摘要：近年来，机载红外小目标检测技术已经成为军事和民用领域的研究热点。但在实际应用中，复杂背景和低信噪比等因素的影响仍然使红外小目标检测面临挑战。因此，针对小目标检测，选取更适合红外小目标及复杂背景的YOLOv7模型，在此基础上提出了一种改进的机载红外小目标检测算法AIR-YOLOv7，并利用实例迁移学习的方法分析红外小目标的特点，对数据集进行扩充，进一步提高算法的性能。实验结果表明，AIR-YOLOv7算法在机载复杂场景下的红外小目标检测方面具有更好的表现，mAP值达到97.09％，同时FPS为102.09帧/s。仅通过少量扩充本文数据集，实例迁移方法就使算法的mAP值提高了0.96个百分点，为后续硬件平台边缘计算移植提供了理论基础。

摘要：针对复杂环境下无人机目标识别精度低、实时性差的问题，提出一种基于自适应神经网络与多尺度特征融合的无人机目标识别算法。该算法采用改进的卷积神经网络提取多层次特征，结合注意力机制自适应调整特征权重，并通过多尺度特征融合增强目标表征能力。在DroneCrowd数据集上的实验表明，相比ResNet-50、YOLOv11和EfficientNet等算法，所提方法平均识别准确率达到94.3%，相比ResNet-50提升8.7个百分点，相比YOLOv11提升2.0个百分点；F1分数达到93.9%；处理速度达到61.0 FPS，相比ResNet-50提升35%；展现出优异的鲁棒性，为无人机目标识别提供了有效解决方案。

摘要：蜂窝连接无人机（cellular-connected UAV）在5G网络中展现出巨大潜力。针对其在执行通信任务时需保持稳定地面基站连接的问题，研究了无人机轨迹优化。目标是在给定区域内，使无人机从起点到终点的飞行过程中联合最小化任务完成时间与通信中断时间，并最大化通信吞吐量。由于该问题具有非凸性，采用基于多步学习的竞争性双深度Q网络（Dueling Double Deep Q Network， D3QN）算法求解，通过无人机与地面基站的交互学习实现自适应轨迹优化。仿真结果表明，与直飞策略相比，该方法将任务完成时间缩短了28%，通信中断时长降低了42%，系统平均吞吐量提升了35%，在任务效率、通信稳定性和系统吞吐量等方面均实现显著优化。

摘要：针对分布式电源并网带来的调度复杂性及现有评价方法维度单一的问题，研究构建了一个面向人工智能（Artificial Intelligence， AI）赋能的分布式电源调度综合评价指标体系。该体系涵盖经济、环保与稳定性3个维度。研究采用基于聚类分析的层次分析法与熵值法相结合进行综合赋权，并设计了基于注意力机制的多任务深度学习算法对多维度指标进行同步预测。仿真结果表明，与传统调度方案相比，基于该评价体系的AI赋能调度方案能够在总成本、清洁能源渗透率及供电可靠性等核心指标上取得更优的综合平衡，为实现电力系统经济-环保-稳定的协同优化提供了有效的理论与方法支撑。

摘要：针对无人机边缘算力受限与多模态3D检测高精度需求间的矛盾，基于VAF-Net提出一种面向机载平台的轻量化检测网络Lite-VAFNet。该网络首先通过构建网格降维检测头压缩约63%的参数量，以缓解设备存储压力；其次，设计Linear-Bottleneck融合模块实现线性复杂度的特征交互，消除显存峰值瓶颈；最后，引入空间重采样与Logit蒸馏协同加速框架，在突破访存限制的同时有效补偿量化带来的精度损失。KITTI基准实验表明，Lite-VAFNet仅以14.60 M的参数量即取得85.24%的3D AP（Mod.），性能显著优于BEVFusion等前沿模型。该研究在大幅降低资源消耗的同时实现了精度与效率的最佳平衡，极具边缘端部署潜力。

摘要：在内河低空无人机视角的船舶检测中，由于小目标和船舶遮挡等问题，传统算法在复杂背景、光照反射和波纹干扰下在准确检测小型船舶方面尚不成熟。为了解决这些问题，提出了一种基于YOLOv11n的改进算法——YOLO11-FFW（YOLO11—FEM FFM_Concat WIoUv2）。为提升小目标船舶的特征提取能力，引入了特征增强模块（FEM），通过多分支空洞卷积扩展感受野并融合多尺度上下文信息。为增强复杂背景下的多尺度特征表达，引入了特征融合模块（FFM_Concat），在BiFPN结构基础上加入可学习的权重重标定机制，实现了高低层特征的自适应融合。为提高模型在水面反光、遮挡及密集目标场景中的鲁棒性，改进了损失函数为WIoUv2，动态加权平衡定位与分类损失。实验结果表明，YOLO11-FFW相比YOLOv11，mAP@0.5提升1.4%，精确率提高0.8%，召回率提高2.4%，验证了该算法在复杂无人机视角下内河场景中检测小型船舶的有效性。