摘要：针对目前室内可见光通信系统三维定位的准确率与定位速度依然不佳的问题,提出一种基于深度学习的可见光通信系统室内定位方法。首先,设计了一个神经网络将指纹数据编码成二维阵列,利用卷积神经网络学习指纹阵列与目标位置之间的关系;然后,通过粒子群优化算法自动搜索卷积神经网络的超参数,以降低深度神经网络的训练难度。此外,设计了定位数据训练集、验证集与测试集的划分方法,有助于缓解神经网络的过拟合问题,并提高定位准确性。仿真结果表明,所提方法在6×6×4m3室内环境下的平均定位误差为0.024m,平均定位时间为0.478s。

摘要：为克服现有生猪体征监测模块功能单一、传输距离受限、功耗大等问题,设计一种以低功耗智能耳标为采集终端的生猪体征监测与异常诊断系统。该系统以无线微控制器为硬件核心,结合猪只体温、心率、运动感知传感器,LoRa和GPRS技术组成的无线传感网络和云服务器构建生猪体征信息采集、健康评估、异常诊断监测平台,提高生猪养殖过程的智能化管理水平。试验表明,该系统运行稳定,能够实时采集、传输、显示、查询生猪体征参数和异常行为,体温相对误差小于1%,心率相对误差小于5%,通信网络丢包率小于5%,传输距离大于3 km,行为辨识结果大于90%,满足中小型规模化生猪养殖场的实际使用需求。可为生猪异常诊断、早期疾病检测治和疫情预防提供科学依据。

摘要：钢板的表面积较大,表面缺陷非常常见,且呈现多类少量的特点。深度学习很难有效应用于此类小样本缺陷的检测中。为了解决此问题,提出一种基于轻量化YOLOv8的小样本钢板缺陷检测算法,提出一种基于模糊搜索的交互式数据增强算法,可有效解决训练样本缺失导致网络模型无法得到有效训练的问题,使深度学习应用于该领域成为可能。设计LMSRNet(lightweight multi-scale residual networks)网络替换YOLOv8的主干,以实现网络模型的轻量化,并提高其可移植性。提出CBFPN(context bidirectional feature pyramid network)和ECSA(efficient channel spatial attention)模块,使网络能更有效地提取并融合伤痕特征,同时采用Wise-IoU损失函数以提高检测性能。对比实验结果表明,与原YOLOv8算法相比,改进后的网络参数量只有原网络的30%,计算量是原网络的49%,FPS提高了9帧/s,精确率、召回率、mAP分别提高了2.9、6.5、5.5个百分点,实验结果充分验证了该算法的优势。

摘要：芝麻油作为日常饮食中不可或缺的食用油之一,其质量和安全性受到了广泛关注。然而,芝麻油掺假问题日益严重,这使得保障芝麻油的质量安全成为了一个急需解决的问题,所以建立芝麻油防伪溯源对保障质量安全十分重要。本实验设计研发了一套基于区块链技术的芝麻油防伪溯源系统,提出了“区块链缓存”的双存储设计,即链下存储并缓存溯源信息,链上同步存储溯源信息的哈希值;此外还设计了链码直连状态数据库的查询方案,解决了区块链网络数据存储压力大、查询效率低的问题。通过分析与验证,消费者利用微信扫码通过小程序能够快速方便地查验芝麻油真伪,有效解决了芝麻油溯源链不同环节之间在数据安全和溯源信息真实性上的问题,在实践中也取得了较好的应用效果。

摘要：为了提高猪舍环境舒适度评价的准确性,克服猪舍多环境因子相互耦合,避免采用单一环境因子评价猪舍内环境质量状况不准确问题。本研究根据猪舍环境养殖标准,构建了猪舍舒适度评价指标体系和权重,建立了温度、湿度、风速、CO_(2)、NH_(3)和H_(2)S各环境因子的隶属度函数,提出了基于层次分析-模糊理论的猪舍多环境因子综合评价方法,搭建了生猪生长环境舒适度实时监测系统。以育肥猪舍环境监测的24组数据为例对本文提出的猪舍舒适度模糊综合评价方法进行验证。结果表明,该系统建立的猪舍多环境因子舒适度模糊综合评价方法能准确反映猪舍空气质量状况,可为猪舍环境精准调控提供科学决策依据,具有一定的应用价值。

摘要：针对复杂网络社区检测可扩展性不足与准确性不高的问题,提出一种复杂网络可扩展社区检测算法。该算法由两个阶段构成,第一阶段根据邻域度数方差检测网络中的候选社区中心,基于网络拓扑结构评估节点的相似性,基于相似性进行标签传播,建立网络的初始化社区;第二阶段基于深度强化学习对网络社区结构进行微调与优化,利用深度强化学习强大的感知能力与决策能力提高社区结构的准确性。实验结果表明,由该算法发现的网络社区获得了较高的准确性。

摘要：针对服务缓存和任务卸载联合优化中,由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题,提出一种基于动态服务缓存辅助的任务卸载方法。首先,针对边缘服务器执行缓存服务动作空间较大的问题,重新定义了动作,并筛选出最优的动作集合以提高算法训练的效率;其次,设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略;再次,将任务卸载问题转换为凸优化问题,利用凸优化工具获得最优解;最后,利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性,基于真实数据集进行了充分的实验。实验结果表明,对比Q-Learning、双层深度Q网络(D2QN)以及多智能体深度确定性策略梯度(MADDPG)方法,所提方法的响应时间分别降低了8.5%、11.8%和12.6%,平均体验质量分别提高了1.5%、2.7%和4.3%。

摘要：为了提高碳纤维复合材料CFRP的厚度测试精度,设计了一种基于激光超声脉冲反射法的CFRP厚度测试方法,并进行工艺参数优化。研究结果表明:以凸透镜进行厚度测试时,可以达到5.2%以内的相对误差。提高光斑外径后,形成了更低幅值的超声波信号。凸透镜聚焦形成的光斑面积比柱面透镜聚集形成的光斑面积更小,提高了能量密度,促进了更大幅值超声信号被激发,显著增强激光热弹效果。不存在外部光源的情况下,形成了具有稳定频率的反射信号。当光源功率提高后,信号中产生了更大噪声频率与幅值;背景噪声对多次反射回波也造成了淹没。功率0.45mW与0.60mW时,信号相对有效信号频率更大,对反射信号也造成明显影响。该研究可以拓宽到其它微观材料的厚度检测领域,具有很好的精度控制标准。

摘要：轴承故障信号识别经常受到各种噪音的影响,传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示中效果较差,通过终止准则对进K-SVD字典学习优化,设计了基于改进K-SVD稀疏表示的轴承微弱故障信号特征处理方法。将终止准则当作字典更新收敛条件,采取正交匹配追踪算法进行稀疏求解,以包络谱形式实施分析,达成对微弱故障特征的提取目标。仿真信号结果表明,添加噪声信号时域图难以对特征频率实施精准提取。通过改进K-SVD算法来学习该分量特征信息有着明显的冲击特征,通过重构误差的波动状况对更新收敛性验证。试验结果结果表明,故障特征频率被其它频率掩盖,导致故障状态难以被有效辨别。本文方法实现对微弱故障特征的高效提取,精准判断故障状态。

摘要：K-means聚类是一种简捷高效、收敛速度快且易于实现的统计分析方法,但是传统的K-means聚类算法对初始聚类中心的选取敏感且易陷入局部最优,同时多数无监督特征选择算法容易忽视特征之间的联系。为此,提出了一种结合人工蜂群与K-means聚类的特征选择方法。首先,为了使同一簇中样本的相似度高而不同簇中样本的相似度低,基于簇内聚集度和簇间离散度构建了新的适应度函数,更好地反映各样本的特性,进而构建了蜜源被选择新的概率表达式;其次,设计了随着迭代次数的增加而数值逐渐减小的权重,提出了使蜂群搜索范围动态缩进的蜜源位置更新表达式;然后,为了弥补传统的欧氏距离在计算距离时仅考虑向量之间的累积差异而表现出的局限性,构造了同时考虑样本影响程度不同以及样本的相似性的加权欧氏距离表达式;最后,引入标准差和距离相关系数,定义了特征区分度与特征代表性,以二者之积度量特征重要性。实验结果表明,所提算法加快了人工蜂群算法的收敛速度并提高了K-means算法的聚类效果,同时也有效地提升了特征选择的分类效果。