当期目录
2026, 52(4): 611-637.
doi: 10.16383/j.aas.c250493
cstr: 32138.14.j.aas.c250493
摘要:
面向工程系统运行安全的分析技术对于提升风险感知、预防潜在安全事故发生、保障系统安全可靠运行具有重要意义. 然而, 随着工程系统功能与结构的复杂化、内部组件之间非线性相互作用的日益增强, 其运行过程中的安全分析往往面临着安全事件难以系统识别、评估指标难以准确选取、风险传播机制难以清晰刻画、安全边界难以有效量化等诸多挑战. 为此, 本文系统地梳理复杂工程系统运行过程中安全的定义及其内涵, 阐述安全分析的整体实施框架, 全面回顾和总结有关安全事件分析、评估指标选取、事故模型构建及安全区域刻画等方面的研究进展, 并对该领域未来的发展趋势与研究方向进行探讨.
面向工程系统运行安全的分析技术对于提升风险感知、预防潜在安全事故发生、保障系统安全可靠运行具有重要意义. 然而, 随着工程系统功能与结构的复杂化、内部组件之间非线性相互作用的日益增强, 其运行过程中的安全分析往往面临着安全事件难以系统识别、评估指标难以准确选取、风险传播机制难以清晰刻画、安全边界难以有效量化等诸多挑战. 为此, 本文系统地梳理复杂工程系统运行过程中安全的定义及其内涵, 阐述安全分析的整体实施框架, 全面回顾和总结有关安全事件分析、评估指标选取、事故模型构建及安全区域刻画等方面的研究进展, 并对该领域未来的发展趋势与研究方向进行探讨.
2026, 52(4): 638-665.
doi: 10.16383/j.aas.c250331
cstr: 32138.14.j.aas.c250331
摘要:
随着智能软件的发展, 深度学习模型在缺陷检测与定位等源代码处理任务中的应用日益广泛, 但其鲁棒性不足的问题也逐渐凸显. 众多学者对源代码对抗攻击与防御方法进行深入研究. 然而, 现有综述鲜有从源代码任务特性出发总结模型特点, 也缺乏对模型窃取、后门防御和防御蒸馏等典型对抗攻防方法的梳理与分析. 本文从模型架构视角入手, 首先系统归纳面向源代码处理任务的深度学习模型, 分析其在对抗攻击环境下的表现与适应性. 随后对源代码对抗攻击与防御方法进行全面分类与综述, 并汇总相关基准数据集. 最后分析现有研究的不足, 提出未来的潜在研究方向.
随着智能软件的发展, 深度学习模型在缺陷检测与定位等源代码处理任务中的应用日益广泛, 但其鲁棒性不足的问题也逐渐凸显. 众多学者对源代码对抗攻击与防御方法进行深入研究. 然而, 现有综述鲜有从源代码任务特性出发总结模型特点, 也缺乏对模型窃取、后门防御和防御蒸馏等典型对抗攻防方法的梳理与分析. 本文从模型架构视角入手, 首先系统归纳面向源代码处理任务的深度学习模型, 分析其在对抗攻击环境下的表现与适应性. 随后对源代码对抗攻击与防御方法进行全面分类与综述, 并汇总相关基准数据集. 最后分析现有研究的不足, 提出未来的潜在研究方向.
2026, 52(4): 666-692.
doi: 10.16383/j.aas.c250365
cstr: 32138.14.j.aas.c250365
摘要:
作为移动机器人与自动驾驶领域的关键基础技术, 视觉同时定位与地图构建(V-SLAM)在动态环境中面临严峻挑战. 由动态物体引起的特征匹配错误常常导致定位偏差、地图失真以及系统鲁棒性受损. 运动分割技术是提高V-SLAM性能的重要手段, 但在复杂动态场景中准确区分静态和动态元素仍极具挑战性. 本文系统梳理V-SLAM运动分割研究进展, 根据对环境的潜在假设, 将现有方法分为三个主要研究范式, 并给出各范式的技术原理、代表性策略的核心优势、本质局限及适用边界. 最后展望未来的研究方向.
作为移动机器人与自动驾驶领域的关键基础技术, 视觉同时定位与地图构建(V-SLAM)在动态环境中面临严峻挑战. 由动态物体引起的特征匹配错误常常导致定位偏差、地图失真以及系统鲁棒性受损. 运动分割技术是提高V-SLAM性能的重要手段, 但在复杂动态场景中准确区分静态和动态元素仍极具挑战性. 本文系统梳理V-SLAM运动分割研究进展, 根据对环境的潜在假设, 将现有方法分为三个主要研究范式, 并给出各范式的技术原理、代表性策略的核心优势、本质局限及适用边界. 最后展望未来的研究方向.
2026, 52(4): 693-708.
doi: 10.16383/j.aas.c250300
cstr: 32138.14.j.aas.c250300
摘要:
随着目标检测模型在实际应用中的广泛部署, 其安全性问题日益成为研究热点. 对抗攻击技术通过精心设计对抗补丁, 能够有效诱导模型产生错误预测, 揭示深度神经网络在决策过程中存在的内在脆弱性. 为提升对抗补丁在不同检测器上的攻击迁移性, 现有方法大多依赖静态权重融合策略进行联合优化, 难以充分协调不同检测器在脆弱性分布及优化动态上的差异, 导致攻击效果无法在各模型间兼顾, 迁移性受到显著限制. 针对这一挑战, 提出一种基于多任务动态重加权机制的可迁移性对抗补丁生成框架. 该框架设计全局校正因子和局部校正因子, 分别从任务间整体优化进度及单任务细粒度收敛行为两个层面动态调整任务权重, 实现多模型联合优化过程中的协调与鲁棒性提升. 通过系统性的数字域与物理域实验验证, 所提方法显著增强了对抗补丁在不同目标检测器上的对抗攻击迁移性, 并且在真实物理域的部署中表现出优秀的攻击效果.
随着目标检测模型在实际应用中的广泛部署, 其安全性问题日益成为研究热点. 对抗攻击技术通过精心设计对抗补丁, 能够有效诱导模型产生错误预测, 揭示深度神经网络在决策过程中存在的内在脆弱性. 为提升对抗补丁在不同检测器上的攻击迁移性, 现有方法大多依赖静态权重融合策略进行联合优化, 难以充分协调不同检测器在脆弱性分布及优化动态上的差异, 导致攻击效果无法在各模型间兼顾, 迁移性受到显著限制. 针对这一挑战, 提出一种基于多任务动态重加权机制的可迁移性对抗补丁生成框架. 该框架设计全局校正因子和局部校正因子, 分别从任务间整体优化进度及单任务细粒度收敛行为两个层面动态调整任务权重, 实现多模型联合优化过程中的协调与鲁棒性提升. 通过系统性的数字域与物理域实验验证, 所提方法显著增强了对抗补丁在不同目标检测器上的对抗攻击迁移性, 并且在真实物理域的部署中表现出优秀的攻击效果.
2026, 52(4): 709-723.
doi: 10.16383/j.aas.c250413
cstr: 32138.14.j.aas.c250413
摘要:
路由是优化网络资源分配的重要方法. 然而, 传统路由算法依赖静态策略优化单一服务质量指标, 难以应对多类型流量爆发性增长下的差异化需求. 尽管深度强化学习为动态网络环境下的路由优化提供了新思路, 现有方法仍缺乏对流量类型的精细化感知能力, 无法灵活调整路由策略. 为此, 本文针对不同类型流量的差异化路由需求, 设计一种基于分层策略强化学习的流量感知路由算法. 首先, 引入流量分类模块, 实现对不同流量差异化业务需求的精细感知. 其次, 利用图卷积网络对网络拓扑进行高效建模, 并在此基础上设计分层决策网络以及差异化奖励函数, 引导智能体生成自适应路由决策, 实现对各流量类别路由策略的动态调整. 同时, 在演员−评论家框架中引入全局注意力机制, 增强智能体对网络状态时空依赖关系的建模能力, 并通过广义优势估计和近端策略优化算法提升训练的效率与稳定性. 最后, 在多种拓扑网络上验证了所提算法的有效性.
路由是优化网络资源分配的重要方法. 然而, 传统路由算法依赖静态策略优化单一服务质量指标, 难以应对多类型流量爆发性增长下的差异化需求. 尽管深度强化学习为动态网络环境下的路由优化提供了新思路, 现有方法仍缺乏对流量类型的精细化感知能力, 无法灵活调整路由策略. 为此, 本文针对不同类型流量的差异化路由需求, 设计一种基于分层策略强化学习的流量感知路由算法. 首先, 引入流量分类模块, 实现对不同流量差异化业务需求的精细感知. 其次, 利用图卷积网络对网络拓扑进行高效建模, 并在此基础上设计分层决策网络以及差异化奖励函数, 引导智能体生成自适应路由决策, 实现对各流量类别路由策略的动态调整. 同时, 在演员−评论家框架中引入全局注意力机制, 增强智能体对网络状态时空依赖关系的建模能力, 并通过广义优势估计和近端策略优化算法提升训练的效率与稳定性. 最后, 在多种拓扑网络上验证了所提算法的有效性.
2026, 52(4): 724-737.
doi: 10.16383/j.aas.c250343
cstr: 32138.14.j.aas.c250343
摘要:
演化模糊系统(EFSs)是在线学习领域中广泛应用的方法. 然而, 大部分EFSs往往隐含高斯噪声假设, 在重尾、偏态及强相关等非高斯扰动下易出现性能退化. 为此, 提出一种相关熵核学习演化模糊系统(CKL-EFS). CKL-EFS融合结构自组织与鲁棒递归学习两种机制, 以提升非高斯噪声环境下的在线建模能力. 在结构演化方面, 模型基于数据密度与激活度实现数据云的按需生成与效用驱动移除, 并通过在线归属更新维护数据云统计量, 从而抑制规则库无界膨胀并保持紧凑结构; 在参数更新方面, 采用核学习策略将输入映射至高维特征空间, 并引入改进相关熵准则对大误差样本自适应降权, 以增强对离群冲击与非高斯噪声的鲁棒性. 此外, 给出模型的计算复杂度分析. 在多个公开数据集上的实验结果表明, 所提CKL-EFS在预测精度与抗非高斯扰动稳定性方面均优于现有代表性方法.
演化模糊系统(EFSs)是在线学习领域中广泛应用的方法. 然而, 大部分EFSs往往隐含高斯噪声假设, 在重尾、偏态及强相关等非高斯扰动下易出现性能退化. 为此, 提出一种相关熵核学习演化模糊系统(CKL-EFS). CKL-EFS融合结构自组织与鲁棒递归学习两种机制, 以提升非高斯噪声环境下的在线建模能力. 在结构演化方面, 模型基于数据密度与激活度实现数据云的按需生成与效用驱动移除, 并通过在线归属更新维护数据云统计量, 从而抑制规则库无界膨胀并保持紧凑结构; 在参数更新方面, 采用核学习策略将输入映射至高维特征空间, 并引入改进相关熵准则对大误差样本自适应降权, 以增强对离群冲击与非高斯噪声的鲁棒性. 此外, 给出模型的计算复杂度分析. 在多个公开数据集上的实验结果表明, 所提CKL-EFS在预测精度与抗非高斯扰动稳定性方面均优于现有代表性方法.
2026, 52(4): 738-748.
doi: 10.16383/j.aas.c250590
cstr: 32138.14.j.aas.c250590
摘要:
针对时序−状态相关性提取不足引起的目标跟踪性能下降问题, 提出一种基于双支协同滤波网络(DBCF-Net)的目标跟踪方法. 首先, 为实现运动模型和过程噪声参数的动态调整, 分别设计非马尔科夫信息网络和状态相关信息网络, 以学习运动目标状态演化过程中的时序依赖性及其状态变量间的局部相关性; 其次, 设计一种基于最大均值差异的网络权重协同更新机制, 通过差异化分支网络输出特征来增强分支网络间的学习互补性, 从而提升DBCF-Net对未知运动模式的适应能力; 进而, 融合贝叶斯滤波与神经网络的优势, 将无偏量测转换引入DBCF-Net, 以增强目标跟踪的鲁棒性; 最后, 通过目标跟踪实验验证了DBCF-Net的有效性.
针对时序−状态相关性提取不足引起的目标跟踪性能下降问题, 提出一种基于双支协同滤波网络(DBCF-Net)的目标跟踪方法. 首先, 为实现运动模型和过程噪声参数的动态调整, 分别设计非马尔科夫信息网络和状态相关信息网络, 以学习运动目标状态演化过程中的时序依赖性及其状态变量间的局部相关性; 其次, 设计一种基于最大均值差异的网络权重协同更新机制, 通过差异化分支网络输出特征来增强分支网络间的学习互补性, 从而提升DBCF-Net对未知运动模式的适应能力; 进而, 融合贝叶斯滤波与神经网络的优势, 将无偏量测转换引入DBCF-Net, 以增强目标跟踪的鲁棒性; 最后, 通过目标跟踪实验验证了DBCF-Net的有效性.
2026, 52(4): 749-764.
doi: 10.16383/j.aas.c250366
cstr: 32138.14.j.aas.c250366
摘要:
情感分析作为自然语言处理领域的核心任务之一, 面临着精准捕捉细粒度情感特征以及提升模型可解释性的双重挑战. 为此, 提出一种基于混合专家模型的可扩展情感分析框架, 通过将门控机制融入专家内部, 设计可在任意预训练语言模型中扩展的混合专家模块. 该框架旨在以可控的计算开销扩展模型容量, 促进细粒度条件计算和专家专业化. 在三个典型情感分析数据集上的综合实验表明, 与基线模型相比, 本方法在关键指标上均取得显著提升, 尤其在处理复杂多分类任务时, 其性能已达到甚至超过主流参数高效微调大语言模型的水平. 更重要的是, 得益于稀疏激活机制, 模型在保持高性能的同时, 展现出卓越的推理效率. 通过对专家激活模式和输出表征的深入分析, 清晰地观察到不同专家针对特定语义模式形成功能专精. 这为模型决策提供直观且有力的可解释性证据, 验证该框架在构建高效、高性能且可信赖的情感分析系统中的巨大潜力.
情感分析作为自然语言处理领域的核心任务之一, 面临着精准捕捉细粒度情感特征以及提升模型可解释性的双重挑战. 为此, 提出一种基于混合专家模型的可扩展情感分析框架, 通过将门控机制融入专家内部, 设计可在任意预训练语言模型中扩展的混合专家模块. 该框架旨在以可控的计算开销扩展模型容量, 促进细粒度条件计算和专家专业化. 在三个典型情感分析数据集上的综合实验表明, 与基线模型相比, 本方法在关键指标上均取得显著提升, 尤其在处理复杂多分类任务时, 其性能已达到甚至超过主流参数高效微调大语言模型的水平. 更重要的是, 得益于稀疏激活机制, 模型在保持高性能的同时, 展现出卓越的推理效率. 通过对专家激活模式和输出表征的深入分析, 清晰地观察到不同专家针对特定语义模式形成功能专精. 这为模型决策提供直观且有力的可解释性证据, 验证该框架在构建高效、高性能且可信赖的情感分析系统中的巨大潜力.
2026, 52(4): 765-779.
doi: 10.16383/j.aas.c240767
cstr: 32138.14.j.aas.c240767
摘要:
图神经网络在图数据挖掘任务中表现出卓越性能, 因此广泛应用于社交网络、商品推荐等领域. 在图分类任务中, 模型决策高度依赖全局拓扑结构, 使得图神经网络易受后门攻击. 已有研究表明, 在训练数据中注入中毒信息使得训练获得的模型容易被触发样本欺骗, 严重威胁模型安全. 然而, 现有防御方法仍然存在一些挑战, 即对不同后门攻击的防御泛化性弱、无法有效均衡主任务性能与防御成功率等问题. 为此, 首次提出一种基于模体增强对比学习的图神经网络后门攻击防御方法(Motif-Defense), 可高效防御多种未知类型的后门攻击, 且主任务性能仅略有下降. 首先, 设计模体角度增强图的对比学习模型, 选取可疑后门样本. 其次, 使用Jaccard相似度和标签平滑策略将可疑后门样本净化为干净样本, 实现对图后门攻击的防御. 最终, 在四个真实数据集上展开防御实验, Motif-Defense平均降低84.70%的攻击成功率, 且分类准确率平均仅下降2.53%.
图神经网络在图数据挖掘任务中表现出卓越性能, 因此广泛应用于社交网络、商品推荐等领域. 在图分类任务中, 模型决策高度依赖全局拓扑结构, 使得图神经网络易受后门攻击. 已有研究表明, 在训练数据中注入中毒信息使得训练获得的模型容易被触发样本欺骗, 严重威胁模型安全. 然而, 现有防御方法仍然存在一些挑战, 即对不同后门攻击的防御泛化性弱、无法有效均衡主任务性能与防御成功率等问题. 为此, 首次提出一种基于模体增强对比学习的图神经网络后门攻击防御方法(Motif-Defense), 可高效防御多种未知类型的后门攻击, 且主任务性能仅略有下降. 首先, 设计模体角度增强图的对比学习模型, 选取可疑后门样本. 其次, 使用Jaccard相似度和标签平滑策略将可疑后门样本净化为干净样本, 实现对图后门攻击的防御. 最终, 在四个真实数据集上展开防御实验, Motif-Defense平均降低84.70%的攻击成功率, 且分类准确率平均仅下降2.53%.
2026, 52(4): 780-793.
doi: 10.16383/j.aas.c250373
cstr: 32138.14.j.aas.c250373
摘要:
剩余寿命(RUL)预测作为开展设备视情维护(CBM)的前提条件, 已经引起学者和工程师的广泛研究. 现有基于预测信息的CBM策略侧重于设备退化过程非线性和时变不确定性的影响, 鲜有考虑带有量化误差和测量误差的寿命预测信息对维护策略的影响. 鉴于此, 提出一种考虑量化误差和测量误差影响的随机退化设备CBM策略. 首先, 构建一种带有量化误差和测量误差的非线性退化模型框架, 计算首达时间下退化设备的RUL预测信息. 其次, 以设备平均费用率为决策目标, 讨论不同误差参数对CBM策略的影响, 并求解获取设备的最优维护时机和动态检测间隔. 最后, 通过某型惯导系统的陀螺仪退化案例对所提方法的有效性进行实例验证.
剩余寿命(RUL)预测作为开展设备视情维护(CBM)的前提条件, 已经引起学者和工程师的广泛研究. 现有基于预测信息的CBM策略侧重于设备退化过程非线性和时变不确定性的影响, 鲜有考虑带有量化误差和测量误差的寿命预测信息对维护策略的影响. 鉴于此, 提出一种考虑量化误差和测量误差影响的随机退化设备CBM策略. 首先, 构建一种带有量化误差和测量误差的非线性退化模型框架, 计算首达时间下退化设备的RUL预测信息. 其次, 以设备平均费用率为决策目标, 讨论不同误差参数对CBM策略的影响, 并求解获取设备的最优维护时机和动态检测间隔. 最后, 通过某型惯导系统的陀螺仪退化案例对所提方法的有效性进行实例验证.
2026, 52(4): 794-804.
doi: 10.16383/j.aas.c250383
cstr: 32138.14.j.aas.c250383
摘要:
针对一类在有限时间内执行重复任务的不确定离散时间系统轨迹跟踪问题, 提出一种有限次迭代学习误差跟踪控制方法. 首先, 构造不依赖于参考轨迹的期望误差轨迹, 放宽传统迭代学习控制中的初值一致条件, 且离散形式的期望误差轨迹设计仅需已知每次迭代的误差初值, 简化设计要求. 其次, 通过在迭代轴上构建饱和迭代吸引律, 设计带有干扰补偿的迭代学习控制器, 并推导出跟踪误差的稳态误差带和满足精度要求所需的最大迭代次数表达式, 根据期望精度选择控制器参数, 在参数设计阶段保证系统鲁棒性, 实现跟踪误差有限次迭代收敛. 最后, 通过数值仿真和实验结果验证所提控制方法的有效性.
针对一类在有限时间内执行重复任务的不确定离散时间系统轨迹跟踪问题, 提出一种有限次迭代学习误差跟踪控制方法. 首先, 构造不依赖于参考轨迹的期望误差轨迹, 放宽传统迭代学习控制中的初值一致条件, 且离散形式的期望误差轨迹设计仅需已知每次迭代的误差初值, 简化设计要求. 其次, 通过在迭代轴上构建饱和迭代吸引律, 设计带有干扰补偿的迭代学习控制器, 并推导出跟踪误差的稳态误差带和满足精度要求所需的最大迭代次数表达式, 根据期望精度选择控制器参数, 在参数设计阶段保证系统鲁棒性, 实现跟踪误差有限次迭代收敛. 最后, 通过数值仿真和实验结果验证所提控制方法的有效性.
2026, 52(4): 805-820.
doi: 10.16383/j.aas.c240659
cstr: 32138.14.j.aas.c240659
摘要:
随着多模态内容的快速增长, 多媒体推荐系统在数据挖掘中发挥着重要作用. 然而, 现有方法通常假设项目具有完备的多模态信息, 难以适应真实场景中的模态缺失问题. 针对这一挑战, 提出一种融合稀疏超图与模态特定二分图的非完备多媒体推荐框架(S2GRec). 该框架通过基于稀疏超图的自适应模态补全机制, 捕获模态内高阶相似性, 实现无监督的缺失模态补全, 并进一步利用模态特定二分图建模用户在不同模态视角下的偏好, 以提升推荐性能. 在多个公开数据集及大规模工业数据集上的实验结果表明, S2GRec在召回率、准确率和NDCG等指标上较现有方法平均提升4.42%, 验证了其在非完备多媒体推荐任务中的有效性.
随着多模态内容的快速增长, 多媒体推荐系统在数据挖掘中发挥着重要作用. 然而, 现有方法通常假设项目具有完备的多模态信息, 难以适应真实场景中的模态缺失问题. 针对这一挑战, 提出一种融合稀疏超图与模态特定二分图的非完备多媒体推荐框架(S2GRec). 该框架通过基于稀疏超图的自适应模态补全机制, 捕获模态内高阶相似性, 实现无监督的缺失模态补全, 并进一步利用模态特定二分图建模用户在不同模态视角下的偏好, 以提升推荐性能. 在多个公开数据集及大规模工业数据集上的实验结果表明, S2GRec在召回率、准确率和NDCG等指标上较现有方法平均提升4.42%, 验证了其在非完备多媒体推荐任务中的有效性.
2026, 52(4): 821-832.
doi: 10.16383/j.aas.c250293
cstr: 32138.14.j.aas.c250293
摘要:
渗透测试作为一种主动的安全评估手段, 在保障网络安全中发挥着至关重要的作用. 传统的渗透测试通常高度依赖专家经验和人工操作, 测试过程复杂且耗时. 基于大语言模型的渗透测试智能体能够在测试环境中生成和调整策略, 相较于传统的方式, 具备更强的创新性和适应性. 在大语言模型辅助渗透测试的过程中, 存在因测试路径偏移、大语言模型“幻觉”问题而导致渗透测试任务中断或失败的情况. 基于此, 提出一个基于大语言模型的多智能体渗透测试框架LangPentest, 旨在通过自然语言处理技术提高攻击策略的自动生成和执行能力, 框架采用了大语言模型驱动的程序框架(LangChain)和检索增强生成技术, 提高LangPentest性能并降低大语言模型在应用渗透测试方面的“幻觉”问题. 框架由任务生成、任务执行、经验管理和任务调整四部分模块组成, 对基准目标测试后, 基于Claude 3.5 Sonnet模型的框架任务成功率最高; 且与AutoGPT和PentestGPT相比, 本框架在任务成功率方面具有明显优势, 在任务完成和整体性能方面证明了LangPentest的可行性和有效性.
渗透测试作为一种主动的安全评估手段, 在保障网络安全中发挥着至关重要的作用. 传统的渗透测试通常高度依赖专家经验和人工操作, 测试过程复杂且耗时. 基于大语言模型的渗透测试智能体能够在测试环境中生成和调整策略, 相较于传统的方式, 具备更强的创新性和适应性. 在大语言模型辅助渗透测试的过程中, 存在因测试路径偏移、大语言模型“幻觉”问题而导致渗透测试任务中断或失败的情况. 基于此, 提出一个基于大语言模型的多智能体渗透测试框架LangPentest, 旨在通过自然语言处理技术提高攻击策略的自动生成和执行能力, 框架采用了大语言模型驱动的程序框架(LangChain)和检索增强生成技术, 提高LangPentest性能并降低大语言模型在应用渗透测试方面的“幻觉”问题. 框架由任务生成、任务执行、经验管理和任务调整四部分模块组成, 对基准目标测试后, 基于Claude 3.5 Sonnet模型的框架任务成功率最高; 且与AutoGPT和PentestGPT相比, 本框架在任务成功率方面具有明显优势, 在任务完成和整体性能方面证明了LangPentest的可行性和有效性.
2026, 52(4): 833-845.
doi: 10.16383/j.aas.c250540
cstr: 32138.14.j.aas.c250540
摘要:
配电网点云语义分割对于实现无人化巡检与智能电网运维具有重要意义. 尽管已有方法在空间建模与结构增强方面取得一定进展, 但在频谱特征挖掘与大规模点云处理效率上仍面临突出挑战. 为此, 提出一种结构频谱感知框架(SSAF), 以提升长距离配网场景下的点云表达能力. 在数据预处理阶段, 提出一种结合结构引导的层级滤波策略与结构感知的样本划分方法, 在压缩冗余背景点云的同时, 有效保持电力杆塔、电力线等关键目标的结构完整性与连续性. 在语义分割阶段, 构建空谱协同语义分割网络, 引入局部极坐标系以增强模型对方向特征的建模能力, 并设计基于注意力图的动态融合机制, 实现空间特征与频谱特征之间的自适应交互与信息增强. 实验结果表明, SSAF能在真实配电网场景点云数据集上实现更高的分割精度与推理效率, 在多个关键指标上优于现有代表性方法, 验证了其在复杂场景下的实用性和工程推广潜力.
配电网点云语义分割对于实现无人化巡检与智能电网运维具有重要意义. 尽管已有方法在空间建模与结构增强方面取得一定进展, 但在频谱特征挖掘与大规模点云处理效率上仍面临突出挑战. 为此, 提出一种结构频谱感知框架(SSAF), 以提升长距离配网场景下的点云表达能力. 在数据预处理阶段, 提出一种结合结构引导的层级滤波策略与结构感知的样本划分方法, 在压缩冗余背景点云的同时, 有效保持电力杆塔、电力线等关键目标的结构完整性与连续性. 在语义分割阶段, 构建空谱协同语义分割网络, 引入局部极坐标系以增强模型对方向特征的建模能力, 并设计基于注意力图的动态融合机制, 实现空间特征与频谱特征之间的自适应交互与信息增强. 实验结果表明, SSAF能在真实配电网场景点云数据集上实现更高的分割精度与推理效率, 在多个关键指标上优于现有代表性方法, 验证了其在复杂场景下的实用性和工程推广潜力.
2026, 52(4): 846-864.
doi: 10.16383/j.aas.c250669
cstr: 32138.14.j.aas.c250669
摘要:
移动目标出现的时空信息不确定性为水面无人艇(USV)集群拦截带来巨大挑战. 针对出现位置服从正态分布、出现时间服从均匀分布的水面移动目标, 开展USV集群对这类移动目标的拦截任务筹划研究. 首先, 在USV集群的布阵设计阶段, 结合目标出现位置的正态分布特性, 提出USV集群“非均匀”布阵设计方案, 生成与目标出现位置的正态分布特性相匹配的优化拦截线; 其次, 分别通过预设时间控制、主从一致性等关键技术, 实现USV集群入阵、定速跟踪以及协同撤收, 三者共同完成USV集群对移动目标的拦截控制; 最后, 根据正态分布概率密度函数特性, 给出该拦截方案下USV集群对该类移动目标拦截概率的解析表达式. 研究表明, 该方案能显著应对目标出现的时空不确定性, 显著提升了对该类移动目标的拦截效能.
移动目标出现的时空信息不确定性为水面无人艇(USV)集群拦截带来巨大挑战. 针对出现位置服从正态分布、出现时间服从均匀分布的水面移动目标, 开展USV集群对这类移动目标的拦截任务筹划研究. 首先, 在USV集群的布阵设计阶段, 结合目标出现位置的正态分布特性, 提出USV集群“非均匀”布阵设计方案, 生成与目标出现位置的正态分布特性相匹配的优化拦截线; 其次, 分别通过预设时间控制、主从一致性等关键技术, 实现USV集群入阵、定速跟踪以及协同撤收, 三者共同完成USV集群对移动目标的拦截控制; 最后, 根据正态分布概率密度函数特性, 给出该拦截方案下USV集群对该类移动目标拦截概率的解析表达式. 研究表明, 该方案能显著应对目标出现的时空不确定性, 显著提升了对该类移动目标的拦截效能.
2026, 52(4): 865-878.
doi: 10.16383/j.aas.c250494
cstr: 32138.14.j.aas.c250494
摘要:
针对具有外部干扰的不确定二自由度直升机系统, 提出一种基于有限时间扩展状态观测器的自适应规定性能控制方法. 设计的规定性能函数和基于切换模型的变换误差克服了传统性能控制的初始误差限制. 然后, 引入有限时间扩展状态观测器来估计总扰动. 将变换误差与自适应非奇异快速终端滑模控制相结合, 规避了奇异性问题, 保障系统的性能. 此外, 通过Lyapunov方法验证系统的稳定性. 仿真和实验验证了所提控制策略的可行性和有效性.
针对具有外部干扰的不确定二自由度直升机系统, 提出一种基于有限时间扩展状态观测器的自适应规定性能控制方法. 设计的规定性能函数和基于切换模型的变换误差克服了传统性能控制的初始误差限制. 然后, 引入有限时间扩展状态观测器来估计总扰动. 将变换误差与自适应非奇异快速终端滑模控制相结合, 规避了奇异性问题, 保障系统的性能. 此外, 通过Lyapunov方法验证系统的稳定性. 仿真和实验验证了所提控制策略的可行性和有效性.
