郑州大学学报(工学版)

基于动态融合注意力机制的电力负荷缺失数据填充模型

赵冬, 李亚瑞, 王文相, 宋伟 — 2025年01月10 00:00

为了提高电力负荷数据的缺失值填充精度,保障后续数据分析与应用的高效进行,提出一种基于动态融合注意力机制的填充模型 DFAIM。该模型由注意力机制模块和动态加权融合模块构成,通过注意力机制模块的2 种不同注意力机制挖掘特征与时间戳之间的深层关联通过动态加权融合模块将可学习的权重赋予注意力机制模块的 2 个输出以得到特征表示最后,利用特征表示来替换缺失位置的值,从而得到准确的填充结果。使用纽约市某地区的气象及负荷数据集及 UCI 电力负荷数据集对提出的模型进行验证,实验结果表明:相较于统计学、机器学习和深度学习填充模型,DFAIM 在评价指标 MAE、RMSE 和 MRE 上均具有一定优势。

受限泊车通道下自动驾驶平行泊车的路径规划方法

秦东晨, 张文灿, 王婷婷, 陈江义 — 2025年01月10 00:00

基于多准则融合与智能决策的调制识别算法

夏兆宇, 林玉洁, 胡春源, 吴梓豪 — 2025年01月10 00:00

基于变动碳排放强度的电碳联合市场滚动出清模型

姜欣, 段世杰, 金阳, 尚静怡 — 2025年01月10 00:00

基于AR-SSVEP和YOLOv3的时敏目标识别方法

马留洋1，胡争争1，栗武华1 — 2025年01月10 00:00

针对目标跟踪过程中目标身份（identification, ID）跳变而影响时敏目标识别的问题，本研究提出了一种融合增强现实技术（Augmented Reality, AR）、稳态视觉诱发电位（Steady-State Visual Evoked Potentials, SSVEP）和YOLOv3的人在回路的“检测-决策”时敏目标识别方法（AR-SSVEP-YOLOV3）。利用目标感知模块获取前端场景视频，并通过增强现实眼镜实时呈现，YOLOv3算法完成场景视频中敏感目标检测，AR-SSVEP脑电处理模块解析受试者的脑电数据，在ID变化过程中对时敏目标进行识别，对比分析时敏目标的识别正确率，AR-SSVEP-YOLOV3时敏目标识别方法相比YOLOv3算法识别正确率平均提升了40%左右，相比YOLOv3-Sort算法平均提升了15%左右。实验结果表明：AR-SSVEP-YOLOV3时敏目标识别方法可以降低目标ID跳变对时敏目标识别的影响，提升人机交互能力和时敏目标识别正确率。

基于COP的太极桩功足底压力特征提取及分析

万红1, 2，谷智元1, 2，李蒙蒙1, 2 — 2025年01月10 00:00

为探究太极桩功训练的内在特点，数字化解读其动作要领，借助有效的足底压力检测设备采集被试的足底压力信号，并对比分析了专家组和学员组足底压力中心（Center Of Pressure, COP）移动的相对位置、时域、频域及规律性指标。结果显示：相比于学员组，专家组COP相对位置更接近50%；时域指标方面，专家组COP移动均方根在左右和前后方向上均显著大于学员组，而频域的移动峰值频率在两个方向上则均显著小于学员组；衡量规律性的COP样本熵分析显示，专家组左右和前后方向的平均样本熵均显著小于学员组。这些结果表明：专家组站桩过程中的COP更集中在中心位置，体现了“立身中正”的技术要领；其中规律性的低频调整，体现了太极桩功“静中有动”的特点。

基于多准则融合与智能决策的调制识别算法

夏兆宇，林玉洁，胡春源，吴梓豪 — 2025年01月10 00:00

针对6G通信信号调制识别阶数要求高、低信噪比环境调制识别难的问题，结合人工智能技术与现代信号处理技术，提出一种基于多准则融合与智能决策的调制识别算法。该算法分为多准则融合网络与智能决策网络两部分。多准则融合网络计算标准调制信号的高阶累积延伸量，采用局部最优解方式遍历所有潜在门限，以基尼系数和确定度增熵确定判决门限。智能决策网络采用CART型架构，以判决门限为标准对未知信号的调制体制进行识别，并使用剪枝算法对模型迭代优化，最终得到最优决策树，形成基于多准则融合与智能决策的调制识别算法。实验结果表明，在0dB信噪比情况下，算法能够对16QAM、64QAM、128QAM、1024QAM、2PSK、4PSK、8PSK、2FSK、4FSK进行精准识别，综合识别率达到99.4%。与其他方法对比，调制体制综合识别率、可识别调制体制种类均有提升。

基于改进YOLOv5算法的钢材表面缺陷检测

燕雨，荆宇超，史孟翔，杨朵 — 2025年01月10 00:00

为了解决钢铁缺陷检测效率低下和因误检造成的经济损失问题 , 提出了用于钢材缺陷检测的 YOLOv5 改进算法。在保持原 YOLOv5 检测层不变的情况下 , 新增加 3 条自适应权重的辅助分支 , 用于提取 YOLOv5 网络的浅层信息 , 同时辅助分支也可以增强整体网络的梯度流动 , 使得训练效果更好 ; 在网络的主干部分加入 EMA 注意力机制 , 经过 EMA 模块加权后的特征信息可以帮助模型更好地关注和理解重要的目标特征 ; 使用 SIoU 代替了 CIoU 损失函数 , SIoU 引入的角度损失和形状损失可以使锚框在回归过程更加快速准确 , 提高检测的稳定性和鲁棒性。通过对 NEU-DET 数据集的实验 , 所提的改进算法相比原 YOLOv5s 精确率提升了 3. 7 百分点 , 相比其他主流算法也拥有更好的检测性能。

基于改进蜣螂算法的短期风电功率预测

蒋建东1，张海峰1,2，郭嘉琦2 — 2025年01月10 00:00

为了提高短期风电功率预测的准确度，建立了一种基于POTDBO-VMD-CNN-BiLSTM的短期风电功率预测模型。首先，采用融合Piecewise混沌映射、鱼鹰优化算法和自适应T分布扰动三种策略对蜣螂优化算法进行改进，以平衡蜣螂优化算法的全局探索和局部开发能力并加快其收敛速度；其次，用改进的蜣螂优化算法（POTDBO）对变分模态分解（VMD）的分解数目K和惩罚因子进行寻优处理，提高VMD的分解效果，再用POTDBO-VMD模型对风电功率进行分解；最后将分解的各频率分量以及残差分量分别输入到CNN-BiLSTM混合模型中预测，再将各频率分量以及残差分量的预测结果进行序列重构得到风电功率预测结果。通过新疆和吉林某风电场的实际数据对所提出模型进行实验，并于CNN-BiLSTM模型进行对比，结果显示，本文模型在决定系数R2上分别增加了4.21%、7.14%，表现出更好的预测精度。

基于修正剑桥模型的土体压密注浆机理分析

邢海鹏1，2，吴光华1，2，王格1，陈坤洋1，李晓龙1，张蓓1 — 2025年01月10 00:00

现有压密注浆仿真方法仅能分析注浆后的应力分布，无法获得压密后土体孔隙比、密度等反映注浆挤密效果的参数信息，为此引入修正剑桥模型描述土体力学行为，基于弹塑性有限元理论，建立了一种模拟常密度浆液在土体中压密注浆过程的仿真方法，实现了对地层挤密效应更加全面直观的描述。以黏土、粉质黏土等低渗透性土为对象开展了压密注浆仿真分析，与解析解和试验结果的对比显示，不同注浆压力下土体径向应力、孔隙比模拟值与解析解的总体平均相对误差分别为4.04%、0.29%，不同埋深条件下土体弹性模量、孔隙比计算值与现场试验结果的平均相对误差分别为2.85%和5.69%，证明了该方法较好的适用性。在此基础上分析了注浆加固后浆柱周围土体密度、孔隙比、弹性模量等参数分布特征，结果表明，注浆深度1.5 m处，注浆压力从0.4 MPa增至1.0 MPa时，距注浆孔中心0.05 m处土体密度、弹性模量和孔隙比近似呈线性变化，平均变化率分别为0.148 g/cm3/MPa、0.808和-0.126 MPa-1；注浆压力0.4 MPa时，随着注浆深度增加，距注浆孔中心0.05 m处土体密度和弹性模量的增加率、孔隙比降低率均逐渐下降。总体来看，注浆加固后浆柱周围土体密度、弹性模量有较大提升，孔隙比明显降低，距注浆孔越远土体参数改变量越小，逐渐恢复至初始状态；相同注浆压力条件下，随着注浆深度增大，压密效果逐渐减弱。

基于深度强化学习Noisy Net-A3C算法的自动化渗透测试方法

董卫宇1，刘鹏坤2，刘春玲1，唐永鹤1，马钰普2 — 2025年01月10 00:00

在自动化渗透测试领域，现有攻击路径决策算法大多基于部分可观测马尔可夫决策过程（POMDP），存在算法复杂度过高、收敛速度慢、易陷入局部最优解等问题。针对此问题，提出了一种基于马尔可夫决策过程（MDP）的强化学习算法NoisyNet-A3C，并用于自动化渗透测试领域。该算法通过多线程训练Actor-Critic，每个线程的运算结果反馈到主神经网络中，同时从主神经网络中获取最新的参数更新，充分利用计算机性能，减少数据相关性，提高训练效率。另外，训练网络添加噪音参数与权重网络训练更新参数，增加了行为策略的随机性，利于更快探索有效路径，减少了数据扰动的影响，增强了算法的鲁棒性。实验结果表明：与A3C、Q-learning、DQN和NDSPI-DQN算法比较，NoisyNet-A3C算法收敛速度提前了30%以上，验证了本文算法收敛速度更快。

基于可重构电路的串联电池动态分组主动均衡方法

秦东晨，赵鸿飞，武红霞，杨俊杰，陈江义，王婷婷 — 2025年01月10 00:00

针对电池组中单体电池电量不一致问题,以串联电池组为研究对象,对电池主动均衡控制技术进行研究,研究内容包括均衡拓扑的改进和均衡控制策略的设计。首先,提出了一种新型均衡拓扑结构并对其进行验证;其次,建立均衡电路的数学模型,分析均衡过程中电压差和开关频率对均衡性能的影响,并根据电压差分析结果设计了基于可变占空比的多对多均衡控制策略,以提高电池组均衡速度和均衡一致性;最后,在 MATLAB / Simulink 中进行均衡拓扑与均衡算法的联合仿真。结果表明:与固定分组均衡控制策略相比,所提均衡拓扑和控制策略能够提高电池组均衡速度和均衡一致性,均衡时间减少了 29. 71%,电池荷电状态 SOC 方差降低了 16. 13%,均衡过程中能量转移次数减少了 52. 5%。