面向辅助通信的无人机基站网络拓扑抗毁研究综述
李燎原;骆西建;权冀川;陈宇;在应急通信和战场机动通信等无固定基础设施的场景中，无人机辅助通信具有重要应用价值。鉴于拓扑抗毁能力对于应急通信和战场网络的重要意义，该文对现有面向辅助通信的无人机基站网络拓扑抗毁研究进行综述。首先，对现有辅助通信场景进行梳理，并给出不同辅助通信场景中研究问题的主要目标和应用方法。然后，对现有面向辅助通信的无人机基站网络拓扑抗毁方法进行分类，并全面分析每类拓扑抗毁方法的适用场景。最后，探讨了面向辅助通信的无人机基站网络拓扑抗毁研究仍存在的问题和未来研究方向。
校园物联网平台架构研究及实现
皇甫大鹏;陈平;田小萍;卢小清;为应对智慧校园建设中面临的设备异构、数据孤岛及管理效率低下等挑战，针对传统校园管理系统存在的互操作性差、可视化程度低、智能化水平不足等关键技术瓶颈，设计并实现了一种分层式的校园物联网统一管理平台。该平台架构涵盖感知层、网络层、平台层和应用层，通过引入物模型技术统一多源异构设备的数字化表示，利用数字孪生技术构建校园三维可视化运营中心，实现了物理环境的精准映射与交互控制。针对现有系统普遍存在的协议兼容性差、数据集成困难问题，平台创新性地采用了统一物模型架构和多协议适配机制，显著提升了设备接入效率和系统扩展性。平台集成了多协议接入、可视化规则引擎与智能预警等核心功能，并成功应用于智能停车、无感化能源管理和安防联动等典型场景。实践表明，该平台将平均故障诊断时间缩短了约70%,资源调度效率提升了25%,有效提升了校园管理的精细化与智能化水平，为从“系统分立”向“服务融合”的智慧校园转型提供了可行的技术路径与实践范例，对推进教育信息化建设具有重要的参考价值。
基于深度学习的IRS辅助CIoT波束形成
孙振兴;李雪峰;南春萍;胥子昂;许红;在智能反射面(Intelligent Reflecting Surface, IRS)辅助的多输入多输出(Multiple Input Multiple Output, MIMO)认知物联网(Cognitive Internet of Things, CIoT)系统中，为提升次用户频谱效率，采用传统交替优化算法联合优化次发射机波束形成和IRS相移矩阵时会存在高计算复杂度、处理时延大的问题，难以满足实时应用需求。为此，该文提出一种基于深度学习的两阶段网络模型，用于分别预测次发射机波束形成和IRS相移矩阵，在满足次发射机发射功率约束、主用户干扰功率约束及IRS相移单位模约束的条件下，最大化次用户加权和速率。针对主用户与次用户信道特征的差异性，设计了一种结合注意力机制的双分支特征提取模块，以充分挖掘两类信道的特征信息。该模型采用无监督学习方式进行离线训练，训练完成后，模型权重可直接部署至在线阶段以实现实时推理。仿真结果表明，与基准方案相比，该算法在保证次用户加权和速率的前提下显著降低了计算复杂度与时间开销。
软件模型与文档更改的冲突检测研究
李世平;蒋建民;陈华林;洪中;多用户使用建模语言模型协同开发时频繁修改易引发软件模型与文档内容、结构冲突问题。当前版本控制工具及模型比较方法主要关注语义、行为层面的差异比对，难以有效识别和处理模型元素间因结构化特征变化导致的语义冲突。为解决这一局限，首先，构建了形式化的“统一结构”模型，对软件(UML)模型及软件文档的多维要素进行精确数学定义，为冲突分析提供理论基础。其次，基于该形式化模型，形式化定义了模型间的组合、差集操作以及元素增删、依赖增删等基本操作。再次，精确定义了删除元素冲突、删除依赖冲突、插入依赖冲突等冲突类型及其产生的逻辑条件。最后，通过实验证明，该方法为模型协同设计的软件开发中的冲突管理提供了系统化的形式化框架和自动化支持，有助于提升模型驱动工程的协作效率与模型、文档一致性。
基于改进LO优化算法求解无人机三维路径规划
孔建国;钱昱羲;胡文海;针对传统元启发式方法在处理山地复杂三维环境中的无人机航迹规划问题中存在的收敛慢、易陷入局部最优与路径不平滑等问题，该文提出一种改进狐猴优化算法(ILO)。首先以高斯函数叠加模拟山峰障碍；再以“航程代价—避障代价—边界约束”组成目标函数与约束体系；后利用三次样条对离散航迹进行平滑重构。算法方面，采用Tent混沌映射生成初始种群以提升初始解的覆盖度；融合了蜘蛛蜂优化算法(SWO)的“狩猎—筑巢—交配”多策略协同，种群规模调整策略，增强解多样性与算法收敛速度；引入Sigmoid函数来平滑地更新跳跃率，实现在全局搜索与局部开发之间更为平衡的探索能力。仿真结果表明ILO能有效绕避高峰、显著缩短航程并降低曲折度，生成连续、光滑且无碰撞的三维航迹，克服了传统元启发式算法的早熟收敛和局部搜索能力不足问题，为无人机三维路径规划提供了一种高效可靠的智能优化范式。
结构感知网络驱动下的医疗化验单智能识别方法
赵宇轩;王文华;马继韬;潘文林;针对医疗化验单图像结构复杂、文本密集及低质量干扰下的自动解析难题，该文提出一种基于结构感知网络(MedStructNet)的智能识别方法。该方法融合多主干特征与特征金字塔网络，引入跨尺度注意力与结构感知模块以强化表格边界与单元格关系建模；并设计结构引导的OCR流程，通过单元格掩码约束识别区域以减少字符漏检与错位。在CMDD数据集及本地三甲医院样本上进行实验，结果表明该方法在结构检测任务中mIoU达84.74%,F1值为97.50%,较TableNet与Faster R-CNN分别提升约15.4百分点与22.1百分点；结构引导的OCR方案使PaddleOCR的平均置信度提升至92.2%,较直接识别约高6百分点。消融实验显示：跨尺度注意力与结构感知模块为性能提升的主要贡献来源；跨机构与跨语言测试表明模型具备良好泛化性；同时，在模糊、倾斜与压缩等典型扰动下，性能相对下降控制在3.4%～6.6%范围内，表明模型具备良好鲁棒性，可为临床数据的结构化管理与智能分析提供有效技术支撑。
基于DBIF-AUNet的胸腔积液语义分割方法研究
唐瑞翔;张明达;秦江龙;宋艳;吴毅;吴蔚;胸腔积液图像语义分割在临床诊疗其病症的严重程度及其病变区域方面能够大幅度提升准确性和及时性。目前胸腔积液CT图像语义分割主要面临着积液与周围组织灰度相似、边缘模糊及形态等问题，且现有方法通常因直接拼接特征导致语义鸿沟，难以处理多变型图像和复杂边缘。对此，该文提出了双域分支交互注意力融合模型(DBIF-AUNet)。本模型构建了一种密集嵌套跳跃连接网络，创新性地改进了双域特征解耦模块(DDFD),解耦优化传统双域模块并针对不同层次特征信息进行增强特化。同时设计了与其协同使用的分支交互注意力融合模块(BIAF)动态加权融合全局结构、边缘细节特征与跨频带纹理特征，增强分割鲁棒性。并构建了一种嵌套深度监督机制，采用层级自适应混合损失解决类别不平衡问题。本模型在1 622张胸腔积液CT图像上的实验中，DBIF-AUNet的IoU与Dice分别达到了80.1%和89.0%,较目前的优秀医学图像分割模型U-Net++,Swin-UNet和CSWin-UNet分别提升了5.7百分点/2.7百分点，2.2百分点/1.5百分点和1.7百分点/0.9百分点，显著优化了对复杂胸腔积液CT图像的分割精度。
基于改进YOLOv11的圣像唐卡检测
周家乐;史伟;白科;针对圣像唐卡中背景色彩丰富、检测性能低、低分辨率等问题，提出了一种基于YOLOv11的唐卡图像中的小目标检测方法。首先，该方法在Backbone部分引入了CA注意力机制，以提升主干网络的特征提取能力。其次，在YOLOv11网络的Head模块中添加P2检测头，使网络能够进行多尺度检测，充分利用图像特征，提升模型的精度。再次，为了提高网络的分类准确度，在检测头输出层前嵌入多尺度特征增强模块(MFEB),在多尺度特征融合后，加入一个由通道注意力和多谱通道注意力机制构成的混合注意力模块(SF Block),用于对融合后的特征进行通道维度的再加权。最后，引入动态非单调聚焦机制损失函数WIoU(Wise-Intersection over Union)v3,提升模型的定位能力，进而降低误检率和漏检率。与原始的YOLOv11模型相比，在针对圣像唐卡数据集的评估实验中，文中提出的改进YOLOv11模型参数量和推理时间分别下降至5.69 M和5.42 ms, mAP值提升至98.62%,较基线模型提高了2.26百分点。表明该模型在检测精度和实时性方面相较于其他模型具有明显的优势。
基于注意力机制和特征融合的多视立体视觉
闫晓鹏;韩燮;赵融;乔哲瑞;郭宇霞;针对目前多视立体视觉在弱纹理区域与非朗伯曲面存在特征提取困难等问题，该文提出了一种基于注意力机制和特征融合的MS-MVSNet方法。首先，设计了多尺度特征融合模块(MSFF),将小波卷积和膨胀卷积结合，通过融合频域特征与空域特征，结合通道空间注意力机制(CBAM),从而增强对弱纹理区域的特征提取能力；在图像下采样过程中结合SwinTransformer的自注意力机制进一步优化特征表示，从而有效捕捉图像中长距离的上下文依赖关系，增强模型对复杂几何结构及非朗伯反射区域的感知能力；在深度采样过程中提出了混合自适应深度采样模块(MADS),通过结合上下文注意力机制与高斯引导的置信度引导采样，使其在每个像素位置动态调整深度采样，提升深度采样的表达能力。在DTU数据集上的测试结果表明，该网络的完整度和整体性达到0.247和0.308,在Tanks and Temples数据集上，该模型展现出了良好的跨场景泛化能力，验证了该方法的有效性与适用性。
基于改进RT-DETR模型的道路减速带检测算法
杨智勇;张佳斌;许沁欣;在城市复杂道路环境中，减速带等不平整路面目标对自动驾驶车辆的行驶安全构成潜在威胁。若检测不及时或不准确，不仅会影响乘坐舒适性，还可能导致车辆损伤或安全事故。因此，感知系统在复杂光照、遮挡及纹理变化条件下的检测鲁棒性，对自动驾驶系统的决策与控制精度至关重要。为此，该文提出一种基于RT-DETR模型的改进算法SDFP-DETR,以提升减速带检测的性能与效率。首先，在主干网络中引入SPCA注意力模块，增强关键区域的特征表达能力，提升复杂场景下的检测稳定性；其次，在颈部结构中设计基于双头自注意力机制的AIFI-DHSA模块，强化多尺度语义特征的建模能力；最后，采用Focaler-PIoU损失函数，提升对低质量样本的梯度响应并加快模型收敛速度。基于自建复杂场景数据集的实验结果表明，改进后模型的精度与召回率分别提升5.2百分点与2.0百分点，mAP50提高3.3百分点。与现有方法相比，该方法在复杂光照与遮挡条件下仍保持较高检测性能，展现出优异的环境适应性与应用潜力。
最新动态
友情链接
网站访问量
友情链接
