摘要：退役电池在储能应用过程中,由于其较大的不一致性问题会导致退役电池组出现过充或过放现象,从而限制电池组整体的容量甚至引起热失控,造成安全隐患。针对以上问题,设计一种基于双向半桥LLC谐振变换器的有源均衡电路。该均衡电路通过开关阵列与隔离型双向半桥LLC谐振变换器的相互配合,能够实现单体电池与电池组整体之间的能量传递,使退役电池组中各单体电池达到能量平衡。另外,为进一步提高均衡器的均衡速度及精度,提出一种联合电压与荷电状态(SOC)共同作为均衡变量的多状态均衡控制策略。依据电池组当前不同的能量状态,在电池组静置、充电及放电3种不同状态下,分别采用不同的均衡变量以及对应的均衡策略,从而实现电池组的快速均衡。最后,通过搭建小型的均衡实验样机对6节串联电池进行均衡实验,实验结果表明,所提均衡方法具有较快的均衡速度及较好的均衡效果。

摘要：本文研究了深度学习在球机摄像机回程差检测中的应用。通过设计和训练深度学习模型,旨在提高回程差检测的准确性和效率。深度学习在球机摄像机回程差检测中具有优越的性能。本文的研究为解决球机摄像机回程差检测问题提供了新的有效方法。

摘要：本文围绕杭州亚运场馆安防系统的建设,深度分析了智慧安防设计关键技术原理及实施应用场景的价值。

摘要：针对肺实质分割任务中不同尺度特征的全局上下文信息利用率低、分割精度低、分割细节模糊等问题,提出一种多尺度级联注意网络(multiscale cascaded attention networks,MCANet)。该网络主要由多尺度特征提取网络(multi-scale feature extraction network,MSFENet)、多尺度注意力引导模块(multi-scale attention guidance module,MSAG)、解码特征整合器(decoding feature integrator,DFI)组成。首先,设计MSFENet以提高特征信息在不同通道维度上的空间交互能力,在采样过程中最大限度地保留图像的关键特征,丰富全局上下文信息。然后,设计MSAG提高模型在解码过程中对多尺度特征信息的利用率,并最大限度地融合两种注意力机制的优势。最后设计DFI,重新整合解码器生成的解码特征,以提高模型对边缘信息的分割性能。在LUNA16数据集上对模型性能进行实验验证,得到了0.993的Dice和3.864的HD,实验结果证明了MCANet与其他主流医学分割模型相比有更优异的分割性能,能更准确地分割肺实质。

摘要：通过可学习的预测算法获取卷积神经网络(CNN)在硬件上的推理耗时越来越受到研究者的关注。现有耗时预测算法主要面临2个问题:卷积神经网络设计空间采样复杂度高,数据采集成本高;无法准确预测硬件编译器的算子融合技术对推理耗时的影响。为了解决上述问题,提出了一种基于图卷积网络(GCN)的耗时预测算法,将整体网络耗时看作多节点耗时补偿的累加,并利用图卷积对结构算子融合产生的耗时影响进行建模。同时,提出一种新型差分训练方案,减少采样空间规模,提高算法的泛化能力。在HISI3559硬件平台上对MB-C连续空间采样模型的耗时预测实验表明:所提算法可将耗时估计的平均相对误差从传统算法的302%降低到5.3%。另外,通过将传统耗时预测算法替换成所提算法进行耗时评估,可以使网络结构搜索算法搜索到耗时更加接近目标的高精度网络。

摘要：已有的场景文本检测算法在处理任意形状的文本区域时,会将多余的背景区域也包含在内,为了自动学习聚焦任意形状的文本区域,提出一种注意力监督策略下的文本检测算法.首先使用深度残差网络作为骨架网络提取包含多尺度信息的特征图,然后通过注意力掩膜生成模块将融合特征图转换生成注意力掩膜,再通过背景抑制模块,利用注意力掩膜监督生成下一级特征图,最后经过一系列卷积操作生成分割掩膜,处理优化后得到最终的文本检测结果.实验表明,所提算法在ICDAR2015数据集上的多指标综合表现优越,其中F值相较对比算法提高了2.1%.

摘要：电磁干扰是当前电动汽车电机驱动系统设计所面临的一大挑战.为了在系统设计初期验证电磁干扰抑制技术的有效性和可行性,文中提出了一种基于端口阻抗测量的电机驱动系统SPICE等效电路建模方法.根据系统部件的物理结构,建立了高压屏蔽线缆模型、电机控制器模型和驱动电机模型,通过实验验证模型的精度.将部件模型组合在一起,构建了完整的电机驱动系统传导电磁干扰预测模型.依据GB/T 18655-2016《车辆、船和内燃机无线电骚扰特性用于保护车载接收机的限值和测量方法》和GB/T 36282-2018《电动汽车用驱动电机系统电磁兼容性要求和试验方法》进行了系统带载传导电磁干扰仿真和实验,验证模型的准确性.

摘要：为了对交通流建模研究和高级辅助驾驶开发等提供可靠跟驰行为支持,本文针对同一位驾驶人个体内部发生的从正常到异常的跟驰行为模式的转变,提出一种以Transformer深度学习模型为基础的驾驶人跟驰行为内在异质性预测和建模方法。本文基于超过20万km的大规模自然驾驶实验,首先,利用对驾驶人的全要素长期行为观测,为41位驾驶人建立基线模型,完成3194次驾驶人内在异质性事件识别与提取;其次,设计基于Transformer多头自注意力机制的深度学习预测器,实现对驾驶人内在异质性事件的准确预测。结果表明,预测器在跟驰内在异质性三分类时间点预测的F1分数(F1-Score)相较于长短时记忆网络表现更优,达到了87.13%,基于预测结果的动态跟驰参数切换可以降低21.08%的驾驶行为建模误差。研究结果有助于更加准确地重现驾驶人跟驰行为,进一步提高交通流仿真精度和高级辅助驾驶控制策略拟人化水平。

摘要：分析了超高频RFID标签天线的设计原理,发现馈电环占用天线空间过大是小尺寸超高频RFID标签天线设计的一大难点。为了解决该难题,文中研究了一种馈电环尺寸缩减技术,该技术在不增大馈电环尺寸的前提下,能够与多种超高频RFID芯片匹配。测试结果表明,采用馈电环尺寸缩减技术的小尺寸超高频RFID标签具有较长的可读距离。

摘要：针对物联网设备的响应式运维和预防性运维存在故障处理不及时和处理效果不理想等问题,该文对智能运维技术现状进行分析,提出了一种将机器学习算法引入运维,以实现预测性运维的方法。该文还设计了基于梯度提升回归树算法的物联网设备故障预测系统,通过模型设计、数据采集、数据预处理、特征工程、模型训练以及模型回归构建数据模型。该模型及系统可以预测运维故障,降低事后运维的非增值成本和安全风险。