存在收敛 速度慢、振荡幅度大和易陷入局部最优等问题,提出一种基于PSO-GWO(Particle Swarm Optimization-Grey Wolf Optimization)算法的 MPPT(Maximum Power Point Tracking)控制方法。 该算法引入余弦规律变化的收敛因子, 平衡GWO算法的全局搜索与局部搜索能力;引入PSO算法,提高灰狼个体与自身经验之间的信息交流。 仿真 结果表明,提出的PSO-GWO算法在局部阴影条件下不仅能快速收敛,而且功率输出震荡幅度更小,有效提升 了局部遮阴条件下光伏阵列的最大功率跟踪效率和精度。 

针对自动驾驶在通过无信号灯交叉口由于车流密集且车辆行为随机不确定的问题, 提出一种基于 MAPPO(Multi-Agent Proximal Policy Optimization)算法的无信号灯交叉口自动驾驶决策方案。 通过 MetaDrive 仿真环平台搭建多智能体仿真环境,并且设计了综合考虑交通规则、安全到达或发生碰撞等安全性以及交叉口 车辆最大、最小速度等车流效率的奖励函数,旨在实现安全高效的自动驾驶决策。 仿真实验表明,所提出的自 动驾驶决策方案在训练中相较于其他算法具有更出色的稳定性和收敛性,在不同车流密度下均呈现出更高的 成功率和安全性。 该自动驾驶决策方案在解决无信号灯交叉口环境方面具有显著潜力,并且为复杂路况自动 驾驶决策的研究起到促进作用。 

为解决油田开发指标的预测问题,提出了一种基于物质平衡方程和Informer的融合模型。 首先, 通过 物质平衡方程领域知识建立油田开发产量递减前后的机理模型;其次,将所建机理模型作为约束与Informer 模型损失函数进行融合建立符合油田开发物理规律的指标预测模型;最后,采用油田实际生产数据进行实验 分析, 结果表明相比于纯数据驱动的几种循环结构预测模型,本融合模型在相同数据条件下的预测效果更优。 该模型的机理约束部分能引导模型的训练过程,使其收敛速度更快,且波峰波谷处的预测更准确。 该融合模型 具有更好的预测能力和泛化能力和比较合理的物理可解释性。

为解决传统JPS(Jump Point Search)算法的拐点多和路径次优等问题, 提出一种改进的跳点搜索算法。 首先, 根据地图可行率,对障碍物进行适应性膨胀,以保障安全距离;其次,结合方向性因素对启发函数进行 调整, 显著提高了路径搜索的目的性;最后,提出了一种能剔除冗余节点的关键点提取策略,优化了初始规划 后的路径, 在保证路径最短的同时,显著减少了拓展节点和拐角。 实验结果表明,与传统的JPS算法相比, 所提算法能缩短路径长度并减少拐角数量,同时拓展节点数量平均减少19%,搜索速度平均提升21.8%。 

为提高油田污水系统故障诊断的智能化水平和准确性,利用卷积神经网络以及长短期记忆网络构建复合 神经网络,并采用Adam与随机梯度下降法对结构进行优化, 使模型收敛速度以及故障诊断精度得到提升。 通过相关实验研究结果表明,采用的优化算法使模型准确度提升至0.87左右, 模型诊断损失率降至0.032 左右;复合神经网络结构的平均检测精度达到0.888,准确值达到0.883, 召回率达到0.789。 将复合神经网络 应用于油田污水系统故障诊断中, 使油田污水系统实现智能故障检测, 并能降低经济成本, 益于智慧油田 建设。

针对蜣螂优化算法存在易陷入局部最优、全局探索和局部开发能力不平衡等问题,为提升蜣螂优化算法 的寻优能力,提出一种混合策略的蜣螂优化算法。 采用Sobol序列初始化种群,以使蜣螂种群更好地遍历整个 解空间;在滚球蜣螂位置更新阶段加入黄金正弦算法, 提高收敛速度和寻优精度; 引入混合变异算子进行 扰动,提高算法跳出局部最优的能力。 对改进的算法进行8个基准函数的测试,并与灰狼优化算法、鲸鱼优化 算法和蜣螂优化算法等进行比较,并验证了3种改进策略的有效性。 结果表明,混合策略的蜣螂优化算法在 收敛速度、鲁棒性和寻优精度有明显增强。 

为有效解决三维虚拟图像存在的亮度不均匀的问题,提出一种三维虚拟图像中动态特征增强算法。 将 中值滤波算法和小波软阈值算法有效结合,对三维虚拟图像进行去噪处理。 通过视觉选择特性设定新的结构 元, 构建连通粒属性以及分层统计模型对图像进行颜色转换和结构元匹配,得到对应的映射子图,提取动态特 征。 将三维虚拟图像输入至改进的U-net++网络内,采用不同层密集连接增强不同层次图像特征的关联性,并 将全部动态特征融合进行细节重建,实现三维虚拟图像动态特征增强。 实验结果表明,所提算法可获取满意的 三维虚拟图像中动态特征增强效果。

针对基于传感器技术实时监测桥梁结构状态,为及时发现桥梁结构的异常情况并进行判识,预防和避免 事故的发生,提出了基于深度学习技术的桥梁传感器异常信号检测和识别方法。 通过设计基于LSTM(Long Short-Term Memoy)网络模型的桥梁传感器异常数据检测算法, 实现桥梁索力传感器异常数据位置的有效检测, 异常数据检测精确率与召回率分别达到99.8%、95.3%。 通过将深度学习网络和桥梁传感器实际工作情况相 结合, 设计基于CNN(Convolutional Neural Networks)网络模型的桥梁索力传感器异常分类算法, 实现桥梁索力 传感器数据7类信号的智能识别,多种异常数据类型识别精确率与召回率超过90%。 相对于目前桥梁传感器 异常数据检测和分类方法,该方法能实现桥梁传感器异常数据和类型的精准检测和智能识别,为桥梁传感器 监测数据的准确性与后期性态指标识别的有效性提供保障。

针对现有就业岗位推荐算法仅基于单一的信息源或简单的用户分类,无法充分捕捉大学生的多维特征和 个性化需求,从而导致推荐效果不佳的问题,提出基于用户画像与二部图的大学生就业岗位推荐算法。 在融合 长短期记忆神经网络的条件随机场模型辅助下,从高校图书馆的档案管理系统中抽取出用户基础信息,基于此 生成大学生用户画像。 计算不同用户画像特征之间的距离,并采用k均值聚类算法完成用户画像聚类。 运用 二部图网络搭建基础的大学生就业岗位推荐结构,基于能量分配情况设计初步推荐方案。 最后,以加权随机森 林模型为基础,考虑用户对项目特征的偏好实现大学生就业岗位的分类,修正初步给出推荐列表的评分,获取 精准的大学生就业岗位推荐结果。 实验结果表明,应用该方法,给出长度为120的大学生就业岗位推荐列表, 其推荐结果的命中率达到了0.94。 由此说明,该方法可以精准得出大学生就业岗位推荐结果,从而提高就业 匹配度和人力资源利用效率。 

 针对使用传统方法识别评估滑雪运动员的训练动作存在人为主观、准确率低等问题,提出了一种基于 改进OpenPose 和 YOLOv5(You Only Look Once version 5)的动作分析算法。 利用 CSP-Darknet53(Cross Stage Paritial-Network 53)作为 OpenPose 外部网络将输入图片降维处理并提取特征图。 融合优化 YOLOv5 算法, 提取 人体骨骼关键点构成人体骨架与标准动作进行对比,根据角度信息评分,并在模型中加入损失函数,量化实际 检测动作与标准动作的误差。 该模型可对运动员动作即时监控,能完成初步的动作评估。 实验结果表明,检测 识别准确率达到95%,可满足日常滑雪训练需求。 

针对强日光环境下OCC(Optical Camera Communication)系统接收端解码困难的问题, 提出了基于分段式 线性灰度变换的Gradient-Harris 解码算法。 首先搭建一套OCC实验系统, 接收端相机采集原始图像, 利用标准 相关系数匹配方法提取目标LED阵列区域。 其次通过分段式线性灰度变换对目标LED阵列区域进行图像增 强, 利用Gradient-Harris 解码算法进行目标LED阵列的形状提取和状态识别。 实验结果表明, 应用基于分段式 线性灰度变换的Gradient-Harris 解码算法, 强日光环境下OCC 实验系统的平均解码速率为128.08 bit/s, 平均 误码率为4.38x10-4, 最大通信距离为55 m。 

针对医学图像进行标记需要相关专业知识,导致很难获取大规模的医学图像分类标记,使基于深度学习 的医学图像分类发展受到限制的问题,笔者将自监督对比学习应用于医学图像分类任务,利用对比学习方法 进行医学图像分类的预训练,在预训练阶段从无标记的医学图像中学习特征,为后续的医学图像分类提供先验 知识。 实验表明,笔者提出的基于自监督对比学习的医学图像分类改进方法,有效提高了ResNet的分类性能。

为解决现有方法存在的异常数据识别精度较低的问题,提出一种基于多维特征的通信网络异常数据识别 算法。 调整粒子群优化算法中粒子的当前速度和位置,获取通信网络多维数据样本;通过数据挖掘中的聚类 分析法提取数据特征,确定密度指标,获取数据多维特征;将提取的多维特征引入深度信念网络中进行识别, 根据特征频谱幅值变化,实现对通信网络数据异常识别。 实验结果表明,该算法能有效识别通信网络异常数据 特征, 具有较高的识别准确性。 

针对非结构化大数据在分类过程中,由于其数据中存在大量的冗余数据,若不能及时清洗大数据中的 冗余数据,会降低数据分类精度的问题,提出一种基于改进ID3(Iterative Dichotomiser 3)算法的非结构化大数 据分类优化方法。 该方法针对非结构化大数据集合中冗余数据多以及维度繁杂的问题,对数据进行清洗处理, 并结合有监督辨识矩阵完成数据降维;根据数据降维结果,采用改进ID3算法建立用于数据分类的决策树分类 模型,通过该模型对非结构化大数据进行分类处理,从而实现数据的精准分类。 实验结果表明,使用该方法对 非结构化大数据分类时,分类效果好,精度高。

 针对在数字影像三维重建过程中,由于原始数据中存在噪声和失真等不足,导致特征匹配效率和精度 较低的问题,提出基于SIFT(Scale-Invariant Feature Transform)特征点提取算法的三维数字影像重建方法。 采用双边滤波算法对数字影像中的环境噪声实施消除处理,并保留数字影像的边缘信息,提高特征点提取 精度; 通过尺度不变特征转换(SIFT)算法对其提取特征点, 得到数字影像的特征点对; 将该特征点对作为 初始面片,利用空间目标多视影像密集匹配方法, 实现对数字影像的三维重建。 实验结果表明,所提方法 特征匹配效率和匹配精度高,且降噪能力强,生成的三维重建影像所需平均时间为26.74 ms。

 为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入 侵检测算法。 采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效 数据。 运用最优运输理论中的Wasserstein距离算法与MMD(Maximun Mean Discrepancy)距离算法, 在深度生成 模型中,对医院网络数据展开降维处理。 向异常检测模型中输入降维后网络正常运行数据样本,并提取样本特 征。 利用深度学习策略中的Adam算法,生成异常信息判别函数,通过待测网络运行数据与正常网络运行数据 的特征对比,实现医院网络异常信息入侵检测。 实验结果表明,算法能实现对医院网络异常信息入侵的高效 检测, 精准检测多类型网络入侵行为,为医疗机构网络运行提供安全保障。

为克服传统G-O(Goel-Okumoto)软件可靠性模型中缺陷发现率过于简化处理的局限性, 提出了一种以更 精准的方式描述缺陷发现率随时间实际变化的模型。 改进模型不同于常规假设将其视为恒定或单调的函数, 并考虑了测试人员的学习和排错能力的进步,以及软件固有的缺陷发现率随时间递减的趋势,从而假设缺陷发 现率呈现先上升后下降的动态变化趋势。 通过在两组公开的软件缺陷检测数据集上的应用,并与多种经典的 模型进行了对比验证,验证了模型的有效性。 实验结果表明,改进后的G-O模型在拟合能力和预测能力方面 都显示出优异的性能,证明其在软件可靠性评估中的适用性和优越性。

为解决电力建设公司在向全过程咨询业务转型过程中遇到的多源异构数据问题,以及因意外情况导致的 设计管理人员需进行远程协同工作的挑战,提出以企业私有云为基础环境,结合多源异构数据融合技术,构建 知识图谱。 该系统通过集成来自全国各地的多样化数据源,优化了数据管理流程,确保了数据的一致性和可用 性。 最终实现了全过程咨询业务的分布式协同管理,显著提升了企业的核心竞争力。 同时,有效解决了数据 种类繁多、来源广泛且协议多样化不统一的问题, 改善了数据的质量与准确性, 并统一了存储架构, 提升了 整体数据管理效率,增强了决策支持能力。 

为解决金融交易反欺诈和维护金融安全,针对金融交易数据不平衡、类别离散的特点,提出一套端到端 的建模流程、方法和模型结构。 该流程涵盖数据预处理、模型训练和预测。 同时比较了不同模型在不同特征 数量情况下的效果和效率,并基于真实数据集进行验证,从而为金融机构根据自身的优化目标和资源限制选用 不同类别和特征数量的模型提供参考。 特征数较大(200以上)的基于树的模型适用于资源较充裕切追求极致 模型效果的场景,中等规模(特征数100~200)的神经网络模型适用于资源一般的场景, 而特征数较小的决策 树模型或逻辑回归模型适用于资源有限且模型效果要求不高的长尾场景。 

 针对由于采用分布式部署传感器的方式会导致边缘服务器出现数据量分布单一且不平衡的现象,并且 边缘计算下的模型训练也会因梯度异常导致数据集被污染带来极为严重的隐私泄露问题,提出了强鲁棒性 边缘计算(EC: Edge Computing) 数据安全算法 (RDSEC: Strongly Robust Data Security Algorithms for Edge Computing)。 该算法利用异构网络对图像特征共同提取, 并使用同态加密实现对边缘服务器的参数加密, 实现 隐私保护。 若在边缘节点进行梯度异常检测时发现异常,则边缘节点上传梯度时会附加一个信号告知云中心 当前边缘节点所上传的参数是否可用。 该算法在Cifar10和Fashion数据集上的实验取得了极佳结果, 实现了 数据集分配比失衡的条件下也能有效聚合边缘服务器参数,提升边缘节点算力和运算准确率。 并且在保证 数据隐私的条件下,使模型的鲁棒性、精确性和训练速度大幅提升,实现边缘节点对图像预测的高准确率。 

由于认知负荷作为学习者学习过程中认知系统所产生的负载,对学习者的学习状态有重要影响,并且 目前已有的学习者模型中缺乏对学习者认知负荷的研究。 为此以教育部教育信息化技术标准委员会提出的 CELTS-11(China E-Learning Technology Standardization-11)为基础, 将认知负荷作为一个维度融入学习者模型, 构建了静态与动态信息相结合的LMICL(Learner Model Incorporating Cognitive Load)。 然后, 以自适应学习系统 为依托,将未融合认知负荷的学习者模型的数据和LMICL的数据分别作为推荐学习资源的依据,产生了两种 不同的学习资源推荐结果,并随机选取两个班级的学习者在该系统中进行学习,最后从学习者的学习成绩、 认知负荷结果和满意度3个指标对LMICL的效果进行验证。 结果表明, 基于LMICL的推荐学习效果强于未 融合认知负荷的学习者模型。

针对数字媒体深度交互式图像受噪声干扰,导致其边缘检测效果较差,影响其分割精度的问题,提出 基于边缘检测的数字媒体深度交互式图像分割算法。 首先,利用小波变换方法对数字媒体中的图像进行去噪 处理, 提高图像分割精度;其次, 使用高斯函数与低通滤波增强去噪后的图像,提高图像的清晰度,为图像 分割提供便利;最后,依据自适应阈值算法对数字媒体的图像进行边缘检测,像素合集中存在上下阈值。 根据 其上下阈值的计算求出像素合集中的高低两个阈值,并对其实施边缘连接,实现数字媒体图像分割。 实验结果 表明, 所提方法对分割数字媒体图像去噪效果好,分割精度和效率高。

针对当前海量数据的结构和特征较为复杂,对其分类时很难确保较高的精准度与效率的问题,提出了 改进决策树算法的大数据分类优化方法。 构建模糊决策函数检测大数据的序列特征,并将其输入决策树模型 中挖掘和训练规则;利用灰狼优化算法改进决策树模型,使用改进后模型对大数据简化、粗略分类,再建立分 类器准确度目标函数,实现对大数据的精准分类。 实验结果表明,所提方法取得分类结果准确度最高、假正例 率最低,保证了算法整体具有较高的吞吐量,提高了算法分类效率。 

针对移动终端接入用户和数据的特征难以准确判定,影响移动终端接入控制精准度的问题,提出一种 基于EVM(Error Vector Magnitud)测量算法的接入控制技术。 考虑到环境中噪声和其他干扰因素影响, 以 Qos (Quality of Srvice)条件为用户的初始接入条件, 计算满足该条件的用户或数据的特征, 将特征值转换为权重 因子作为接入控制参照。 采用EVM测量算法计算终端信道内外信号间的差值,结合用户权重因子推导得到移 动终端的接入门限,求解不同用户门限值与控制数值间递增和递减函数,按照函数的优先级顺序,实现移动终 端接入的精准控制。 实验数据证明,所提方法接入控制精准度高,控制后终端传输时延、阻塞率得到了明显的 改善, 数据到达率也有明显提升。 

针对传统桌面应用程序库集成方式存在系统标准目录膨胀、增加安装包制作复杂度、如果集成前含多级 程序库调用则集成后需修改中间层程序库、开发与部署环境不一致等缺陷,在实际应用中存在局限性的问题, 提出一种以采用管理图片等资源的方式对程序库进行管理、根据对程序库之间约束和依赖的检测结果实现程 序库运行时动态部署为核心的集成框架。 通过设计程序库资源化管理、运行时动态部署和加载及资源管理器 等4个主要组成部分及其之间的协作,该集成框架首次实现上述两个核心的有机结合。 在CIFLog一体化测井 平台方法模块集成开发的实践应用中表明,该集成框架能解决传统程序库集成方式中存在的问题。 该框架的 适用性可以通用于所有桌面应用的程序库集成,为桌面应用的程序库集成提供一种新思路。 

针对由于噪声影响, 导致物联网身份认证准确率和效率较低的问题, 提出了一种新的基于改进RSA (Rivest-Shamir-Adleman)算法的物联网身份认证优化方法。 该方法通过构建传输信道模型获取用户身份信息, 并且构建降噪模型降噪预处理用户身份信息数据;针对处理后的数据,提取用户身份特征信息,以此构建物联 网身份认证算法;在此基础上,引入RSA算法,加密处理用户身份信息数据,实现物联网身份认证优化。 实验 结果表明,该方法身份认证准确率达到97.0%以上,认证效率较高,并且该方法不易受噪声环境的影响,在含 噪声的条件下,其认证率与理想认证率的最高误差仅为3.7%,具备了可行性和有效性。

针对网页搜索结果存在返回的网页与搜索的关键词领域不相关的领域漂移现象,导致用户无法搜索到需 求信息的问题,提出基于Softmax回归分类模型的网页搜索排序算法。 选择网页搜索文本特征,得到相应的特 征项, 利用向量表示模型,将选择的网页搜索文本特征项转换为格式化数据,对网页搜索文本数据进行均衡 处理, 获取网页搜索文本数据集。 采用Softmax回归分类模型, 分类处理网页搜索文本数据集, 预测网页搜索 文本类别,通过Okapi BM25算法, 对网页搜索文本进行排序操作, 实现网页搜索排序。 实验结果表明, 所提 算法具有较好的网页搜索排序,提升了网页搜索排序精度,避免网页搜索排序过程中的领域漂移现象。 

 针对图书馆在数字化转型过程中,信息安全对图书馆的资源保护和用户数据构成威胁的问题,提出一套 综合性的信息安全保障体系。 通过分析当前图书馆面临的主要信息安全风险,包括网络攻击、版权纠纷、管理 人员安全意识不足以及资源共享程度不高等问题,构建了一个由用户应用、服务平台、数据中心和基础设施组 成的4层信息安全保障体系,该体系能有效提升图书馆信息资源的安全性和访问控制,增强数字资源访问的 安全性。 图书馆在数字化转型过程中,必须将信息安全作为核心考虑因素,通过技术、管理和组织协同工作, 构建全方位的信息安全保障体系,确保数字资源的安全和高效利用。