摘要:在实际应用中, 标注数据的稀缺与源域、目标域的分布差异导致模型泛化性受限. 无监督域适应(UDA)通过缩小域间分布差异, 确保模型在新的环境下性能稳定. 过去20年, 域适应在分布对齐、特征变换等方面得到广泛研究, 但现有综述多聚焦于域不变特征学习视角, 鲜有文献从域间类别差异角度系统性总结. 鉴于此, 以类别空间不一致为核心视角, 对域不变特征学习和跨域类别匹配两个技术手段展开全面综述. 首先介绍域适应中分布漂移的基本概念与数学定义, 并基于标签集差异划分为闭集、部分集、开集与通用域适应; 其次从域不变特征学习和跨域类别匹配两方面对现有方法进行全面综述, 继而阐述域适应的多种变体, 包括无源、多源、域泛化, 并首次在综述中引入时序域适应/泛化问题; 最后总结域适应在自然语言处理、计算机视觉、工业时序与推荐系统等领域的应用, 并展望未来发展方向与挑战.

摘要:在人体关节角度预测中, 单传感器获取信息太过局限且易受环境干扰影响, 而基于多传感器的关节角度的预测研究, 由于输入数据维度升高、传统的融合方式存在特征利用率不足的缺陷, 导致预测精度下降. 为准确获取运动功能障碍患者佩戴外骨骼康复过程中的运动状态, 提出基于多模态数据融合的康复机器人关节角度预测方法. 首先, 设计多通道高分辨率网络结构使其适用于人体3维姿态特征提取任务, 同时利用卷积神经网络提取足底压力特征; 其次, 基于长短期记忆网络获取特征在时域上的关联性; 然后, 构建带注意力机制的多模态特征融合网络用于人体关节角度预测; 最后, 通过在低、中、高3组速度下的实验结果表明: 所提出算法在自建数据集上的评价指标RMSE为0.039, 较传统关节角度预测方法提升38%以上; 评价指标${\rm{R}}^2 $为0.948, 较传统关节角度预测方法提升17%以上.

摘要:在医疗领域向数据驱动转型的进程中, 疾病诊断面临多模态数据融合与不确定决策的难题. 对此, 提出一种融合邻域粗糙集与模拟退火算法(SA)的自适应阈值优化多模态三支决策模型. 首先, 定义多模态混合决策信息系统, 结合模态感知的属性邻域划分实现多模态数据统一表征. 其次, 通过信息增益驱动的客观赋权方法刻画属性权重, 并结合跨模态加权融合机制构建多模态加权邻域决策粗糙集. 最后, 融合SA与多层感知机(MLP)构建自适应阈值优化两阶段序贯三支决策模型, 动态优化决策阈值, 解决单阶段决策中边界域样本滞留问题, 形成“数据积累 → 不确定性消解”的正向循环. 在真实临床数据上的实验结果表明, 所提出的模型能有效处理多模态医疗数据, 显著提升多模态疾病诊断中不确定性决策的准确性, 能够为医生提供数据驱动的辅助诊断依据.

摘要:针对钢材表面缺陷检测任务中存在的模型参数量大、小目标漏检率高及复杂背景干扰等关键问题, 提出一种基于RT-DETR (real-time detection transformer) 架构的双分支与上下文引导的协同优化检测方法, 命名为DCG-DETR. 首先, 设计双分支特征增强模块DFEM, 通过通道注意力机制与动态感受野卷积的并行融合, 显著提升复杂纹理背景下微小缺陷的特征判别力; 其次, 构建内容-上下文引导聚合特征金字塔模块CCGAFP, 采用内容感知上采样CARAFE与全局-局部双分支特征融合, 解决多尺度特征错位问题, 增强小目标定位精度; 进一步引入轻量化特征融合模块VoV-GSCSPC, 通过压缩冗余计算与跨阶段梯度传播优化, 在保持精度的同时降低模型复杂度. 在NEU-DET数据集上的实验表明, 改进模型mAP@0.5指标达81.5%, 较基准RT-DETR-L提升3.2%, 同时参数量降低11%、计算量减少25.9%. 实验结果表明, 改进后的DCG-DETR性能整体优于其他同类主流算法, 在进行轻量化的同时提高了检测精度, 为工业质检提供了新方案.

摘要:无人机对电线的精确感知是电力系统运维与无人机自主避障的核心基础, 但复杂环境下的光照变化、背景干扰及电线自身特性, 给精准识别带来极大挑战. 现有单一模态检测方法依赖可见光或红外数据, 因复杂背景适应性差, 在恶劣条件下表现不佳, 存在明显局限性; 多模态检测虽通过融合可见光与红外数据提升了鲁棒性, 但在复杂环境适应性与任务特异性挖掘上仍有不足. 为此, 提出可见光与红外数据跨模态交互融合与全局特征校准检测方案: 通过跨模态交互引导融合模块(CIGF)实现双模态特征深度交互与优势互补, 通过全局特征重要性校准器(GFSM)精准校准枢纽特征并增强关键信息, 通过多感受野增强解码器(MRED)高效重建电线目标精细空间结构并实现像素级定位; 三大核心模块协同, 形成从特征提取、交互融合到全局校准再到精细解码的完整技术链路. 在无人机电线检测权威数据集VITLD上的实验显示, 该算法可满足检测精度与实时性的双重需求, 尤其在夜间低光照、雾天模糊、雪天遮挡等复杂极端环境中仍保持高精度, 突破传统方法应用瓶颈. 该方案可为解决无人机电线检测问题提供有效思路, 具有重要理论意义与实际应用价值.

摘要:多模态多目标优化(MMOP)作为多目标优化领域的一大挑战, 要求算法不仅在目标空间获得高质量的帕累托解, 还要在决策空间捕捉多个结构明显不同但等效的解. 在这种双重需求下, 目标空间强收敛性易掩盖决策空间多样性, 导致解集结构单一化; 与此同时, 种群间交互的强弱失衡又分别引发种群同质化或协同失效等问题. MMOP已成为制约复杂系统优化性能的关键瓶颈. 为此, 提出一种基于增强弱交互与Lennard-Jones (LJ)势能引导机制的双种群协同进化算法. 首先构建一种非对称信息交换机制, 在交配与子代生成阶段由收敛性种群向多样性种群建立精英引导路径, 有效兼顾多样性保持与进化效率; 其次, 环境选择策略由并行改为串行, 强化种群异质性, 减少对额外多样性策略的依赖, 提升稳定性与鲁棒性; 为提升种群在不同演化阶段的收敛性与多样性, 设计一种基于LJ势能模型的自适应候选解选择策略, 重新量化其交互权重, 该策略有效实现了探索与开发的动态平衡. 在多个典型MMOP测试函数上的实验结果表明, 所提算法在解集多样性、帕累托逼近质量和优化效率方面均优于主流方法, 展现出良好的泛化能力与工程应用潜力.

摘要:机械臂中柔性关节特性以及电机端模型参数未知等使得控制器设计较为复杂. 传统自适应控制方法通常要求满足持续激励条件(PE)以准确估计模型未知参数, 但是, 该条件在实际应用中难以满足. 鉴于此, 提出基于有限激励(FE)的预设时间自适应控制方法. 通过设计多个低通滤波器对系统信号进行多重滤波操作来提升系统的激励性, 放宽对PE条件的依赖. 结合反步法和动态面控制(DSC), 设计预设时间收敛的自适应控制策略. 所提出方法通过引入时变增益, 能够确保系统的跟踪误差和参数估计误差在预设时间内收敛至任意小的集合内. 仿真和实验结果表明, 所提出方法在有限激励条件下能够显著提高柔性关节机械臂的控制性能和鲁棒性.

摘要:多级连续搅拌釜反应器(CSTR)系统广泛应用于化工过程, 其多变量耦合和复杂的非线性动态特性给系统控制带来了挑战. 为此, 提出一种基于深度Koopman算子的建模方法和含三项惩罚函数的模型预测控制(MPC)方法. 通过深度Koopman算子将多级CSTR系统的动力学映射到高维线性空间, 并在该空间中设计含三项惩罚函数的模型预测控制算法, 从而提高多级CSTR系统的控制性能. 仿真结果表明, 深度Koopman模型在多步预测任务中具有良好的精度, 其在浓度和温度状态变量上的相对平均误差均低于0.10%. 相比于传统基于扩展动态模态分解的Koopman模型预测控制算法, 所提方法的均方根误差显著降低, 且约束优化问题平均求解时间明显低于非线性模型预测控制算法. 通过引入状态增量惩罚项, 所提出的三项MPC方法有效抑制了超调量, 且响应速度与两项MPC相近.

摘要:近年来, 复杂海洋环境下多无人艇系统的路径跟踪与编队控制受到广泛关注. 现有研究虽在LOS导引、人工势场与扰动补偿方面取得一定进展, 但仍存在固定视距导致收敛不稳定、斥力突变与局部极小, 以及风浪扰动建模简化等问题. 针对这些不足, 提出一种融合自适应LOS、改进人工势场与风浪扰动补偿的双层协同控制策略, 实现路径跟踪、动态编队与避障控制的协同优化. 运动学层采用横向误差驱动的自适应LOS导引律提升路径平滑性, 动力学层融合扰动补偿与改进势场实现鲁棒控制. 基于Lyapunov理论, 证明系统在复合扰动下满足输入-状态稳定性. 以横向误差进入± 0.1 m区间作为收敛判据, 结果表明, 相比于传统LOS算法, 所提出LOS算法能够实现全部无人艇的有效收敛, 显著提升系统的编队稳定性与收敛性, 验证了控制器的有效性与工程可行性.

摘要:传统控制图常常假定受控过程均值和方差恒定. 然而, 在实际生产或研究场景中, 这一假设往往难以成立. 如病人体内血液化学成分的含量会随着时间的推移而发生变化, 当其均值和方差随时间漂移时, 漂移方向和大小常常未知. 面对这样的复杂情况, 传统控制图由于自身的局限性, 无法对实际过程实施有效监控. 鉴于此, 提出一种改进方案: 首先, 对变异系数平方进行对数正态变换; 然后, 设计双侧自适应EWMA (AEWMA) 控制图监控变异系数; 接着, 讨论参数对所提出控制图的影响, 并与已有控制图的失控性能进行比较. 比较结果显示, 所提出的控制图仅优于部分已有控制图. 为提升过程检测能力, 将变样本容量(VSS)融入控制图设计, 提出VSS AEWMA控制图. 与已有控制图的比较结果表明, 所提出VSS AEWMA控制图在监控变异系数时综合性能最优, 能够有效识别过程异常.

摘要:研究系统状态不完全可测且存在外界干扰情况下Markov跳变离散时间硅单晶生长系统的有限时间$H_{\infty}$控制问题. 首先, 充分考虑硅单晶生长过程由于干扰、建模误差、测量噪声诱导的随机因素, 建立基于Markov跳变离散时间硅单晶生长系统模型; 然后, 结合实际硅单晶生长过程测量输出信息, 构造状态观测器和控制器; 接着, 根据Markov跳变理论和有限时间$H_{\infty}$控制理论得到闭环离散时间硅单晶生长系统有限时间有界且满足相应$H_{\infty}$性能的充分条件, 运用线性矩阵不等式(LMI)技术给出控制器和观测器增益的求解方法; 最后, 通过实际硅单晶生长系统模型参数验证所提出控制方案的有效性.

摘要:高维不平衡数据广泛存在于社会生产的各个领域, 其特点是数据维度高以及数据类别的不平衡, 这种特性对传统分类算法的性能提出了极大的挑战. 不平衡的数据使得分类器偏向于多数类, 冗余特征导致分类性能的进一步下降. 对此, 首先针对冗余的高维特征提出基于多目标优化的特征提取算法, 考虑数据可分性和特征的泛化性能两个目标, 同时在目标内考虑数据的不平衡性; 其次, 提出基于双层优化的决策树分类算法, 将非叶子节点构建为双层优化的分类器, 上层搜索不同的特征组合, 下层求解该组合下的类别分界面; 最后, 在多个公开数据集上将所提出算法与其他算法进行对比实验验, 结果表明所提出算法在F-score和G-mean指标上明显优于其他对比算法, 验证了所提出算法的有效性.

摘要:基于深度学习的复杂场景下小目标火灾检测方法主要面临两方面挑战: 其一, 在复杂场景中采集小目标火灾视频图像成本高昂且难度颇大, 导致模型的泛化能力和鲁棒性受限; 其二, 复杂场景下小目标火灾检测易受火灾尺度、场景类型、光照条件等因素影响, 导致检测精度不高. 对此, 提出一种基于S-PGA-YOLOv12的复杂场景下小目标火灾检测模型. 首先, 基于YOLOv12融合了用于突出小目标关键信息的并行补丁感知注意(PPA)模块、用于平衡速度与精度的GOLD模块、用于通过自适应学习不同尺度特征图的空间融合权重的小目标检测头(Detect-ASFF)模块; 然后, 针对复杂场景下小目标火灾图像采集成本高、难度大等问题, 提出一种基于模拟仿真的数据集构建方法; 最后, 基于模拟仿真构建的复杂场景小目标火灾数据集, 通过消融实验、对比实验、鲁棒性和泛化性分析来验证 S-PGA-YOLOv12模型的有效性. 在所构建的3个数据集上进行大量实验, 表明所提出方法具有有效性和优越性.

摘要:面向冷链物流绿色化发展目标和载具电动化趋势, 考虑拥堵路况、充电成本、电量消耗等多目标实施电动冷藏车跨区域路径优化, 提出一种改进的 Q学习方法, 设计启发式奖励机制, 引入余弦退火学习率和指数衰减探索率两种动态策略, 提升算法性能并进行仿真实验与对比分析. 实验数据表明, 改进后的强化学习算法能够根据交通运行状态、电动冷藏车的初始电量以及能耗率等, 有效优化跨区域冷链配送路线. 相较于其他3种 Q学习算法, 在6类差异化测试场景下, 其配送方案能够显著降低总里程与电量消耗(p $ < $ 0.05, Welch’s t-test). 结果表明, 该方法在高速公路、城市道路及充电站投放等环境建模下具备良好的适应性和鲁棒性.

摘要:针对传统节能策略难以解决空调水系统中设备间存在的非线性耦合关系而导致系统易陷入局部最优的问题, 提出一种改进蜉蝣算法(IMA)以实现空调水系统的全局节能优化. 该算法以系统总能耗最低为目标, 在保证空调末端冷负荷供应充足的前提下, 通过优化空调水系统内所有设备的运行参数, 显著提升能源利用效率. 首先采用改进的Circle混沌映射进行寻优效率更高的种群初始化; 然后结合穷举法优化离散决策变量缩短优化时间; 最后引入动态惯性权重机制以兼顾算法全局和局部间的平衡, 从而有效提高优化效率. 实验结果表明, IMA使实际商业建筑空调水系统总能耗降低8.1%, 节能效果显著, 且该算法在15次迭代内即可完成收敛, 能够大幅缩短优化时间. 由此可见, 所提出的IMA模型能够有效解决空调水系统节能优化问题, 为实际工程应用提供新的解决方案.

摘要:针对现有不完备多视图聚类算法在恢复缺失数据时未保留原始结构, 无法准确捕获多视图数据中局部结构和高阶信息等问题, 提出基于多源信息重构视图的不完备多视图自表示聚类算法(MSRS). 首先, 利用多源信息重构反映原始数据结构特征的视图; 然后, 基于重构的视图, 采用一种结合稀疏约束与局部结构捕获的正则化方法, 并引入加权张量${\rm Schatten}\text{-}p $范数以动态控制不同奇异值的贡献, 从而有效学习各视图的高质量自表示矩阵; 最后, 通过与9个先进的基线算法在3个真实和4个仿真不完备数据集上的实验结果表明, 所提出算法在大多数情况下显著优于基线算法.

摘要:在行人重识别领域, 重排序作为后处理技术对提升准确率至关重要. 当前策略主要以互近邻关系为约束, 但受模型性能限制, 容易引入混淆样本, 导致重排序的效果不佳. 为解决该问题, 提出一种属性相似的$K $-互近邻重排序策略. 在$K $-互近邻的基础上, 以同源行人图像的属性相似为约束, 构建鲁棒的候选图像集, 增强重排序效果. 鉴于该策略对属性识别性能的依赖性较强, 提出属性相关和部位关联的行人重识别网络. 首先, 该模型将行人属性与局部区域进行耦合, 在提取局部特征的同时, 识别各部位对应的属性; 其次, 提出属性相关模块, 利用属性间固有的相关性修正预测错误的属性; 然后, 提出属性一致损失, 利用不同视角的图像对遮挡属性进行关联互补, 进一步提高属性识别的准确性; 最后, 将属性识别结果应用于属性相似的$K $-互近邻重排序策略, 获得更优的重排序结果. 在Market-1501和DukeMTMC-reID数据集上的实验结果表明, 所提出的方法能够显著提升行人重识别性能.

摘要:现有基于扩散模型的无训练图像合成方法通常在背景图像指定区域嵌入前景图像特征信息, 引导图像合成过程. 然而, 这种嵌入方式会干扰扩散模型去噪过程, 导致前景与背景不一致、语义对齐不佳等问题. 为此, 提出一种新颖的无训练图像合成方法, 包括互补融合特征嵌入和自适应特征重组两个模块. 首先, 互补融合特征嵌入引入由U-Net自注意力机制提取的组合图像特征, 该特征由前景与背景图像特征构成, 能够在保留前景信息的同时, 补偿传统嵌入方式所丢失的背景语义信息; 随后, 嵌入组合图像与前景图像的融合特征以引导合成过程, 并调控嵌入特征的数量以降低合成偏差; 同时, 为解决特征嵌入带来的图像过渡区域伪影问题, 引入自适应特征重组策略, 该策略通过分析相邻特征协方差关系, 识别并替换导致不连贯伪影的异常特征, 从而提升图像的连贯性. 实验表明, 所提出方法提升了语义对齐、背景与前景一致性, 实现了更协调的合成效果, 为无训练合成任务提供了解决方案.

摘要:在模糊综合评价问题中引入随机模拟技术能够获得带有概率信息的相对排序结果, 对于获取丰富的评价结论具有重要意义. 然而, 不同类型模糊数的随机模拟方式并不相同, 需要针对不同类型模糊数的随机模拟方式分别研究. 基于此, 针对广义梯形模糊数的随机模拟聚合问题展开研究. 首先, 利用广义梯形模糊数的隶属度函数确定其分布函数, 并基于反函数变换法将广义梯形模糊数的非均匀随机抽取问题转换为在其分布函数取值区间的均匀随机抽取问题; 然后, 通过在指标聚类过程中融入评价者偏好信息来确定指标权重系数, 并构建广义梯形模糊数的随机模拟密度中间(SS-DM)算子以求解随机聚合过程中的评价结果; 接着, 以在排序中体现被评价对象间的差异为原则, 通过引入强弱优胜法则确定优胜度概率矩阵并求解最终的排序结果; 最后, 通过算例验证所提出方法的有效性和特色之处.

摘要:针对飞机蒙皮覆盖检测的场景下, 传统人工检测存在的作业效率低下及检测时效性约束严格等瓶颈问题, 现有研究多集中于多无人机协同作业的技术方案, 其中面向飞机蒙皮盖检测的多无人机协同任务规划(MCMP)是描述多无人机协同检测的问题模型, 当前算法多采用启发式算法, 但其求解速度和解的质量无法满足实际要求. 为此, 将MCMP问题建模为带有容量约束的车辆路径规划问题(CVRP), 提出两阶段的深度强化学习(TSDRL)的求解模型: 第1阶段根据节点数量, 利用基于注意力机制的策略网络求解最优无人机数量; 第2阶段设计一种新的编码器-解码器结构的策略网络, 以构建每架无人机的路径. 该模型通过策略梯度训练, 能够快速求解每架无人机的高质量路径, 为了解决三维环境碰撞问题, 使用RRT*算法优化路径以满足碰撞约束. 仿真结果表明, 所提模型在计算效率与求解质量上均优于现有的深度强化学习方法和启发式算法, 并且模型具有良好的泛化性, 可应用于不同机型.

摘要:针对常春藤算法这类固定维连续域优化方法难以直接处理具有离散约束和连贯性要求的无人车路径规划问题, 提出一种基于改进常春藤优化的高斯引导算法. 首先设计高斯引导机制, 提供一种可行的桥接式应用建模方式, 通过迭代优化引导点参数引导路径生成, 并利用路径离散特性大幅降低计算量; 然后对常春藤算法低值偏好的操作进行修正改进, 使路径搜索在全局范围更均衡, 并提出螺旋衰减策略更新生长速率, 使算法更适应路径离散环境; 最后设计一种局部陷阱逃脱机制, 利用动态时间规整算法检测局部陷阱, 重新分散种群以摆脱局部最优, 以增强全局搜索能力与算法稳定性. 在不同规模的仿真环境中进行实验, 结果表明所提出算法具有较好的求解质量和收敛效率, 同时展现出强大的稳定性与平滑性, 更符合无人车的行驶需求.

摘要:针对无人机在飞行过程中受时变风场影响导致的能耗和飞行状态变化问题, 提出一种基于事件触发机制的实时路径重规划策略. 首先, 采用改进的粒子群优化(IPSO)算法进行路径规划, 并通过评估不同风场下规划路径的相似度量化风场变化对规划路径的影响. 进一步, 应用卡尔曼滤波(KF)算法预测无人机飞行状态, 并根据实际飞行状态与预测状态之间的误差, 评估风场变化对预测准确度的影响. 在此基础上, 设计一种基于事件触发机制(ETM)的路径重规划策略, 使无人机仅在风场变化超过设定阈值时执行路径更新. 仿真实验结果表明, 该策略可显著降低无人机飞行过程中的能耗和计算负担, 同时增强无人机在复杂风场条件下的适应能力.

摘要:同时定位与地图构建(SLAM)是机器人自主导航系统的关键技术之一. 传统的SLAM算法通常基于静态环境的假设, 而机器人的实际应用场景通常为复杂的动态场景, 这种场景下传统的算法会失效. 针对动态场景下运动物体干扰会导致多机器人系统定位与建图精度下降的问题, 提出一种利用动态特征信息的多机器人协同SLAM算法. 该算法利用机器人间互相观测和不同机器人对同一动态特征的观测来构建新的跨机器人约束, 然后基于里程计测量、特征观测、机器人间互相观测和动态物体数据关联构建协同因子图优化问题并求解. 通过多约束耦合优化, 提升了多机器人系统状态估计的准确性. 最后, 通过模拟动态场景实验和机器人实验平台验证了所提算法在动态场景下的有效性.

摘要:在多机智能空中博弈等复杂且高对抗性的场景下, 同时具备精准微操决策能力与高效战术推理能力, 是实现多机紧密协同并夺取制胜优势的关键. 针对现有强化学习方法在多机智能空中博弈过程中面临的策略泛化性差且缺乏高层推理能力的挑战, 提出一种融合大语言模型与深度强化学习的分层决策算法(LRHDF). 首先, 借鉴人类飞行员的决策机制, 构建“大语言模型-强化学习”(大脑-躯干)分层决策架构, 有效提高算法的底层微操决策性能与上层认知推理能力; 其次, 基于大语言模型反思的提示迭代机制, 利用环境反馈作为优化信号, 驱动提示指令的持续自主进化; 最后, 受人类团队协同决策机理启发, 设计序贯协同决策机制, 显式建模多智能体协作模式, 提高多智体间协同效率. 在高保真空中博弈平台下的仿真结果与消融结果表明, 相较于传统强化学习类算法, 所提出算法在多类博弈场景下表现出更强的博弈性能与泛化能力, 为多机空中博弈问题的求解提供了一条可行的技术路径.