摘要：在现代化大型智能畜禽养殖中,由于畜禽舍内温度分布不均匀、传感器采集数据效率低下等原因,无法全面、准确及时反映畜禽舍内温度变化情况。为提高畜禽养殖温度监测系统的性能,提出一种分层无线传感器网络(WSN)实时融合策略。该策略设计的无线传感器网络分为两层,首先将底层传感器采集的温度数据利用改进的无迹卡尔曼滤波器(IUKF)进行预处理,然后融合中心利用改进蜣螂算法优化核极限学习机(IDBO-KELM)对预处理后的数据进行实时融合。试验结果表明,在数据预处理方面改进的无迹卡尔曼滤波器能够有效抑制畜禽舍内噪声干扰,克服采集数据出现异常和发散现象;在多传感器数据融合方面本文建立的IDBO-KELM算法其训练集与测试集准确率分别是99.15%和98.12%,相较于原始算法准确率提升6.98%,数据融合用时3.36 s,保证禽畜舍内温度监测的效率和准确性,同时减少运算时间。

摘要：针对室内空气质量中污染性气体众多、浓度分布不均,单一传感器无法有效监测,而且室内障碍物会对传感器部署位置造成影响的问题,通过改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)对障碍下异构传感器进行部署研究。首先,采用SPM混沌映射对种群进行初始化,以解决原始北方苍鹰算法初始化种群多样性不高、覆盖率低、冗余度高的问题;其次,使用非线性步长权重改进Lévy飞行策略,对种群位置进行更新;最后,融合柯西变异和反向学习,解决算法后期种群易陷入局部最优的问题。结果表明,改进的优化算法在无障碍和障碍环境下覆盖率分别达到了94.2%和93.0%,与其他学者在无障碍环境下提出的算法进行对比,覆盖率分别提高了0.8%,1.2%,2.8%,7.1%。INGO算法能够对室内障碍环境下的空气质量监测传感器进行最优部署,为室内空气质量监测等复杂环境异构传感器的部署问题提供科学依据。

摘要：针对现有多目标跟踪算法参数量和计算量大,难以满足移动设备实时性要求的问题,本文通过改进JDE跟踪算法,提出了一种道路车辆多目标跟踪算法。首先,设计关联融合网络来解决JDE算法中多任务学习存在的竞争问题,提高算法的跟踪精度,减少身份切换次数;其次,使用改进的EfficientNetv2重新构建YOLOv5的特征提取网络,降低模型复杂度,提高模型实时检测速度;最后,使用改进的YOLOv5检测算法与JDE跟踪算法结合,实现道路车辆多目标跟踪。实验结果表明,提出的方法相比原JDE跟踪算法,MOTA提高0.3个百分点、跟踪速度提高约43.2%,可以满足实际自动驾驶场景中对车辆跟踪的速度要求。

摘要：针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题,本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计,从而实现及时识别林火的目的。仿真实验结果表明:本文提出的方法可以实现各阶段火情早期特征的检测,有效识别早期森林火灾;与相关文献提出的方法相比,本文方法能够得出更为理想的林火概率,辨识准确性更高,可以有效降低误报风险。

摘要：为实现机械臂对期望轨迹的精确跟踪或完成特定的位姿变换,结合迭代学习算法与滑模控制算法的特点,提出一种迭代控制与滑模控制相融合的控制策略。采用拉格朗日法对机械臂进行动力学建模,设计PD型迭代滑模算法,并使用Lyapunov理论对控制算法进行收敛性分析。在MATLAB/Simulink软件中以一个二自由度机械臂为例,在不同初始条件和扰动的情况使用该控制策略进行机械臂轨迹跟踪仿真实验。结果表明,该控制策略能在机械臂迭代初值不一致的情况下实现对期望轨迹的精确跟踪,PD型迭代滑模控制与PD型迭代学习控制相比具有误差收敛速度快、跟踪精度高和鲁棒性强等优点。

摘要：为了解决四轮自动驾驶汽车轨迹跟踪的复杂控制问题,提出一种新的全格式无模型自适应坐标补偿积分滑模约束控制方案。控制方案只需要自动驾驶车辆轨迹跟踪的I/O数据,不涉及车辆模型信息,即前轮转角输入数据和车辆横摆角输出数据。因此,该方案对于不同车型均能实现轨迹跟踪控制。在轨迹跟踪过程中只针对车辆横摆角进行控制易造成跟踪轨迹偏差,本文在全格式无模型自适应控制的基础上加入坐标补偿算法;为了提高系统在运行过程中的鲁棒性,加入积分滑模控制;为了应对在滑模控制过程中系统运行在饱和区域,设计了动态补偿,使轨迹跟踪系统运行在滑模控制的线性区域。最后,对无模型自适应积分滑模约束控制方案、原型无模型自适应控制算法和PID算法进行仿真比较。仿真结果表明,所提算法比传统控制方法具有更好的控制性能,跟踪波动误差在0.09%以内,稳定时间在0.5 s以内,跟踪曲线平滑。

摘要：生活垃圾种类繁杂,传统垃圾分选工艺的效率及精确度较低,为提高多尺度、不同材质垃圾的检测精度,同时保证垃圾分类的鲁棒性,基于现有深度卷积神经网络和单阶段目标检测算法YOLOv3,提出具有多尺度感受视野注意力机制的ECA_ERFB_s-YOLOv3算法。首先在算法检测器前引入多尺度感受视野模块,使算法能选择合适的感受视野对不同尺度垃圾物体进行匹配,提高了检测精度;然后,使用ResNet50替换原骨架网络Darknet53,在迁移学习条件下,使用高效注意力机制对ResNet50和多尺度感受视野模块中的特征进行自主增强和抑制,提高了算法的鲁棒性。最后,使用K-means算法对锚框进行回归,并设计了锚框的分配方式。消融实验结果表明:ECA_ERFB_s-YOLOv3精度更高,鲁棒性更好;在检测密集堆放的生活垃圾时,算法能较好地满足任务需要,表现出更好的检测效果。

摘要：由于新疆生物氧化提金预处理过程的工业现场易受到外界因素如昼夜温差、强风等干扰,传统测量方法往往存在较大的误差。为解决这个问题,①根据预处理过程,建立了传热机理模型。②针对该过程设计一个小范围传感器网络,提出了一种基于多连通融合结构的传感器分层融合结构。③数据处理过程中,引入一种基于渐消记忆指数加权的多重衰落因子调整预测误差协方差,提高基于扩展卡尔曼滤波(EKF)在一步预测中的有效性。④以各传感器的状态估计精度用作加权融合准则,通过添加动态加权因子来预测每个传感器的预测置信度。仿真实验的性能指标表明,该方法比传统的单传感器方法具有更高的全局精度,并能有效降低干扰噪声的影响。

摘要：针对当前基于深度学习的人脸活体检测算法模型结构复杂、参数量和计算量大,同时基于可见光相机读取数据作为模型输入时,容易受到环境光变化的影响,导致模型性能下降等问题,提出一种基于中心差分卷积(CDC)和频域辅助的轻量级人脸活体检测算法。通过CDC、ACON自适应激活函数以及轻量化注意力机制重构MobileNetV3轻量级特征提取网络,并设计傅里叶变换支路对主干提取网络进行辅助矫正,实现降低模型大小、提高活体检测精度的目的。在Replay-Attack以及CASIA-FASD数据集上进行实验,结果表明:算法在模型大小、等错误率、召回率、曲线下面积(AUC)以及准确率等方面有较好的表现。

摘要：将人均GDP、人口数量、能源消耗量、房屋竣工面积和建筑业能源消费强度作为新疆建筑业碳排放的主要影响因素,并建立改进队列要素法模型,对新疆人口数量进行预测,引入加权MLP⁃ARIMA时间序列预测模型对新疆GDP进行预测。同时,建立改进柔性灰色多变量预测模型对新疆建筑业未来能源消费进行预测。运用情景分析法结合基于Attention机制的长短期记忆神经网络碳排放预测模型,对未来新疆建筑业碳排放趋势进行动态模拟分析。情景预测结果表明,保持经济水平与城市化水平稳步发展,严格控制建筑业能源消费量与加速优化建筑业能源消费强度是新疆建筑业最优减排路径,其将在2032年实现碳达峰。