近日，中國知網（CNKI）學術精要數據庫基于中國知網資源總庫遴選各學科代表性論文，發布了2011-2022年高影響力論文。《自動化學報》共有1543篇論文入選，占本刊同期發表論文量的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，以下為發表于2021-2022年、同時入選“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算研究綜述
情感計算是現代人機交互中的一個重要研究方向, 旨在研究與開發能夠識別、解釋、處理和模擬人類情感的理論、方法與系統。腦電、心電、皮膚電等生理信號是情感計算中重要的輸入信號. 本文總結了近年來基于腦電等生理信號的情感計算研究所取得的進展.首先介紹情感計算的相關基礎理論, 不同生理信號與情感變化之間的聯系, 以及基于生理信號的情感計算工作流程和相關公開數據集.接下來介紹生理信號的特征工程和情感計算中的機器學習算法, 重點介紹適合處理個體差異的遷移學習、降低數據標注量的主動學習和融合特征工程與學習器的深度學習算法。最后, 指出基于生理信號的情感計算研究中面臨的一些挑戰.
權學良, 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算研究綜述. 自動化學報, 2021, 47(8): 1769?1784
基于區塊鏈的電子醫療病歷可控共享模型
電子醫療病歷共享能夠提高醫療診斷的準確性, 促進公共醫療領域的發展. 針對目前普遍存在的不同醫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、云鏈協同的病歷共享模型.各級醫院組成聯盟區塊鏈, 病歷數據實行鏈上、鏈下混合存儲.病歷共享模型利用聚類算法, 改進實用拜占庭共識算法, 使得各節點可以更高效地達成共識。將基于屬性的加密方案與多關鍵詞加密方案結合進行病歷加密, 實現了數據可控共享, 病人可自主定義訪問策略, 同時用戶可以對加密病歷進行安全、精確檢索. 考慮到用戶屬性的動態更新, 本文設計了屬性更新子協議。最后評估了模型的安全性和性能, 并分析了模型的優劣勢.
張磊, 鄭志勇, 袁勇. 基于區塊鏈的電子醫療病歷可控共享模型. 自動化學報, 2021, 47(9): 2143?2153
平行礦山: 從數字孿生到礦山智能
針對新時代下我國礦區智能化發展訴求與礦山無人化進程中遇到的復現難、協同難的技術問題, 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, 設計并實現了智慧礦山操作系統 (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業發展趨勢; 國內外露天礦山智能化發展情況; 面向露天礦山無人化與智能化需求, 深度融合數字四胞胎理論, 設計了虛實融合的IMOS架構; 詳細闡述了IMOS子系統架構與功能, 包括: 單車作業系統、多車協同系統、車路協同系統、無人駕駛智能系統、調度管理系統、平行系統、監管系統、遠程接管系統和通信系統; 并探討了IMOS關鍵技術, 即平行礦山仿真建模技術、無人駕駛技術、礦區通信技術和協同作業技術.該操作系統是國內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不同作業場景, 推動礦區智能化無人化發展, 減少人工干預從而降低安全風險, 大幅度降低人工成本, 提高生產作業效率, 并可結合社會發展要素為實現綠色可持續發展礦區提供支撐.
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: 從數字孿生到礦山智能. 自動化學報, 2021, 47(7): 1633?1645
基于參數優化 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致的診斷識別率低的情況, 提出了基于參數優化變分模態分解(Variational mode decomposition, VMD)和樣本熵的特征提取方法, 采用支持向量機(Support vector machine, SVM)進行故障識別.VMD方法的分解效果受限于分解個數和懲罰因子的選取, 本文分析了這兩個影響參數選取的不規律性, 采用遺傳變異粒子群算法進行參數優化, 利用參數優化的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雜度時, 得到的熵值并不總是和信號的復雜度相關, 故結合滾動軸承的故障機理, 提出基于滾動軸承故障機理的樣本熵, 此樣本熵衡量振動信號的復雜度與機理分析的結果一致. 仿真實驗表明, 利用本文提出的特征提取方法, 滾動軸承的故障診斷準確率有明顯的提高.
劉建昌, 權賀, 于霞, 何侃, 李鎮華. 基于參數優化 VMD 和樣本熵的滾動軸承故障診斷. 自動化學報, 2022, 48(3): 808?819
基于深度強化學習的多機協同空戰方法研究
多機協同是空中作戰的關鍵環節, 如何處理多實體間復雜的協作關系、實現多機協同空戰的智能決策是亟待解決的問題. 為此, 提出基于深度強化學習的多機協同空戰決策流程框架(Deep-reinforcement-learning-based multi-aircraft cooperative air combat decision framework, DRL-MACACDF), 并針對近端策略優化(Proximal policy optimization, PPO)算法, 設計4種算法增強機制, 提高多機協同對抗場景下智能體間的協同程度. 在兵棋推演平臺上進行的仿真實驗, 驗證了該方法的可行性和實用性, 并對對抗過程數據進行了可解釋性復盤分析, 研討了強化學習與傳統兵棋推演結合的交叉研究方向.
施偉, 馮旸赫, 程光權, 黃紅藍, 黃金才, 劉忠, 賀威. 基于深度強化學習的多機協同空戰方法研究. 自動化學報, 2021, 47(7): 1610?1623
基于移動機器人的揀貨系統研究進展
基于移動機器人的揀貨系統(Robotic mobile fulfillment systems, RMFS)作為一種新型物至人的揀貨系統, 相比人工揀貨系統和AS/RS揀貨系統(下文統稱傳統揀貨系統)具有更高的揀貨效率、更好的系統可擴展性和柔性. 為全面了解RMFS的運行模式及其優化方向, 本文首先回顧了RMFS的工作流程及優化理論框架, 然后對RMFS的貨位指派、訂單分批、任務分配、路徑規劃以及建模方法等問題進行了文獻回顧和總結, 并指出了RMFS與傳統揀貨系統在揀貨過程方面的異同及當前研究的不足. 最后, 討論了RMFS的幾個重要研究方向, 為RMFS的理論研究和應用實踐提供參考.
徐翔斌, 馬中強. 基于移動機器人的揀貨系統研究進展. 自動化學報, 2022, 48(1): 1?20
基于 GBDT 的鐵路事故類型預測及成因分析
運用數據挖掘技術進行鐵路事故類型預測及成因分析, 對于建立鐵路事故預警機制具有重要意義. 為此, 本文提出一種基于梯度提升決策樹(Grandient boosting decision tree, GBDT)的鐵路事故類型預測及成因分析算法. 針對鐵路事故記錄數據缺失的問題, 提出一種基于屬性分布概率的補全算法, 最大程度保持原有數據分布, 從而降低數據缺失對事故類型預測造成的影響. 針對鐵路事故記錄數據類別失衡的問題, 提出一種集成的GBDT模型, 完成對事故類型的魯棒性預測. 在此基礎上, 根據GBDT預測模型中特征重要度排序, 實現事故成因分析. 通過在開放數據庫上進行實驗, 驗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 的鐵路事故類型預測及成因分析. 自動化學報, 2022, 48(2): 470?478
基于顯著圖融合的無人機載熱紅外圖像目標檢測方法
利用無人機載的熱紅外圖像開展行人及車輛檢測, 在交通監控、智能安防、防災應急等領域中, 具有巨大的應用潛力. 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清晰成像, 但也往往存在對比度低、紋理特征弱的缺點. 為此, 本文提出使用熱紅外圖像的顯著圖來進行圖像增強, 作為目標檢測器的注意力機制, 并研究僅使用熱紅外圖像和其顯著圖提高目標檢測性能的方法. 此外, 針對無人機內存不足、算力有限的特點, 設計使用輕量化網絡YOLOv3-MobileNetv2作為目標檢測模型. 在實驗中, 本文訓練了YOLOv3網絡作為檢測的評價基準網絡. 使用BASNet生成顯著圖, 通過通道替換和像素級加權融合兩種方案將熱紅外圖像與其對應的顯著圖進行融合增強, 比較了不同方案下YOLOv3-MobileNetv2模型的檢測性能. 統計結果顯示, 行人及車輛的平均精確度(Average precision, AP)相對于基準分別提升了6.7%和5.7%, 同時檢測速度提升了60%, 模型大小降低了58%. 該算法模型為開拓無人機載熱紅外圖像的應用領域提供了可靠的技術支撐.
趙興科, 李明磊, 張弓, 黎寧, 李家松. 基于顯著圖融合的無人機載熱紅外圖像目標檢測方法. 自動化學報, 2021, 47(9): 2120?2131
一種基于深度遷移學習的滾動軸承早期故障在線檢測方法
近年來, 深度學習技術已在滾動軸承故障檢測和診斷領域取得了成功應用, 但面對不停機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、誤報警率高等不足. 為解決上述問題, 本文從時序異常檢測的角度出發, 提出了一種基于深度遷移學習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絡, 通過構建具有改進的最大均值差異正則項和Laplace正則項的損失函數, 在自適應提取不同域數據的公共特征表示同時, 提高正常狀態和早期故障狀態之間特征的差異性; 基于該特征表示, 提出一種基于時序異常模式的在線檢測模型, 利用離線軸承正常狀態的排列熵值構建報警閾值, 實現在線數據中異常序列的快速匹配, 同時提高在線檢測結果的可靠性. 在XJTU-SY數據集上的實驗結果表明, 與現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時性和更低的誤報警數.
毛文濤, 田思雨, 竇智, 張迪, 丁玲. 一種基于深度遷移學習的滾動軸承早期故障在線檢測方法. 自動化學報, 2022, 48(1): 302?314
指標說明
高被引論文：同年度同學科同種文獻類型（研究型、綜述型文獻）的國內期刊、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：同年度同學科同種文獻類型（研究型、綜述型文獻）的國內期刊、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：同年度同學科同種文獻類型（研究型、綜述型文獻）的國內期刊、會議論文中，PCSI指數排名前1%的論文，即高PCSI論文Top1%。PCSI指數（論文引證標準化指數）為將（PCSI統計源）被引頻次進行歸一化處理后所得到的相對影響力評價指標，能夠表征論文被“控制后統計源”引用的次數與同學科同年度論文平均水平的差距，該指標可以實現不同學科不同年度論文之間的比較。
來源：自動化學報
