摘要：针对复杂协同攻击下一类非线性系统的状态估计问题,提出一种分布式一致性递推滤波算法.首先,将拒绝服务攻击(denial of service, DoS)和虚假数据注入攻击(false data injection, FDI)现象描述为两个随机Bernoulli序列,并利用统一的框架建立包含DoS和FDI的复杂协同攻击模型;然后,基于一致性理论设计具有分布式结构的递推滤波器,计算最优滤波器增益,并推导该滤波器估计误差满足均方有界的充分必要条件;最后,利用室内机器人的定位问题进行验证,仿真结果验证了所提出滤波器算法的有效性.

摘要：使用少量标签样本训练得到的传统模型往往预测精度低、泛化能力弱,很难应用到实际生产中.针对小样本图像提出一种基于困难样本对激励分类方法,包括预训练阶段和元学习阶段.预训练阶段在基类数据集上训练编码器,并作为元学习阶段的初始特征编码器;元学习阶段将进一步优化此编码器,元训练过程使用本质特征法降低异常样本对质心的影响;结合度量学习与元学习设计了困难样本对激励损失函数,从样本对角度出发,在训练过程中引导模型扩大正负样本间距离,使同类样本更加紧凑.在公开数据集mini-ImageNet,tiered-ImageNet上进行实验的结果表明,分类精度分别为64.12%,70.15%,验证了所提方法的有效性和可行性.

摘要：针对未知侧滑和打滑干扰下轮式移动机器人(WMR)轨迹控制中,存在模型不确定性、外部干扰等扰动导致传统滑模控制易出现收敛精度不足、控制输入抖振的问题,提出一种基于非线性扩展状态观测器的自适应二阶滑模跟踪控制方法(ASOSMC-NESO)。首先建立了侧滑与打滑条件下的轮式移动机器人运动学和动力学模型;其次,由反步法设计运动学控制器,为动力学提供虚拟速度;接着,针对外部干扰设计了非线性扩展状态观测器,以估计总扰动;然后,基于二阶积分滑模的思想将积分滑模和非奇异快速终端滑模面相结合,设计了动力学控制器,并给出了控制器稳定性分析。实验结果表明,对比一阶滑模控制方法,该控制方法误差最大值在线性和非线性轨迹下,分别下降约89.53%和16.28%,而且控制输入基本不受干扰影响。由此可见,ASOSMC-NESO能有效提高WMR在未知侧滑和打滑下的控制精度,并有效削减抖振和提升WMR轨迹跟踪鲁棒性。

摘要：表面缺陷检测是热轧带钢生产过程中十分重要的环节,是提高热轧带钢产品质量的关键。首先,针对当前带钢表面缺陷图像形貌多样、干扰多以及检测算法精度有待提高的问题,设计了一种自蒸馏框架(Self-knowledge Distillation,SD)来提高模型的缺陷检测精度,通过采用几何变换、色彩增强和图像线性插值的数据增强方法,增加样本数据的表征信息;从标签的概率分布和接近程度两方面提出了新的损失函数(LCK Loss),使模型能更好地学习样本提供的知识,实现相同数据不同表征间的信息传递,进而提高模型的泛化能力。其次,将Poolformer网络应用到热轧带钢表面缺陷检测中,针对Poolformer12网络参数量多的问题,设计了轻量化网络LRAM-Poolformer8,通过减少网络层数和计算量,实现模型加速的目的。最后,在武钢CSP机组的8类带钢表面缺陷数据集上进行了试验,结果表明,所提SD-LRAM-Poolformer8模型的平均识别精度为98.20%,相较于Poolformer12,检测精度提高了1.62个百分点,且计算量仅为原来的56.4%,这证明了新模型在热轧带钢表面缺陷检测中的可行性与有效性。

摘要：针对雾天图像降质带来的车牌识别难题,提出一种采用图像自适应增强的轻量级车牌检测和识别算法。以目标检测网络YOLOv5s和车牌识别网络LPRNet为基础,设计一个改进的图像自适应增强模块级联于YOLOv5s之前,并引入混合注意力(SA)机制改进LPRNet。图像自适应增强模块由带参数的图像去雾和纹理增强模块以及自适应参数预测模块组成。自适应参数预测模块是轻量级卷积神经网络,与YOLOv5s联合训练,为不同程度的带雾图像自动提供合适的去雾和纹理增强参数以获得更准确的车牌检测结果。利用车牌位置的真实标签和实际检测结果,采用混合注意力机制和迁移学习策略得到最终的SA-LPRNet模型,缓解识别模型对检测结果的敏感性以获得更高的车牌识别准确率。在合成的雾天车牌数据集上的实验结果表明:本文算法对雾天车牌检测的mAP@0.5-0.95指标达到70.6%,车牌识别准确率达到93.5%,优于对比算法,且识别速度满足实时性要求。

摘要：在实际应用中,一大类的多智能体系统可由二阶和三阶模型描述.鉴于此,研究二阶和三阶多智能体系统在无向图下的一致性和收敛率优化问题.针对在离散时间下的智能体,采取一个定常的控制协议.首先,给出多智能体系统达到一致性的充要条件以及一致性状态的显示表达式;然后,将快速一致性问题转化为收敛率的优化问题,利用劳斯判据的方法得到二阶和三阶系统最优收敛率和控制增益的直接求解公式;最后,通过仿真实验对理论结果的有效性进行验证.

摘要：本文主要研究了四旋翼无人机在外部干扰、执行器存在部分失效和偏置故障并发情况下有限时间轨迹跟踪的控制问题.通过分析四旋翼无人机动力学特性,本文构建了带有外部干扰、执行器机构故障的动力学模型.首先,基于鲁棒全局快速终端滑模控制算法,设计了一种有限时间容错控制器,提高了系统对故障的响应速度.其次,针对常值/时变故障和干扰,在控制器设计中采用改进的连续函数进行补偿,减少了由切换函数引起的系统抖振问题,并基于Lyapunov函数对控制器的稳定性进行了分析.最后,通过仿真实验验证了所设计控制器的有效性和可靠性,同时,在存在执行器故障和外部干扰的情况下,无人机能够实现较好的轨迹跟踪性能.

摘要：光场图像的深度估计是3维重建、自动驾驶、对象跟踪等应用中的关键技术。然而,现有的深度学习方法忽略了光场图像的几何特性,在边缘、弱纹理等区域表现出较差的学习能力,导致深度图像细节的缺失。该文提出了一种基于语义导向的光场图像深度估计网络,利用上下文信息来解决复杂区域的不适应问题。设计了语义感知模块的编解码结构来重构空间信息以更好地捕捉物体边界,空间金字塔池化结构利用空洞卷积增大感受野,挖掘多尺度的上下文内容信息;通过无降维的自适应特征注意力模块局部跨通道交互,消除信息冗余的同时有效融合多路特征;最后引入堆叠沙漏串联多个沙漏模块,通过编解码结构得到更加丰富的上下文信息。在HCI 4D光场数据集上的实验结果表明,该方法表现出较高的准确性和泛化能力,优于所比较的深度估计的方法,且保留较好的边缘细节。

摘要：四旋翼无人机的轨迹跟踪控制容易受到风扰和测量噪声的影响,针对上述问题,提出了一种基于扩展状态卡尔曼滤波(extended state based Kalman filter,ESKF)的模型预测控制(model predictive control,MPC)方法。首先,采用牛顿-欧拉方法建立风扰影响下的四旋翼无人机动力学模型;然后,位置控制采用基于误差模型的MPC方法,利用ESKF估计风扰并对控制量进行前馈补偿;采用反馈线性化方法将姿态动力学模型线性化,并设计基于ESKF-MPC的姿态控制器;最后,仿真结果表明测量噪声方差为0.0001时该方法的位置跟踪均方误差比自抗扰控制方法的误差小0.013 m,当方差大于0.0001时自抗扰控制方法使得系统不稳定,而本文的方法仍可以实现较好的位置跟踪。

摘要：为了解决常见吸波材料厚度大、吸波频带窄的问题,设计了一种采用新型偶极子方环交叉元结构的带宽大、厚度薄的吸波器,它由导电浆料和氧化铝陶瓷组成。基于有限差分时域方法采用CST软件仿真计算了该吸波器的电磁参数与反射率之间的关系。利用等效介质理论反演得到了吸波器的等效电磁参数与等效阻抗。通过优化偶极子方环交叉元结构的单元尺寸和电路参数,设计的吸波器在11.0~18.0 GHz频率范围内反射率小于-10 dB,厚度为1.6 mm,品质因素(FOM)远高于大多数文献报道的吸波器。研究发现该吸波器的损耗机制为共振损耗和欧姆损耗,组合频率选择表面(FSS)可以增强电磁损耗。实测结果与仿真吻合得较好,该超材料吸波器具有超薄宽带吸收的特性。