摘要:随着人工智能(artificial intelligence, AI)普及应用，数据中心(data center, DC)规模和算力负荷快速增长，其能耗管理成为当前能源电力领域关注的核心问题。DC负荷与运行特性具有特殊性，能耗主要源自信息技术(information technology, IT)设备与冷却系统，负荷呈现高度的非线性与多源耦合特征，为DC能耗精准预测与电力调度带来挑战。系统阐述了DC电源配置，负荷建模与能耗预测方法，重点对比分析了统计模型、机器学习模型及深度学习模型在IT负荷与冷却能耗预测中的适用条件、特征构建方式与建模效果，总结了多源监测数据驱动下的关键特征选择与模型适配规律。同时，综述了基于负荷与能耗预测结果的DC参与电力系统调度的研究路径，从时间与空间两个维度分析了预测精度对需求响应、灵活调节能力挖掘及电算协同运行的影响机制。最后，针对实际应用中面临的多源数据融合不足、模型可解释性有限及实时预测能力受限等问题，归纳了当前研究的主要挑战与发展趋势，并提出支撑DC数智化能耗管理与电算协同调度的关键研究方向与实施建议。

摘要:超声断层成像技术因具有低成本、实时性和便携性等优势，在肌骨组织成像中具有重要应用潜力。然而，肌骨组织中软组织与骨骼之间显著的声阻抗对比会引发强反射、多次散射及明显衰减，导致超声波场高度复杂，从而限制了传统超声成像方法的分辨率和定量精度。针对上述问题，提出了一种融合对比源反演与全波形反演的定量超声成像方法。该方法首先引入乘法正则化对比源反演，在强散射条件下快速重建组织的大尺度声速分布，获得物理一致且鲁棒的初始模型；随后在细网格上采用频域双参数全波形反演，实现声速与衰减参数的联合精细重建，并通过GPU并行加速提高计算效率。数值仿真与离体牛肌骨实验结果表明，在0.3 mm空间网格间距下，该方法能够有效抑制高阻抗界面引起的非线性效应与成像伪影，实现对肌骨组织声速与衰减分布的精细定量成像，整体反演时间为16.53 min。重建声速与衰减图像的结构相似性指数分别达到0.954 0和0.902 3。结果表明，该方法在成像精度与计算效率之间取得了良好平衡，为肌骨组织的高分辨率定量超声成像提供了一种高效、稳健的技术方案。

摘要:针对煤矿低浓度瓦斯直燃系统，传统温度探针与离子棒等传感器不足以准确反映燃烧过程中的细微波动，针对此问题提出了多视窗低浓度瓦斯燃烧状态协同监测策略。首先利用不同视窗的高速摄像机（high speed camera, HSC）和高清摄像机（high definition camera, HDC）构建低浓度瓦斯燃烧状态数据集，对数据集进行高斯模糊等数据增强扩展数据集多样性，提升模型的适应性；进一步构建低浓度瓦斯燃烧状态监测模型，分别建立主干模型、颈部模型、头部模型，主干模型提升对瓦斯燃烧状态局部特征的提取能力；颈部模型增强对瓦斯燃烧动态变化趋势；头部模型优化对瓦斯燃烧状态特征提取效率，减少冗余特征的提取；最后在模型的参数量满足部署的前提，将低浓度瓦斯燃烧状态监测模型部署至嵌入式平台，实时监测瓦斯复杂的燃烧状态变化。实验结果表明，低浓度瓦斯燃烧状态识别模型精确率为96.11%、准确率为95.80%、监测速率为87.5 fps，模型的参数量为40.1×106，误差均值不超过0.16，部署在嵌入式平台的精确率均值为96.10%，监测速度均值为30.10 fps。基本满足低浓度瓦斯直燃系统瓦斯燃烧状态监测需求的精确性、实时性、适应性，具备一定的工业应用价值。

摘要:针对目前超宽带（ultra-wideband, UWB）多输入多输出（multiple-input multiple-output，MIMO）天线容易受到多个频段的信号干扰，且各端口间隔离较差的问题。提出了一款具有二陷波特性的紧凑型高隔离超宽带四端口MIMO槽天线。天线尺寸为65 mm×65 mm×0.8 mm。天线采用共面波导（coplanar waveguide，CPW）馈电，并加载十字形隔离结构来提高端口间的隔离度，通过在辐射贴片上刻蚀两个C形槽，在3.25~3.85 GHz和4.32~5.69 GHz频带产生陷波，可抑制WiMAX（3.3~3.7 GHz）和WLAN（5.15~5.825 GHz）频段的干扰信号。对天线的各项性能参数进行了深入分析，包括峰值增益、包络相关系数（envelope correlation coefficient，ECC）、分集增益（diversity gain，DG）以及全反射系数（total active reflection coefficient，TARC）。经过实测，该多输入多输出天线的工作频段为2.48~11.2 GHz，隔离度大于20 dB，包络相关系数小于0.07，分集增益大于9.97，分集性能良好。仿真与实测结果表明，该天线在信号传输和抗干扰方面表现优异，各端口间的干扰小，在超宽带MIMO通信系统中，尤其是WiMAX和WLAN陷波频段，具有良好的发展前景，可以满足无线通信的需求。

摘要:晶圆缺陷分类是芯片制造过程中至关重要的一环，准确分类各种类型的缺陷模式对快速定位芯片制造问题并加以修复具有重要意义。针对晶圆缺陷分类中存在的多尺度特征表征不足和跨层次信息融合效率低等问题，提出了基于卷积神经网络（CNN）结合Transformer的多级特征融合晶圆缺陷分类网络（CNN-Transformer multi-level feature fusion network, CTM-Net）。该网络采用双分支并行结构,CNN分支负责提取局部形态和细微缺陷特征，Transformer分支利用自注意力机制建模全局上下文关系以获取全局结构特征，在此基础上，CTM-Net通过构建多级特征交互模块，实现跨尺度、跨层次信息的自适应融合与增强，从而有效弥补单一分支在特征表达上的不足，提升模型的判别能力。CTM-Net在公开WM-811K数据集上的分类准确度达到99.31%，在整体分类性能上优于当前主流的5种代表性先进晶圆缺陷分类方法，尤其在Edge-Loc、Edge-Ring、Loc等关键缺陷类别上表现出了更高的识别精度与稳定性。这一结果证明了CNN和Transformer多级融合方法在处理晶圆缺陷分类任务中的有效性和优势。

摘要:为解决Alpha稳定分布噪声和高斯色噪声混合环境下波达方向（DOA）估计问题，提出了一种互质阵列下基于分数阶累积量的前向预测与回溯正交匹配追踪（FOC-LABOMP）算法。首先，通过互质阵列构建信号接收模型，利用阵元间距的差分共阵获得虚拟阵列，引入孔洞插值技术将物理阵列的有效孔径扩展至虚拟阵列的连续区间，从而提升自由度和提高角度分辨率；其次，利用分数阶累积量的半不变特性，有效抑制高斯色噪声和Alpha稳定分布噪声的干扰。进一步，结合前向预测与回溯正交匹配追踪算法，通过原子内积计算相关度，预测原子在未来迭代中的性能选择最佳原子，加入回溯策略，提高稀疏恢复精度，最终得到DOA估计值。通过计算机仿真实验验证了算法的有效性，在Alpha稳定分布和高斯色混合噪声条件下，当混合信噪比为0 dB时，所提算法DOA估计的均方根误差为0.536 8°，与相控分数低阶矩多重信号分类算法（PFLOM-MUSIC）相比，精度提升了41.45%。仿真结果表明所提算法可在混合噪声下实现较高精度的DOA估计。

摘要:针对步态识别方法中单模态信号在前进、后退与转弯等动态任务中易误判的问题，提出一种基于运动姿态信号与表面肌电(sEMG)信号融合的多数据流神经网络模型方法。采集下肢运动姿态与表面肌电信号，通过步态周期划分和对齐策略完成数据处理，从数据特性信息在时序结构、信号类型与表达维度上的异质性角度出发构建包括运动姿态的动态时序特征、sEMG的频域倍频程谱和时域直方图统计的特征信息。采用Transformer捕捉运动姿态信号的动态演化模式、双路多层感知机（MLP）分别提取sEMG在时域与频域上的局部响应特性，构建进行功能互补的多数据流神经网络模型，从而实现运动姿态与局部肌纤维活动信息的融合表达。结果表明，所建立的模型在前进、后退与转弯3类任务中的识别准确率分别提升了8%、6%与24%，显著改善了由动作边界模糊带来的误判问题，在准确性、泛化性方面具有更好的表现。该方法为多模态融合在复杂步态识别中的应用提供了研究参考和技术支撑，为高精度的步态识别系统设计提供了参考。

摘要:针对现有波达方向(direction of arrival, DOA)估计算法无法同时抑制α稳定分布噪声和高斯色噪声问题，提出了一种基于分数阶累积量和加权双曲复合函数的平滑l0范数的DOA估计算法。首先，利用分数阶累积量的半不变性以及对α稳定分布和高斯分布不敏感的特性，抑制α稳定分布和高斯色噪声。然后，将分数阶累积量矩阵进行向量化处理，并推导出基于分数阶累积量的稀疏DOA重构模型。最后，构造双曲复合函数对l0范数进行平滑逼近，并通过调节逼近因子实现平滑性与陡峭性的自适应权衡。同时，引入加权矩阵，对真实信号源对应位置进行加权增强，其余位置权值被抑制，进一步突出稀疏解的结构特征。在此基础上，采用梯度下降与投影相结合的双层迭代策略求解加权平滑l0优化问题，从而获得目标信号的DOA值。仿真实验结果表明，在α稳定分布与高斯色噪声混合且混合信噪比低至0的条件下，所提算法DOA估计的均方根误差为0.516 4°，充分验证了其在复杂噪声背景下的有效性和高精度。

摘要:针对大气气溶胶类型精确识别与浓度定量反演面临的挑战，提出一种基于Mueller矩阵图样分析的气溶胶偏振特性识别方法。以光学厚度作为浓度等效参数，通过仿真与实验相结合，系统研究了烟雾（不规则、强吸收）与水雾（球形、弱吸收）2类典型粒子在0.77、2.27、4等光学厚度下的偏振散射与退偏特性演变规律。结果表明，光学厚度是主导偏振与退偏特性宏观演变的关键参数，随着其从0.77增加至4.00，总散射强度（M11）与圆偏振保持能力（M44）显著增强，散射退偏强度增幅超过75%。粒子的微观物理属性是决定其偏振响应差异的本质因素，在相同光学厚度下，水雾粒子的M44值较烟雾粒子高出约76%，且其散射图像因离散液滴分布呈现独特的破碎感纹理，而关键矩阵元素的角度分布特征（如M11与M44在180°方向的峰值）则表现出良好的稳健性，可作为有效的识别依据。实验验证显示，关键参数的实测值与仿真值相对误差在6%以内，验证了所提方法的可靠性，Mueller矩阵分析方法能够同步、敏感地提取由粒子微观结构与介质宏观浓度共同调制的偏振信息，为基于偏振遥感的大气气溶胶高精度识别与反演提供了一种新的有效途径。

摘要:针对现有基于深度学习的调制识别方法因特征提取和利用不充分从而导致识别准确率有限的难题，提出了一种基于多尺度特征交叉融合的自动调制识别方法。自动调制识别方法基于深度学习模型实现，首先，将IQ调制信号拆分为I信号和Q信号，形成模型的两路输入；接着，设计了多尺度特征提取模块，有效抑制信号噪声，在此基础上提取信号的多尺度特征用于调制方式识别；然后，设计了基于交叉注意力的特征融合模块，利用交叉注意力机制对I信号和Q信号提取的多尺度特征进行深度融合；最后，输出调制识别结果。基于调制识别领域的基准数据集RadioML2016.10A和RadioML2016.10B的实验表明，相较于现有主流的基于深度学习的识别模型，在RadioML2016.10A和RadioML2016.10B数据集上，该方法在全信噪比区间上的平均识别准确率分别为57.17%和62.18%，提升了4.92%和4.16%以上，在低信噪比条件下的表现也优于现有主流识别模型，在高信噪比条件下的识别准确率分别提升了2.74%和1.43%以上。实验结果表明，所提出的方法有效提升了信号自动调制识别的准确率，克服了现有方法对噪声敏感、特征利用不充分的缺陷。

摘要:民机飞行控制系统采用多冗余架构保障安全性,但该设计在提升可靠性的同时使得组件间存在耦合与非线性因果依赖,导致单一故障在组件之间传播,正确识别组件之间的因果关系对分析故障发生的根本原因和识别传播路径至关重要。因此,提出一种基于因果图的飞控系统故障传播路径识别方法。首先,构建双注意力协同机制的多通道深度可分离时序卷积网络(dual attention-based multi-channel depthwise separable temporal convolutional network, Da-MDSTCN),通过注意力融合机制解析组件间因果关联特征,并结合图论构建系统结构因果图;其次,设计特征融合的多通道加权时序卷积网络(multi-channel weighted temporal convolutional network, MC-WTCN),通过特征调制策略实现多维状态特征参数的协同预测,并建立一个基于预测残差与相对偏差分析的诊断框架,实现故障根源诊断与传播路径识别。最后,基于A320飞控系统的案例进行实验,故障诊断准确率达到948%,同时故障传播路径识别更加准确，验证了所提方法在故障诊断与传播路径识别方面的准确性与有效性。

摘要:针对现有PCB缺陷检测方法计算负担重、难以满足实时轻量化需求的问题,设计了一种轻量级印刷电路板缺陷检测模型PMAC-YOLO。为实现精度与轻量化的高效平衡,模型设计3大核心优化模块:首先,通过构建轻量级C3k2_PMLCA模块,融合部分卷积PConv与混合局部通道注意力MLCA机制,增强模型在复杂背景下对小目标特征的提取与感知能力;其次,设计ADSdown自适应深度可分离下采样模块,实现轻量化下采样并动态调节信息保留程度;此外,引入跨尺度特征融合CCFM模块,融合多尺度特征以增强模型对尺度变化的适应能力,提升小目标缺陷的检测精度。实验在DeepPCB数据集及HRIPCB增强数据集上进行验证,结果显示,PMAC-YOLO的mAP@0.5分别达到98.8%和99.1%,较基准模型YOLOv11提升0.3%和0.4%,同时参数量降低至1.22×10-6,计算量降低至3.4 GFLOPs,模型权重文件尺寸仅为2.8 MB,分别较基准降低52.64%、46.03%和49.09%。研究结果表明,PMAC-YOLO在显著降低模型复杂度与资源占用的同时,保持了优异甚至更优的检测精度,成功实现了精度与轻量化的有效平衡,为PCB缺陷实时检测提供了可行的轻量化解决方案。

摘要:随着全球数字化转型的深入发展,工业物联网对网络通信的传输时延、可靠性、广覆盖方面提出了严苛的要求。而时间敏感网络（TSN）以其确定性的低时延传输特性,与5G的广覆盖优势形成互补,二者深度融合构建的TSN-5G异构网络成为满足工业物联网实时通信需求的前沿方案。但目前缺少对该方案的传输资源细粒度使用的优化方法，导致有限资源没有得到充分利用，进而影响端到端传输的成功率。为此,在TSN与5G融合的工业网络架构的基础上,设计了一种基于双Q学习的鲸鱼优化方法,该方法通过双深度Q网络（DDQN）动态优化鲸鱼优化方法的“搜索”或者“包围”的执行动作选择,可以加快方法的寻优过程，且能够有效避免鲸鱼优化方法陷入局部最优.在性能对比方面,该方法也展现出显著优势,与传统的鲸鱼优化方法和遗传方法相比,其调度成功率的提升范围在6.1%~74%。因此,通过DDQN与鲸鱼优化方法的结合可以很好的解决TSN-5G网络的细粒度资源分配难题。

摘要:毫米级近距离位移测量在精密制造、医疗监测、航空航天等领域应用广泛。微波法凭借非接触、抗干扰性强和空间分辨率适中等优势，成为近距离位移测量的有效手段。针对环形探针天线存在多频谐振和天线尺寸与性能难以兼容的问题，提出一种基于模态抑制的四元扇形截断结构和利用嵌套式布局的环形探针收发天线，能够有效抑制传统环形天线的多频点谐振现象，实现单一目标频点（24.01 GHz）的高效辐射并提升信号接收纯度与抗干扰能力。仿真结果表明，该天线在保留高增益特性的同时，尺寸较同类典型环形天线缩减65.385%，工作带宽小于0.1%，目标频点反射系数为-64.001 dB，中心频点增益达11.028 dBi，实测结果与仿真高度吻合，实物测试显示在24.14 GHz处的反射系数为-42.807 dB，绝对带宽为0.027 GHz，相对带宽为0.004%，远低于窄带要求的1%。所设计的天线不仅尺寸小、结构简单，且性能良好，满足毫米级近距离位移测量需求。

摘要:针对医学图像分割中局部纹理细节与全局语义信息难以充分融合、易造成边界模糊与结构不完整的问题，设计了一种卷积与自注意力并行的双融合分支医学图像分割U形网络 (dual fusion branch UNet，DFB-UNet)。编码器采用卷积神经网络 (convolutional neural network，CNN)分支与Transformer分支并行提取局部与全局特征；在跨分支融合前端引入可变形卷积网络(deformable convolution network，DCN)以增强对不规则目标边界的建模能力；并构建由注意力融合模块(attention fusion module，AFM)与卷积融合模块 (convolution fusion module，CFM)组成的双融合模块，其中CFM引入深度可分离卷积以在较低计算开销下实现有效特征交互与互补聚合。实验结果显示，在Kvasir-SEG数据集上mDice/mIoU达到0.89/0.83；在CVC-ClinicDB数据集上mDice/mIoU为0.810/0.723；跨数据集测试中，使用Kvasir-SEG训练并在CVC-ClinicDB测试时Dice/IoU为0.751/0.668；在ISIC2017数据集上IoU/Dice/Acc为0.816/0.889/0.965，在LUNA16数据集上Dice/IoU为0.966 0/0.934 2。结果表明，所提出的双融合并行编码结构能够在保证计算效率的同时提升分割精度与泛化性能，消融实验进一步验证了可变形卷积与双融合模块对网络性能提升的贡献。

摘要:在超宽带（UWB）无线通信系统中，非视距（NLOS）和视距（LOS）环境的准确识别对于提高定位精度和系统性能至关重要。为此提出了一种基于注意力机制结构（ATTENTION）改进稀疏自编码器（SAE）的特征提取方法，SAE通过稀疏编码学习稳定有效的特征表达，注意力机制则通过动态权重分配突出重要信息，两者结合能实现更加精准的特征降维；采用了结合高斯混合模型（GMM）和自训练支持向量机（SVM）的半监督分类策略来执行LOS/NLOS的状态识别，高斯混合模型用于建模提取的特征空间生成概率分布参数，随后利用自训练支持向量机来增强边缘部分分类的准确性和鲁棒性。实验结果表明，通过比较不同降维方法与LOS/NLOS分类器组合在NLOS识别任务中的性能，本研究提出的SAE-ATTENTION特征提取策略与GMM-SVM分类模型组合，在识别准确率和可靠性方面表现出显著优势。在静态实验和动态实验中，该方法的NLOS识别准确率分别达到95.20%和93.05%，有效提升了模型在有限标记样本条件下的泛化能力。

摘要:由于现有卷积网络固有的局部感受野造成的复杂特征表达局限性，忽略全局分布信息所造成的内含物电导率参数重建不准确和形状失真，限制了电阻抗层析成像技术在实际中的应用。提出了一种基于注意力与视觉Transformer混合的端到端深度学习方法(HiRef-EIT)。该方法以U-Net为骨干网络，采用层级特征堆叠构建多尺度空间信息表达；设计了多头空间衰减注意力(MHRA)模块作为编码器，降低计算复杂度的同时保持全局信息建模能力；引入基于通道注意力和坐标注意力并行的瓶颈连接模块，分别从通道层面和空间层面构建电导率分布和内含物形状的潜在表示，采用基于交叉注意力的解码器单元实现全局-局部信息的多尺度融合，增强模型的特征表达能力。HiRef-EIT通过大量的仿真数据训练获得最优模型参数，并在多样化复杂形状和肺部仿真模型进行了实验验证。定量评估指标表明，该方法在重建图像中的均方根误差(RMSE)结果为6.028，结构相似性指数(SSIM)结果为0.956，可视化结果表明重建结果和真实分布具有很好的一致性。实验结果表明，提出的HiRef-EIT展现出了良好的鲁棒性和泛化能力，相较于传统的卷积网络成像模型，该方法为EIT在医学诊断、工业过程监测等领域的应用提供了高质量成像解决方案。

摘要:传统的锆合金板生产质量检测主要依靠人工，费时费力且精度不高。为提高锆合金板表面缺陷的检测精度、检测效率，针对YOLOv8n目标检测模型的网络结构进行改进，提出一种轻量级多尺度融合缺陷检测模型（lite edge fusion-YOLOv8，LEF-YOLOv8）。首先，为了解决锆合金板表面小目标缺陷特征容易丢失的问题，设计一种提取缺陷边缘特征并结合空间信息的C2f-EDEM（C2f-edge detail enhancement module，C2f-EDEM）模块，有效提高模型的特征提取能力；然后，针对原模型缺乏显式的特征选择和注意力机制的问题，提出一种全局-局部注意力融合模块（global-local interactive attention，GLIA），以提高模型融合局部、全局语义上下文的能力；最后，针对原模型检测头信息融合能力较弱且计算量较大等问题，提出一种轻量级多尺度融合检测头(lightweight multi-scale fusion detection head，LMSFD)，以提升模型的特征表达能力并减少模型的复杂度。在自制锆合金板数据集和NEU-DET公共数据集上分别进行模型验证实验。实验结果显示，LEF-YOLOv8模型在不引入过多计算量的同时mAP@0.5分别达到86.7%和75.9%，相较基线模型YOLOv8n分别提高3.2和2.4个百分点。实验结果证实，改进后的模型提高了检测精度，适用于计算能力受限的检测终端，为锆合金板材表面缺陷自动检测提供了解决方案。

摘要:针对医用制氧机中传统浮子流量计测量精度低、显示不直观、无累计计量功能等问题，设计了一种基于应变片传感器的智能化氧气流量监测系统。该系统采用单端固定的悬臂梁式应变片结构，结合改进型惠斯通电桥与高精度仪表放大器，实现对气体流动引起微弱应变信号的灵敏捕捉与高效转换；利用MATLAB拟合电压-流速多项式方程，并引入卡尔曼滤波与自修正算法，有效抑制温漂与噪声干扰，提升系统在复杂环境下的测量稳定性与可靠性。实验结果为在0.5~5 L/min测量范围内，传感器在-10 ℃~40 ℃环境下的最大绝对误差小于0.2 L/min，响应时间小于2 s；在168 h连续工作中输出稳定，未出现明显漂移或失效现象；在86~106 kPa气压变化下测量稳定性良好。结果表明，该系统具备实时显示瞬时流量与累计用量的功能，具有结构简单、成本低、精度高、环境适应性强的特点，为医用制氧机的智能化升级提供了可靠解决方案。

摘要:为解决高密度聚乙烯 (high-density polyethylene，HDPE) 燃气管道热熔接头缺陷检测困难的问题，基于冷焊、过焊缺陷分子链结构特性变化和微波检测原理，提出一种有关微波反射系数幅值的微波成像法，对HDPE燃气管道热熔接头试样典型缺陷（冷焊、过焊）进行检测成像分析。结果表明，冷焊与过焊缺陷在介电常数上存在差异，且可以较好体现在微波反射系数幅值变化上。无缺陷试样热熔接头的微波反射系数幅值平均值在-34 dB左右，含冷焊缺陷试样热熔接头的微波反射系数幅值平均值在-31 dB左右，含过焊缺陷试样热熔接头的微波反射系数幅值平均值在-35 dB左右；微波反射系数幅值会随着吸热时间、焊接温度与焊接压力的减少而升高；将微波反射系数幅值异常的区域与试样缺陷具体位置进行对应，并与数字射线(digital radiographic，DR)检测结果对比，证实该微波成像法对HDPE燃气管道热熔接头的冷焊、过焊缺陷具有更好的检出能力。

摘要:精确可靠的肌肉疲劳检测在康复机器人、人机协作等领域起着至关重要的作用。针对肌肉疲劳后表面肌电信号频率变化情况，结合权重参数、分数阶理论与香农熵，提出基于改进频带能量熵的肌肉疲劳检测。设计了肌肉疲劳实验，共32名受试者参与实验，利用分数阶权重S变换能量熵与分数阶权重小波包能量熵检测肌肉疲劳，并与样本熵、散布熵、分数阶模糊散布熵3种常用算法进行对比。结果表明，改进频带能量熵在噪声鲁棒性、数据稳定性、抗干扰性能方面表现均最优；改进S变换能量熵跟随静态肌肉疲劳灵敏度最高，熵值随肌肉疲劳变化斜率绝对值最大，均值为-15.946 5×10-3；改进小波包能量熵( -3.100 3×10-3)也能有效检测肌肉疲劳，与分数阶模糊散布熵(-2.602 6×10-3)效果相当，且除散布熵算法消耗时间最少；动态肌肉疲劳实验中改进S变换能量熵同样表现最优。改进频带能量熵为表面肌电信号复杂度分析提供了新的有效工具。

摘要:为提高6维力传感器标定过程中力/力矩加载不准确、多自由度组合加载的可实现性，通过六自由度独立加载静态标定装置，构建了基于力锤激励的动态标定系统，并通过模态分析获取传感器结构的1阶与3阶模态频率，评估其在多频激励下的动态响应特性，以避免共振干扰、提升动态响应准确性。为评估所设计标定装置性能，采集已知载荷与输出的6维力/力矩数据，分别采用传统线性拟合、粒子群优化的BP神经网络（particle swarm optimization-backpropagation neural network, PSO-BP）以及支持向量回归（support vector regression, SVR）对标定装置输出数据与加载载荷之间的映射关系进行建模与拟合，并对比各方法在6个通道的拟合效果。结果表明，PSO-BP神经网络在各通道中拟合精度最优，其平均绝对误差（mean absolute error, MAE）为17.86%，相较线性拟合降低8.20%，相较支持向量回归方法则降低幅度更大。该标定系统具备良好的加载精度和动态性能，验证了PSO-BP神经网络在多维力/力矩标定中的优越性与实用性。

摘要:基于WiFi信道状态信息的人体活动感知已成为当前的研究热点。针对现有方法难以提取有效活动数据和依赖人工特征设计的问题，提出了一种融合分组多尺度注意力的WiFi人体活动提取与感知方法。首先，采用天线选择和共轭相乘的方法提取对活动感知最敏感的幅值与相位特征，并通过小波降噪进行预处理。然后，通过联合幅值与相位的方差计算滑动窗口因子与活动相关因子，并结合经验阈值提取有效的活动数据序列。最后，构建基于分组多尺度注意力机制的端到端深度学习模型（D-GMAFi）来捕捉序列中的前后关联、多尺度空间信息，并动态关注多个维度上的重要特征信息。通过在自采集的数据集WiACT上进行大量仿真实验验证，D-GMAFi在单人单场景和多人多场景下的平均准确率分别达到了94.63%和91.06%，整体性能优于基准模型，并在不同用户与场景下保持了稳定的识别效果，体现出一定程度的鲁棒性与面向应用场景的适应能力。结果表明该方法在基于WiFi人体活动感知任务中具有良好的潜力，为WiFi无线感知技术在实际场景中的应用提供了参考。

摘要:针对当前可穿戴医疗设备对天线宽频带、多功能集成与生物兼容性等方面的迫切需求，设计了一款基于环保柔性纸基材的混合可重构双频天线。该天线选用相纸作为介质基板，结构尺寸为 22×25×0.27 mm3，兼具优良的柔韧性与轻量化特性。通过枝节加载技术实现双频特性，并集成PIN二极管作为射频开关，调节其通断状态以改变电流路径，从而实现频率和辐射方向图的4种可重构工作模式，具体包括两种双频定向辐射模式、一种低频全向辐射模式及一种高频全向辐射模式。采用丝网印刷银浆技术在相纸基板上制备天线结构，并结合偏置电路模块集成PIN二极管控制单元，完成天线实物的制作。测试结果表明，该天线在2.4和5.8 GHz频段均可工作于双频或单频模式，各模式下-10 dB 阻抗带宽均大于 20%，峰值增益稳定在3 dBi左右，辐射效率高于 60%。在曲率半径为20 mm的弯曲状态下及人体组织模型加载条件下，天线仍保持良好的阻抗匹配与辐射性能，展现出良好的结构鲁棒性与佩戴适应性。比吸收率在2.5与6 GHz时分别为1.145与1.312 W/kg，均低于国际安全限值，满足可穿戴设备对人体的电磁安全要求。环保材料、紧凑结构与混合可重构能力的有机结合，使得该天线在短期医疗监测与体域通信等可穿戴系统中具备良好的实用潜力。

摘要:针对物理传感器成本高、间接式胎压监测系统需手动校准胎压基准值的问题，设计了一种基于退化GRU网络（degeneration gated recurrent unit，DGRU）的混合式胎压监测系统（hybrid tire pressure monitoring system，hTPMS）。首先分析轮胎扭转振动模型，以此作为胎压辨识的理论依据；设计简单的滤波方法修正齿圈误差，结合阿克曼转向模型消除小转向工况下的内外轮速差，拓展半径迭代法的有效工况区间；融合单个物理胎压传感器与防抱死刹车系统（anti-lock braking system，ABS）传感器信号，在时域和频域分别构建DGRU神经网络估计器，实现胎压值的实时精准估计。实车路试结果表明，该系统在胎压从2.6 bar突降至1.9 bar时，频域特征输入模式的响应时间最快达73.6 s，胎压估计误差控制在国标允许范围内；时域特征输入较序列输入响应速度最高提升62.66%，算法在Aurix TC397芯片上运行时CPU平均占用率仅0.464%。本系统较传统直接式胎压监测系统减少75%的物理传感器成本，且多工况下的准确性与稳定性均满足国标GB 26149-2017要求，为胎压监测技术提供了融合机械建模与智能算法的创新路径。

摘要:针对外观多样且样本稀缺的信号灯检测场景，迁移学习已成为主流解决方案。然而，传统全参数微调和浅层冻结未量化网络层对任务具体贡献，训练更新范围过广、参数冗余，在小样本条件下易过拟合从而限制模型性能。为此提出一种基于卷积神经网络分层相关性传播（CNN-LRP）层级适应性冻结的模型优化方法。基于正向相关比、空间聚焦度与层深惩罚因子，将CNN-LRP的像素级归因拓展至卷积层级，构建层级贡献度评估体系，实现解释性分析与冻结策略的融合。针对传统策略任务适应性不足的问题，设计了多指标融合的卷积层适应性评分方法，自动生成冻结策略，通过冻结低适应性层，实现任务驱动的迁移，从而优化模型。最后，利用不同光照与距离的场景数据进行验证测试。结果表明，相比于全微调与其他冻结策略，该方法生成的模型在测试准确率上提升达3.1%，参数调优量下降34.49%，在精度、效率、泛化性、鲁棒性与卷积网络普适性等方面具有更好的效果。

摘要:目标检测是自动驾驶环境感知的核心技术，其任务是识别并定位车辆周围环境中的关键物体。针对自动驾驶场景中小目标漏检、遮挡误判及动态适应性不足的挑战，提出基于YOLOv11n的算法模型DPM-YOLO。首先，在骨干网络(Backbone)中，构建动态注意力金字塔模块(DAP)替换原快速空间金字塔池化模块(SPPF)，利用参数共享空洞卷积与分解式空间注意力高效地捕获不同粒度特征，从而更好地聚合目标的上下文信息；其次，在颈部网络(Neck)中，设计并行融合卷积模块(PFConv)，采用异构多分支卷积动态解耦通道并融合多尺度特征；最后，提出一种改进的MPDWIoU损失函数，融合动态梯度聚焦与角点约束，结合批次统计特征自适应策略优化定位精度。实验结果表明，DPM-YOLO在KITTI数据集上的mAP@0.5达92.7%，较基准模型YOLOv11n提升2.0个百分点，在Cityscapes和BDD100K上的mAP@0.5较YOLOv11n分别提升了1.6和0.8个百分点，在极端天气数据集Foggy-Cityscapes上的mAP@0.5较YOLOv11n提升了1.2个百分点。本研究方法较好地实现了对复杂场景检测的精度和实时性平衡。

摘要:为解决水泥脱硝系统氮氧化物(nitrogen oxides, NOx)浓度预测中异常数据干扰严重、时序建模困难的问题，提出了一种融合滑动窗口斜率异常检测-Z-score(sliding slope anomaly detection-Z-score, SSAD-Z-score)异常检测与多步时滞长短期记忆(lag features long short-term memory, LFLSTM)深度学习模型的复合预测方法。首先，基于NOx生成与选择性非催化还原(selective non-catalytic reduction, SNCR)反应机理，采用相关系数筛选出窑尾烟室NOx浓度和SNCR喷氨频率等核心输入变量。针对反吹等复杂异常，设计SSAD-Z-score算法，结合滑动窗口斜率变化与全局Z-score判据，实现对突发、趋势、局部扰动、反吹数据等多类型异常的自适应检测与修正。进一步在长短期记忆(long short-term memory, LSTM)模型中引入多步时滞特征（lag features, LF），充分利用历史时序信息，提升模型对NOx浓度动态变化的建模能力。实验结果表明，SSAD-Z-score方法在异常检测覆盖率（47.67%）、召回率（0.844）等指标上，均显著优于传统Z-score方法、孤立森林、局部异常因子(local outlier factor, LOF)和小波变换。同时，SSAD-Z-score在修正后标准差方面表现卓越，为所有对比方法中最低，且平均修正幅度达881。参数灵敏度分析显示，在滑动窗口大小10、斜率阈值0.15、Z-score阈值1.65的中等参数设置下，SSAD-Z-score在修正后标准差（35.65）和平均修正幅度（8.81）等方面取得最佳平衡。将修正后的数据输入LFLSTM模型进行NOx浓度预测，LFLSTM模型在平均单样本预测耗时方面仅为4.88 ms，远低于1 s的数据采集频率，决定系数(coefficient of determination，R2)为0.884 5，均方根误差(root mean squared error, RMSE)为2.026 5，平均绝对误差(mean absolute error, MAE)为1.798 5，预测性能均显著优于Transformer、Informer和门控循环单元(gated recurrent unit, GRU)等主流模型。最终，结合SSAD-Z-score修正的LFLSTM模型在整体系统性能上表现最佳，R2达到0.824 097，RMSE为4.305 981，MAE为3.297 620，均显著优于直接使用LFLSTM和Z-score-LFLSTM的预测模型。研究结果验证了所提方法在提升异常检测准确性和NOx浓度预测精度方面的有效性，为水泥脱硝系统智能控制提供了坚实的数据基础和方法支撑。

摘要: