📈 算法与建模领域的探索者 | 专注数据分析与智能模型设计✨ 擅长算法、建模、数据分析💡 matlab、python、仿真（1）单交叉口强化学习信号控制模型构建与优化​城市路网中，单交叉口是交通流集散的基础单元，传统固定配时信号系统因无法适配车流量动态变化，常导致高峰时段排队拥堵、平峰时段资源浪费。例如某城市主干道单交叉口，早高峰（7:30-8:30）进口道流量从 300pcu/h 骤增至 6

在模拟化工园区地图（50m×50m，包含储罐区、管廊、道路等障碍物）上进行测试，与传统蚁群算法、遗传算法和标准麻雀算法对比。在化工园区实地测试中（面积约20000平方米），改进算法构建的地图全局一致性误差为0.08m，而标准Cartographer的误差为0.21m。系统在实际化工园区部署运行3个月，机器人自主巡检成功率为96.8%，累计巡检里程超过300公里，共发现4处阀门泄漏隐患，巡检效率比人

基于此，构建一个生成对抗网络，其中生成器的输入为含噪声学信号，同时接收振动信号作为条件引导。为解决PT100测温无法获取内部热点温度的问题，建立牵引变压器的电-热-流耦合多物理域模型，通过有限元仿真生成大量热点温度数据。两个注意力串联形成双注意力模块。同时，改进损失函数为余弦指数损失，增加类间距离且缩小类内距离，公式为 L = exp(cos_sim) * (1 - cos_sim)。✨ 本团队擅

针对无人机巡检图像中光伏板边缘模糊问题，设计了一个基于空洞卷积的分割网络。采用ResNet-34作为编码器，解码器中使用不同扩张率的空洞卷积来扩大感受野，捕获多尺度上下文信息。利用Swin-Transformer的层次化结构和滑动窗口注意力，提升对小目标（如热点）的检测能力。提出了基于RRDB（残差密集块）的红外图像超分辨率重建网络，能够增强故障边缘清晰度，PSNR达到38.3。✨ 本团队擅长数据

首先利用前述EGCN模型快速评估杆件搭接的力学连接度，同时训练基于LSTM的力学性能预测网络，输入杆件图结构，输出结构刚度、最大位移和基频。相比传统基于有限元的优化流程，单次评估时间从约2.1秒降至0.16秒，优化效率提升13倍，获得的优化构形较初始方案重量减轻24.5%而刚度仅下降5.8%，为工程应用提供了快速设计工具。在测试中，给定U型边界和120根杆件的条件下，CVAE生成的结构不仅满足边界

推导出氢气温度随时间变化的解析解：T_gas(t) = T_in + (T_initial - T_in)e^{-t/τ} + (ΔT_ad) * (1-e^{-t/τ})，其中τ为热时间常数，ΔT_ad为绝热温升。在25L III型罐，加注速率2g/s，初始压力5MPa，最终压力70MPa条件下，解析解预测的最终温度与数值仿真误差0.8℃。在25L III型罐上优化后，最优参数为：初始压力3.2

对无标注CT图像（共5000张），通过弱增强（翻转缩放）输入教师网络得到伪标签，同时计算证据不确定性：每个像素属于结节的概率服从Beta分布，分布的浓度参数由网络额外分支输出。训练160个epoch，初始学习率0.001，批次大小8。测试集上，分割平均Dice系数达到0.891，相比传统U-Net的0.827提升显著，对小于5mm的微小结节，Dice也从0.675升至0.748。使用多核学习分类器

对于预测为“差”的样本，系统触发自修正流程：首先调整切割线偏移量（累加+0.5mm或-0.5mm），然后记录该偏移量下的后续10次切割质量，若平均质量评分提升则保持偏移方向，否则反向调整。同时，为了应对刀片磨损导致的切割力变化，在圆盘刀驱动轴上集成一个应变式扭矩传感器，当扭矩波动超过初始值的15%时，系统自动增加步进电机的下压力（从默认的12N逐步提升至18N）。模糊规则表共49条，采用三角形隶属

第一步，使用协同低秩去条纹模型去除OCTA图像中的白色条纹噪声。第二步，基于显著目标检测生成血管显著性图：采用边界连通性策略生成前景种子点（血管区域），背景种子点（非血管区域），使用随机游走算法传播得到概率图。第二阶段，引入“稀有性”感知线索，计算每个超像素的颜色在全局图像中出现的频率，频率越低稀有性越高，显著值应越高。✨ 长期致力于显著目标检测、视觉显著性计算、图模型、流形排序、低秩、条纹去噪、

设计时间索引滤波算法，计算每个像素的索引方差，方差低于阈值0.3的视为恒星背景并置零，保留方差高的候选目标。在信噪比1.5时，检测率达到100%且无虚警，所需帧数仅为15帧。代码集成到CCS开发环境，在DM6437上实测，处理一帧640x480图像耗时28ms，满足实时要求。针对速率跟踪模式，图像中恒星拖成长度为30-50像素的条纹，目标呈点状。✨ 长期致力于成像链路、弱小目标检测、最大似然、时间