传统智能物联网隐私保护技术主要嵌入在数据生命周期的传输、存储和分析阶段,忽视了在源头上保护数据隐私的重要性。文中提出一种支持隐私保护的智能物联网数据风格转换方法,在CycleGAN风格转换模型的基础上新增混淆身份信息的损失函数,使得真实风格图像和动画风格图像在视觉上能够互相转化。动画风格的数据可用于数字世界(例如元宇宙等)中各类虚拟实体的构建,恶意用户无法根据虚拟实体逆向原始数据,或所逆向的原始数据无法被原深度学习模型正确识别,从而增强对物理世界真实实体的隐私保护。在人脸数据集上的实验结果表明,转换后的数据在不明显降低视觉失真度的条件下可使ArcFace人脸识别模型精度下降30%。

针对蚁群算法在求解旅行商问题(Traveling Salesman Problem,TSP)时收敛速度慢、求解精度低等问题,文中提出了一种基于动态熵进化的异构蚁群优化算法。该算法中,由蚁群系统(Ant Colony System,ACS)和最大最小蚂蚁系统(Max-Min Ant System,MMAS)构成异构双种群,实现种群间优势互补。文中提出动态熵进化策略,通过信息熵来动态控制种群间的交流频率,并将两个种群各自最优解的公共路径的信息素进行融合,以调节低熵种群最优路径上的信息素分布,进而有效保留两个种群的历史搜索信息以及加快算法收敛。将低熵种群最优解的非公共路径进行伪初始化,以扩大其在较优解附近的搜索范围,提高解的精度,从而实现两个种群的协同进化。仿真实验结果表明,所提算法在求解大规模旅行商问题时能有效平衡算法多样性与收敛性之间的关系。

针对传统人工势场法在实际应用中存在的局部最极小值、目标不可达以及路径震荡等问题,文种提出了一种基于偏转角抑制的改进人工势场法。该方法以传统人工势场法为基础,采用改进斥力势场函数保证目标点为全局势能最低点。在路径解算中引入偏转角抑制因子来抑制无人车行驶过程中过大的偏转角,在无人车陷入局部极小值点后每一步的路径解算中都添加新的虚拟目标点,直至无人车累积一定的偏转角摆脱障碍物群。仿真实验结果表明,该算法可以在不影响无人车避障的情况下减少规划路径的震荡性,并能够使无人车逃脱复杂障碍物群顺利到达目标点,规划出一条有效、简短以及震荡较少的路径。

作物病虫害使农业生产遭受损失,但仅依靠人工调查难以满足田间需求。基于机器视觉可实现病虫害自动分类,为农业精准高效生产提供保障。然而现有利用深度学习的方法易受刚性卷积感受野影响,数据增强手段低效且样本量匮乏。针对这些问题,文中提出一种基于掩码自编码学习范式的农业经济作物病虫害分类方法,来弥补现有技术在识别准确率方面的不足。通过对作物图像随机掩蔽、特征提取和依高维映射的全局重建,所提算法能充分挖掘输入的高阶语义隐式表征,建模同一图像内远距离上下文关系,从而训练鲁棒性更强的模型。通过相对总变分变换消除了高频噪声对预训练特征提取过程的干扰。所提方法与当前基于主流卷积网络的方法的对比结果表明,所提方法可显著提升现有方法的性能,准确率由基于ResNet50基准网络的90.48%提升至95.24%。

宫颈上皮内瘤变(Cervical Intraepithelial Neoplasm,CIN)是宫颈浸润癌变相关度较高的癌前病变,准确检测CIN并对其分类处理有利于减少宫颈癌重症率。针对宫颈病变检测与分类准确率低等问题,文中提出一种融合多尺度特征与多注意力机制的YOLOv5-CBTR(You Only Look Once version 5-Convolutional Block Transformer)宫颈病变图像检测方法。主干网络采用带有SENet(Squeeze-and-Excitation Networks)注意力机制的SE-CSP(SENet-BottleneckCSP)进行特征提取。引入Transformer编码器模块,融合多特征信息并放大,采用多头注意力机制增强病变区域的特征提取能力。在特征融合层引入卷积注意力模块,多尺度融合病变特征信息。在边界回归框计算中引入幂变换,加快模型损失函数的收敛,整体实现宫颈病变的检测与分类。实验结果表明,YOLOv5-CBTR模型对RGB(白光)宫颈病变图像检测与分类的准确率、召回率、mAP(mean Average Precision)和F值分别为93.99%、92.91%、92.80%和93.45%,在多光谱宫颈图像检测与分类中模型的mAP值和F值分别为97.68%和95.23%。

为提高风电并网能力并降低碳排放,文中提出了一种考虑碳交易和电动汽车的两阶段分布鲁棒低碳经济调度模型。引入碳交易成本,通过电动汽车的储能技术和风力发电的协同配合来降低系统的碳排放量,提高系统对风电的消纳能力。考虑到风电的不确定性,利用历史风电出力数据的矩信息,采用基于通用矩不确定性的分布鲁棒优化方法,建立分布鲁棒模糊集以刻画不确定的风电出力特性。利用对偶原理和线性决策规则将分布鲁棒模型转换为二次规划模型,并通过CPLEX对模型进行求解。实验结果表明,所提方法使风电消纳量提高了11.35%,碳排放量减少了1 579 t,验证了两阶段分布鲁棒模型的有效性和优越性。

针对工业设备故障领域训练数据少、实体结构复杂和实体分布不均匀等问题,文中构建了工业设备故障命名实体识别语料库。为解决字符级命名实体识别模型难以表示工业设备故障领域的专业词汇信息问题,文中提出一种基于字符增强的工业设备故障命名实体识别模型。在嵌入层,直接在RoBERTa-WWM(Robustly Optimized BERT Pretraining Approach with Whole Word Masking)的Transformer层之间融入专业词汇信息,将单词信息分配给其包含的每个字来达到增强语义的目的,通过BiLSTM(Bidirectional Long Short-Term Memory)获得全局语义信息,利用CRF(Conditional Random Field)学习相邻标签之间的依赖关系,以获得最佳句子级标签序列。实验结果证明,所提模型对工业设备故障命名实体识别任务具有良好的效果,平均F1值达到了92.403%。

针对物联网中传感设备之间的传感信息数据共享面临的安全性和隐私保护问题,文中提出了一种基于区块链的多域数据共享机制。该机制将数据共享问题视为数据交易问题,引入可信的监管机构来保证交易买卖双方的利益。该机制提供了一种数据发布方法,买家可以将数据安全地发布到云存储服务中,并在发布过程中不会泄露数据信息。在数据交易过程中,为保护买家的隐私不被泄露,采用环签名对买家许可证进行签名和验证。此外,该机制提供了一种匿名评价方法,买家可在不透露身份的情况下对交易进行评价并监督卖方行为。安全性分析和仿真实验结果表明,该机制安全性良好,具有高效性并符合物联网数据安全共享的要求。

基于深度学习行为识别算法的关键在于提高关键点提取的准确性和稳定性,以此来更准确地识别目标动作。然而,较多算法在目标特征提取阶段仅加入看似具有较好功能的注意力机制,忽略了不同注意力机制对不同模型和任务的影响。因此,文中提出了一种基于不同注意力机制的姿态估计算法模型。该方法通过比较不同注意力机制对模型的影响,进一步说明了选择注意力机制的重要性。同时,考虑到关键点提取的稳定性,对模型的初始化进行微调,通过增加权重判断网络层类别,选择更合适的初始化方法以提高性能。相较于基准网络模型,该模型在多尺度和无多尺度CrowdPose数据集上所有的评价指标均有所提升。其中,平均精度在两种情况下的提升均超过了1%。

在级联H桥多电平静止无功发生器(Static Var Generator,SVG)中,H桥固有的结构特性使得角形级联SVG直流侧电容电压存在二倍频纹波,电压波动影响电能质量补偿效果甚至导致系统失调。为抑制角形级联SVG的H桥直流侧二倍频电压纹波,文中提出了基于Boost型有源功率解耦(Active Power Decoupling,APD)的角形级联H桥多电平SVG的设计方案。有源功率解耦电路将波动功率和稳定功率相互分离,采用储能元件吸收波动功率,从而削弱了H桥直流侧电压波动。利用MATLAB/Simulink搭建仿真平台进行仿真,结果表明基于Boost型有源功率解耦的角形级联H桥多电平SVG能够有效抑制直流侧电容电压的二倍频纹波。

由于单模态情感识别的局限性,研究者已将其研究重点转移到多模态情感识别领域。多模态情感识别围绕最优提取每个模态的特征以及有效融合所提取出的特征这两方面问题进行研究。文中提出了一种基于多模态交叉互动的情感识别方法,以捕获模态表达的多样性。各种模态的编辑器分别提取具有情感信息的特征,模态间注意力机制堆叠的交互模块建模视觉-文本-音频之间的潜在关系。在基于文本、语音和图像的CMU-MOSI和CMU-MOSEI情感识别数据集上进行实验,结果显示在Acc2(Accuracy2)、Acc7(Accuracy7)、F1、MAE(Mean Absolute Error)和Corr(Correlation)这5个指标上文中方法分别取得了86.5%、47.7%、86.4%、0.718、0.776和83.4%、51.5%、83.4%、0.566、0.737的成绩,证明该方法性能具有显著提升,同时也验证了模态间交叉映射互相表示机制比各单模态表示方法具有更好的性能。

日常心电监测对预防心血管病具有重要意义,但医用心电监测系统成本高、操作复杂且不适用于居家心电监测,可穿戴设备忽视了噪声干扰问题,难以利用采集信号来分析诊断病情。文中设计了一种低功耗可穿戴式心电监测系统,该系统由电源管理模块、心电采集模块、数据处理模块和延时开关模块4部分组成,通过BMD101芯片采集人体心电信号,使用低功耗蓝牙芯片nrf52832将心电数据发送到移动端。针对信号中易引入的肌电干扰噪声问题,文中提出了基于变分模态分解(Variational Mode Decomposition,VMD)的去噪算法,利用非局部均值(Non-Local Mean,NLM)滤除心电信号中低频模态的噪声,离散小波(Discrete Wavelet Transform,DWT)阈值去噪算法消除心电信号的高频模态噪声,重构后的信号质量明显提高。实验结果证明,所提算法具有成本低、易便携和使用方便等特点,能够获取高质量的心电信号,满足用户的长程监测需求,解决了日常不方便监测心电和心电信号获取质量低的问题。