基于改进VO算法与动态窗口法的自主避障

针对复杂动态环境下,无人机自主规避动态障碍物的问题,提出了一种改进的速度障碍法,以提高无人机在复杂环境中自主避障的能力。首先,根据速度障碍法原理,构建数学模型,判断无人机与动态障碍物是否存在冲突;然后,加入了自适应安全距离的同时用卡尔曼滤波对动态障碍物的下一时刻的位置进行预测,重构一个速度障碍区;最后,通过改进动态窗口法对可行避障区域进行最优避障策略的求解。通过不同场景和多障碍物连续避障的仿真实验,验证了所提算法的可行性和有效性。     

基于异步双精度滚动窗口的无人机实时航迹规划方法

针对动态环境中的无人机实时航迹规划问题,提出了一种基于异步双精度滚动窗口的快速规划方法.分别在全局窗口和局部窗口内进行粗略的和精细的航迹规划,并按照不同方式采用不同频率推动窗口滚动,综合应用全局重规划与局部重规划.实验表明,该方法时间效率高,通过调节窗口范围和采样精度,易于平衡实时航迹规划最优性与快速性.     

公共交货期窗口待定的单机成组分批排序

研究有组安装任务的单机窗时排序问题,所有工件的提前/延误惩罚费用相同;公共交货期窗口大小给定但位置待定,由线性定位费用衡量;最优排序是使所有这些费用的和最小.给出了最优排序的一些性质,提出一个多项式时间算法.     

基于滑动窗口的数据流高效用模糊项集挖掘

高效用项集挖掘可以提供有趣的结果集，但并不能提供单个项的数量，因此，本文提出了高效用模糊项集.但是，现实世界的数据是不断出现的，需要实时处理新到来的数据.为解决当前高效用模糊项集不能处理数据流的问题，又提出了模糊效用列表(fuzzy utility list, FUL)结构用于存储当前窗口中项的批次号、项在事务中的事务标识符、项的模糊效用以及项的剩余模糊效用，该结构能有效的对批次进行插入和删除操作.最后，基于FUL提出了数据流高效用模糊项集挖掘算法.对真实数据集和合成数据集进行了广泛的实验，结果证实了算法的效率及可行性.     

复杂制造系统中的热轧带钢力学性能预测的深度学习模型

钢铁工业向智能制造转型升级过程中对相关模型的精度提出了更高的要求，传统的热轧板带力学性能预测模型已很难满足现场需要，基于多层网络的深度学习模型在实际应用中往往受到数据不足、调参困难等限制，而且选择的有限个离散工艺参数很难准确反映板带的实际加工过程。为了应对这些问题，本文提出了一种新的基于gcForest框架的板带力学性能输入数据采样方法，该方法根据热轧板带生产这类工序流程复杂且工艺路径及参数对产品质量异常敏感的特点，设计了一种基于时间-温度-形变的三维连续时序过程数据采样方式，并将多粒度扫描得到的局部历程信息与板坯的基础信息（化学成分和典型工艺参数）进行融合，使下一环节的输入同时具备局部特征和全局特征；此外，在多粒度扫描结构中设计了可变窗口的子采样方案，使具有不同维度的输入数据通过多粒度扫描结构后能够得到相同维度的输出特征，使级联森林结构能够的正常训练。最后，在3个钢种的实际生产数据上进行实验评估，结果表明，这种基于gcForest的力学性能预报模型综合性能更好，而且调参容易，在样本较少的情况下也能保持很高的预测精度。     

基于窗口自注意力网络的单图像去雨算法

单图像去雨研究旨在利用退化的雨图恢复出无雨图像，而现有的基于深度学习的去雨算法未能有效地利用雨图的全局性信息，导致去雨后的图像损失部分细节和结构信息.针对此问题，提出一种基于窗口自注意力网络(Swin Transformer)的单图像去雨算法.该算法网络主要包括浅层特征提取模块和深度特征提取网络两部分.前者利用上下文信息聚合输入来适应雨痕分布的多样性，进而提取雨图的浅层特征.后者利用Swin Transformer捕获全局性信息和像素点间的长距离依赖关系，并结合残差卷积和密集连接强化特征学习，最后通过全局残差卷积输出去雨图像.此外，提出一种同时约束图像边缘和区域相似性的综合损失函数来进一步提高去雨图像的质量.实验表明，与目前单图像去雨表现优秀的算法MSPFN、 MPRNet相比，该算法使去雨图像的峰值信噪比提高0.19 dB和2.17 dB,结构相似性提高3.433%和1.412%,同时网络模型参数量下降84.59%和34.53%,前向传播平均耗时减少21.25%和26.67%.     

基于Seq2point和SERNet的非侵入式负荷分解及识别

为了提高负荷的分解及识别准确度，提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息，引入注意力机制挤压和激励网络，对提取的信息进行自适应校准.通过全连接网络映射得到负荷分解结果，进而识别负荷.算例分析结果表明：与其他4种方法比较，该方法有更高的分解及识别准确度.     

动态环境下基于时序滑动窗口的鲁棒激光SLAM系统

无人驾驶场景中的动态物体会影响同时定位与建图（SLAM）系统的整体精度和鲁棒性，针对现有多数激光SLAM系统在动态环境下易出现里程计漂移、定位失败和建图重影问题，本文融合轻量级PointPillars目标检测网络和多目标跟踪方法，构建了一种面向动态场景的语义激光SLAM系统.该系统首先利用PointPillars网络获取潜在动态目标检测框并过滤检测框内特征点，以获取里程计初始位姿.其次基于匀速卡尔曼滤波器的多目标跟踪算法获取跟踪结果，以构建时序滑动窗口，实现鲁棒、高效的目标级数据时空关联，以去除动态物体和恢复静态目标，进一步优化里程计.最后在包含动态场景的KITTI和NUSCENES公开数据集上与主流激光SLAM方法进行对比实验，结果表明本系统在里程计和全局地图的准确性和鲁棒性方面有显著的提高，同时系统保持了实时性，可满足动态场景下自主机器人系统和智能交通应用.     

基于滑动窗口CRITIC-G1的空战态势评估

传统的指标重要性相关(CRITIC)方法进行态势评估不能实现变权重，仅从数据本身属性出发进行赋权，忽略了专家意见，且CRITIC方法本身会使得图像抖动。针对以上问题，提出一种基于滑动窗口CRITIC-G1的近距离空战态势评估方法，将空战数据进行预处理，得到根据时间变化的优势函数矩阵，采用滑动窗口的方法将优势函数矩阵进行分解，通过对滑动窗口中的优势函数矩阵进行CRITIC-G1赋权，从而既实现变权重，又完成重要性排序的权重优化；同时引入变异系数降低综合优势函数图像抖动。最终输出飞机的综合优势函数值，对于两飞机的综合优势函数值进行分析得到态势评估的结果。仿真结果表明，滑动窗口CRITIC-G1法较传统CRITIC方法准确性提高了22.75%。