多阶段不等长过程的投影加权动态时间规整监控方法 学术背景 在现代制造业中，多阶段过程（如批处理和过渡过程）的在线监控对于提高产品质量和降低故障风险至关重要。然而，由于操作条件的变化，这些过程的操作时长常常不等，这给监控带来了巨大的挑战。传统的动态时间规整（Dynamic Time Warping, DTW）方法虽然可用于离线同步，但在处理在线数据时，无法有效对齐正在进行的批次与已完成的历史批次，因为它们的进展存在固有差异。此外，传统方法通常忽略操作过程中的时间尺度故障，这会削弱整体监控性能。为了解决这些问题，本文提出了一种新颖的投影加权动态时间规整（Projective Weighted DTW, PWDTW）方法，用于监控不等长时间的多阶段过程。 本文的研究旨在从幅值和时间两个方面解决多阶...
基于显微操作系统的微管-图像校准方法在体细胞显微注射中的应用 研究背景 显微注射技术是一种通过精细的微管将特定量的遗传物质、药物或其他外源物质直接注入细胞或组织的技术。该技术在生物医学研究中发挥着重要作用，尤其是在转基因、基因靶向、动物克隆、人类不孕症治疗以及核酸引导的基因工程等领域。随着自动化技术的发展，传统的手动显微注射逐渐演变为自动化操作模式。然而，在自动显微注射系统中，如何准确地将显微镜视野中观察到的微管尖端的二维坐标与外部控制器获得的三维位置数据进行映射，仍然是一个技术难题。现有的校准方法通常依赖于电机驱动的物镜或复杂的显微视觉系统，这些方法在实际应用中往往不够快速和实用。 为了应对这一挑战，Fei Pan及其团队提出了一种实用的微管-图像校准方法，旨在实现显微镜视野中微管尖端的二...
无人水面车辆（USV）的模型预测控制新方法：基于概率神经网络的MBRL框架 学术背景 无人水面车辆（Unmanned Surface Vehicles, USV）近年来在海洋科学领域迅速发展，广泛应用于海洋运输、环境监测、灾害救援等场景。然而，USV的控制系统仍然面临诸多挑战，尤其是在复杂海洋环境中应对外部干扰的能力。传统的模型自由强化学习（Model-Free Reinforcement Learning, MFRL）方法虽然在某些任务中表现良好，但其依赖大量数据和模拟训练，且缺乏对不确定环境的鲁棒性。为了解决这些问题，模型基础强化学习（Model-Based Reinforcement Learning, MBRL）方法应运而生。MBRL通过同时学习环境模型和优化控制策略，能够更高效地应...
一种基于观测可信度推断的受限学习网络用于少样本退化建模 学术背景 在复杂工程系统中，多传感器广泛应用于监控设备的退化过程并预测其剩余使用寿命（Remaining Useful Life, RUL）。然而，在仅有少量样本的情况下，确保预测性能仍然具有挑战性。少样本场景下，传感器数据中的不一致观测（discordant observations）会引入大量不确定性，导致经验损失与预期损失相差甚远。此外，学习到的退化模型往往会在有限的可用样本上过拟合，导致模型参数分布偏差，从而限制模型在未见样本上的泛化能力。为了解决这些问题，本论文提出了一种基于观测可信度推断（Observation Credibility Inference, OCI）的受限学习网络，用于少样本退化建模。 该研究旨在开发一种适用...
学术背景与研究动机 在牙科医疗保健领域，锥形束计算机断层扫描（CBCT, Cone Beam Computed Tomography）是一种广泛应用的三维成像技术。CBCT能够提供口腔的三维图像，尤其在对牙源性病变的诊断中表现出色。然而，CBCT图像的分割（segmentation）——即对图像中每个体素（voxel）标记出病变、骨骼、牙齿和修复材料——是一个关键且复杂的任务。目前，临床实践中主要依赖手动分割，这不仅耗时，还需要大量的专业知识。为了实现自动化分割，减少对大量手动标记数据的依赖，研究者们提出了结合口腔解剖知识的半监督学习方法。本文提出了一种新颖的“口腔解剖知识引导的半监督学习模型”（OAK-SSL, Oral-Anatomical Knowledge-Informed Semi...
基于视觉-惯性传感器的上肢关节角度估计及其校准方法的影响研究 学术背景 上肢功能障碍，尤其是中风后患者的上肢功能受损，严重影响了他们的日常生活能力。康复训练是恢复上肢功能的重要手段，但其效果往往依赖于对关节角度的准确评估。传统的基于光学标记的运动捕捉系统（optical motion capture, OMC）是关节角度估计的“金标准”，但其昂贵且笨重，难以在现实临床环境中广泛应用。近年来，视觉-惯性测量单元（visual-inertial measurement units, VIMU）等低成本传感器成为了一种有前景的替代方案，但其固有的测量误差和校准问题限制了其临床应用。 本研究旨在探讨不同校准程序、逆运动学方法（inverse kinematics, IK）和测量模式对康复训练中上肢关...
多智能体混合环境协作导航研究：基于关系图学习的强化学习新方法 移动机器人技术正随着人工智能领域的发展迎来应用热潮，其中导航能力是移动机器人研究的核心热点之一。传统导航方法在面对动态环境、障碍物规避以及多机器人协作任务时，往往面临算法复杂度、计算资源消耗以及模型普适性的问题。针对这些问题，来自Central South University与Zhejiang University of Technology的研究团队提出了一种基于关系图注意力网络（Graph Attention Network, GAT）的新方法，称为GAR-CoNav，为混合环境中的多目标协作导航问题（Multi-Robot Cooperative Navigation Problem, MCNP）提供了新的解决方案。这篇发...
智能船舶自动驾驶的非线性固定时间强化学习优化控制研究 近年来，智能自动驾驶技术逐渐成为自动化控制领域的研究热点之一。在复杂的非线性系统中，优化控制策略的设计，尤其是在固定时间内实现系统稳定性和性能优化方面，是控制工程师和研究人员面临的重要挑战之一。然而，现有的固定时间控制理论在实现系统状态收敛时，往往忽略了资源利用效率和平衡问题，这可能导致过度补偿或欠补偿的现象，从而使系统的稳态误差增加。此外，对于如何在时间限定内实现非线性不确定性估计误差的最小化，相关研究依然较少。因此，本研究旨在提出一种自适应复合固定时间强化学习优化控制解决方案，进一步解决这一关键问题。 研究背景及目的 固定时间控制理论自提出以来，由于收敛时间不依赖于初始状态的特点，其应用得到了广泛关注。相比有限时间控制方法，固定时间控...
基于偏好预测的进化式多目标优化用于汽油调和调度 背景介绍 随着全球能源市场的不断变化，汽油的生产和调和工艺面临着越来越多的挑战。汽油作为石油工业的重要产品，其调和和调度过程直接影响产品的质量和生产效率。汽油调和需要根据产品规格和性能要求，将多种组分按不同比例混合，以生产不同等级的汽油。在此过程中，必须满足多项性能指标，例如辛烷值（Octane Number, ON）、里德蒸气压（Reid Vapor Pressure, RVP）、铅含量、硫含量及闪点等。这不仅要求严格的质量控制，还需符合日益严苛的环保法规。 汽油调和和调度本质上是一个多目标优化问题。此类问题具有多个相互冲突的目标，例如提高产品质量、最大化生产效率、减少设备占用率、以及尽量降低生产成本。此外，这一问题还涉及复杂的约束条件和非线...
多目标动态灵活作业车间调度的突破性研究：一种通过多任务学习优化目标偏好遗传规划的创新方法 背景介绍 动态灵活作业车间调度（Dynamic Flexible Job Shop Scheduling, DFJSS）是一个重要的组合优化问题，在制造、仓储等领域的生产过程具有广泛的实际应用。例如，它被用于优化制造过程中的任务分配或仓库的订单拣选工作。该问题的核心是如何在动态环境中，为多个机器和多个作业执行灵活的任务分配和操作排序决策，从而最大化某些效率指标或最小化时间成本。然而，这个问题的复杂性极高，尤其是当任务动态到达或机器发生故障时，传统的优化方法往往面临计算复杂度和实时性不足等问题。 近年来，遗传规划（Genetic Programming, GP）作为一种超启发式方法，被广泛用于为动态灵活作...