摘要:为提高风电变流器网侧的稳定性，解决负载波动时变流器并网接口的谐波和谐振问题。提出了一种改进的有源阻尼线性自抗扰控制(ADLADRC)策略。首先建立LCL型变流器数学模型，分析传统三阶自抗扰控制器原理。在此基础上，为提高传统观测器的观测能力，设计了在观测器总扰动通道上串联滤波器的改进自抗扰控制，并引入有源阻尼与其结合完成改进ADLADRC控制策略设计。然后通过频域分析法对改进ADLADRC下变流器系统进行频率特性分析可知，改进ADLADRC控制具有更好的并网稳定性和谐波谐振抑制力。最后，通过仿真对比所提控制策略与传统LADRC、传统PI控制下的并网点电流波形。仿真结果显示稳态条件改进ADLADRC满载谐波率相比PI的2.89%降为0.39%和半载谐波率相比PI的7.64%降为0.60%，表明所提控制策略不仅有更好的并网稳定性，还有在负载波动时快速的动态响应和谐波抑制力。

摘要:针对镜片缺陷检测采用图像处理法和神经网络法存在时延高、功耗高和检测缺陷类别较少等问题，设计了一种基于FPGA与退化YOLO的软硬协同检测系统。系统中使用卷积层代替YOLO网络的重排序层进行网络退化，并映射到FPGA上；采用动态量化、模块融合、双缓冲流水线、循环展开和分块等优化策略，设计可动态配置的加速IP，其中的卷积计算模块分别实现了基于Winograd和GEMM的快速卷积算法。实验结果表明，本系统的加速IP在PYNQ-Z2上获得了51.89 GOP/s的计算性能，比基于典型滑动窗口卷积计算方法的性能提高了0.76倍，加速单张图像的时延为433ms，功耗为1.07W，与Core i5-10500 CPU相比，能效是其365.27倍，实现了小型设备对手机镜片低时延、低功耗的多缺陷检测。

摘要:在传统甲状腺手术中，临床医生凭借肉眼识别，很难有效判定喉返神经位置，容易导致喉返神经损伤，而喉返神经损伤会导致患者无法正常说话甚至危及生命。使用术中神经监测技术，有效识别神经信号，避免术中损伤神经，本文详细介绍术中神经监测系统的设计与实现方法。该系统主要由主控模块、电流刺激模块以及神经信号采集模块组成，主控模块采用了ARM+FPGA双核架构，实现了电流刺激模块输出脉冲电流以及信号采集模块中的A/D转化功能，同时对采集模块采集的数据进行处理；电流刺激模块以高精度D/A转化芯片为核心设计电流源电路，用来调控电流脉冲的强度和脉宽；采集模块以高精度A/D模数转化芯片为核心适配低噪放大电路，实现神经信号的采集功能。使用本系统进行小猪喉返神经模拟临床人体监测实验以及在医院进行临床实验验证，证明本系统能够有效激发喉返神经信号并识别到神经信号，满足临床医生需求。

摘要:针对DC-DC电路软故障诊断中特征提取困难和分类准确率低的问题，提出了一种基于多策略改进哈里斯优化算法-反向传播MHHO-BP)神经网络的故障诊断方法。该方法通过VMD对故障信号进行处理，提取其时域和频域特征作为故障向量，采用MHHO算法优化BP神经网络的权值和阈值，建立DC-DC电路的VMD-MHHO-BP软故障诊断模型。实验结果表明，对于DC-DC电路软故障，该方法相较于鲸鱼优化算法(WOA)和蝴蝶优化算法(BOA)优化BP神经网络，其诊断效果好，准确率高。

摘要:针对陶瓷敲击检测信号含有噪声的问题，提出一种融合VMD优化与小波包分析（WPD）相结合的联合降噪方法。首先，应用能量的起始点检测准则提取实际信号的有效信息；其次，遗传算法（GA）选取VMD参数并自适应分解含噪信号；然后，计算各模态分量和原始信号的相关系数，将模态分量分为信号主分量和噪声分量；最后对信号主分量进行小波包分析，重构信息获取去噪后的信号。仿真实验证明：在分别加入10dB、20dB噪声时，该方法信噪比最高（23.81dB、24.75dB），均方误差最小（0.07、0.01）, 与常用的去噪方法相比，去噪效果均有明显提升。陶瓷试件敲击检测信号测试实验表明，该方法能有效去除不同类型陶瓷试件敲击检测声音信号的噪声，具有良好的去噪性能。

摘要:针对脉搏信号非线性、非平稳，且难以去噪的问题，提出了一种基于改进的自适应噪声集合经验模态分解(ICEEMDAN)与小波包分解(WPD)相结合的联合去噪方法，对采集的脉搏信号进行去噪处理。首先对噪声信号进行ICEEMDAN模态分解，产生一系列的固有模态函数(IMF)，再将这些IMF分量分别与原信号进行相关系数的计算，比较相关系数的值，然后进行信号的重组，最后对重组后的信号进行小波包分解，提取得到降噪后的脉搏信号。利用仿真数据、实际采集的脉搏信号进行实验分析，将该方法与集合经验模态分解(EEMD)进行了对比，并比较了这两种方法的信噪比(SNR)和均方根误差(RMSE)。实验结果表明：基于ICEEMDAN-WPD的联合去噪方法能更有效地去除噪声，并更好地保留脉搏信号的特征。

摘要:憎水性等级(Hydrophobicity Class，HC)是衡量绝缘子性能的重要指标之一。在实际环境的多种因素作用下绝缘子伞裙表面存在局部憎水性差异，为了准确识别绝缘子的性能，本文提出了一种基于深度学习的局部自适应绝缘子检测与憎水性分类模型。首先，通过绝缘子分割模块分离绝缘子与背景区域，为后续针对绝缘子区域的操作提供分割信息；然后将绝缘子区域划分为固定大小的图像块，在缩小分辨率减小运算难度的同时保留了绝缘子表面的细节信息；最后通过憎水性分类模块分析图像块内绝缘子的憎水性。实验使用巡检维护现场的绝缘子图片作为样本集，分阶段构建模型，分别对分割阶段和憎水性分类阶段的准确性进行评估。实验结果显示分割阶段模块能有效识别绝缘子和背景区域，交叉验证的测试集准确率均大于97.21%，并且憎水性分类阶段模块能准确分析绝缘子憎水性，对140幅测试图片的识别准确率达到98.65%。经过实验证明本文提出的模型在复杂自然环境中检测绝缘子性能是一种有效的解决方案。

摘要:光电转换系统可靠性评估可为光伏电站规划提供有价值参考。为此，本文提出基于Markov链的光电转换系统可靠性评估模型，该模型应用经验准则划分温度-辐照状态并构建其Markov链，再使用应力分析法计算光电转换系统故障率，而后形成光电转换系统故障率Markov链。据此，计算光电转换系统平均故障率等可靠性指标，定义光电转换系统平均故障率的温度和辐照弹性系数，用于量化光电转换系统平均故障率对两类气象因素的灵敏度关系。收集美国North Dakota州多处观测站的实测温度和辐照数据，评估某光电转换系统在不同观测站的可靠性指标，结果表明，低纬度观测站的光电转换系统平均故障率较高，且光电转换系统平均故障率的辐照弹性系数高于温度弹性系数，光电转换系统平均故障率对辐照更敏感。

摘要:为了优化步进电机开环控制性能，对非零速启停的加减速曲线算法及其低功耗硬件逻辑实现进行了研究。针对零速启停的加减速曲线存在控制性能难以充分发挥的问题，提出了一种非零速启停的步进电机线性加减速曲线算法，将加减速过程划分为四种转动模式，可构建任意的线性速度剖面。首先理论推导了四种加减速转动模式的控制脉冲周期；其次结合流水线设计思想优化加减速曲线算法的硬件逻辑模型，在FPGA中设计了步进电机控制器IP核，并采用门控时钟等低功耗IC设计技术实现了IP核的低功耗；最后，搭建了实验平台进行验证。实验结果表明，IP核可以实现四种转动模式的非零速启停控制，实现了高实时、高精度驱动，提升了20%的控制性能，电路面积优化约30%，功耗降低53%，验证了方案的可行性与有效性。

摘要:针对缺乏矿石数据集和矿石分类识别模型等因素，自建以X射线照射成像的矿石图像为数据集，并以MobileNet V2为主网络，提出基于改进MobileNet V2轻量级矿石分类模型算法。首先，通过调整扩展因子和宽度因子大幅减少模型参数量，实现模型轻量化的目的；其次，通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制，并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络，以增强模型特征信息提取能力，提升模型识别准确率；最后，使用迁移学习的训练方式初始化权重，加速模型训练。经过改进，该算法矿石识别准确率提升至96.720%，对比VGG16、GoogleNet、Xception、ShuffleNet和MobileNet V2在准确率和矿石检测速度都获得了提升。综合而言，相比本文实验中其他算法而言，改进算法针对矿石的识别性能具有更佳表现。

摘要:螺旋搜索机制的全局搜索能力强，广泛用于萤火虫算法及鲸鱼搜索算法，但其收敛速度慢，收敛精度低，局部搜索能力较差。通过改变收敛范围较小时的搜索模式，提出了局部螺旋搜索来提高其局部搜索能力，并引入变异操作提高其局部搜索能力，提出了行星搜索算法。通过对单峰及多峰值测试函数对该算法进行验证。结果表明行星搜索算法在收敛速度、搜索精度及局部搜索能力等方面较粒子群算法、萤火虫算法及鲸鱼搜索算法等有明显提升。

摘要:为了开展水下探测，设计了一种双尾鳍水下机器鱼。由于其存在模型参数不确定性和复杂水波干扰，为了得到较好的控制效果，建立了带有参数不确定因子的动力学模型，并在此基础上设计了径向基函数(RBF)神经网络滑模控制器。利用Lyapunov函数证明了控制系统的稳定性。仿真结果表明，与传统的PID控制器相比，所设计的RBF神经网络滑模控制器对双尾鳍水下机器鱼模型参数变化不敏感，控制精度高，鲁棒性强。该方法为今后鳍驱动式水下机器人的设计及应用提供了参考。

摘要:目前列车通信网络支持的网络时钟协议，时间同步精度只能达到亚微秒，无法满足当前列车各节点时间同步精度的需求。针对上述问题，本文提出将精确时钟协议应用在列车通信网络中。为了实现低偏差范围情况下的高同步精度，本文在传统PI控制算法基础上，在改进的时钟伺服系统中提出多模型PI控制优化算法，设定比例系数KP和积分系数KI的阈值极限值，推导阈值极限值与PI输出补偿值的定量关系，进而补偿从节点的时间偏差。最后，以某列车通信网络场景为研究对象在OMNeT++仿真平台进行建模仿真，分析主从节点时间偏差值。与传统PI控制算法得到的时间偏差值相比，列车通信网络中各节点的时间偏差的改进值均在30ns以内，同步偏差最低可达1.38ns，验证了所提算法的优越性。

摘要:癫痫是一种最常见的危及生命且具有挑战性的神经系统疾病。癫痫脑电信号复杂多样，人工检测癫痫信号耗时耗力，误判率高，不同的医务人员检测出来的结果也不相同，而且临床的原始脑电数据经常会包含多种噪音和生理伪迹，干扰癫痫检测性能。因此，非常有必要进一步研究高效可靠的癫痫自动检测技术，从而减轻医护人员负担。本文针对来自中国301医院收集的临床原始脑电数据进行分析训练，引入了一种基于一维卷积神经网络具有连续双层卷积结构的模型，可以高效稳定地检测到癫痫信号。结果为灵敏度、特异性、准确率和F1-score分别达到96.8%、99.8%、99.6%和96.1%，而且利用GPU进行模型训练的运行时间比对比模型低2到3倍。结果表明，本文引入的基于一维卷积神经网络模型优于现有方法，在癫痫检测性能上高效稳定，对癫痫的辅助诊断具有重要意义。

摘要:利用多无人机协同执行侦察任务，可以有效提高侦查的准确性。不同的侦察任务目标对象，重要程度往往不同，其任务价值也就存在差异，因此需要对协同侦察的无人机资源进行合理任务分配，提高协同侦察效益。本文重点考虑对无人机侦察时间资源分配的问题。首先，构建了一种自主协同资源分配机制，并以被辅助无人机为领导者，辅助无人机为跟随者，建立了斯坦伯格博弈模型。然后通过下层博弈均衡求解和上层博弈均衡求解，推导了辅助无人机最佳协助时间的闭合表达式，并得出所构建斯坦伯格博弈模型的纳什均衡解。最后对所提模型和方法进行了仿真验证，仿真结果表明，所提方法使得辅助无人机的时间资源得到充分利用，协同侦察的效用得到有效提升。

摘要:为实现遭受重大火灾等灾害后，对伤员皮肤烧伤自动化分级，加快诊断效率，提出提出一种用于皮肤烧伤分类的轻量化模型BI-YOLOv5算法。替换Swish激活函数，提高模型收敛能力及检测效率；使用K-means++算法对anchors聚类分析，增强对不同尺度目标的适应能力；修改特征提取网络，提取多个尺度的特征信息，建立多尺度特征融合网络，提高模型对深层特征信息的利用率，提高小面积烧伤的识别精度。实验结果表明，BI-YOLOv5算法在检测并区分不同烧伤类别及环境干扰下烧伤检测有较高的精度和效率，mAP达到97.6，对比YOLOv5提升8.4个百分点。

摘要:为解决无人驾驶汽车外界环境感知系统对交通标识文字信息检测问题，提出一种在自动驾驶场景下对交通标识的文本信息进行检测并识别的两阶段方法，实现了自动驾驶信息精细化采集。首先使用YOLO检测器检测交通标识，同时使用本文改进的DB检测网络对场景内文本进行检测，将交通标识检测结果与场景文本检测结果进行交集运算得到待识别文本区域；最后使用轻量化CRNN网络对待识别区域文本进行识别。使用CSCT-1600数据集和MTWI-2018数据集分别进行训练和测试。实验结果表明，交通标识信息定位算法在召回率为92.98时精确度为94.95%，交通标识信息识别算法在F1为77.2%时识别速度为25帧。

摘要:为了更加准确、快速地检测恶意PDF与DOCX格式文档，提出一种基于深度学习的恶意文档可视化检测方法。该方法通过马尔可夫模型将文档的字节序列转化为三通道的彩色图，从而获取更能区分恶意文档和良性文档的视觉表征，并采用当前主流的EfficientNet-B0模型对提取的可视化特征进行分类。结合迁移学习领域中的微调技术，将ImageNet上的分类权重应用到EfficientNet-B0模型的训练中，加快检测模型的收敛速度，缩短模型的训练时间。实验证明，在两个数据集上，模型的收敛速度快于随机初始化权重的预训练，且模型对恶意PDF文档和恶意DOCX文档的检测准确率分别达到了99.80%和98.14%，优于ResNet34、MobileNetV2等模型。与主流的恶意文档检测工具Wepawet和PJScan相比，所提出的方法具有更优的综合检测性能，进一步验证了所提出方法对恶意文档检测的有效性。

摘要:针对视频中复杂人体动作识别精度低、效率差的问题，提出了一种时空特征提取的稠密连接网络模型。首先利用两个稠密连接网络进行时空特征的提取；其次构建时空网络间的稠密连接，将时间网络中提取到的特征信息逐层输入到空间流网络中，提高两个流的时空交互性；然后使用LSTM网络分别对双流网络特征进行处理得到两个流的预测结果；最后融合双流网络的预测结果，从而实现视频中复杂行为的识别。在UCF101和HMDB51两个基准数据集上进行对比实验，得到94.69%和68.87%的准确率，优于其他算法。实验证明，本文模型可增加时空网络之间的交互性，有利于对复杂人体动作的识别。

摘要:叶面积指数（leaf area index, LAI)是研究林地生态系统和植被冠层结构的重要参量，高效、准确地测量LAI是森林资源清查工程中的一项重要工作。传统的LAI测量方式需要人工手持仪器至现场测量，费时费力，近年来随着物联网技术的发展，利用无线传感节点测量LAI的技术逐渐走向成熟，但仍有部分问题亟需解决。本文提出了一种基于红外半球摄影（digital infrared hemispherical photography, DIHP）的LAI测量方法，设计了针对红外摄影颜色空间的自适应分割算法，并部署在边缘计算平台“树莓派”上，解决了传统半球摄影法（digital hemispherical photography, DHP）容易受环境干扰的问题。所设计的传感节点测量值与手持式植被冠层分析仪HM-G20比较相关性显著，R值达到了0.99691，平均测量准确度可达93.57%，比DHP方式提高了13.85%。该DIHP节点运行功耗较低，满足林业物联网长期实地部署的要求，具有极大的应用前景。

摘要:针对现有算法对高压塔上鸟巢检测存在参数量过大，实时性不足及对小目标检测能力较弱的问题，提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络，减少算法的参数量且提升检测速度；同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块，增强网络对目标特征提取能力。然后，对PANet网络进行改进，获取更多的细节特征信息，提高对小目标鸟巢的检测能力。最后，使用Focal Loss函数优化损失函数，降低大量简单背景样本训练的权重，提升对小目标鸟巢困难样本训练的侧重，进一步提高对小目标鸟巢的检测能力。实验结果表明，较原始的YOLOv4算法，改进后的YOLOv4算法的参数量减少了48.1%，检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量，且对鸟巢的检测拥有更好的检测性能。

摘要:针对调制识别中单一图像的特征信息不足，区分度不够高，识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法，利用深度学习神经网络提取信号图像的特征，构建特征空间，通过多维特征融合，挖掘和整合不同特征的优势，增强模型算法的鲁棒性。此外运用了模型迁移的方法，仅需对分类器进行训练，大幅节约了训练时间和资源，具有很强的实时性和实用性。仿真结果显示，在0db左右的条件下，相比于单一特征图像，采用特征融合增强的方法能将信号的平均识别率提高约25%，通过模型迁移，省去了卷积神经网络的训练，所需的训练时间约为迁移前的9.6%，消耗内存约为迁移前的7.3%，同时模型的识别率损失控制在了5%以内。

摘要:本文提出了一款风车形方向图可重构单元及其作为阵元的二维平面宽带宽视角扫描相控阵天线。所提出的单馈方向图可重构单元天线由辐射贴片、直流偏置电路以及宽带人工磁导体(Artificial Magnetic Conductor, AMC)反射面构成。其中，辐射贴片为馈电结构可重构的四个Vivaldi缝隙组成的风车形贴片，它能够通过改变PIN二极管的通断以实现宽带内四个端射方向上的波束切换。此外,将AMC反射面加载于辐射结构的后端，使得最大辐射方向由原来的端射方向调整为准端射方向，这样有利于单元天线组阵后的扫描波束能够覆盖到侧射方向。对该天线单元及其构建的8×8均匀平面相控阵天线进行了仿真与分析。仿真结果显示，所设计的阵列天线同时具备了宽带宽视角二维波束扫描性能，其在5.4 ~ 6.1 GHz的工作频带内可以实现±60°范围内的二维波束扫描。同时，阵列的增益波动小于4.3 dB，并且具有较低的旁瓣电平。

摘要:实际测向系统中，由于多通道微波组件、天线阵元及连接电缆等射频部件传输特性不一致的影响，使得接收通道失配问题不可避免。存在通道失配时，天线阵列的接收数据中含有幅度和相位误差，最终导致空间谱的波达方向（Direction of Arrival，DOA）估计性能急剧下降甚至失效。本文针对这一问题，采用一种基于单辅助信源的通道校正算法，研究了该算法在通道数据预补偿和导向矢量修正的具体应用方法，并结合多信号分类算法（Multiple Signal Classification, MUSIC）进行DOA估计。从信噪比、快拍数和均方根误差等仿真参数证实了校正算法的有效性，并利用硬件平台的实测数据，验证了校正算法能够对通道失配进行有效补偿并获得较高的DOA估计性能。

摘要:无线传感网络是由大量传感节点构成的分布式自组织网络，而传感节点采用电池供电，其有限的能量严重影响了网络的生存周期。本文提出了一种新的异构感知路由协议（ED-SEP），该协议在分簇阶段综合考虑节点的剩余能量和覆盖半径范围内邻居节点的疏密程度及与基站的相对距离大小，从而选举出更具优势的簇首。采用MATLAB仿真分析了ED-SEP协议在改变基站位置和节点初始能量下的性能表现，并与稳定选举协议SEP、E-SEP进行比较。结果表明：通过改变网络中的参数，ED-SEP协议的网络稳定期相比SEP协议和E-SEP协议分别提高了29.6%和25.7%，基站的数据接收量达到了E-SEP协议的近三倍，有效提高了网络的能量利用率，极大地改善了无线传感网络的性能。