基于改进Yolov5模型的实时人脸检测算法

针对疫情背景下,在一些人流密集场所进行体温筛查或身份识别,当待检测对象快速通过时,人脸检测实时性不高的问题,提出了一种改进Yolov5模型的实时人脸检测算法。该算法首先对骨干网络层进行轻量化改进并引入注意力机制减少冗余信息;其次修改了检测层网络结构,增加了对小目标人脸及倾斜人脸检测的适应性;随之使用Focal EIOU损失函数代替Yolov5原始损失函数中的GIOU损失函数来计算定位损失,有效解决了预测框在目标框内部或预测框与目标框大小一致时无法精确定位的问题。实验结果表明：提出的实时人脸检测算法检测精度达到97.2%,检测速度达到66.7 f/s,相较于原始Yolov5算法,检测精度提升了19.7%,检测速度提升了24 f/s,满足实时人脸检测要求,同时对于黑暗环境及不同表情姿态人脸检测也有较好的适应性。     

复杂信道环境下的多维策略智能抗干扰技术

针对当前智能抗干扰技术策略维度低、复杂环境应对性差的问题,提出了适应复杂环境的多维策略智能抗干扰技术。将单音信号作为探测信号,通过扫频方式减少探测阶段复杂度以实现快速实时的环境状态特征提取,之后设计了基于深度神经网络的实时智能决策引擎模型以提高决策速度和准确率。仿真结果表明所提方案能够准确地预测通信质量,最后根据目标函数在所有可通信策略中决策出最优策略,当探测信号扫频间隔选取合适时,该方案能够达到接近96%的决策准确率及较好的资源利用率,能有效进行抗干扰并取得较好的通信质量。     

激光光源汽车前照灯自由曲面反射器设计EI北大核心CSCD

文中针对激光前照灯的光学结构设计困难和能量利用率低的问题,以球面最优传输理论为基础,提出了一种新的自由曲面反射器设计方法。该方法基于支撑曲面的结构,针对扩展光源进行了优化,有效抑制了目标照明区外的照度,实现了清晰的明暗截止线。文中根据GB 25991—2010标准,设计了适用于激光前照灯(含近光灯和远光灯)的自由曲面反射器,并使用扩展朗伯光源进行模拟仿真。仿真结果表明,配光屏幕上各测试点和测试区域的照度均符合法规要求,反射面连续光滑,能量利用率分别为96.96%和97.80%。通过实现高能量利用率的结构,减少了汽车前照灯的功耗,利于汽车前照灯的散热设计,延长了激光光源使用寿命,并为设备的生产加工带来便利。     

大数据技术在高校发展中的应用策略

阐述大数据技术的特点,大数据推动高校发展中的问题,在教育、管理、科研中的应用策略,利用大数据技术收集更多的数据信息、进行科学决策与分析、实现高效灵活应用。     

多源协同的电力线路恢复路径优化方法

传统恢复路径优化方法仅考虑单一维度下的恢复情况,对重要节点的负荷供电时间较短,为此设计一种多源协同的电力线路恢复路径优化方法。建立重构时间最短的目标函数模型,针对目标函数设计过电压约束、运行约束和启动时间约束等约束条件,修正电力线路非连通方案编码,提高电力线路恢复路径优化效率。实验结果表明,设计的恢复路径优化方法与传统方法相比,电力系统在多源协同下实现优化,重要负荷供电时间增长,一级负荷恢复供电的累计数量增加,验证了设计方法的有效性。     

激光退火硅晶圆温度场分布的数值模拟研究

目前,激光退火技术被广泛应用于半导体加工领域,但对如何选择激光条件进行相应的退火并没有系统清晰的准则可以参考,尤其是在硅的深注入杂质激活方面。本文通过对激光照射在硅晶圆上形成的温度场分布进行数值模拟研究,分析了激光波长和脉冲宽度对加热深度以及晶圆背面温度的影响。结果表明,延长激光波长或脉冲宽度,都有助于增加激光退火的加热深度。而对于特定的激活深度需求,存在着最优的激光波长和脉冲宽度组合,可以使退火所需要的激光脉冲能量最低,硅晶圆背面的温升最小。本文通过模拟仿真给出了激活深度在1～10μm范围内的最优波长和脉宽值,可为实现高效的深硅注入激光激活工艺提供重要的条件参考。     

基于深度强化学习的无人机间通信链路智能决策

由于无人机组网灵活、快速、低成本的特性,空中基站被视为在未来无线通信中有前景的技术。无人机集群可以通过相互协调和合作,完成的复杂任务,具有重大的研究和实用价值,而无人机间的高效通信是当下面临的重大挑战。为了在满足无人机间通信速率的前提下,尽可能节省发射功率,本文提出基于深度强化学习的集群方案和功率控制的智能决策算法。首先,本文设计了三种无人机集群方案,以对地面用户提供无缝的无线覆盖;然后,本文提出了基于深度Q网络（Deep Q-network）算法的集群方案和功率控制决策算法,用深度神经网络输出不同条件下联合决策的无人机集群方案和发射功率,并研究了重要性采样技术,提高训练效率。仿真结果表明,本文提出的深度强化学习算法能够正确决策无人机集群方案和发射功率,与不带强化学习的深度学习（Deep Learning Without Reinforcement Learning, DL-WO-RL）算法相比,用更低的发射功率满足无人机之间的通信速率要求,并且重要性采样技术能够缩短DQN算法的收敛时间。      

基于强化学习的列车驾驶曲线节能优化算法

在保证安全和准时性的前提下,自动化列车运行可以有效减少列车耗能。为了灵活应对列车运行种的动态变化,提出了一种基于强化学习的方法,可以优化列车控制策略且不采用之前关于列车动力学的知识和设计的列车速度曲线。这个优化模型将列车节能作为目标,把准点到达、列车限速、停车位置作为限制条件。大量的列车运行经验可以被用来训练深度神经网络直到得到最优化行为价值函数,通过对训练过的神经网络输入状态,可以准确输出每个行为的价值,然后再根据行为价值的大小来选择最优的驾驶策略。     

基于分类器决策融合的红外图像目标识别方法

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification,SRC）和卷积神经网络（Convolutional neural network,CNN）作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。