摘要:随着集成电路技术的不断发展，先进制造工艺和先进封装技术在提升芯片性能与集成度的同时，大尺寸结构、高密度互连与多芯片叠层也使翘曲等可靠性问题更加突出，增加了失效风险。为提高半导体工艺的稳定性与良率，翘曲的精确测量与分析已成为工艺控制的关键环节。系统综述了半导体封装中翘曲的定义、测量方法及最新研究进展。首先依据国内外标准阐明翘曲的概念及测量规范；随后介绍接触式、激光扫描、阴影莫尔、干涉、条纹投影和数字图像相关等主要测量方法，并比较其原理、优势与局限。统计显示，阴影莫尔法应用最为广泛，而数字图像相关方法凭借应变与热膨胀系数测量能力及良好可扩展性正快速增长；条纹投影方法的应用比例也因其高灵活性持续上升。最后，总结了国内外商业化翘曲测量设备在精度、视场与测量原理方面的现状，并提出国产设备的改进方向。为翘曲测量方法的选型及半导体工艺优化提供了参考，促进测量技术与产业的发展。

摘要:退役动力电池即将迎来回收高峰，二次利用可以有效避免电池退役造成的资源浪费和环境污染。健康状态（state of health, SOH）评估是退役电池二次使用场景的关键依据，但是传统的退役电池SOH估计方法存在耗时和耗能的缺点。在将退役电池放电至相同电压下限后，不同SOH电池的荷电状态（state of charge, SOC）将存在差异，导致不同SOH电池静置电压曲线变化趋势不同。提出基于静置电压曲线的退役电池SOH快速估计策略，从这种静置电压差异中分析健康特征，可实现退役电池SOH的快速估计。针对在退役电池数据采集时部分电池会由于采集误差形成离群点，进而会导致训练集无法正确训练回归算法模型的问题，分析了离群点数量对回归算法估计电池SOH精度的影响，并利用基于密度的聚类算法（density-based spatial clustering of applications with noise，DBSCAN）标识这些离群点，并在此基础上提出了离群点标识效果评估方法，可避免离群点影响SOH估计模型的准确性，有效提高了SOH估计精度。

摘要:为迅速且高效地评估变电站后备电源电池的健康状态（state of health，SOH），解决缺乏实际运行数据导致数据驱动方法估计准确度低的问题，提出了一种结合电化学特征和高斯回归（Gaussian process regression，GPR）的变电站电池SOH估计方法。传统研究采用单一老化实验获得的特征参数难以准确反映变电站后备电源铅酸电池实际老化状况。从电池电化学本质出发，设计浮充和循环老化实验，采集了不同老化机制下的电化学阻抗（electrochemical impedance spectroscopy，EIS）数据。随后，分别利用皮尔逊相关性分析和灰色关联度分析提取具有高度代表性的电化学特征参数，结合两种实验老化特征更加接近电池实际老化特征，有效提升了训练数据的质量和效率，减少了所需训练数据的规模。最后，采用这些提取的特征参数训练GPR模型，以实现实际变电站电池SOH准确估计。结果表明，方法的估计随机变电站获取的电池SOH的绝对误差（absolute error，AE）<0.08，平均绝对误差（mean absolute error，MAE）为0.033 0，均方根误差（root mean squared error，RMSE）为0.038 6，方法无需采集实际数据，仅利用少量实验数据即可有效估计变电站电池SOH。

摘要:针对目前电池荷电状态（stage of charge,SOC）估计算法存在稳定性差、误差大等缺点，提出一种基于实车云端放电数据的自适应扩展卡尔曼滤波（adaptive extended Kalman filter, AEKF）与长短时记忆（long short term memory,LSTM）融合的算法，预测小动力电动车的电池SOC。首先采用自适应遗忘因子最小二乘法（adaptive forgetting factor recursive least squares,AFFRLS）辨识电池的二阶RC等效电路模型参数。其次，将云端实时采集到的放电数据作为研究目标，通过AEKF-LSTM融合算法对小动力电动车的电池SOC进行预测实验，实验过程中AEKF-LSTM融合算法将当前时刻的端电压、电流、温度以及上一时刻电池的SOC作为输入，以更新的SOC作为输出训练估计模型。最后，将AEKF-LSTM融合算法和单一AEKF算法预测电池SOC的结果与实际SOC值进行比较，实验结果表明，AEKF-LSTM融合算法的均方根误差（root mean square error,RMSE）为0.005 8 V, 平均绝对误差（mean absolute error,MAE）为0.004 1 V，比AEKF算法的RMSE减小0.008 7 V，MAE减小0.116 4 V，且AEKF-LSTM融合算法的RMSE和MAE均在0.6%以内，证明了该融合算法有较高的估计精度和较强的鲁棒性。

摘要:无迹卡尔曼滤波(unscented Kalman filter,UKF)是锂离子电池荷电状态(state of charge,SOC)估计的常用算法之一。然而在实际应用中,由于受到外界环境温度变化、电池容量退化等不确定性干扰，以及非高斯过程噪声的影响，需要进一步提高算法的性能才能更有效地保证估计精度。基于此，提出一种改进的无迹卡尔曼滤波算法(PO-RUKF)。首先，在UKF中引入H∞滤波提高算法的鲁棒性，用来克服各种干扰带来的不良影响。其次，利用鹦鹉优化算法对UKF的过程噪声协方差矩阵进行自适应调整，以解决滤波噪声参数先验确定的问题，从而提高滤波精度。最后，采用马里兰大学的FUDS和HPPC工况下的两种公开数据集进行了实验验证，结果表明，在不同的温度、电池容量退化状态以及不同的工况下，相比于传统的UKF算法以及鲁棒UKF算法，改进后的算法具有更高的SOC估计精度，平均绝对误差小于0.50%，均方根误差小于0.56%，此外还展现出更强的鲁棒性和普适性。证实所提方法可以为锂离子电池SOC估计提供更可靠、有效的技术支撑。

摘要:航空镍镉电池的荷电状态（SOC）预测是保障航空器安全运行的关键技术之一，针对传统预测模型精度不足、环境适应性差的问题，提出一种融合鲸鱼优化算法（WOA）与随机森林（RF）的WOA-RF混合预测模型。首先，基于随机森林回归算法构建初始预测模型，利用其多决策树集成优势处理非线性特征；其次，引入鲸鱼优化算法对随机森林的核心超参数（进行全局寻优，解决人工调参效率低下的问题）从而提升模型预测精度与泛化能力。为验证模型性能，在不同温度（20 ℃、0 ℃、-10 ℃、-20 ℃）环境下分别进行放电循环实验，对比分析WOA-RF与传统RF、反向传播神经网络（BPNN）、支持向量回归（SVR）以及粒子群优化RF（PSO-RF）、遗传算法优化RF（GA-RF）等模型的预测效果。实验结果表明，在标准温度下，WOA-RF模型的平均绝对误差（MAE）为1.22%、决定系数（R2）达到0.986、均方根误差（RMSE）为1.56%，优于对比模型；在低温环境下，WOA-RF的MAE仍保持在1.5%以内，RMSE为1.8%以内，R2高于0.975，表现出更强的环境鲁棒性。结果表明，WOA-RF模型有效提高了SOC预测的准确性和稳定性，尤其适用于航空极端工况下的镍镉电池状态监测，为电池管理系统提供了可靠的技术支持。

摘要:锂电池健康状态(SOH)的准确估计对于优化电池设计至关重要。然而，由于电池内部复杂的降解机制，准确的电池SOH估计仍然具有挑战性。为此，提出了一种基于充电电压曲线和物理信息神经网络（PINN）的SOH估计方法。首先利用Spearman相关性分析从充电电压曲线的恒流段提取电池老化特征并建立电池SOH退化的偏微分方程模型；其次利用添加了物理信息约束的神经网络逼近该隐式模型；然后利用向量加权平均（INFO）算法的加权平均和收敛加速技术优化PINN超参数以提高方法的估计精度;最后利用该方法在MIT、CALCE和NASA 3个公开数据集上进行SOH估计。结果表明，所提方法在充电策略变化的MIT测试集上的平均RMSE为0.271 6%，与长短期记忆网络（LSTM）、卷积神经网络（CNN）、基线神经网络（BNN）等方法相比，误差分别减小了80.74%、57.48%、74.73%；在CALCE测试集和NASA测试集上的估计精度均在97%以上。证明了该方法较高的估计精度，且对电极材料及实验条件的变化具有较好的鲁棒性。

摘要:精确的健康状态（state of health, SOH）对于锂电池储能系统安全运行意义重大。针对目前SOH估计方法适用性差、计算量大且精度低的不足，提出一种基于改进领域自适应迁移学习的锂电池SOH估计方法。首先，设计一种基于等充电压差时间间隔的新型SOH特征参数，以模拟随机恒流充电片段，简化SOH估计模型的输入参数；其次，通过引入自适应迁移学习，结合门控循环单元（GRU）网络特性，提出一种基于改进领域自适应迁移学习的GRU网络结构，以减少负迁移并降低网络训练负荷；再次，基于新型健康特征及神经网络，实现基于改进领域自适应迁移学习的SOH估计；最后，基于自主实验平台测试数据，对所提估计方法进行验证。结果表明，所提估计方法相比于基于传统领域自适应迁移学习的方法，测试倍率为0.75 C时，平均绝对误差和均方根误差分别降低了3.0%和3.8%；测试倍率为0.5 C时，降低了5.8%和4.3%。和基于微调迁移学习的估计方法相比，测试倍率0.75 C时，两种误差分别降低了22.9%和17.4%；测试倍率为0.5 C时，分别降低了25.8%和14.7%。

摘要:为确保锂离子电池组运行的可靠性与安全性，对其剩余使用寿命（RUL）进行准确且稳健的预测至关重要。然而，电池组内部的不一致性会加速其退化，从而增加了RUL预测的难度。同时，传统的数值预测方法难以适应不同安全级别和紧急情况的需求。为此，提出了一种联合电池组不一致性评估和RUL区间预测的方案。首先，基于电压和温度数据，提取一系列反映电池组不一致性的健康指标（HI）；其次，采用样本熵方法对这些HI进行客观加权，以评估电池组的不一致性；然后，将不一致性评估结果纳入HI，并通过模糊信息粒化（FIG）技术处理，为区间预测提供上下界；最终，利用长短时记忆神经网络建立预测模型，FIG处理后的上下界序列作为输入，容量的上下界序列作为输出，实现电池组RUL的点预测和区间预测。实验结果表明，策略能有效评估电池组的不一致性，且评估结果与电池组退化程度高度相关。此外，对于不同起始点的训练数据，点预测的误差控制在0.32 Ah以内，区间预测的综合评价指标P>1.97，表明预测方法具有良好的可行性和有效性。

摘要:针对现有纯数据驱动模型易过拟合且不确定度估计不足的问题，提出了一种混合物理-数据驱动框架（Phys+GPR）。该方法首先基于电池早期—加速—线性三阶段退化机理构建3段经验物理模型，提取物理先验容量；随后对物理残差引入异方差高斯过程回归（GPR）（两阶段GPR）分别估计残差均值与方差，并采用TreeBagger随机森林对均值预测进行二次修正；最后通过β-校准在训练集上确定置信区间尺度，实现全生命周期90%预测区间的可靠覆盖。在NASA提供的B0005、B0006、B0007、B0018四块电池上进行留一电池（LOBO）交叉验证，Phys+GPR在所有电池上均取得R2> 0.93的高精度预测，且90%预测区间覆盖率（PICP）在70%~92%，平均区间宽度（MPIW）在0.085~0.10 Ah，显著优于纯GPR、单指数物理+GPR及SVR基线方法。实验结果表明，该方法具备良好的跨电池泛化能力、可解释的物理先验机制以及稳健的不确定度量化性能，为电池健康管理与在线寿命预测提供了高置信度支持。

摘要:针对现有锂离子电池组健康状态（state of health，SOH）精确估计难题，设计了一种融合电池组整体与单体不一致性多尺度特征的高精度SOH估计方法。在该方法中，提出了一种结合卷积神经网络（convolutional neural network, CNN）、柯尔莫可洛夫-阿诺德网络（Kolmogorov-Arnold network, KAN）与Bahdanau注意力（Bahdanau attention, BA）机制的深度学习模型CNN-KAN-BA。在提出的SOH估计过程中，首先通过对6节串联18650电池组开展系统老化实验，获取全生命周期数据。进而，采用增量能量分析（incremental energy analysis, IEA）方法提取表征电池组整体衰退的增量能量曲线长度特征，同时计算组内单体电压中位数绝对偏差量与温度峰度作为反映不一致性演化的关键个体特征，从而构建了全面描述电池组“整体-单体”协同衰退的多尺度特征集。利用训练数据的特征训练了CNN-KAN-BA估计模型，并对测试数据进行了验证，结果表明该方法可实现高精度SOH估计，其平均绝对误差为0.587 4%，均方根误差为0.699 0%，平均决定系数高于98%，均优于其他常见的SOH估计方法。所提出的方法可有效解决锂离子电池组SOH精确估计问题。

摘要:光伏电池的高效发电在推动绿色低碳循环发展中发挥着重要作用，针对光伏电池缺陷图像中存在背景复杂与目标尺寸较小等问题，提出一种改进YOLO11n的缺陷检测模型——CCMW-YOLO11n。首先，在YOLO11n的骨干网络中提出跨阶段部分改进模块（cross stage partial improvement，CSP-I），该模块通过设计多头自注意力机制（multi-head self attention，MHSA）、卷积门控线性单元（convolutional gated linear uint，CGLU）与传统卷积（convolution，Conv）相结合，兼顾全局信息感知与局部特征提取，增强了多尺度特征的提取效果；其次，在特征融合阶段采用内容感知特征重组上采用技术（content-aware reassembly of features，CARAFE），该方法实现了对特征图自适应重组和细节增强，有效保留了细节特征，提升了模型对复杂目标的感知能力；然后，在颈部网络中融入混合聚合网络改进模块（mixed aggregation net enhancement，MAN-E），进一步增强了特征表达能力；最后，针对基础模型中CIoU损失函数的不足，结合WIoUv3、Inner-IoU和SIoU，提出一种新的边界框回归损失函数Wise-Inner-SIoU，以优化模型的回归效果。实验结果表明，改进后的CCMW-YOLO11n模型召回率提升了9.6%，mAP@0.5和mAP@0.5:0.95分别达到91.0%和61.1%，较基础模型分别提高了3.1%和2.0%，实现了对光伏电池缺陷的高效检测。

摘要:任意波形发生器（arbitrary waveform generator, AWG）的输出带宽受到数模转换器（digital to analog converter, DAC）模拟带宽的限制。频率交织数模转换器（frequency interleaved DAC, FI-DAC）能够有效实现带宽提升。然而，模拟器件的非理想特性和FI-DAC系统的分频特性将导致输出信号在边缘频带区域存在典型的峰值幅频误差，从而降低了输出信号的平坦性，严重影响系统的性能。因此，提出了一种针对FI-DAC系统的改进预校准器，专注于解决FI-DAC系统中峰值非线性幅频误差问题。首先，通过理论推导校准FI-DAC系统两通道线性相位误差；其次，该方法基于支持向量回归（support vector regression, SVR），通过构建精确的回归模型，设计预校准器以对幅频误差进行初步校准；然后，结合局部加权学习（locally weighted learning, LWL）方法，对频带边缘区域分配对应权重，从而更加精准地聚焦关键误差区域，进一步提升预校准器的设计效果和校准精度；最后，通过FI-DAC技术的应用，针对双路采样率为1.25 GSa/s的DAC，实现了850 MHz的输出带宽，提升了信号输出的频带范围。并且基于SVR-LWL算法设计的预校准器被集成到FI-DAC系统中，校正后系统输出信号幅频特性通带内的最小平坦度为-0.061 dB，最大平坦度为0.032 dB，接近理想平坦度0 dB。在5 GSa/s实验平台上进一步验证表明，基于SVR-LWL的预校准器在校正FI-DAC系统中峰值型幅频误差方面，相较其他算法表现出更高的精度与有效性。

摘要:针对永磁同步电机（permanent magnet synchronous motor,PMSM）驱动系统过度依赖精确模型且面临负载扰动时鲁棒性差的问题，提出一种基于数据驱动扩展滑模观测器的新型无模型自适应高阶滑模控制策略。首先，将电机运动方程转化为离散偏格式动态线性化范模型。其次，构建融合偏格式无模型自适应控制和离散时间高阶滑模控制优点的新型控制器；同时设计基于数据驱动的扩展非奇异离散终端滑模观测器，实时观测扰动并反馈至控制器以补偿跟踪误差。然后，基于电机输出转速和滑动时间窗口内的输入参考电流数据，构造改进型伪梯数实时估计算法，增强对时变参数的跟踪能力，实现基于二阶偏格式范模型的数据驱动控制。最后，通过在工况突变情况下与传统方法的仿真和实验对比，结果表明该方法能使电机收敛时间缩短35%，由负载扰动引起的平均波形畸变率减小18.4%，有力保障了PMSM的稳定、高效运行，验证了所提方法的可靠性与优越性。

摘要:为提高海杂波背景下微弱目标的检测性能，提出了一种基于改进变分模态分解(improved variational mode decomposition, IVMD)-小波包多阈值分解(wavelet packet multi-threshold decomposition, WPD)与哈里斯鹰优化算法（Harris Hawks optimization, HHO）优化长短期记忆网络（long short-term memory, LSTM）相结合的检测方法。采用改进变分模态分解-小波包多阈值分解去噪技术，通过自适应粒子群（adaptive particle swarm optimization, APSO）优化确定变分模态分解最优参数，精确分解海杂波信号为多个本征模态函数(intrinsic mode functions, IMF)。针对噪声较强的高频IMF，设计多频段小波包分解与分层阈值去噪策略，有效抑制噪声并保留微弱目标特征。利用哈里斯鹰算法对长短期记忆网络模型的超参数进行优化，提升其在复杂海杂波背景下的非线性时序建模能力。通过相空间重构与去噪信号的结合，显著提高了目标检测的精度和抗干扰能力。实验使用加拿大MCMaster大学IPIX雷达实测数据，结果表明，该方法在高信噪比和低信噪比环境下均显著提高了检测精度，相比传统长短期记忆网络方法，检测能力至少提高了35%。

摘要:轴承作为旋转机械系统的关键传动部件，其运行状态直接关系整体设备的安全性与运行效率。因此，实现轴承状态实时监测与剩余使用寿命（remaining useful life，RUL）的准确预测，对于预防潜在故障具有重要意义。当前基于深度学习的自注意力机制模型虽在寿命预测中得到广泛应用，但由于其主要依赖特征嵌入与位置编码机制，难以有效捕捉退化过程中的关键微观特征变化。尽管嵌入式高斯掩码能显著提升模型对局部细微退化特征的捕捉能力，但在处理数据时计算复杂度3次方增长，限制了使用效率。针对上述问题，提出融合状态空间模型（state-space model，SSM）与注意力机制的协同预测框架：通过将小波变换和倒谱滤波融入状态空间，构建新型特征分词器替代传统嵌入模块，提升退化特征表征能力；基于门控机制的动态筛选算法实时分析特征参数的单调性演变、趋势波动及抗干扰特性，实现关键退化指标的智能提取；结合振动信号的局部特性和全局退化规律，设计轻量化多尺度注意力模块，有效降低计算负荷并实现寿命映射解码。对比实验基于PRONOSTIA轴承寿命数据集工况1、2及江苏联益友仪器测控技术有限公司000A1-3轴承全寿命试验数据，结果表明所提方法在寿命预测平均绝对误差（MAE）和均方根误差（RMSE）指标上分别实现11.4%、20%、15.4%和15.2%、18.5%、27.4%的提升，消融实验表明关键模块可提升计算效率达55.6%。

摘要:针对传统预见控制在外部干扰作用下的互联连续时间系统中存在的跟踪性能下降问题,提出了一种基于等价输入干扰(equivalent input disturbance, EID)补偿的分散式鲁棒预见控制(preview control, PC)方法。首先设计EID估计器实现对子系统外部干扰的在线估计与补偿，从而有效降低了干扰对系统性能的影响; 然后引入一个基于预见信息的新等式约束，构建分散式预见控制器，并构造增广误差系统，将控制器设计问题转化为误差系统的稳定化问题；最后结合Lyapunov稳定性理论、线性矩阵不等式工具和奇异值分解技术,给出了保证闭环系统渐近稳定且满足H∞性能指标的充分条件,并求解出控制器及观测器增益。耦合倒立摆平台上的数值仿真表明,所提控制策略能将干扰引起的最大跟踪误差由0.315 7降低至0.048 3，进入稳态的恢复时间由213 ms缩短到25 ms，超调量由19.58%降至2.06%,显著优于传统预见控制和滑模控制，验证了方法在干扰抑制与跟踪性能方面的有效性和优越性。

摘要:在复杂的过程工业中,由于缺乏在线检测仪表或者由于恶劣的生产环境,导致一些生产过程中的关键变量难以测量,且无法实现在线测量,因此在过程工业中需要对这些变量进行软测量建模的研究。当前,基于深度学习的软测量建模大多关注的是单一视角下的特征建模,从而丢失了一些其他视角下有价值的信息,导致预测模型精度低。针对该问题,提出了一种多视角对偶图注意力网络(multi-view dual graph attention, Mv-DGAT)的工业软测量建模方法。该方法首先搭建多视角框架,构建基于最大信息系数的空间图注意力网络(spatial graph attention, SGAT),完成空间视角，并搭建基于多层次时序图结构和长短时记忆网络(long short-term memory, LSTM)的时间图注意力网络(temporal graph attention, TGAT),建立时间视角。其次,使用多头注意力机制进行时空特征融合预测。最后引入余弦相似度评估视角间的互补性,抑制冗余特征。所提出的方法在真实工业流程公开数据集上进行了实验,实验结果表明，所提出方法预测精度高,决定系数R2均达到085,均方根误差较对比模型降低10%以上。

摘要:为高效实现对潜在不稳定斜坡的基覆界面大深度探测，研制无人机载探地雷达。剖析频率步进连续波探地雷达体制原理，论证了无人机载探地雷达原型系统的关键参数指标。基于矢量网络分析仪的测量原理、扫频方式和能够执行时域反射测量的特点，选型轻量化N9914A手持式矢量网络分析仪开发了雷达波收发机，即使用手持终端作为上位机，部署采集软件并导入编写的脚本文件，通过网络接口控制矢量网络分析仪按时间自动存储数据文件。研制小尺寸（66 cm×10 cm×0.1 cm）低频空气耦合天线，实现频率步进连续雷达波的辐射与接收，集成了一种基于手持式矢量网络分析仪的低频无人机载探地雷达原型系统。通过原型系统的性能和收发功能测试，结果表明系统的工作带宽达到20~150 MHz，信号发射功率大于5 W，收发功能满足实验设计要求。将原型系统挂载于无人机，在四川省营山县消水镇大秧坪滑坡点开展野外试验，结果表明测线7.7′B-scan图像中的反射界面的深度约为11.5 m（土壤的相对介电常数为9），与已知地质剖面中粉质黏土与泥岩的分层界面吻合，满足大于10 m探测深度的需求。

摘要:针对超导电机多层绝热（multi-layer insulation, MLI）材料低热流密度需求与紧凑型整机要求的设计矛盾，提出一种基于改进逐层（layer by layer，LBL）模型与二代非支配排序遗传算法的多层绝热多目标协同优化方法。首先，基于辐射传热、气体导热与固体导热方程，通过引入间隔层光学性质、反射屏开孔率及动态自适应系数等关键参数，提升常规LBL模型的计算精度。其次，结合各项传热占比特点，构建最大为四密度区的变密度MLI模型。然后，采用非支配排序遗传算法，以各密度区层数为优化变量，以改进LBL模型作为算法适应度计算函数，约束各密度区层数以及各密度区层数之和，经种群进化得到Pareto前沿。在此基础上，进一步分析了绝热材料热流密度与密度区数量、各密度区层数、层密度的关系以及变密度敷设对热流分布的调控能力。研究结果表明，优化方案中热流密度覆盖0.42~3.11 W/m2、厚度覆盖5.5~43.0 mm，敷设方式覆盖不同层密度的定密度方案、两密度区变密度、三密度区变密度以及四密度区变密度方案。通过调控密度区数量以及密度区的层数、层密度可以实现多层绝热材料优化，降低后续施工难度。

摘要:电力线目标因其细长物理尺寸、小的电磁散射面积，在低空飞行器防撞探测中较难发现，严重制约着低空飞行器的飞行安全。采用传统的光学雷达、毫米波雷达和激光雷达等对电力线进行探测，受能见度、发射功率、大气环境等因素制约，存在探测距离有限、识别概率低、虚警率高等缺陷。针对这一问题，设计了一种双极化技术体制机载电力线探测系统，利用电力线对L波段电磁波水平极化和垂直极化差异化散射特性，提取电力线目标回波双极化幅值、极化倾角作为极化特征向量，与传统多普勒检测状态向量一起构建目标检测增广状态向量。使用支持向量机（SVM）与卷积神经网络构建级联分类器，提取电力线目标的显性和隐形特性，采用2 000组电力线目标真实探测数据对分类器进行训练，以提高复杂地杂波中电力线目标的识别准确概率。经在田野环境和山区环境下的飞行试验表明，该电力线探测系统可在全天时、全天候工作，在1 500 m距离范围内，对电力线目标具有92%以上的正确识别概率，具有非常广的工程应用场景。

摘要:为解决移动机器人在路径规划过程中路径不平滑、避障不稳定和陷入局部最优的问题,在传统的小龙虾算法(crayfish optimization algorithm, COA)的基础上提出了一种改进的自适应小龙虾优化算法(adaptive crayfish optimization algorithm, ACOA),来优化移动机器人的路径规划。首先添加Piecewise混沌映射初始化种群,使种群生成具有多样性和随机性以此来提高算法的全局搜索能力；其次通过引入自适应的温度参数调整机制,使小龙虾的根据情况调整3种行为,平衡算法在全局规划与局部探索之间的能力,加快算法的收敛速度；最后,通过自适应度函数的设计,加强机器人在路径规划中的避障能力并且达到路径平滑的效果。在仿真实验中,改进后的算法在多种复杂环境中表现出色,路径总长度、迭代收敛速度以及拐点数均优于传统的路径规划方法。ACOA算法于COA算法相比,在3种地图中路径长度分别缩短3.9%、5.3%、17.3%;拐点分别减少40%、33%、45%;且在路径平滑度和避障效果上也有显著提升。研究结果表明,ACOA算法在移动机器人路径规划中具有较高的实用性和稳定性。

摘要:针对管道缺陷超声导波全聚焦成像信号存储和传输数据量大及检测效率低等问题，研究基于压缩感知和稀疏矩阵的全聚焦成像方法。首先使用6种贪婪算法对管道回波数据进行压缩重构，分析重构算法对仿真信号重构精度的影响，选出最优重构算法并证明了压缩感知算法可以突破奈奎斯特定理的约束。然后计算稀疏度选择最优稀疏基，并通过分析与最优稀疏基的非相干性和管道的曲率效应来构造观测矩阵，与随机高斯矩阵相比，曲率加权的测量矩阵能够降低管道曲率效应的影响，提高信号重构精度及全聚焦成像质量。最后使用最优方案对经压缩重构得到的全矩阵数据和稀疏矩阵数据分别进行单缺陷全聚焦成像和双缺陷全聚焦成像。结果表明，基于压缩感知的稀疏矩阵全聚焦成像算法可以在保证精度的同时减少60%全聚焦成像和压缩感知信号处理时间，可以有效提高成像速度和检测效率，同时降低对检测系统硬件性能的需求。

摘要:传统聚焦评价算法在处理彩色图像时，通常将其先转化为灰度图像，该过程会造成颜色信息丢失，导致聚焦评价结果不够准确。针对此问题，提出了一种基于空间色散和彩色梯度的聚焦评价算法。首先，在RGB空间中计算局部窗口内相邻像素间颜色向量的欧氏距离，构建像素色差集合，将集合的和与方差的乘积作为空间色散值；其次，利用彩色图像在RGB三通道上的梯度值构建空间相关矩阵，将该矩阵的迹作为彩色梯度值；最后，将空间色散值和彩色梯度值作为先验分布函数和似然函数，利用贝叶斯统计原理计算高斯后验分布函数作为该算法的聚焦评价函数。该算法不仅提高了彩色图像聚焦评价的准确性和峰值响应速度，还提高了弱纹理区域和颜色信息不丰富区域的聚焦分辨能力。实验结果表明，所提算法相较于几种主流方法，聚焦评价曲线的峰值灵敏度、陡峭度、平缓区波动量3项评价指标，在仿真图像和真实图像上分别提升了9%和15%；将所提聚焦评价算法应用于三维重建，仿真图像的重建结果在RMSE和CORR指标上表现最优，恢复的真实图像深度值相对误差不超过4.6%，所提算法聚焦评价性能优越，能显著提升三维重建的精度。

摘要:车辆重识别技术在智能交通系统中扮演着至关重要的角色，其精准高效的性能对于显著提升城市交通安全性和交通效率具有决定性影响。然而，雾天等复杂天气条件会导致成像可见度降低，使得车辆外观信息严重失真，现有的车辆重识别方法仍然存在重识别平均精度较低和泛化能力不足的问题。为解决这些问题，提出了一种融合多尺度特征的雾天车辆重识别方法，旨在增强雾天真实数据下的重识别能力。该方法分为图像去雾和车辆重识别两个分支，通过共享权重的思想来平衡这两个任务，模型能够在雾天图像中提取稳定且具有代表性的特征。图像去雾模块采用两阶段恢复和金字塔增强技术生成清晰图像，以提供关键的雾天车辆图像特征，减小雾对重识别精度的影响。车辆重识别模块利用特征金字塔和卷积块注意力机制，从不同尺度上捕获更丰富和重要的特征，提升整个分支的重识别能力。在FVRID数据集上进行实验验证并与现有重识别方法进行对比，结果显示，在真实数据中的平均精度均值达到83.32%，首位命中率为94.70%，这两项指标均高于其他方法，这表明所提出的融合多尺度特征的雾天车辆重识别方法显著提升了雾天条件下真实数据的重识别性能，具有更强的准确性和泛化能力。

摘要:煤矿钻孔施工场景复杂,受强光水雾与粉尘的干扰,难以准确识别钻孔工序,为提升煤矿钻孔施工过程中的钻孔工序智能识别水平,提出一种基于惯性数据驱动的钻孔工序识别方法。首先,分析了钻孔过程中各工序的钻尾惯性响应特性,研制了惯性响应测量短节,给出了短节部署方案;其次,引入了双向长短时记忆（BiLSTM）网络提取惯性数据的时序特征,改进了经典Transformer Encoder网络,构造了针对惯性双模态的Transformer（DMT）特征提取网络,设计了惯性双模态数据的BiLSTM-DMT网络来提取惯性数据的特征,实现钻孔工序智能感知与识别;最后,开展了井下实测任务,得到了7类典型钻孔施工工序的惯性数据集,优选了BiLSTM网络的神经元数量,对比分析了多种融合模型的识别效果。实验结果表明,所提方法在训练实例中实现了98.87%的工序识别准确率,在工程实例中实现了96.26%的准确率,明显优于其他对比算法,说明方法能够有效地识别钻孔施工工序,且具备较高的识别精度和鲁棒性,为煤矿钻孔施工中的智能钻孔工序识别发展提供了新的技术路径。

摘要:为解决方波信号在方波供电压力传感器相移特性校准中的干扰，提出一种基于正弦激励的机载方波供电压力传感器相移特性可靠校准方法。基于希尔伯特变换算法，辨识方波供电压力传感器校准输出信号的正弦响应信号，针对正弦响应信号的非平稳偏移问题，采用鲁棒局部均值分解和模糊熵指标，实现正弦响应信号偏移趋势消除，并根据对消除偏移趋势的正弦响应信号进行正弦拟合，估计方波供电压力传感器初始相位，结合参考压力传感器初始相位，实现机载方波供电压力传感器相移特性可靠校准。分别通过仿真实验和正弦校准实验验证该方法对于方波供电压力传感器相移特性校准的性能。仿真实验结果表明，该方法在不同频率的正弦压力激励条件下相移特性校准相对误差均值为0.594%，优于经验模态分解、极值包络法等传统方法，其相对误差均值分别为24.543%和1.553%。正弦校准实验证明了该方法可有效解决校准过程中正弦激励信号、方波供电信号和干扰噪声的耦合问题，实现了机载方波供电压力传感器相移特性可靠校准。