为保持LLC谐振变换器高效率运行，LLC谐振变换器通常工作在谐振频率附近，使得变换器增益范围较窄。针对该问题，本文提出一种原边Buck-LLC级联变换器和副边特殊全桥整流的拓扑结构，该拓扑结构能实现宽范围电压增益。该拓扑结构原边采用前级Buck单元控制与后级LLC谐振变换器的协同控制策略，即前级通过PWM调制实现闭环稳压功能，后级采用LLC开环工作在谐振频率点。在副边引入交叠导通控制方式，通过调节整流桥开关管的交叠占空比来调整电压增益，使系统能够根据输出电压自动切换运行模式，系统可实现3倍增益扩展范围。理论推导表明，系统所有开关管在宽增益范围内均实现软开关。结合状态平面轨迹图，推导了电压增益方程及软开关边界条件。为验证所提方案，搭建了一台DC300 V输入、DC20-60 V/500 W输出的实验样机，实验结果及分析验证了系统拓扑结构和控制策略的正确性和有效性。

针对室内外复杂场景中，由于拍摄距离较远导致仪表区域像素比例较小，从而引发表盘检测精度低、漏检率高以及实时性差等问题，提出了一种基于YOLOv8改进的指针仪表检测算法——GRCP-YOLOv8。首先，设计了一种融合CGA注意力机制的C2f_CGA模块，以增强模型对不同尺度特征的表达能力，并替代了主干网络中的所有C2f模块。其次，提出使用RFAConv替代传统卷积层，以解决普通卷积模块由于参数共享带来的特征表达不足问题。继而，设计了新型颈部网络结构CCFPN，通过引入主干网络提取的高分辨率特征图，提升了对小目标的感知能力，并通过1×1卷积减少卷积层通道数，从而减小了模型的参数量与计算量。最后，基于重参数化卷积（RepConv）设计了新的检测头——RepHead，有效降低了推理阶段的计算量和内存消耗。实验结果表明，改进后的算法在精度、召回率和mAP@50上的表现分别为94.3%、91.6%和92.5%，相比YOLOv8n模型，召回率和mAP@50分别提升了1.3%和1.2%。在计算复杂度和参数数量上分别降低了39%和27%，且模型体积仅为4.22 MB，表明所提算法在提升检测准确率的同时，更适合部署于边缘设备。

中长期电力负荷预测是保障电力系统规划与运行稳定性、经济性的核心环节。一些研究通过傅里叶变换将输入数据转换到频域，以此来获得不同的信号分量，从而减轻噪声的干扰。但现有研究往往不加区分地处理全部的频域信号，使关键频域分量和无关频域分量混合，导致模型难以完全捕捉频域信号中蕴含的特征。因此，提出了一种融合频域分析与注意力机制的多变量长时序预测模型FTAformer。该模型集成了时域和频域信息，协同建模以提高模型对全局特征的捕捉能力。首先，利用快速傅里叶变换将输入序列转换为频域信号，采用层级滤波和隔离策略，隔离出关键频域分量并抑制噪声。接着通过多头注意力机制在时域上捕捉不同变量间的相关性，并利用层归一化和前馈网络模块建模序列的全局表示。实验结果表明，在两个公开电力负荷数据集上，该模型的预测性能显著高于其他基准模型。相较于现有最优模型iTransformer，所提方法的均方误差和平均绝对误差在多步预测场景下分别降低15.26%和8.76%，充分验证了频域分析与多头注意力机制协同建模在中长期电力负荷预测中的有效性与优越性。

针对无人机电力巡检场景下绝缘子故障检测存在的小目标漏检率高、复杂背景干扰显著及实时性不足等关键挑战，本研究提出一种基于多尺度特征协同优化的改进型YOLOv10n检测模型。通过构建轻量化自适应特征提取网络与多尺度语义增强架构的分层融合机制，在浅层网络采用动态可变形分组卷积与通道重校准策略提升微小缺陷特征敏感性，深层网络则通过多分支空洞卷积金字塔与跨维度注意力机制建立跨尺度关联，实现了检测精度与计算效率的协同优化。提出一种形状敏感的InSh-IoU损失函数，通过动态调整边界框形状权重系数，使长宽比异常目标的定位误差降低，能更好定位绝缘子位置。经自建的绝缘子故障数据集验证，本模型在保持实时检测速度的前提下，平均检测精度（mAP@0.5）达到97.12%，较基准模型提升2.82%。

为解决旅鼠算法（ALA）收敛速度慢、收敛精度低、易陷入局部最优的问题，提出一种多策略改进旅鼠算法（IALA）。首先引入Hammersley序列对算法进行种群初始化，使初始种群具有更加优秀的搜索能力；然后利用反向差分变异机制，提高种群的多样性，增强算法逃离局部最优的能力；最后通过软霜冰搜索机制，让算法在优化过程中兼顾局部性和全局性，提高了算法的寻优能力和收敛速度。为验证改进算法的有效性，选取9个基准测试函数对改进算法进行对比测试，对比结果显示：IALA有着更快的收敛速度及更高的收敛精度。最后将改进算法应用于3种复杂程度地图的机器人路径规划仿真实验，结果表明：与原算法ALA进行比较，改进后的算法IALA在第1种地图中路径最优值下降0.64%，平均值下降2.86%；在第2种地图中路径最优值下降10.24%，平均值下降6.91%；在最后一种地图中路径最优值下降2.02%，平均值下降2.6%。证明了改进后的算法具有更好的路径寻优能力。

针对光伏红外图像中缺陷区域存在目标尺寸小、边缘模糊、易受噪声与背景干扰等问题，提出一种基于YOLOv11的改进算法。首先设计一种引导式局部-全局空间注意力GLGSA模块，用于有效融合局部显著区域信息与全局上下文语义，提升特征表达的判别性。其次，将GLGSA模块与双向特征融合结构BiFPN结合，构建出GLGSA-BiFPN结构提升多尺度特征融合的效果。新增P2检测层以增强对极小目标的检测能力。最后引入NWD损失函数替换原损失函数，增强对小目标的定位精度。在PV-HSD-2025光伏热斑数据集上进行实验验证，结果表明改进算法的检测精度mAP₅₀和mAP_50-95相比于YOLOv11n分别提高9.1%和5.6%。有效提高光伏小目标缺陷检测的精度。

钢材缺陷检测对工业质量管控至关重要，但其多尺度、小目标及背景干扰问题制约检测性能。为了提升模型的检测精度与效率，提出一种基于YOLO11改进的缺陷检测网络LiteSteel-YOLO。首先，设计轻量级多尺度融合结构（C3k2-LMSF），通过多尺度卷积核融合与特征引导机制增强多尺度缺陷感知；其次，提出空间通道感知上采样模块（SCAM），基于通道重组与空间偏移运算机制提升小目标检测的鲁棒性并抑制噪声；最后，构建轻量化高效检测头（Efficient-Head）优化计算效率。实验结果表明，所提出的模型在NEU-DET和GC10-DET数据集上的mAP@50分别达到81.7%和70.7%，相较于原模型YOLO11提升了4.0%和2.3%，检测速度为338和530 FPS，有效地提升了对钢材缺陷的检测精度与效率，为工业检测场景提供了解决思路。

无人机航拍图像中的小目标检测面临目标尺寸微小、背景干扰复杂、特征表达不充分等关键技术挑战。针对现有RT-DETR模型在小目标特征提取和多尺度融合方面的局限性，提出一种自适应多尺度门控增强融合检测模型（MGEF-DETR）。该方法通过设计多阶跨阶段门控聚合模块（MCGA），通过自适应门控机制实现小目标纹理特征的选择性增强；构建Micro-OmniPyramid小目标特征金字塔，集成SPD卷积稀疏编码和跨阶段增强空间核模块（CESK），建立小目标特征的无损传递通路；引入增强特征关联模块EFC，通过分组注意力和多级重建策略优化跨尺度特征融合；设计内部修正惩罚距离IoU损失函数（IMIoU），增强边界回归对小目标的敏感性。在VisDrone2019数据集上的实验结果表明，MGEF-DETR相比基线模型RT-DETR在mAP@0.5和mAP@0.5：0.95指标上分别提升3.9%和3.1%，同时参数量减少13.6%。在TinyPerson和CODrone数据集上的验证进一步证实了算法的泛化能力，表明该方法在保持轻量化的同时显著提升了航拍场景下小目标检测的精度和效率。

随着无人机应用场景不断拓展，航拍图像中小目标检测成为计算机视觉领域的研究热点。针对小目标特征不明显、背景复杂导致误检和漏检，现有算法检测精度与实时性难以兼顾等问题，本研究提出了一种基于RT-DETR的航拍图像小目标检测算法FST-RTDETR来解决这些问题。首先，将FasterNet与EMA注意力机制结合，重新设计原有模块的Basic Block模块的结构，实现提高网络运行速度和视觉任务的准确性。其次，为了解决传统P2检测层添加后出现计算量过大、后处理更加耗时等问题，本研究基于原本的CCFM架构上提出使用P2特征层经过SPDConv得到富含小目标信息的特征给到P3进行融合，然后使用CSP思想和基于Omni-Kernel进行改进得到CSP-OmniKernel进行特征整合，有效地学习从全局到局部的特征表现，最终减少漏检率、误检率和提高小目标的检测性能。最后，为了使得模型简化损失函数计算过程、改进回归效率和精度以及拥有更全面的损失考虑，使用inner-MPDIoU替换原来的GIoU。改进后的算法在VisDrone2019数据集上的实验表明，FST-RTDETR模型实现了49.6%的mAP@50，相对于原来的RT-DETR模型提高了2.1%。FST-RTDETR模型显著提升了无人机图像的目标检测性能，提高了模型效率，对比其他算法表现出了良好的性能。

现有单阶段深度模型的交通事故检测在高速公路场景中误报率高、计算冗余大，严重制约了实际部署。为此，本文提出一种基于双阶段架构的高速公路交通事故检测方法，采用“静止车辆筛选+外观特征识别”的处理流程。第一阶段结合YOLO11与Bot-SORT，实现对车辆的检测与跟踪，并通过帧间速度分析筛选出疑似事故的静止车辆。第二阶段引入改进模型YOLO-EA，仅对静止车辆执行外观检测，并采用多帧投票机制提高判断稳定性与鲁棒性。YOLO-EA基于YOLO11架构，引入EAS-Stem模块与AWD-Conv模块，前者增强了输入阶段边缘与轮廓的特征提取，后者提升了下采样效率并在保留关键特征同时降低计算负担。实验结果表明，YOLO-EA在Precision、mAP@0.5和mAP@0.5：0.95上分别提升10.9%、3.4%和2.8%，参数量减少21%；在构建的事故视频数据集上，本方法的事故识别率达81.25%，相对于单阶段检测策略误报率降低24.46%。该方法在准确性与推理效率之间实现良好平衡，具备较强的实际部署潜力。