gitlab7runner的博客

本文提出了一种基于改进Q学习的多机器人编队路径规划方法。通过引入目标引力势场初始化Q值、填充凹形障碍物以及结合模拟退火算法动态调整动作选择策略，显著提升了领队机器人的路径规划效率与收敛速度。跟随机器人采用改进的引力势场方法，依据领队信息进行自主避障与编队跟随。实验结果表明，该方法在20×20网格地图中相较传统Q学习算法收敛时间减少76.7%，路径更优，步数更少。整体方案有效实现了多机器人系统的协同导航与优化路径规划。

本文提出一种基于风险评估的间歇过程混合软传感器建模方法，结合机理模型与数据驱动模型的优势，引入贝叶斯信息准则和结构风险最小化原则评估模型风险，通过误差熵修正BIC，并设计正则化项处理机理模型风险点，进而确定模型权重构建加权融合混合模型。以青霉素发酵过程为例进行实验，结果表明该方法在预测精度和抗干扰能力方面优于传统建模方法，具有良好的鲁棒性和应用前景，适用于化工、生物发酵等复杂间歇过程的关键变量在线估计与优化控制。

本文提出了一种基于复杂网络的飞行器半实物仿真系统智能可信度评估方法，针对传统评估方法依赖专家经验、难以适应动态演化系统的问题，利用复杂网络理论构建时变有向加权网络模型，综合考虑节点可信度、边权重及模型不确定性，实现对系统可信度的定量动态评估。文章详细阐述了模型交互网络构建、模型可信度与不确定性测量、路径-based可信度计算等关键步骤，并通过典型实例验证了该方法相较于层次分析法更具实际符合性。该方法在航空航天、汽车制造、能源等领域具有广泛应用前景，未来可结合人工智能技术实现更高效的实时评估。

本文研究了基于自抗扰控制的挠性航天器鲁棒固定时间姿态稳定方法及飞机半实物仿真系统的可信度评估。在航天器控制方面，通过设计终端滑模面、扩展状态观测器和基于梯度投影估计的控制器，实现了不依赖角速度测量的固定时间稳定，具备强鲁棒性和自适应能力；仿真结果验证了其在不同初始条件下收敛时间基本固定的优越性能。在仿真系统评估方面，提出基于时变有向加权网络与不确定性测量的可信度评估模型，有效量化了系统动态交互中的可信度，为复杂仿真环境下的验证提供了新思路。文章进一步分析了两类技术的优势与挑战，并展望了未来在优化控制设计、实

本文探讨了工业与航天领域的三项关键技术：针对批量过程中未知测量延迟的状态估计方法，提出RGTW-SCKF结合数据对齐校正，提升了过渡阶段的估计精度；在NPC逆变器开路故障诊断中，融合CEEMD与LSTM网络，实现了高准确率的故障识别；针对柔性航天器姿态控制，设计了一种基于主动干扰抑制的固定时间控制方案，有效处理参数不确定性、环境干扰及柔性模态影响。三种方法分别在化工生产、电力电子系统和航天控制中展现出良好的应用前景与实用价值。

本文探讨了球形机器人运动方向控制与批处理过程状态估计的关键技术。在机器人控制方面，提出基于径向基函数神经网络（RBF NN）的滑模控制器（NN-SMC），通过设计多层误差函数与等效控制器，实现对球形机器人稳定向前运动的有效控制，并利用Lyapunov函数证明系统稳定性，仿真结果验证了方法的收敛性。在批处理过程状态估计方面，针对因模型简化导致的未知测量延迟问题，引入Relaxed-Greedy Time Warping（RGTW）方法，结合SCKF滤波器，实时校正预测偏差，显著提升过渡阶段的状态估计精度。案例

本文探讨了医学图像分割、高精度伺服产品智能制造及球形机器人运动方向控制三个领域的研究进展。在微动脉瘤分割中，提出结合混合预处理模块与DCEL的Unet++模型，显著提升了AUC PR和F1值；在智能制造方面，设计了基于工业互联网的集中测控平台，实现了伺服产品高效精准的生产测试；针对球形机器人前进控制难题，创新设计了双支撑摆锤机构并采用RBF神经网络滑模控制器，有效改善了运动稳定性与方向控制性能。研究成果在各自领域展现出良好的应用前景。

本文研究了基于预测与深度学习在手部运动和眼底病变分析中的应用。针对空间仿人灵巧手手指逆运动学求解问题，提出了一种基于预测的经验共享Q学习混合粒子群算法（LQHPSO），通过引入3D Q表和经验共享机制提升搜索效率与收敛速度，并结合烟花算法增强全局探索能力，实验表明该方法在实时性和求解精度上优于传统算法。在眼底微动脉瘤分割方面，采用Unet++网络作为骨干结构，设计混合预处理模块以增强微小病变特征并缓解数据不平衡问题，同时提出DCEL损失函数平衡正负样本训练，显著提升了分割性能，AUC PR达到0.6144，

本文介绍了拔罐机知识图谱问答系统的构建与测试，该系统采用基于规则的意图识别、实体链接和模板查询方法，结合前后端分离架构与Neo4j图数据库，实现了91.20%的平均返回率和95.05%的正确率，适用于简单问答场景。同时，针对空间仿人灵巧手逆运动学求解难题，提出预测型经验共享Q学习混合粒子群算法（LQHPSO），通过引入烟花算法、扰动因子、Q表机制与初始值预测策略，显著提升了收敛速度与求解精度。文章还详细分析了灵巧手的正逆运动学模型及关节耦合关系，验证了LQHPSO在复杂耦合结构中的有效性。两项技术分别在智能

本文解析了钢铁厂运输车辆控制系统与杯突机知识图谱可视化问答系统的设计与应用。前者通过激光测距、逆变器监控和路径指示等人机交互功能，提升了运输效率与安全性；后者利用知识图谱整合多源异构数据，结合NLP技术实现语义分析与智能问答。系统测试表明两者在自动化、效率和知识管理方面显著优于传统方式，并提出了优化方向与应用拓展建议，为工业智能化发展提供了实践范例。

本文研究了飞行器姿态控制与炼钢厂运输车辆控制系统的设计与优化。在飞行器姿态控制方面，分析了非线性误差反馈律相较于线性反馈在稳态误差上的显著优势，并设计了基于扩张状态观测器（ESO）的自抗扰控制器，仿真结果表明其在指令跟踪、超调抑制和稳定时间上均优于传统频域控制器。在炼钢厂运输车辆控制方面，提出了基于双激光测距仪定位、PLC自动控制、多摄像头监控与入侵检测的智能化系统方案，实现了转运车辆的高精度定位、安全运行与高效调度。文章最后总结了两类系统的协同机制与性能优势，并提出设备维护、算法优化和人员培训等改进方向，

本文研究了钢铁知识图谱的构建与飞机姿态控制技术。在知识图谱方面，采用自上而下方法，结合基于规则和BiLSTM-CRF的命名实体识别技术，成功构建包含8062个三元组的钢铁知识图谱，提升了钢铁领域知识的组织与利用效率。在飞机姿态控制方面，针对小扰动线性化模型，设计了基于扩展状态观测器（ESO）和非线性误差反馈律的主动抗扰控制器（ADRC），通过实时估计并补偿系统内外扰动，显著提高了控制精度、响应速度和鲁棒性。仿真结果表明，该控制器在稳态误差、响应时间和超调量等指标上优于传统方法。未来工作将拓展知识图谱数据源与

本文研究了基于Q模型的复杂网络节点恢复方法和常用钢知识图谱的命名实体提取技术。在复杂网络方面，分析了不同网络类型（如随机网络、指数网络和无标度网络）在级联故障中的行为特性，并探讨了初始移除比例、恢复步骤、恢复比例和阈值等参数对网络恢复的影响。在知识图谱方面，提出了一种结合规则与深度学习的混合方法，实现对钢铁领域非结构化文本的高效实体提取与知识融合。通过优化标注流程与模型选择，提升了实体识别准确率，并为钢铁行业的生产、销售与研发提供了知识支持。未来研究将拓展至相互依赖网络、多层网络及跨领域知识图谱构建。

本文提出了一种具有记忆功能的强化学习任务监督器（RLMS），通过在零空间行为控制（NSBC）框架中集成深度Q网络（DQN）和长短期记忆（LSTM）知识库，有效解决了人机多机器人协调系统（HMRCS）中人类重复干预频繁、决策等待时间长和任务误差大的问题。该方法利用DQN实现动态任务优先级优化，借助LSTM记忆人类干预历史，在仿真中显著降低了任务误差和决策延迟，提升了系统自主性与鲁棒性。未来研究将拓展至多智能体强化学习及复杂环境下的动力学约束应对。

本文提出一种基于区块链的群体机器人数据完整性与隐私保护方法，利用以太坊区块链作为协作基础设施，保障数据的可追溯性与完整性，并结合链下公钥加密机制在数据上链前进行隐私保护。通过ARGoS模拟器与以太坊测试网络的联合仿真，验证了该方法在确保仅有授权机器人可解密关键信息的同时，实现了交互数据的防篡改与可追溯，为群体机器人系统的安全通信提供了可行解决方案。

本文研究了基于迭代无迹卡尔曼滤波（IUKF）的SINS/GPS组合导航系统与二阶多智能体系统的编队控制。在导航系统方面，IUKF通过迭代更新sigma点集，有效降低初始状态影响，提升滤波精度与鲁棒性，仿真结果显示其在速度和位置误差上优于传统UKF。在多智能体系统方面，设计了包含编队控制、碰撞避免和通信维护的分布式控制协议，结合势函数与Lyapunov稳定性分析，确保智能体形成期望编队并维持安全与通信距离。仿真验证了所提方法的有效性，研究成果可应用于航空航天、自动驾驶、军事协同和智能物流等领域。

本文介绍了两种创新的智能系统方法：基于TD3算法的机器人路径规划和基于IUKF算法的SINS/GPS组合导航系统。TD3算法通过Actor-Critic框架与合理设计的奖励函数，有效解决了机器人在连续动作空间中的路径规划难题，提升了学习效率与控制精度；IUKF算法则通过迭代无迹卡尔曼滤波，克服了传统滤波方法在非线性系统中的局限性，显著提高了导航系统的精度与鲁棒性。文章还对比了两种算法的核心思想与应用流程，并展望了其未来在多传感器融合与智能控制领域的拓展潜力。

本文研究了改进的甲 beetle swarm optimization（IBSO）算法和基于深度强化学习的机器人路径规划方法。IBSO通过引入Sigmoid函数调整学习因子、融合BAS机制以及交叉变异操作，在优化精度和收敛速度上显著优于传统算法。同时，提出基于TD3算法的机器人路径规划方案，通过端到端网络训练和奖励函数优化，提升了在复杂环境中的自主导航能力。实验表明，IBSO在多个测试函数上表现优异，而TD3方法在路径规划中具备高成功率与鲁棒性，未来可广泛应用于工业自动化、物流仓储等领域。

本文研究了单极接触器分断时间反馈自校正控制策略与新改进甲 beetle 群优化算法。针对接触器在大电流分断中触头侵蚀严重、分断不稳定的问题，提出基于燃弧电压特征频带识别和Mallat小波变换的实时分断时刻检测方法，并结合快速消磁驱动拓扑实现精确的零电流分断。通过滑模反馈校正机制，在弹簧疲劳和触头磨损后仍能自动调整控制参数，确保分断稳定性。另一方面，为提升优化算法性能，融合PSO、甲虫触角搜索与遗传算法的优点，引入改进Sigmoid函数调节学习因子与步长关系，并加入交叉变异操作增强全局搜索能力。实验表明，该控

本文提出了一种基于X语言的物联网服务平台建模方法，通过引入面向复杂产品的统一建模语言X语言，构建了一个灵活、可扩展的物联网系统模型。该模型从感知层、网络层到应用层实现了设备注册、数据推送和信息共享等功能，有效解决了物联网中设备管理效率低、数据库管理复杂等问题。结合图形建模方式，提升了系统的可视化与易理解性，支持多学科跨阶段协同设计。实际应用流程表明，该模型能够优化设备接入、提升管理效率，并为未来物联网与人工智能、大数据技术融合提供良好基础。

本文提出了一种基于扩展卡尔曼滤波的轻量级机械臂视觉校准方法，有效解决了传统校准中累积误差和高成本的问题，适用于对精度要求不高的简单任务场景。同时，结合X语言构建物联网服务平台模型，利用块定义图（BDD）和状态机图（SMD）实现设备与云服务器的结构与行为建模，提升了系统的灵活性与互操作性。两种技术的融合为工业自动化、智能家居等领域的智能化发展提供了可行方案。

本文研究了一种面向智能车辆编队的协同优化控制策略，基于分布式模型预测控制（DMPC）框架，综合考虑车辆安全、编队控制和燃油经济性三大目标。通过构建离散动态模型与多目标优化问题，提出以燃油消耗最小化为目标、以安全与编队性能为约束的控制方法，并在不同单向通信拓扑下进行仿真验证。结果表明该策略能有效实现编队稳定性与节能效果，具有良好的适用性和应用前景，适用于高速公路运输、城市公交系统及自动驾驶测试等场景。

本文综述了医学图像分割与智能车辆编队控制两大前沿技术的研究进展。在医学图像领域，基于Deeplabv3+的深度学习模型在膀胱病变图像分割中表现出良好性能，Dice系数达0.849，但仍面临边界识别和数据多样性挑战，未来可通过扩大数据集、优化预处理与后处理方法进一步提升效果，并向病变分类延伸。在智能车辆编队方面，传统控制方法受限于感知能力，而结合V2V通信的协同控制显著提升了编队稳定性与交通效率。研究提出基于DMPC的协同控制系统，在安全与燃油经济性方面表现优异。未来趋势包括多传感器融合、云端协同控制及人工智

本文综述了医学图像分割在肝癌病理图像与膀胱病变图像中的研究进展。针对肝癌病理图像，提出一种避免池化信息损失、融合多尺度特征的编码器-解码器模型，在Dice系数和IoU指标上优于FCN、SegNet和U-Net。对于膀胱病变自动分割，采用基于Res-Unet的框架，结合残差模块解决网络退化问题，并使用Adam优化器与Dice Loss函数提升训练效果。实验结果显示，两种方法在各自任务中均取得良好性能，展现出在临床诊断中的巨大应用潜力。未来，通过模型优化、多模态数据融合及与其他医疗技术结合，医学图像分割有望实现

本文深入解析了负载聚类与肝癌病理图像分割两项关键技术。在负载聚类方面，提出基于LSTM自编码器与深度嵌入聚类（DEC-LSTM-AE）的联合优化方法，有效提取时间序列特征并提升聚类质量，适用于电力市场策略制定与需求预测。在肝癌病理图像分割方面，设计多尺度扩张卷积神经网络模型，通过改进编码器-解码器结构与特征金字塔模块，实现高精度分割，在IOU和Dice系数上分别达到85.2%和86.3%。两种技术均展现出良好的应用前景，分别在智能电网与医学辅助诊断领域发挥重要作用。

本文提出两种创新方法，分别应用于少样本学习与工业用户电力负荷分析。在少样本学习中，提出原型图神经网络（Proto-GNN），通过引入类别原型增强节点信息，提升模型鲁棒性与分类准确率，在Omniglot数据集上优于现有方法；在工业电力负荷分析中，提出基于LSTM自动编码器的深度嵌入聚类方法（DEC-LSTM-AE），结合时间序列与非线性特征提取能力，利用软聚类与KL散度优化，显著提升聚类效果。实验表明该方法在DBI、SCI和CVI等指标上优于传统聚类算法，有效挖掘工业用户用电模式。

本文研究了深度学习自动训练方法与基于原型图神经网络的少样本学习算法。在自动训练方面，提出将相机固定于UR机械臂末端并结合TLD算法实现数据采集与标注的全流程自动化，显著降低时间成本并在螺母识别任务中达到97.75%的准确率。在少样本学习方面，提出Proto-GNN算法，通过融合类别原型与图神经网络，在Omniglot数据集上展现出优越的分类性能。文章对比了不同数据标注与采集策略的效果，分析了两种方法的优势与局限，并探讨其在工业检测、医疗诊断和安防监控等领域的应用前景，展望了方法融合、多模态处理及更广泛应用方

本文探讨了电机设计中关键参数如容错齿宽度、槽口宽度、槽肩角度和U形隔离槽对性能的影响，并通过实验分析确定了最优参数组合，有效降低了转矩脉动和反电动势波动，提升了电机的容错与热隔离能力。同时，提出了一种基于TLD和SSD算法的机器人视觉神经网络自动训练方法，利用机械臂带动相机多角度采集图像，结合在线学习实现样本自动标注，显著降低标注时间成本77.75%，识别率达97.75%。该方法在工业自动化和智能服务机器人中具有广泛应用前景。

本文研究了直驱永磁同步电机（DDPMSM）的匝间短路故障严重程度估计方法，提出以分支差分电流（BDC）作为故障指示器，并结合知识图谱（KG）构建智能诊断系统，实现故障的自动定位与严重程度分级。该系统在不同负载和速度下具有高鲁棒性与准确性。同时，针对五相容错永磁同步电机，分析了定子结构参数对转矩性能及容错能力的影响，通过有限元仿真优化容错齿宽度、槽口宽度等参数，提升了电机可靠性。研究为电机故障诊断与结构设计提供了有效解决方案。

本文提出了一种基于地标选择优化的行星着陆自主导航方法，通过结合克拉美-罗下界（CRLB）和马氏距离构建目标函数，有效量化状态估计精度并消除不同维度状态变量的影响。该方法将地标选择问题转化为受星载资源约束的半正定规划问题，并证明其凸性以确保最优解的存在。通过内点法求解，实现了在有限计算资源下的高效地标选择。模拟结果表明，该方法在位置、速度和姿态估计精度上均优于传统和随机选择方法，显著提升了导航性能。该方法具有良好的可行性与应用潜力，可拓展至航天器编队、机器人导航及VR/AR等领域。

本文探讨了改进的YOLOv4-tiny算法在木板缺陷检测中的应用，通过引入Res2Net模块和多尺度预测提升了检测精度与速度；同时提出基于松弛优化算法的地标选择方法用于行星着陆自主导航，通过构建Cramér-Rao下界与马氏距离联合的目标函数，在资源受限条件下实现高精度导航。两种技术分别在工业检测与航天领域展现出显著性能优势，并具备向医学影像、智能交通、无人机导航等场景迁移的潜力。结合实际案例分析与流程对比，展示了其高效性与可扩展性，展望未来可融合多传感器与AI技术实现更智能的自动化系统。

本文研究了无人水面舰艇的自适应模糊轨迹跟踪控制方法与基于改进YOLOv4-tiny算法的木板缺陷检测技术。在无人艇控制方面，设计了结合向量反步法和模糊系统的自适应控制器，有效应对模型不确定性和海洋干扰，确保轨迹跟踪的稳定性与精度；在木板缺陷检测方面，提出将原YOLOv4-tiny的骨干网络替换为Res2Net并增强多尺度预测能力，显著提升了对死结、虫害和裂缝等缺陷的检测精度与速度。仿真与实验结果表明，两种方法在各自应用领域均具有优越性能和实用价值，为海洋智能装备与木材加工自动化提供了有力的技术支持。

本文提出一种基于数据驱动的差分动态规划（DDP）方法，用于解决连续时间非线性仿射系统的最优轨迹跟踪控制问题。该方法在系统动态部分未知的情况下，利用测试数据和基函数逼近技术，结合HJB方程与ADMM优化算法，实现对价值函数和最优控制策略的近似求解。通过仿真验证了该方法的有效性，结果表明仅依赖测试数据即可获得稳定的近似最优控制策略，无需初始稳定策略或持续调参，为实际控制系统提供了一种高效、无模型的解决方案。

本文研究了谐波传动中柔轮的应力分布特性及其对传动性能的影响，并针对连续时间非线性系统的最优轨迹跟踪控制问题，提出了一种基于数据驱动的微分动态规划（DDP）方法。通过建立柔轮在不同波发生器轮廓下的变形方程，结合弹性壳理论与MATLAB仿真，分析了柔轮根部的轴向、周向正应力及剪应力的周期性分布规律。在控制方面，引入自适应动态规划（ADP）框架，融合值迭代与策略迭代思想，提出数据驱动DDP算法，将跟踪问题转化为最优控制问题，并通过仿真验证其有效性。研究为提升谐波减速器可靠性与非线性系统智能控制提供了理论支持和技术

本文深入解析了机电驱动系统的技术指标与故障诊断方法。针对驱动系统，提出了通过模块化融合设计和磁复合电机提升外骨骼关节扭矩密度的方案；对于航空航天领域的电静液作动器（EHA），建立了系统模型并分析了控制器、逆变器、电机、传感器等主要部件的故障形式。文章重点介绍了基于时域特征和小波包熵的故障特征提取方法，并通过实验数据对比了正常状态、电机单相开路和位置传感器漂移下的特征变化。进一步地，探讨了机器学习与深度学习在故障分类中的应用前景，展示了支持向量机和卷积神经网络的实现示例。最后展望了结合大数据、物联网等技术实现

本文探讨了在线状态估计方法与外骨骼扁平关节设计两个关键技术领域。在状态估计方面，提出基于OS-KELM的估计器，通过建立非线性系统状态方程、设计估计模型、分析误差与稳定性，并结合Chen系统的仿真验证，展示了该方法在存在未知干扰下的高精度、鲁棒性和稳定性。在外骨骼关节设计方面，详细分析了集成化扁平关节的总体布局、动力驱动系统、传感与控制设计，重点优化了行星减速器与永磁同步电机参数，实现了高扭矩密度、紧凑结构和高可靠性。最后，文章总结了技术优势，并展望了状态估计与外骨骼系统的融合发展方向，包括智能化提升、性能

本文提出了一种基于生成对抗网络（GAN）和预训练模型（如BERT）的知识表示学习方法，用于提升知识图谱中的链接预测与三元组分类性能。通过GAN生成高质量负样本，并结合实体描述文本构建语义向量，有效融合结构与语义信息。实验表明该方法在多个数据集上优于传统模型。同时，研究还提出一种基于在线顺序核极限学习机（OS-KELM）的动态系统在线状态估计方法，利用核函数与在线更新机制，显著提升非线性或未知系统的状态估计效率与精度。两种方法分别在知识工程与控制系统领域展现出高效性与鲁棒性，未来可进一步优化模型结构并拓展实际

本文针对物流车辆调度和知识图谱表示学习两个领域提出了创新方法。在物流调度方面，构建了多配送中心的不确定需求规划模型，并采用遗传算法求解，通过数值示例验证了方案的有效性；在知识图谱表示学习方面，提出KRGP方法，结合生成对抗网络与预训练语言模型BERT，利用实体描述信息生成高质量负样本，提升了链接预测与三元组分类任务的性能。研究为两个领域提供了新思路，未来可拓展至更复杂约束及跨领域融合应用。

本文研究了基于注意力机制的深度神经网络在肝癌病理图像分割中的应用，以及不确定规划模型在多配送中心车辆调度问题中的实践。通过改进U-Net架构并引入注意力引导融合模块和全局注意力机制，显著提升了图像分割精度；同时，结合不确定性理论构建规划模型，有效应对物流中需求波动等不确定因素。实验结果表明，两种模型分别在医学诊断与智能物流领域具有优越性能和广泛应用前景，为复杂实际问题提供了创新解决方案。

本文介绍了基于深度神经网络的音频信号故障诊断与肝脏病理图像分割技术。在音频故障诊断方面，采用卷积神经网络结合信号预处理和MFCC特征提取，提升诊断准确率与鲁棒性；在肝脏病理图像分割方面，提出结合注意力引导连接模块与全局注意力机制的新网络结构，有效提高肝癌区域分割精度。文章对比了两种技术的应用场景与优势，并探讨了多模态融合、强化学习与深度学习结合、边缘计算与云计算协同等未来发展趋势，为相关领域研究提供参考。