Activities
近日，中國知網(wǎng)（CNKI）學(xué)術(shù)精要數(shù)據(jù)庫基于中國知網(wǎng)資源總庫遴選各學(xué)科代表性論文，發(fā)布了2011-2022年高影響力論文。《自動化學(xué)報(bào)》共有1543篇論文入選，占本刊同期發(fā)表論文量的60.4%；其中，Top1% 高被引論文399篇、Top1% 高下載論文277篇、Top1% 高PCSI論文453篇。限于篇幅，以下為發(fā)表于2021-2022年、同時(shí)入選“高被引、高下載、高PCSI”的9篇論文，歡迎閱覽。
基于生理信號的情感計(jì)算研究綜述
情感計(jì)算是現(xiàn)代人機(jī)交互中的一個重要研究方向, 旨在研究與開發(fā)能夠識別、解釋、處理和模擬人類情感的理論、方法與系統(tǒng)。腦電、心電、皮膚電等生理信號是情感計(jì)算中重要的輸入信號. 本文總結(jié)了近年來基于腦電等生理信號的情感計(jì)算研究所取得的進(jìn)展.首先介紹情感計(jì)算的相關(guān)基礎(chǔ)理論, 不同生理信號與情感變化之間的聯(lián)系, 以及基于生理信號的情感計(jì)算工作流程和相關(guān)公開數(shù)據(jù)集.接下來介紹生理信號的特征工程和情感計(jì)算中的機(jī)器學(xué)習(xí)算法, 重點(diǎn)介紹適合處理個體差異的遷移學(xué)習(xí)、降低數(shù)據(jù)標(biāo)注量的主動學(xué)習(xí)和融合特征工程與學(xué)習(xí)器的深度學(xué)習(xí)算法。最后, 指出基于生理信號的情感計(jì)算研究中面臨的一些挑戰(zhàn).
權(quán)學(xué)良, 曾志剛, 蔣建華, 張亞倩, 呂寶糧, 伍冬睿. 基于生理信號的情感計(jì)算研究綜述. 自動化學(xué)報(bào), 2021, 47(8): 1769?1784
基于區(qū)塊鏈的電子醫(yī)療病歷可控共享模型
電子醫(yī)療病歷共享能夠提高醫(yī)療診斷的準(zhǔn)確性, 促進(jìn)公共醫(yī)療領(lǐng)域的發(fā)展. 針對目前普遍存在的不同醫(yī)院之間病歷共享困難、病人無法掌握其病歷的使用情況等問題, 本文提出了病人可控、云鏈協(xié)同的病歷共享模型.各級醫(yī)院組成聯(lián)盟區(qū)塊鏈, 病歷數(shù)據(jù)實(shí)行鏈上、鏈下混合存儲.病歷共享模型利用聚類算法, 改進(jìn)實(shí)用拜占庭共識算法, 使得各節(jié)點(diǎn)可以更高效地達(dá)成共識。將基于屬性的加密方案與多關(guān)鍵詞加密方案結(jié)合進(jìn)行病歷加密, 實(shí)現(xiàn)了數(shù)據(jù)可控共享, 病人可自主定義訪問策略, 同時(shí)用戶可以對加密病歷進(jìn)行安全、精確檢索. 考慮到用戶屬性的動態(tài)更新, 本文設(shè)計(jì)了屬性更新子協(xié)議。最后評估了模型的安全性和性能, 并分析了模型的優(yōu)劣勢.
張磊, 鄭志勇, 袁勇. 基于區(qū)塊鏈的電子醫(yī)療病歷可控共享模型. 自動化學(xué)報(bào), 2021, 47(9): 2143?2153
平行礦山: 從數(shù)字孿生到礦山智能
針對新時(shí)代下我國礦區(qū)智能化發(fā)展訴求與礦山無人化進(jìn)程中遇到的復(fù)現(xiàn)難、協(xié)同難的技術(shù)問題, 本文融合智慧礦山理念、ACP (Artificial societies + computational experiments + parallel execution)平行智能理論和新一代智能技術(shù), 設(shè)計(jì)并實(shí)現(xiàn)了智慧礦山操作系統(tǒng) (Intelligent mine operation system, IMOS), 為平行礦山智能管理與控制一體化提出了解決方案.本文首先分析露天煤礦產(chǎn)業(yè)發(fā)展趨勢; 國內(nèi)外露天礦山智能化發(fā)展情況; 面向露天礦山無人化與智能化需求, 深度融合數(shù)字四胞胎理論, 設(shè)計(jì)了虛實(shí)融合的IMOS架構(gòu); 詳細(xì)闡述了IMOS子系統(tǒng)架構(gòu)與功能, 包括: 單車作業(yè)系統(tǒng)、多車協(xié)同系統(tǒng)、車路協(xié)同系統(tǒng)、無人駕駛智能系統(tǒng)、調(diào)度管理系統(tǒng)、平行系統(tǒng)、監(jiān)管系統(tǒng)、遠(yuǎn)程接管系統(tǒng)和通信系統(tǒng); 并探討了IMOS關(guān)鍵技術(shù), 即平行礦山仿真建模技術(shù)、無人駕駛技術(shù)、礦區(qū)通信技術(shù)和協(xié)同作業(yè)技術(shù).該操作系統(tǒng)是國內(nèi)首套露天礦山無人化與智能化的一體化解決方案, 并能夠遷移到不同礦區(qū)不同作業(yè)場景, 推動礦區(qū)智能化無人化發(fā)展, 減少人工干預(yù)從而降低安全風(fēng)險(xiǎn), 大幅度降低人工成本, 提高生產(chǎn)作業(yè)效率, 并可結(jié)合社會發(fā)展要素為實(shí)現(xiàn)綠色可持續(xù)發(fā)展礦區(qū)提供支撐.
陳龍, 王曉, 楊健健, 艾云峰, 田濱, 李宇宸, 滕思宇, 王健, 曹東璞, 葛世榮, 王飛躍. 平行礦山: 從數(shù)字孿生到礦山智能. 自動化學(xué)報(bào), 2021, 47(7): 1633?1645
基于參數(shù)優(yōu)化 VMD 和樣本熵的滾動軸承故障診斷
針對滾動軸承故障特征提取不豐富而導(dǎo)致的診斷識別率低的情況, 提出了基于參數(shù)優(yōu)化變分模態(tài)分解(Variational mode decomposition, VMD)和樣本熵的特征提取方法, 采用支持向量機(jī)(Support vector machine, SVM)進(jìn)行故障識別.VMD方法的分解效果受限于分解個數(shù)和懲罰因子的選取, 本文分析了這兩個影響參數(shù)選取的不規(guī)律性, 采用遺傳變異粒子群算法進(jìn)行參數(shù)優(yōu)化, 利用參數(shù)優(yōu)化的VMD方法處理故障信號. 樣本熵在衡量滾動軸承振動信號的復(fù)雜度時(shí), 得到的熵值并不總是和信號的復(fù)雜度相關(guān), 故結(jié)合滾動軸承的故障機(jī)理, 提出基于滾動軸承故障機(jī)理的樣本熵, 此樣本熵衡量振動信號的復(fù)雜度與機(jī)理分析的結(jié)果一致. 仿真實(shí)驗(yàn)表明, 利用本文提出的特征提取方法, 滾動軸承的故障診斷準(zhǔn)確率有明顯的提高.
劉建昌, 權(quán)賀, 于霞, 何侃, 李鎮(zhèn)華. 基于參數(shù)優(yōu)化 VMD 和樣本熵的滾動軸承故障診斷. 自動化學(xué)報(bào), 2022, 48(3): 808?819
基于深度強(qiáng)化學(xué)習(xí)的多機(jī)協(xié)同空戰(zhàn)方法研究
多機(jī)協(xié)同是空中作戰(zhàn)的關(guān)鍵環(huán)節(jié), 如何處理多實(shí)體間復(fù)雜的協(xié)作關(guān)系、實(shí)現(xiàn)多機(jī)協(xié)同空戰(zhàn)的智能決策是亟待解決的問題. 為此, 提出基于深度強(qiáng)化學(xué)習(xí)的多機(jī)協(xié)同空戰(zhàn)決策流程框架(Deep-reinforcement-learning-based multi-aircraft cooperative air combat decision framework, DRL-MACACDF), 并針對近端策略優(yōu)化(Proximal policy optimization, PPO)算法, 設(shè)計(jì)4種算法增強(qiáng)機(jī)制, 提高多機(jī)協(xié)同對抗場景下智能體間的協(xié)同程度. 在兵棋推演平臺上進(jìn)行的仿真實(shí)驗(yàn), 驗(yàn)證了該方法的可行性和實(shí)用性, 并對對抗過程數(shù)據(jù)進(jìn)行了可解釋性復(fù)盤分析, 研討了強(qiáng)化學(xué)習(xí)與傳統(tǒng)兵棋推演結(jié)合的交叉研究方向.
施偉, 馮旸赫, 程光權(quán), 黃紅藍(lán), 黃金才, 劉忠, 賀威. 基于深度強(qiáng)化學(xué)習(xí)的多機(jī)協(xié)同空戰(zhàn)方法研究. 自動化學(xué)報(bào), 2021, 47(7): 1610?1623
基于移動機(jī)器人的揀貨系統(tǒng)研究進(jìn)展
基于移動機(jī)器人的揀貨系統(tǒng)(Robotic mobile fulfillment systems, RMFS)作為一種新型物至人的揀貨系統(tǒng), 相比人工揀貨系統(tǒng)和AS/RS揀貨系統(tǒng)(下文統(tǒng)稱傳統(tǒng)揀貨系統(tǒng))具有更高的揀貨效率、更好的系統(tǒng)可擴(kuò)展性和柔性. 為全面了解RMFS的運(yùn)行模式及其優(yōu)化方向, 本文首先回顧了RMFS的工作流程及優(yōu)化理論框架, 然后對RMFS的貨位指派、訂單分批、任務(wù)分配、路徑規(guī)劃以及建模方法等問題進(jìn)行了文獻(xiàn)回顧和總結(jié), 并指出了RMFS與傳統(tǒng)揀貨系統(tǒng)在揀貨過程方面的異同及當(dāng)前研究的不足. 最后, 討論了RMFS的幾個重要研究方向, 為RMFS的理論研究和應(yīng)用實(shí)踐提供參考.
徐翔斌, 馬中強(qiáng). 基于移動機(jī)器人的揀貨系統(tǒng)研究進(jìn)展. 自動化學(xué)報(bào), 2022, 48(1): 1?20
基于 GBDT 的鐵路事故類型預(yù)測及成因分析
運(yùn)用數(shù)據(jù)挖掘技術(shù)進(jìn)行鐵路事故類型預(yù)測及成因分析, 對于建立鐵路事故預(yù)警機(jī)制具有重要意義. 為此, 本文提出一種基于梯度提升決策樹(Grandient boosting decision tree, GBDT)的鐵路事故類型預(yù)測及成因分析算法. 針對鐵路事故記錄數(shù)據(jù)缺失的問題, 提出一種基于屬性分布概率的補(bǔ)全算法, 最大程度保持原有數(shù)據(jù)分布, 從而降低數(shù)據(jù)缺失對事故類型預(yù)測造成的影響. 針對鐵路事故記錄數(shù)據(jù)類別失衡的問題, 提出一種集成的GBDT模型, 完成對事故類型的魯棒性預(yù)測. 在此基礎(chǔ)上, 根據(jù)GBDT預(yù)測模型中特征重要度排序, 實(shí)現(xiàn)事故成因分析. 通過在開放數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn), 驗(yàn)證了本文模型的有效性.
鐘敏慧, 張婉露, 李有儒, 朱振峰, 趙耀. 基于 GBDT 的鐵路事故類型預(yù)測及成因分析. 自動化學(xué)報(bào), 2022, 48(2): 470?478
基于顯著圖融合的無人機(jī)載熱紅外圖像目標(biāo)檢測方法
利用無人機(jī)載的熱紅外圖像開展行人及車輛檢測, 在交通監(jiān)控、智能安防、防災(zāi)應(yīng)急等領(lǐng)域中, 具有巨大的應(yīng)用潛力. 熱紅外圖像能夠在夜間或者光照條件不理想的情況對場景目標(biāo)清晰成像, 但也往往存在對比度低、紋理特征弱的缺點(diǎn). 為此, 本文提出使用熱紅外圖像的顯著圖來進(jìn)行圖像增強(qiáng), 作為目標(biāo)檢測器的注意力機(jī)制, 并研究僅使用熱紅外圖像和其顯著圖提高目標(biāo)檢測性能的方法. 此外, 針對無人機(jī)內(nèi)存不足、算力有限的特點(diǎn), 設(shè)計(jì)使用輕量化網(wǎng)絡(luò)YOLOv3-MobileNetv2作為目標(biāo)檢測模型. 在實(shí)驗(yàn)中, 本文訓(xùn)練了YOLOv3網(wǎng)絡(luò)作為檢測的評價(jià)基準(zhǔn)網(wǎng)絡(luò). 使用BASNet生成顯著圖, 通過通道替換和像素級加權(quán)融合兩種方案將熱紅外圖像與其對應(yīng)的顯著圖進(jìn)行融合增強(qiáng), 比較了不同方案下YOLOv3-MobileNetv2模型的檢測性能. 統(tǒng)計(jì)結(jié)果顯示, 行人及車輛的平均精確度(Average precision, AP)相對于基準(zhǔn)分別提升了6.7%和5.7%, 同時(shí)檢測速度提升了60%, 模型大小降低了58%. 該算法模型為開拓?zé)o人機(jī)載熱紅外圖像的應(yīng)用領(lǐng)域提供了可靠的技術(shù)支撐.
趙興科, 李明磊, 張弓, 黎寧, 李家松. 基于顯著圖融合的無人機(jī)載熱紅外圖像目標(biāo)檢測方法. 自動化學(xué)報(bào), 2021, 47(9): 2120?2131
一種基于深度遷移學(xué)習(xí)的滾動軸承早期故障在線檢測方法
近年來, 深度學(xué)習(xí)技術(shù)已在滾動軸承故障檢測和診斷領(lǐng)域取得了成功應(yīng)用, 但面對不停機(jī)情況下的早期故障在線檢測問題, 仍存在著早期故障特征表示不充分、誤報(bào)警率高等不足. 為解決上述問題, 本文從時(shí)序異常檢測的角度出發(fā), 提出了一種基于深度遷移學(xué)習(xí)的早期故障在線檢測方法. 首先, 提出一種面向多域遷移的深度自編碼網(wǎng)絡(luò), 通過構(gòu)建具有改進(jìn)的最大均值差異正則項(xiàng)和Laplace正則項(xiàng)的損失函數(shù), 在自適應(yīng)提取不同域數(shù)據(jù)的公共特征表示同時(shí), 提高正常狀態(tài)和早期故障狀態(tài)之間特征的差異性; 基于該特征表示, 提出一種基于時(shí)序異常模式的在線檢測模型, 利用離線軸承正常狀態(tài)的排列熵值構(gòu)建報(bào)警閾值, 實(shí)現(xiàn)在線數(shù)據(jù)中異常序列的快速匹配, 同時(shí)提高在線檢測結(jié)果的可靠性. 在XJTU-SY數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明, 與現(xiàn)有代表性早期故障檢測方法相比, 本文方法具有更好的檢測實(shí)時(shí)性和更低的誤報(bào)警數(shù).
毛文濤, 田思雨, 竇智, 張迪, 丁玲. 一種基于深度遷移學(xué)習(xí)的滾動軸承早期故障在線檢測方法. 自動化學(xué)報(bào), 2022, 48(1): 302?314
指標(biāo)說明
高被引論文：同年度同學(xué)科同種文獻(xiàn)類型（研究型、綜述型文獻(xiàn)）的國內(nèi)期刊、會議論文中，總被引頻次排名前1%的論文，即高被引論文Top1%。
高下載論文：同年度同學(xué)科同種文獻(xiàn)類型（研究型、綜述型文獻(xiàn)）的國內(nèi)期刊、會議論文中，總下載頻次排名前1%的論文，即高下載論文Top1%。
高PCSI論文：同年度同學(xué)科同種文獻(xiàn)類型（研究型、綜述型文獻(xiàn)）的國內(nèi)期刊、會議論文中，PCSI指數(shù)排名前1%的論文，即高PCSI論文Top1%。PCSI指數(shù)（論文引證標(biāo)準(zhǔn)化指數(shù)）為將（PCSI統(tǒng)計(jì)源）被引頻次進(jìn)行歸一化處理后所得到的相對影響力評價(jià)指標(biāo)，能夠表征論文被“控制后統(tǒng)計(jì)源”引用的次數(shù)與同學(xué)科同年度論文平均水平的差距，該指標(biāo)可以實(shí)現(xiàn)不同學(xué)科不同年度論文之間的比較。
來源：自動化學(xué)報(bào)
