在TRNSYS中训练50个episode（每个episode覆盖一周），算法收敛后与固定规则对比：夏季典型周总能耗降低16.29%，室内舒适时间增加29.74%，具体到冷水机组卸载切换更合理，避免了频繁启停。在TRNSYS中构建冷源系统模型：2台离心式冷水机组并联，3台变流量冷冻水泵，3台冷却水泵，2台冷却塔。模拟运行8月典型周，设备电耗模拟值与实测值对比：冷水机组误差3.2%，水泵误差4.7%，

最终将训练好的模型部署到PX4飞控的机载计算机上（Jetson Xavier NX），实测在户外简单避障任务中决策频率达到25Hz，验证了模型的实时性。在AirSim仿真环境中训练200万步后，无人机在动态障碍物（随机移动球体）场景中的避障成功率达到91.2%，平均路径长度比基准SAC缩短14.7%。在训练阶段使用优先经验回放，提高关键样本的学习效率。在包含树木、建筑物等静态障碍物的Unity3D

结果表明，基于T-DQN的智能体在各项指标上均优于传统模型，其夏普比率显著高于基准，表明改进后的智能体不仅具有较高的收益率，同时在风险控制方面也表现出色。在具体实验中，经过格拉布斯去噪后的交易策略相较于传统的未去噪处理的交易策略，其累积收益明显提高，并且模型的稳定性也有所增强，降低了市场波动对收益的负面影响。实验结果表明，T-DQN智能体在应对市场波动时表现出了更为优异的收益水平，尤其是在股票走势

这种APF‑RRT融合算法在MATLAB机器人工具箱环境中对六自由度的KUKA KR6 R700机械臂进行了测试，在包含3个球形和2个圆柱障碍物的狭小工作空间中，成功规划率达98.2%，路径节点数比纯RRT减少34%，路径平滑度（由曲率方差表征）提高28%。在获得无障碍避障路径后，利用3‑5‑3分段多项式插值构造关节空间的运动轨迹。在20次独立优化中，改进鲸鱼算法所得轨迹总时间平均为4.32秒，而

第二通道处理连续小波变换生成的时频图像，采用可变形卷积网络替代传统卷积，因为可变形卷积能够根据图像内容自适应地调整采样网格位置，从而精确提取时频图中不规则形状的故障特征区域（如调制边带形成的弯曲条纹）。该自编码器在编码器部分使用三个并行的卷积分支，不同分支具有不同尺寸的卷积核（3、7、11），分别捕捉高频微弱冲击、中频调制以及低频趋势变化。在每个时间步，BiGRU的输出经过一个自注意力层，自注意力

首先训练一组7个不同核函数的基础SVR，核函数包括径向基、sigmoid、多项式等，然后通过梯度提升残差方法，将前5个模型的预测残差作为第6模型的输出目标，第6模型采用薄板样条核SVR，最终集成采用加权中位数融合，权重由预测方差倒数确定。将该预测模型与光电触发模块集成，当预测厚度进入目标区间时，自动发出停机指令，实现闭环控制。第二阶针对底漆残留与裸金属易混淆分类，引入主动迁移策略，利用少量已标注的

图像处理方面，采用基于超像素的接缝裁剪融合算法，先将左右图像分割为约200个超像素区域，计算每个区域的显著性和边缘能量，通过图割优化在重叠区域内求解最优接缝线，然后使用多频带混合消除拼接伪影，最终生成零重影的全景图。针对双目云台场景中目标因视角变化导致的外观剧烈波动问题，设计了ResNet101-EMA外观提取器，在ResNet101的stage4之后添加指数移动平均归一化层，对每一批次的特征进行

训练时额外标注遮挡类型（无遮挡、左上右下等8种），网络输出检测框同时输出采摘方式类别：直接采摘、上侧迂回、下侧迂回、左侧迂回、右侧迂回、不可采摘。在自建数据集AppleHarvest-2024（含12000幅图像，标注可采摘/不可采摘）上训练，采用Mosaic和MixUp数据增强，初始学习率0.01，使用余弦退火。为实现边采摘边分级，构建一个融合深度信息的最大横径估测模型。✨ 长期致力于苹果、采摘

决策变量包括冷冻水出水温度（7~12℃）、冷却塔逼近度（2~8℃）、冷冻水流量（0.6~1.2 m³/h）和冷却水流量（0.8~1.5 m³/h）。粒子群种群规模30，迭代50次。在Modelica搭建的双热回收DOAS仿真平台上测试，全局优化控制相比常规PID控制节省20.3%的总能耗，同时室内温度稳定在25.4~26.1℃，相对湿度57%~65%。✨ 长期致力于独立新风空调系统、模型预测控制、

在一次体积约12.5立方米的垮塌事件中，SDCN计算体积为11.9立方米，误差-4.8%，而仅用SGBM稀疏点云的方法误差为-21%。网络采用生成对抗结构，生成器为改进的DeepLabV3+，以RGB图像输入，输出二值掩膜（植被为1，岩土为0）。采用多尺度训练，输入尺寸512x512，批次大小4，生成器学习率0.0001，判别器0.0004，交替训练200个epoch。在Perarolo滑坡半年期