针对可见光信道中的干扰较强, 且现阶段 OCC(Optical Camera Communication)系统的编码技术纠错性能不足, 造成 OCC 系统可靠性降低的问题, 提出了一种面向 OCC 系统的 QC-LDPC(Quasi-Cyclic Low Density Parity Check Code)编译码算法。根据 OCC 系统的结构特点以及信道链路特性, 确定具有结构化设计和低复杂度译码特性的 QC-LDPC 码作为纠错码型, 采用快速编码算法减小编码过程的运算复杂度; 结合归一化最小和算法和分层译码算法的各自特点提出了一种改进的 L-MS(Layer-Min Sum)译码算法。OCC 系统实验平台测试结果表明, 在室内环境通信场景下, OCC 系统的误码率为 3. 16x10 ^-6 , 通信速率为 2850. 4 bit / s; 在室外环境通信场景下, OCC系统的误码率为9. 07x10 ^-6 , 通信速率为2797. 9 bit / s, 在保证低误码率的同时, 兼顾了数据的传输速率。

针对通信系统信号传输过程中先验信息损失导致性能评估失真的问题, 提出一种基于信息保真度的信息恢复性能界限评估方法。 在实际通信环境中, 由于信道噪声和系统非理想性, 接收端通常无法获取完整的发送端先验信息, 其使传统基于 Fisher 信息的 Cramer-Rao 界限适用性受到限制。 通过引入信息保真度及其矩母函数, 建立了噪声-信号比(NSR: Noise-to-Signal Ratio)与 Fisher 信息、保真度信息间的下界不等式关系, 并构造了新的噪信比下界估计模型, 为通信系统的信息恢复性能提供了更为稳健的理论界限。理论分析和两个数值算例(包括二进制通信系统与多模信号传输信道)表明, 相比经典的 Fisher 信息界限, 基于信息保真度的界限虽然更为宽松, 但在先验信息不完整、小样本等实际通信场景中具有更强的稳健性和实用性, 并为通信系统性能评估提供了新的理论工具。

针对在通信网络漏洞检测中, 因忽略簇结构信息使其精准度不足的问题, 提出一种基于蚁群算法的通信网络节点攻击漏洞安全检测方法。首先运用滑动时间窗口分割与时空互相关分析提取低维可解释节点特征,增强异常模式区分度; 然后借助卷积神经网络对降维特征进行卷积、池化及展平操作, 并结合 Softmax 分类器判定异常节点概率, 缩小检测范围; 最后基于被动分簇算法划分的簇结构, 采用蚁群算法, 结合簇内节点关系与通信模式, 通过信息素浓度追踪漏洞位置。实验结果表明, 该方法能精准定位通信网络攻击漏洞, 可全面、准确评估网络安全状况, 为通信网络漏洞检测提供了有效解决方案。

为有效确保网络通信数据的安全性, 以大规模移动网络通信中的图像数据为研究对象, 提出一种双混沌数据安全加密算法。采用新的填充曲线用于大规模移动网络通信图像数据的全局置乱, 通过改进的约瑟夫遍历方法对相邻像素实施比特级置乱, 并引入双向密文反馈实现图像数据的初始加密。将双混沌和 Arnold变换有效结合, 利用密钥形成初始状态值, 将其用于控制双混沌系统形成一系列混沌矩阵, 并作为辅助对图像像素进行位置变换和数值改变, 再将图像的各个分量分别实施 Arnold 变换, 采用设置的置乱-扩散加密算法对水平连接后的图像进行处理, 最后对图像像素实施异或操作(XOR: exclusive OR), 实现大规模移动网络通信双混沌数据安全加密。实验结果表明, 所提算法可以获取满意的加密效果, 同时还具有良好的明文敏感性。

针对现有移动锚节点定位方法在复杂网络环境下定位精度不足和能耗较高的问题, 提出智能化区域无线网络双移动锚节点定位算法。通过对网络连通度计算, 确保节点间能有效进行信息交互, 从而为定位操作提供快速的通信背景; 引入虚拟力推动移动锚节点朝向目标位置移动, 能准确估计移动锚节点的轨迹和位置。同时, 为降低移动锚节点在虚拟力引力推动过程中的能量消耗, 利用 DASCAN( Dual-mobile Anchor node Scanning and Coordination Algorithm)算法进行双移动锚节点的路径规划, 并采用加权质心算法估算目标未知节点的大致位置, 通过鲸鱼优化算法进一步提升定位精度。实验结果表明, 所提方法的路径跟踪结果与实际路径

较为吻合, 可以精确接收到未知节点的全部位置信息, 具有较高的定位精度, 并且在定位过程中的能量消耗保持在 0. 25 以内, 进一步证明了所提方法可以有效提高节点定位的精度和可行性。该方法能保证网络节点定位覆盖率, 且具有较高的定位精度和效率。

针对永磁同步电机在高动态运行和外部负载扰动条件下转速控制性能下降与鲁棒性不足的问题, 提出一种结合 Laguerre 函数参数化建模与非线性扰动观测补偿机制的连续时间模型预测控制方法。该方法采用Laguerre正交函数对控制增量进行有限维参数化, 以降低优化维度并提升求解效率; 同时设计自适应平滑因子, 实现控制响应速度与输入平滑性间的动态平衡。为提高控制系统的工程适用性, 构建连续可微的软约束机制, 以避免硬约束引发的数值不稳定问题。仿真结果表明, 在相同控制条件下, 所提方法在转速跟踪精度和抗扰动性能方面优于传统模型预测控制方法。

为适应线控底盘快速发展背景下人才培养的需求, 针对汽车操纵稳定性实验教学中存在的实施难度大、成本高及安全风险等问题, 设计并开发了一套操纵稳定性实验教学平台。该平台基于智能模型车底盘开发,集成摄像头、陀螺仪、轮速等传感器, 可支持车辆极限状态下的实验测试。实验管理软件基于 Matlab 平台开发, 通过无线通讯实现远程配置和控制算法加载, 具备较高的灵活性和拓展性。基于该平台开展了多项操纵稳定性及底盘控制相关的实验验证, 实验结果表明, 虽然智能模型车在响应频率及相位延迟特性上与实车存在差异, 并且其表现出更高的动态响应能力和更低的相位延迟, 但其整体变化趋势与实车一致, 可有效验证理论教学中的相关内容。

针对风光出力随机性与分布式电源(DG: Distributed Generation)高渗透率并网对电网的冲击, 融合改进生成对抗网络 ( IGAN: Improved Generative Adversarial Network) 和改进黑猩猩优化算法 ( IChOA: Improved Chimpanzee Optimization Algorithm), 构建主动配电网源储双层优化配置模型。首先, 采用 IGAN 生成风光典型出力场景表征其不确定性, 进而构建含电压质量指标的源储双层优化架构: 上层由 IChOA 优化确定储能系统(ESS: Energy Storage Systems)与 DG 的容量及位置配置方案, 下层采用二阶锥规划( SOCP: Second-Order Cone Programming)求解储能最优日内调度策略。最后, 经 IEEE33节点系统验证表明, 该协同策略可显著降低系统年化成本与网损, 改善电压水平, 有效规避电压越限和 DG 功率波动问题。

针对捕鱼优化算法(CFOA: Catch Fish Optimization Algorithm)在探索与开发 2 个更新阶段容易陷入局部最优且收敛速度较低的问题, 基于个性化捕鱼策略提出改进型捕鱼优化算法( ICFOA: Improved Catch Fish Optimization Algorithm)。首先, 在探索阶段引入自适应高斯扰动, 在提升全局搜索能力与效率的同时避免陷入局部最优。 其次, 基于个性化捕鱼策略, 通过随机选择“徒手捕鱼冶因子或“使用渔网冶因子更新渔民位置, 以加速算法收敛。最后, 利用 CEC2020 测试套件进行对比实验, 评估 ICFOA 与其他优秀元启发式算法的性能差异, 并使用 Wilcoxon 秩和检验验证统计结果的有效性。其在光伏电站最大功率点跟踪应用结果表明, ICFOA能有效降低功率追踪差值。证明了其解决实际问题的有效性, 相较原始 CFOA 具有更强的竞争力。

针对设备噪声及外界环境干扰的耦合作用下, 掩盖或扭曲了真实的局部放电信号, 增加了特征提取难度的问题, 提出了基于特征模式分解的局部放电信号特征提取算法。采用小波变换分析信号主要边缘, 求出各尺度与邻近尺度间的相关系数, 消除局部放电信号噪声。采用变分模态分解法分解放电信号, 计算固有模态分量的多尺度熵, 进一步滤除干扰; 结合核主成分分析法降维输入信号的特征参数, 计算出频段投影序列的能量、模值和绝对均值, 完成特征提取。实验证明, 所提算法可有效提取局部放电特征, 提供详尽故障信息,确保设备稳定运行。

针对低压配电网线损特征识别与理论计算中存在的特征权重分配主观性强、 非线性映射精度不足等问题, 提出了一种融合多特征加权聚类与智能优化神经网络的线损分析方法。 首先建立了多特征加权改进型k均值聚类算法(MFW-IKCA: Multi-Feature Weighted Improved k-Means Clustering Algorithm), 通过熵权法与互信息法的融合策略实现特征维度的自适应加权, 并用交替方向乘子法(ADMM: Alternating Direction Method of Multipliers)优化目标函数; 其次采用改进遗传算法优化的莱文贝格鄄马夸特反向传播神经网络( IGA-LMBP-NNM: Improved Genetic Algorithm Optimized Levenberg-Marquardt Back Propagation Neural Network)参数, 通过模拟二进制交叉、 多项式变异及自适应阻尼因子提升网络收敛速度与预测精度; 最后利用决策树分类器提取聚类规则, 并结合核密度估计实现异常值检测。 实验结果表明, 与主流算法相比, 所提方法聚类纯度提升14. 5%,均方误差(MSE: Mean Squared Error)降低29. 3%, 决定系数 R2 提高至 0. 892。该研究不仅为配电网线损精细化分析提供了新思路, 也为提升台区降损决策的科学性提供了有力支持, 具有显著的工程应用价值。

针对传统同调分析方法在处理多逆变器参数耦合问题时存在显著不足, 难以满足大规模电力系统降阶建模对精度与效率的双重要求的局限性, 提出一种基于参数权重的虚拟同步机( VSG: Virtual Synchronous Generator)同调等值算法。首先, 在强电网假设下, 通过解耦分析逆变器输出功率动态特性, 建立虚拟转子运动方程与参数间的数学模型, 明确转动惯量(J)、阻尼系数(D)及线路电抗(X)对虚拟转子角的差异化作用机理。其次, 引入偏导数积分法量化各参数在暂态过程中对转子角轨迹的影响权重, 突破传统 K-means 聚类算法仅依赖欧氏距离的局限, 提出基于参数权重的加权聚类策略, 显著提升同调群划分的物理意义与准确性。同时, 结合有功功率守恒原则, 推导无功功率聚合算法, 构建兼顾有功-无功动态特性的等值模型。为验证算法有效性, 在 PLECS 仿真平台搭建含10台异构 VSG 的并联系统, 设置电阻接地、切机故障等多扰动场景进行测试。结果表明, 在不同扰动工况下, 所提算法可精准识别同调逆变器群组, 其划分结果与转子角轨迹的时域仿真高度吻合。 等值模型的有功功率最大误差小于 1. 5% , 无功功率误差低于2. 8%, 验证了算法的工程适用性。其为高比例新能源电力系统的动态稳定分析与高效仿真提供了理论依据和技术支撑。

针对在半监督偏多标签学习( SSPML: Semi-Supervised Partial Multi_Label Learning) 方法中, 特征和标签空间之间以及各自内部存在复杂的相关性, 且利用标签相关性构建模型时, 容易受到候选标签集中噪声标签干扰的问题, 基于 Transformer 提出一种新的半监督偏多标签图像分类算法 T-SSPML(Transformer Encoder-Based Semi-Supervised Partial Multi-Label Learning)。利用 Transformer 编码器构建主干网络, 将图像和标签特征共同作为输入, 并定义新的损失函数, 利用多头自注意力机制学习整体性结构信息以及标签间的关联信息。同时采用标签掩码机制, 提升模型学习标签关联信息的能力。通过在多个数据集上实验结果表明, T-SSPML 算法相比其他对比算法在绝大多数情况下都取得了更好的分类性能。

针对生产测井数据多源异构、解释多解性强和传统方法依赖专家经验且效率较低等问题, 提出了一种基于思维链( CoT: Chain of Thought)的问答系统增强推理方法。该方法在大语言模型元 AI( LLaMA2:Large Language Model Meta AI2)基础上, 引入参数高效微调低秩适配( LoRA: Low-Rank Adaptation) 技术,通过在自注意力和前馈网络层插入低秩矩阵, 实现了模型性能保持与计算资源优化的平衡。同时, 构建了发散思维链( DCoT: Divergent Chain of Thought) 推理框架, 使模型能生成多条推理路径, 提升系统对

复杂生产测井问题的多步解释能力。 实验表明, 该方法在 F1 、精确率和召回率上分别提升4. 6% 、7. 0%和 2. 1% , 验证了其推理性能的优越性。研究证明, LoRA+DCoT 方法在提升测井数据智能解释方面具有良好的实用性和可扩展性。

针对高异构性货物装载时空间利用率与重心稳定性难以协同优化的问题, 提出一种融合自适应聚类与改进群体智能优化的三维装箱新算法。该算法突破传统 K 均值与蚁群算法拼接的局限, 构建“体积-重量"双维度动态聚类机制, 通过轮廓系数自适应迭代优化聚类数量, 实现货物的协同分组与初始装载序列的智能生成,解决了同类货物因重量差异导致的堆叠不稳定问题。在此基础上, 设计带重心约束的改进蚁群优化策略, 将货物 6 种姿态选择转化为信息素引导的多维度寻优过程, 通过引入重心补偿因子与空间适配度启发函数, 实现装载姿态与放置顺序的协同寻优。实验结果表明, 该方法有效破解了空间利用率与重心稳定性的“跷跷板效应"。 该方法为物流行业高异构货物智能装载提供了新的技术路径, 其协同优化框架对复杂组合优化问题具有重要借鉴价值。

针对长输管道泄漏检测中非线性特征复杂、检测精度等问题, 系统探究了深度学习技术在长输管道泄漏检测中的应用价值与发展潜力。首先回顾了目前国内外深度学习在长输管道泄漏检测的研究现状, 然后探讨了基于深度学习的长输管道泄漏检测研究的关键技术, 并总结了现阶段难点问题。最后, 讨论了深度学习技术在长输管道泄漏检测领域的优势与局限性, 并对其未来研究方向进行了展望。

医疗领域术语具有强异构性, 且标注数据稀缺, 导致语义特征表达较弱, 进而使检索精度较低, 为此,提出了半监督学习下医疗术语信息关键词模糊检索算法。利用词向量对原始医疗术语信息进行标准化处理与映射, 基于核心元数据信息节点和用户查询信息节点, 确定检索样本之间的置信度距离, 结合向量空间模型构建医疗术语信息元数据特征空间。在元数据特征空间内, 依据元数据的时间属性, 对各类数据进行合并处理,以此同步数据索引, 并结合多级索引集群与上下文编码增强语义特征。引入基于一致性正则化与熵最小化原则的 MixMatch 半监督学习算法, 利用少量标注数据对无标签数据进行数据增强, 从而生成无标签数据的低熵伪标签, 增强语义特征表达, 并计算检索词与候选信息的相似度, 实现跨类别或近义术语的高效匹配。实验结果表明, 应用设计的方法进行医疗术语信息关键词检索, 输出的检索结果与输入关键词适配度高于 95% ,可以提高信息检索的精度。

针对量子图像的特征点提取问题, 提出了 Harris 角点检测算法在量子计算机上的实现方案。首先,为解决Harris 角点检测量子线路中涉及的有理数高效编码及运算问题, 提出了基于补码浮点表示的量子图像表示模型。其中像素值使用基于补码的浮点数形式表示, 像素的位置信息采用无符号数表示, 每种数据结构均基于量子比特序列的基态进行信息表示。然后, 根据经典 Harris 角点检测算法的相关理论设计了 Harris 角点检测的具体量子线路, 并对其进行了复杂度分析, 验证该方案相较于经典方案的指数级加速。 最后, 通过在经典计算机上的仿真实验证明, 经典 Harris 角点检测算法与量子 Harris 角点检测方案所检测的角点重合率超过85% , 验证了所提方案的可行性与有效性。

针对 Yolov7-Tiny(You Only Look Once v7 Tiny)在车身漆面微小损伤以及不明显损伤检测中存在特征提取能力不足、 细节信息丢失和计算效率低的问题, 提出一种改进的 Yolov7-Tiny 算法。首先在主干网络中引入RepNCSPELAN4(Re-parameterizable Cross Stage Partial Efficient Layer Aggregation Networks) 模块替换 ELAN-Tiny(Efficient Layer Aggregation Networks Tiny)模块增强模型的特征提取能力; 其次引入 Swish 激活函数以提升模型的非线性表达能力; 最后在颈部网络引入空间到深度卷积 SPDConv( Space to Depth Convolution), 结合改进的SPDConv_Res(Space to Depth Convolution_Residual)检测头以保留微小目标的细节信息并平衡参数负担; 并在颈部网络引入分布偏移卷积 DSConv(Distribution Shift Convolution), 保证缺陷特征信息充分融合的同时提升计算效率。在自建数据集上的实验结果表明, 改进后的模型 mAP@50达到了86. 0%, 相比基线模型提升7. 4%,计算量降低 3. 3x10⁹次。在提升精度的同时, 一定程度上减少了计算资源的需求。

针对传统启发式算法在求解船舶远洋气象航线规划时, 存在收敛速度迟缓易陷入局部最优、性能高度依赖参数设置的问题, 构建了基于智能优化算法改进的航线规划框架。通过融合遗传、蚁群与模拟退火算法的优势, 提出反转变异与信息素融合变异策略, 并设计基于适应度的横向动态调整与基于模拟退火的纵向动态调整遗传概率机制, 该策略提升了算法的全局寻优能力与收敛效率。仿真对比试验表明, 相较于传统算法, 融合算法路径长度缩短11. 7% ~ 36. 7%, 航行时间减少12. 2% ~ 37. 4%, 验证了其在复杂气象环境下的优化效能。

针对自然灾害发生后应急消毒物资跨区域调配路径的优化问题, 提出一种基于人工蜂群优化算法(ABC:Artificial Bee Colony)的规划方法。运用熵权法综合受灾面积、人口密度、 定点医院医疗资源缺口等多维度指标, 对各受灾点及相关医院的需求紧迫度进行量化, 并依据量化结果将应急区域划分为红、橙、黄、蓝4个等级, 据此实现了分区优先级调度。基于此, 设计人工蜂群优化算法的适应度函数, 该函数包含配送总时间与紧迫需求未满足度两个指标。利用人工蜂群优化算法进行求解, 求出调配路径最佳规划方案。实验结果表明,在两种典型工况下, 该方法最大适应度函数分别达到 0. 97 和 0. 95, 较人工鱼群算法与遗传算法提升3. 19% ~

13. 10% , 显著提高了针对医院等重点机构的物资配送的时效性与应急优先性。

针对消毒供应室物资供需调配过程中, 通常依靠常规粒子群算法求解调配方案, 其容易陷入局部最优,导致调度资源利用效果差的问题。因此, 提出基于改进 MOPSO(Multi Objective Particle Swarm Optimization)算法的消毒供应室物资供应链供需调配算法。依托供应链算法, 构造消毒供应室物资快速调度体系。获取动态医疗监测数据, 将其输入时空注意力网络模型中进行学习, 得出消毒物资需求量。以满足物资需求为前提, 设置以成本最小化、资源利用率最大化为核心的供应链供需调配目标函数。利用结合线性微分递减策略的改进多目标粒子群优化算法, 对目标函数进行全面求解, 从而生成最佳物资调配方案。 实验结果表明, 应用该算法

后, 调配物资利用率超过85%, 实现了消毒供应室物资的充分利用。

由于违规动作多为瞬时行为, 易被大量合规动作的冗余信息掩盖, 不同距离下的特征区分度不佳, 导致识别准确率不高。为此, 引入混合注意力机制, 对竞技体育运动违规动作识别算法进行研究。首先利用背景减除法定位运动员区域, 结合高斯滤波与下采样技术构建尺度空间, 以适配不同距离下的动作特征。然后采用Hessian 行列式提取时空域与多尺度特征并通过双向传输融合高低层特征, 以提高特征的区分度。空间注意力聚焦于肢体关键部位, 时序注意力锁定违规动作的关键帧, 通道注意力强化有效特征通道, 三者协同作用以输出增强特征。最后通过端到端的训练优化模型, 结合序列距离判断区分相似动作, 实现违规动作的识别。实验结果表明, 该算法能有效分离相似动作特征, 违规动作识别准确率超过 99% , 平均识别准确率达99. 81% ,均优于对比算法, 具有较大的应用价值。

由于研究医院患者本身具有高度异质性, 以及外部干预措施的时空波动性, 院内感染传播呈现非线性和随机性的特征, 增加了风险预测的难度, 为此, 提出了基于贝叶斯网络与蒙特卡洛模拟的院内感染传播风险预测算法。从患者、医疗操作、环境和管理 4 个维度筛选影响院内感染传播风险的因素, 并将分类变量转换为连续变量以统一变量维度。同时引入客观赋权法求取单因素权重, 并整合主观权重获取影响因素的综合权重,对影响因素的重要程度进行排序。 采用贝叶斯网络通过计算高权重影响因子的联合概率分布和最大似然估计,构建感染传播风险预测模型。利用蒙特卡洛模拟算法对模型中的不确定性变量进行随机抽样, 生成模拟场景,

根据统计模拟结果计算感染传播风险概率, 确定风险情况。实验结果表明, 应用所提方法进行院内感染传播风险预测, 预测结果的特异度高于 90% , 减少了误报, 预测准确性更高。

针对在数据智能检索过程中, 单一语义相似度的局限性可能会影响数据相关性的判断, 导致检索结果的排序敏感度不高的问题, 提出了混合语义相似度提取下高维重叠数据智能模糊检索算法。建立高维重叠数据的信息粒度空间, 通过密度聚类与模糊度量, 识别出空间中的重叠数据所在的区域, 从而在不改变数据结构的前提下, 实现高维数据降维。混合均值函数、近似线性化统计、规则方法 3 种语义相似计算方法, 综合分析降维数据的相关性。在最近邻算法的遍历下, 按序提取出语义相似度较高的数据信息, 生成数据检索列表。算例测试结果表明, 该算法所表现出的 NDCG(Normalized Discounted Cumulative Gain)指标值平均为 0. 867, 检索结果具有较高的排序敏感度, 检索质量更高, 具有良好的实践应用前景。

针对在职教资源个性化推荐算法采用的混沌映射构建推荐学习模型易受维度灾难影响, 导致 NDCG(Normalized Discounted Cumulative Gain)归一化折损增益不理想的问题, 对基于动态知识图谱与强化学习的职教资源个性化推荐算法进行优化设计。构建多源异构数据的职教资源动态知识图谱表征, 引入时序感知的嵌入表征向量得到动态嵌入函数; 通过图注意力网络聚合实体的邻域信息, 更新节点表征, 从而高度集成动态知识图谱的结构信息; 采用 Actor-Critic 架构将目标函数作为最大化累计期望回报, 引入熵正则化, 在满足推荐需求平衡的基础上得到复合奖励式; 引入代价敏感的搜索算法与强化学习策略相结合, 生成启发式评估函数,

通过重采样机制在动态知识图谱中寻找有效资源进行路径插入, 规划自适应推荐路径, 完成职教资源个性化推荐。实验结果表明, 研究算法在不同类型资源下的推荐 NDCG 归一化折损增益始终高于 0. 8, 在排序时更能考虑物品的相关性和位置因素, 将用户更可能感兴趣的物品排在更靠前的位置, 推荐质量良好, 未受浏览筛选迟滞作用影响出现需求不匹配问题, 具有推荐显著一致性。

针对篮球运动高速运球动作中, 球员突破时会产生位移模糊及运动模糊效应, 难以获取篮球运动员运球轨迹图, 导致运球与实际轨迹间存在偏差的问题, 提出基于图优化 DWA(Dynamic Window Approach)算法的篮球运动员运球轨迹实时识别方法。获取目标运动员点云数据, 并针对篮球场地及障碍项(其他运动员), 建立栅格地图, 构建运动学模型并建立动态窗口, 模拟出目标运动员的多条运球预测轨迹, 通过动态窗口判定轨迹安全情况, 从多个维度评价确定最佳运球预测轨迹。根据所预测的轨迹, 获取运球过程中的转折点及路径点,结合 A * 算法获取动态避障路线, 通过剪枝算法得出轨迹图模型。通过设计启发函数构建最终评价函数, 根据评价结果, 确定轨迹图模型中的最优轨迹点, 并利用贝塞尔曲线平滑处理所得轨迹, 通过遍历图模型确定轨迹点优先级别, 综合处理坐标得出平滑性较好的轨迹并可视化输出结果。实验结果表明, 该方法所得识别的运动员运球与实际轨迹间的偏差小于5cm, 证明该方法识别篮球运动员运球轨迹准确性较高。

由于传统粒子群算法在进化过程中具有较强随机性, 在搜索最优解阶段, 群体里一部分远离全局最优解的粒子会干扰进化过程的收敛走向, 致使算法容易陷入局部最优状态。为此, 提出了基于改进粒子群算法的应急资源动态调度方法。其以救灾调度总成本最小以及最大化满足物资实际需求为目标函数, 并建立对应的约束条件, 由此构建应急资源动态调度模型。使用混沌运动理论对传统粒子群算法进行改进处理, 获取全局最优解, 并使用改进后的粒子群算法对调度模型进行计算, 获取最佳调度方案, 实现受灾点应急资源的精准调度。实验结果表明, 利用该方法进行应急资源动态调度时, 物资调度数量与实际需求高度匹配, 且调度路径较短, 验证了其在实际应用中的高效性和可靠性。

针对在数据迁移过程中, 为保证数据的一致性和完整性, 避免数据丢失或损坏, 降低重复数据量的问题,提出了一种基于哈希图的数据库信息批量无损迁移方法。根据数据库数据属性的相似度和二分图最优匹配算法获得数据库数据间的相似度, 并根据相似度完成重复数据的检测和删除。通过局部敏感哈希函数计算去重后各数据的哈希值, 基于所有数据的哈希值建立哈希图。利用条件深度卷积生成对抗网络对数据进行批量迁移, 并对迁移后的数据哈希值和哈希图中对应的值进行比较, 对哈希值不同的数据重新实施迁移, 以确保数据库信息的无损迁移。实验结果表明, 该方法的信息迁移速度较快, 数据重复率较低, 并且能保证数据的一致性, 说明其具备可行性。

为有效挖掘和利用网页数据, 以爬虫技术为支持, 提出一种关联数据自适应挖掘算法。利用爬虫技术爬取电商网页, 突破数据获取限制, 将所需数据以结构化格式存储至数据库, 为后续处理提供有序数据基础。基于存储在数据库中的稀疏数据, 依据最小支持度并运用Apriori 算法, 并通过剪枝策略, 在减少数据处理量的同时, 能在稀疏数据中精准找出频繁项集, 成功解决传统方法因数据稀疏难以获取频繁项集的问题。以树形结构为框架, 将Apriori 算法得到的频繁项集作为结点, 通过自适应结合旧结点与新结点构建挖掘树, 直至无结点可结合, 使其生成的挖掘树全面呈现数据关联关系, 进而得到充分且精准的电商网页关联数据挖掘结果。经在大型电商网站的网页上验证后表明, 所提算法能确保网页爬取的完整性, 准确获得以购买行为为目标的频繁项集, 精准挖掘电商网页中的关联数据, 在为电商平台运营提供有益参考的同时, 给予商家和消费者更好的决策支持。

针对为提升三江源区域高分辨率水体提取的细粒度问题, 通过对吉林一号亚米级遥感影像的研究与分析, 提出一种基于私有数据预训练的迁移学习方法。基于 ViT(Vision Transformer)骨干网络进行自监督预训练, 并构建以 ViT-B 为编码器、UperNet 为解码器的水体迁移学习提取框架。实验结果表明, 该方法的 IoU(Intersection over Union)达到92. 93% , 较未预训练模型提升11. 87% , 且优于其他开源预训练权重。最终提取水体图斑25 621个, 水体面积1544 km²。与WorldCover 2021 对比分析显示, 该方法可有效检测出被遗漏的细小水体, 为高原湿地水资源分析提供了更精准的参考。

针对多源异构数据的柔性重构需求需要处理数据细节和异常情况较多, 使其在对多源异构数据进行分类时, 难以通过捕获其隐藏特征, 整合多源异构数据的相似数据, 导致分类的准确性较低的问题, 提出融合 HHO(Harris Hawks Optimization)算法和混合聚类算法的多源异构数据自动分类方法。利用低秩表示策略, 捕捉多源异构数据的隐藏特征, 获取其全局结构信息, 提高数据质量和一致性。组合蚁群聚类算法与 K-means 算法,设计出混合聚类算法, 通过利用K-means 算法修正组合蚁群聚类算法中的蚁巢消减误差, 实现多源异构数据的相似数据分组。将混合聚类算法与 HHO 算法结合, 通过更新个体适应度值, 确定 HHO 算法的最佳类中心,

实现相似分组后多源异构数据的自动分类。实验结果表明, 经分类结果的混淆矩阵和内聚度的评估结果共同验证, 所提方法不仅能自动分类多源异构数据, 且类别边界清晰, 数据点分布紧凑, 使混淆矩阵对角线上的真实值更高, 内聚度均值高达 98. 86^°, 具有较高的分类准确性。

针对现有抑郁症单模态识别方法(如 EEG(Electroencephalogram)、 面部表情、文本分析)易受环境干扰且识别率有限的问题, 提出了 MFF-DR-DWA(Multimodal Fusion Framework for Depression Recognition with Dynamic Weight Adjustment)多模态融合框架。其通过动态整合脑电信号、语言特征和面部表情 3 种异质数据源, 并采用自适应加权算法优化各模态贡献度。实验结果表明, 在标准测试数据集上, 该模型的准确率为99. 09% 、F1 值为 99. 12% 和 AUC(Area Under Curve) 值为99. 97% , 其性能显著优于传统单模态分析方法和固定权重融合方案。该多模态融合策略有效提升了抑郁症识别的准确性和鲁棒性。