在工业物联网中，移动边缘计算的可靠性很大程度上取决于无线信道条件。针对工业物联网中边缘计算任务卸载过程非完美信道状态信息对系统的影响，该文提出了一种数字孪生辅助的移动边缘计算能耗优化方法。对于工业物联网中的任务卸载问题，建立边缘计算系统中设备、信道的数字孪生模型，考虑非完美信道状态信息，联合优化卸载决策、发射功率、信道资源和计算资源，建立了系统总能耗最小化问题。为解决所提出的混合整数的非线性非凸问题，将概率时延约束进行转换，并将原问题分解为资源分配方案与卸载策略2个子问题，提出了一种基于连续凸逼近的联合优化算法，在数字孪生的辅助下联合优化卸载策略与资源分配方案。首先，将原问题进行松弛处理，以获得所有终端设备的资源分配方案与任务卸载优先级；然后，对各终端设备的卸载优先级进行降序排序，通过求解迭代优化问题获得完整的任务卸载方案。仿真结果表明，与其他基准方案相比，所提的计算卸载优化方案显著降低了系统的总能耗。

随着自动驾驶技术的快速发展，环境感知系统对多传感器融合的需求日益增加。4维（4D）毫米波雷达因其在复杂天气和光照条件下的稳定性能而成为自动驾驶领域的重要传感器之一。尽管4D毫米波雷达通过增加俯仰角信息和提高点云密度改善了目标检测的精度，但其点云稀疏性和噪声问题限制了其独立应用。因此，4D毫米波雷达与视觉传感器的融合成为提升自动驾驶感知精度的关键。然而，传统的外参配准方法依赖繁琐的手动操作，难以满足高效自动化配准的需求。为解决这一问题，该文提出了一种基于标定板的4D毫米波雷达与视觉图像自动外参配准方法。该方法首先设计了包含ChArUco标记、红色圆环和角反射器的标定板，然后通过圆检测算法和角反射器检测算法自动提取配准点的图像坐标和雷达点云坐标。此外，还提出了一种通过3D Max和Unity仿真的方式实现配准数据采集与验证的方法。最后，通过实验比较直接线性变换（DLT）和外参配准（EC）2种方法的性能，评估配准精度。结果表明，所设计的标定板和自动配准算法能够有效地减少人工操作，并且在配准点个数较多时，EC方法具有更高的配准稳定性和配准精度。

滚动轴承作为一种精密的机械元件，已广泛运用于现代工业机械设备中。在轴承运行时，采用合理的方法诊断轴承的故障具有重大的意义。但在实际复杂多变环境下，采集振动信号不仅面临样本量少的问题，还受到噪声干扰、工况变换等因素的影响，导致故障诊断的准确率低。因此，针对噪声干扰和变工况下的小样本滚动轴承故障诊断问题，该文提出了一种基于原型域增强的元学习去噪模型（Meta-DAE）。首先，构造基于时频图的小样本故障样本集，引入深度卷积生成对抗网络并对数据进行预处理，生成相似分布的伪样本集；然后，将故障样本集输入Meta-DAE模型进行自适应特征提取，Meta-DAE模型采用原型域增强策略，使同类别原型点在嵌入空间中凝聚更紧密；同时，构建了具有降噪性能的编码器，设计了基于原型域增强和去噪的目标函数，通过在小样本下进行模型微调，以提高小样本下模型的噪声鲁棒性和分类准确率。噪声及变工况下小样本故障诊断实验结果表明，相比于其他模型，所提模型在-8 dB强噪声干扰下，仅用10个样本微调模型，分类准确率提高了35.78~57.25个百分点，具有较强的噪声鲁棒性。

针对四Mecanum轮驱动的自动导引车（AGV）的轨迹跟踪控制问题，设计了一种模型预测控制（MPC）和自适应滑模控制（SMC）级联的控制器，来改善控制精度和稳定性，提高控制过程的层次性、针对性和有效性。在运动学层面，建立了AGV轨迹跟踪误差模型，将其转化为二次规划问题，并加入约束条件，配合模型预测控制的滚动优化来在线求解二次规划的最优解，将AGV位姿误差转化为轮子转速的期望输出；在动力学层面，采用滑模控制得到轮子的输出力矩，实现轮子对期望转速的跟踪，引入具有快速准确逼近能力的极限学习机（ELM）神经网络对模型不确定性和未知干扰进行在线观测，并与滑模控制相结合自适应抵消干扰，进一步提高控制器的鲁棒性。在余弦扰动和脉冲干扰下对控制器进行仿真验证，并将结果与PID控制结果进行对比，发现MPC+SMC级联控制器的跟踪效果具有明显优势；与采用径向基函数（RBF）神经网络观测的级联控制器的对比表明，采用ELM观测器的控制器对干扰的鲁棒性更强，在各转速条件下与干扰曲线的拟合度均超过95%，其跟踪误差在多项指标上相比其他方法小1个数量级，最大位置偏差仅为毫米级。轨迹跟踪样机实验结果验证了该控制器的实用性和可行性。

大规模通信系统的发展对传统滤波器设计提出了更高的要求，稀疏有限脉冲响应（FIR）滤波器具有低计算复杂度与低实现成本的特点，但常规凸松弛近似设计方法会产生额外的逼近误差，稀疏性也不理想，并且求解过程复杂。针对FIR滤波器在设计中由于乘法器个数多而导致实现成本高的问题，该文提出了一种基于加权最小二乘准则的稀疏FIR滤波器设计方法。首先，根据不同范数性质对初始稀疏表示的L_{\mathrm{0}}范数进行替换，即对目标函数进行改进，从而在保持稀疏性的基础上，解决非凸函数难以直接求解的问题；然后，将目标问题转化为2个凸子问题差的形式，根据迭代规则构造形式更为简单的子问题，采用交替求解方法求解子问题，以进一步提高求解效率并降低求解复杂度；最后，在确定0系数的位置后，通过求解一个加权最小二乘问题来进一步减小近似误差。仿真实验结果显示：与已有的稀疏滤波器求解方法相比，所提方法能够提高FIR滤波器的系数稀疏性，降低乘法器个数，并且在稀疏性增强的情况下获得较为折中的均方根误差与最大误差，同时计算机求解时间更少，求解效率更高。

金属氧化物薄膜晶体管（MO-TFT）可以用来实现检测心率信号的柔性可穿戴系统，但MO-TFT缺少高性能互补器件，导致实现的前置放大器增益较小，而且MO-TFT器件的性能较差，给后级模块的设计带来了困难。为提升前置放大器的增益，降低后级电路对器件性能的要求，该文提出了一种共源共栅电容自举结构前置放大器。该前置放大器主要由外部耦合偏置模块和核心放大器模块构成；核心放大器模块使用稳定性好、输出电压摆幅大和功耗低的电容自举技术，并结合了共源共栅结构，以提升电路的整体增益；外部耦合偏置模块使用功耗较低、输入阻抗较大和工作点设置简单的交流耦合外部偏置结构，以满足心率信号检测前置放大器的带通要求。采用10 μm IZO-TFT工艺对所提出的前置放大器进行设计和流片测试，结果表明：在20 V电源电压条件下，该放大器的增益为35 dB，带宽为2 Hz~2 kHz，噪声均方根值为118.2 μV，功耗为0.1 mW，实现的前置放大器满足心率信号检测要求；与现有的MO-TFT心率信号检测前置放大器相比，所设计的前置放大器增益提升了约10 dB，降低了后级模块对器件性能的要求，有利于实现模拟信号的数字化，保持信号的完整性。

针对电驱车间空调系统运行能耗高和工作效率低的问题，基于IBK-IPS算法提出了一种考虑空调系统各设备相互约束的动态节能优化方法。首先，分析空调系统各设备之间的影响机理，建立各设备的能耗和约束条件数学模型，构建系统运行能耗优化目标函数；接着，提出了一种基于改进黑翅鸢与粒子群（IBK-IPS）的算法，对空调系统各设备的水温、流量和风量等运行参数进行优化，以提高空调系统运行参数控制的精度和效果；然后，利用Simulink平台建立空调系统冷却水系统、冷冻水系统的能耗仿真模型，并通过仿真实验来验证运行参数优化的效果和准确性；最后，将该方法在某电驱车间进行实际应用，以验证所提方法的实际效果和可行性。仿真实验及实际应用测试结果表明：系统的运行能耗得到有效降低，节能率达到11.23%~34.68%；系统的运行能效得到有效优化，运行能效提升了11.53%~41.75%；相较于PS、BK、BK-PS算法，IBK-IPS算法的节能效果最优，且收敛速度分别提升了27.27%、61.90%、69.23%；在实际应用测试中，优化后系统在5种不同负荷下的节能率分别为22.61%、17.24%、7.48%、14.97%、12.64%。综上所述，该文提出的节能优化方法能够有效地解决电驱车间空调系统运行能耗高和工作效率低的问题，具有良好的节能效果和实用性，可为空调系统节能优化研究提供新的思路。

饲喂辅助机器人是推动畜牧业现代化转型的关键设备，饲喂目标的快速、准确识别是机器人实现智能推料的重要保证。匹配分割精度和运行效率是保证算法综合性能的关键步骤，也是识别算法的重要课题。针对现有奶牛饲喂目标识别方法存在分割精度和运行效率不匹配的问题，该文提出了一种基于分割大模型（SAM）优化的饲喂目标实时识别方法RTFTR。该方法首先在SAM-det架构基础上，通过轻量化图像编码器和目标检测器的参数，引入缓冲区队列的并行化设计方法来平衡各模块的运行效率，以提升推理速率；然后利用HQ形符增强特征空间的解码能力，优化设计掩码解码器，并采用针对饲喂目标的分阶段训练，以提高分割精度。实验结果表明：所提方法在提高分割精度的前提下保证了推理速率；在奶牛饲喂目标识别中，奶牛分割精度达98.7%，饲料分割精度达96.4%，料槽分割精度达99.2%，整体平均分割精度达98.1%，运行速率为52.9 f/s，满足养殖场复杂环境和机器人计算资源限制下对奶牛饲喂目标识别方法的高精度、高效率的应用需求。

针对现有声音事件分类方法分类准确率不高、泛化能力不强的问题，该文提出了一种基于减小高频混响和多尺度注意力的频域残差收缩网络（RF-DRSN-EMA）的声音事件分类方法。首先，根据减小声音混响的原理，提出了一种减小高频混响的方法，该方法仅减小分离出音频中的高频段混响而保留其余频段的关键频率信息，以便在提升语音清晰度的同时尽可能地减小语音失真的影响。然后，以深度残差收缩网络为基础网络，结合改进的频域自校正算法和多尺度注意力模块，提出了多尺度注意力的频域残差收缩网络RF-DRSN-EMA；该网络采用RF自校正模块（其内部的长短距离残差结构能缓解特征坍塌），以实现频域信息的高效采集，并在单元的输出采用多尺度注意力模块，进一步关注单元在输出层的有效信息，以强化模型的表征能力。最后，基于数据集ESC-10、UrbanSound8K和DCASE2020 Task 1A开展了声音事件分类实验。结果表明：该文提出的减小高频混响的语音增强方法能有针对性地减小高频段混响等背景噪音的影响和消除冗余特征，音质损伤较小，从而具有更好的分类性能；RF-DRSN-EMA实现了网络中频域的典型特征去噪以及信息的高效采集，在3个数据集上的最佳分类准确率分别达到98.00%、93.42%、72.80%，从而验证了该方法的有效性和泛化性。