摘要：近年来,图神经网络因其出色的空间拓扑能力,在脑电情绪识别领域表现突出。然而许多方法只考虑了脑电通道间的连接,忽略了大脑区域间的功能性联系。图神经网络通常依赖线性变换来更新节点,如果直接将原始脑电信号作为输入,容易导致模型过拟合。虽然使用手工提取的特征可以减轻这一问题,但这也限制了对信息的全面提取。针对当前图相关算法在脑电情绪识别领域的局限性,本文提出一种基于自适应层次图池化技术的端到端脑电情绪识别算法。首先,设计一个自适应图生成模块,采用数据驱动的方法,能够自动生成与情绪识别任务密切相关的图邻接矩阵,对脑电信号的空间信息进行有效建模。随后,为了更准确地提取关键通道或脑区的时域脑电信号特征,本文进一步提出时域层次图池化模块,在识别时域信号特征的同时,融合图节点的相关特征。最后,该模块通过对脑电通道的层层池化,提炼出更有代表性的区域特征,并动态更新各区域之间的功能连接,从而实现对脑电信号的深度特征提取和有效表示。为了验证所提出的自适应层次图池化模型的有效性,本文在两个广泛使用的公共脑电情绪数据集DEAP和MAHNOB-HCI上开展实验,结果表明所提出的自适应层次图池化模型在性能上显著优于其他最先进的深度学习方法和传统机器学习方法。

摘要：针对自然果园环境下苹果果实的识别,本文提出了一种改进YOLOv8n模型的轻量化苹果检测算法.首先,通过使用DSConv和FEM特征提取模块的组合来替换主干网络中的部分常规卷积进行轻量化改进,缩减卷积过程中的浮点数和计算量;为了在轻量化过程中保持性能,在特征处理的过程中,引入结构化状态空间模型构建CBAMamba模块,使用Mamba结构高效处理特征;此后将检测头处的卷积替换为RepConv,并减小卷积层;最后,更改边界框损失函数为动态非单调聚焦机制WIoU,提高模型收敛速度,进一步提升模型检测性能.实验表明,在公开数据集上,本文提出的YOLOv8改进算法比原始YOLOv8n算法分别提升1.6%的mAP@0.5和1.2%的mAP@0.5:0.95,与此同时提升了8.0%的FPS并降低了13.3%的模型参数量,轻量化的设计使之在机器人和嵌入式系统部署领域具有较强的实用性.

摘要：温室温度系统作为典型的混杂系统,其输入包括离散的设备控制量以及可测不可控的多个室外环境扰动量。本文针对温室温度混杂系统,建立切换系统模型,基于此模型设计多输入预测控制。首先分别在4种离散状态(保温模式、自然通风模式、强制通风模式、湿帘-风机模式)下确定模型的主相关输入,采用带遗忘因子的递推最小二乘法建立子模型。然后设计预测控制器,利用双周期积温法规划预测控制设定值。求解多输入预测控制量问题为NP-hard问题,采用最优化剪枝法优化搜索。最后在实验温室应用控制算法进行实验,实验结果表明,多输入预测控制算法可以有效调控温室内温度,并且由于积温理论动态规划预测控制设定值,可减少设备的切换次数,降低能耗。

摘要：根据现代温室监控和管理的需求,基于Android系统开发了温室设备的状态监控模块,采用CAN总线测控系统对温室内外环境数据进行实时采集并对温室环境设备进行控制。基于Android开发的系统软件具有远程监控的功能。根据摄像头提供的实时视频数据,对图帧间差分法和自相关函数法应用于温室风机停转状态的监测以及背景差分法和Canny边缘检测算法应用于温室天窗开度状态的监测进行研究,比较不同算法的实时性和准确性,实现了温室通风设备风机和天窗状态的异常监测。试验表明,系统数据传输稳定、环境调控可靠、视频图像清晰流畅,能够实时可靠地监测设备的运行状态,且操作简单、界面友好,保证了温室通风设备自动控制的安全性,能够满足远程智能监控现代温室的需求。

摘要：近年来,基于运动矢量的视频隐写引起了信息隐藏领域研究者的广泛关注。许多视频隐写方法通过合理地对运动矢量定义加性嵌入失真函数获得了良好的性能,然而这些方法忽略了载体元素之间的相互嵌入影响。该文提出的利用非加性嵌入失真的视频隐写方法为运动矢量设计了可以反映相互嵌入影响的联合嵌入失真,并通过分解联合失真实现修改概率的转换,从而动态、合理地在运动矢量的水平分量和垂直分量分配秘密消息。实验结果表明,与使用加性嵌入失真方法相比,该方法能获得更好的安全性和率失真性能。

摘要：针对现有基于深度强化学习(deep reinforcement learning,DRL)的分层导航方法在包含长廊、死角等结构的复杂环境下导航效果不佳的问题,提出一种基于option-based分层深度强化学习(hierarchical deep reinforcement learning,HDRL)的移动机器人导航方法.该方法的模型框架分为高层和低层两部分,其中低层的避障和目标驱动控制模型分别实现避障和目标接近两种行为策略,高层的行为选择模型可自动学习稳定、可靠的行为选择策略,从而有效避免对人为设计调控规则的依赖.此外,所提出方法通过对避障控制模型进行优化训练,使学习到的避障策略更加适用于复杂环境下的导航任务.在与现有DRL方法的对比实验中,所提出方法在全部仿真测试环境中均取得最高的导航成功率,同时在其他指标上也具有整体优势,表明所提出方法可有效解决复杂环境下导航效果不佳的问题,且具有较强的泛化能力.此外,真实环境下的测试进一步验证了所提出方法的潜在应用价值.

摘要：本文研究一类非齐次马尔可夫跳跃正线性系统的稳定与镇定问题.该系统中模态的变化服从非齐次马尔可夫过程,其模态转移速率/概率矩阵是随时间随机变化的,且变化规律由一个高层马尔可夫过程描述,本文提出一种双层马尔可夫跳跃正系统模型来刻画此类系统特征.在此基础上,利用切换线性余正李雅普诺夫函数给出此类连续和离散时间非齐次马尔可夫跳跃正线性系统平均稳定的判据.然后,运用线性规划方法设计依赖于模态–模态转移速率/概率矩阵的状态反馈控制器,进而实现闭环系统的平均稳定性.最后,以功率分配系统为例给出仿真算例,验证了所设计控制策略的有效性.

摘要：为了提高自主水下航行器(autonomous underwater vehicles,AUVs)末端光学导引回收定位精度,本文首次将深度网络引入基于多象限测角的AUV光学导引定位位置解算任务中,提出了基于多分支回归网络的AUV光学导引定位方法.建立了水下光学导引定位系统的物理几何关系,研究了多分支结构的位置解算回归网络,设计了数据驱动的多维度定位约束训练方法,搭建了基于多象限测角的AUV光学导引定位硬件系统,实现了光学导引硬件与算法的一体化设计.利用AUV搭载的多象限光电探测器,采集回收站–导引灯偏角数据,将该数据作为系统输入,能够实时获取AUV与导引灯的相对位置坐标.仿真结果表明,本文方法的单次坐标解算平均耗时5.650 ms,误差解算均值为58.292 mm@0.8~20 m,标准差为43.347 mm@0.8~20 m,最佳误差解算均值达7.107 mm@2~3 m.经海试验证,本文方法的位置解算速度和精度能够满足AUV末端光学导引回收需求.与现有光学(视觉)导引方法相比,解算速度更快,算力功耗需求低,能量消耗少,为AUV完成能源补充、数据传输、指令下达等任务提供了可靠的技术路线.

摘要：针对耗散已知情况下Lindblad主方程描述的开放量子系统,本文通过哈密顿量的设计实现了系统对于目标平衡态的稳定化.借助相干矢量体系,将矩阵形式下的原始系统模型转换为了一个矢量形式的线性系统,并证明了变换前后系统稳定属性的等价性.通过保证矢量化线性系统模型的稳定性,并使系统的唯一平衡态等于期望的目标态,得到了系统哈密顿量的设计框架.特别地,本文讨论了这两类条件下系统哈密顿量各元素的范围,并指出根据它们的交集即可构成所设计的系统哈密顿量.最后,在一个两能级系统上进行了数值仿真实验,验证了本文哈密顿量稳定化方案的有效性.

摘要：传统的基于状态估计的反电动势观测器估计到的反电动势存在相位滞后,用于永磁同步电机转子位置估计时会造成估计角度的均值偏差。提出一种改进的反电动势观测器,可以无相差估计反电动势。为消除控制算法、死区效应、负载扰动等引起的谐波和高频噪声的影响,将二阶广义积分器-锁相环(SOGI-FLL)算法引入永磁同步电机转子位置和转速估计领域,提出了复合SOGI-FLL(CSOGIFLL)算法,提高了转子位置和转速估计的动态性能,增强了对谐波和噪声的抑制能力。最后搭建实验平台,通过稳态和动态实验验证了所提设计方法的有效性。