本发明公开了一种质子陶瓷燃料电池阴极材料，化学式为Ba0.6Sr0.4Co0.8‑xNbxFe0.2O3‑y‑δFy，其中，x为Nb的掺杂量，0＜x＜0.2，y为F的掺杂量，0＜y≤0.15，δ为氧空位含量，0＜δ＜1。本发明还公开了一种质子陶瓷燃料电池阴极材料的制备方法，包括如下步骤：按照化学计量比，称取粉体原料，球磨烘干；研磨过筛，压片，800～900℃煅烧；研磨成细碎粉末后过筛，再次压片，在1100～1150℃煅烧，研磨后过筛。本发明又公开了一种质子陶瓷燃料电池阴极材料在提高质子陶瓷燃料电池阻抗中的应用。本发明能够提高质子陶瓷燃料电池阴极的电化学性能，减小阴极材料的阻抗。

本发明公开了一种基于声纳图像的数据干预水下目标物检测定位方法，通过构建三维直角坐标系，根据深度学习网络的输出计算水下目标物的方位角，并根据方位角查询回波时间，对水下目标物进行定位，根据水下目标物的远近控制水下机器人执行抓取或根据计算的偏差率补偿前进角度继续移动。本发明水下机器人在保证定位准确的基础上减少了对水下目标物的定位次数，同时可以使水下机器人能够快速接近水下目标物，在抓取目标物过程中也对目标定位坐标进行优化，提高抓取准确性。

本发明公开了一种可变形电磁履带爬壁机器人。属于机器人技术领域，包括机体、可变形的履带装置、转向连杆、导向轮及履带支架等部件。该装置利用履带电磁铁块的导电生磁及失电消磁的性能，配合机器人驱动轮的履带转动，对首部履带装置未接触墙面而产生的向下磁力，同时消除机器人尾部的磁力，实现履带装置的前进运动，此功能较于传统永磁体履带机器人的运动，动力性和安全性都有很大的提升，此外该机器人使用可变形履带，通过转向连杆拉动履带装置形变，配合前进时履带装置的轮回运动，将形变部位履带装置拉动到装置底部吸附部位，完成装置的转向工作。

本发明公开了基于小波并行深度网络元学习的目标检测方法，包括：步骤1：构建结合神经网络的元学习框架；步骤2：将图像训练集分为两个部分；步骤3：通过预处理训练集对元学习框架进行训练；步骤4：在步骤3训练后的元学习框架基础上，将普通训练集中的图像作为查询集对元学习框架进行训练，完成元学习框架的训练；步骤5：将实时图像放入训练完成的元学习框架对图像中目标进行检测。本发明结合了神经网络和元学习的优势，使得训练速度更快、训练的准确率更高；同时引入了多分辨率分析的思想，在多种分辨率下加强了图像特征，进一步提高了针对水面目标的检测效果。

本发明公开了一种改进的G‑Yolov4移动机器人目标检测方法，其特征在于，包括以下步骤：(1)对移动机器人上的高清摄像头采集到的图像进行灰度化预处理并送入G‑Yolov4网络中；(2)进行多次Ghost Bottlenecks操作，获取有效特征层A1，A2；(3)特征融和得到有效特征B1，B2；(4)特征B1进行一次Concat通道数增加并进行五次1×1的卷积得到特征C1，将得到的特征B2与特征C1的下采样堆叠池化得到特征C2，最终有效特征C1，C2作为Yolo head输出。本发明目的在于在保证较高检测精度的同时，减少了网络参数量及所需计算力，优化了目前主流深度目标检测算法运行时间长占用资源多，提高了实时目标检测帧率，更好地应用于移动机器人目标检测。

本发明公开了一种基于双向跨跃反馈循环结构声纳图像识别方法及系统，包括以下步骤：(1)采集若干水下声纳图像数据，获得训练集与测试集；(2)对图像数据进行预处理；(3)将预处理后的训练集图像数据输入主干特征提取网络获得后5个阶段的特征图输出Ah；(4)将输出的特征图Ah作为加强特征提取网络的输入，最终输出有效特征图#imgabs0#(5)将提取到的有效特征图#imgabs1#输入集成学习网络获取分类结果以及softmax回归算法的损失值；(6)循环步骤(4)和步骤(5)，每循环10次计算一次平均损失值，将该平均损失值与上一次获取的平均损失值进行比较，若两者之差小于0.01，则停止循环。本发明实现在声纳图像训练数据较少时，保证图像识别保持较高识别精度。

本发明公开了一种海洋牧场网箱，包括箱体，箱体内底部设置投食器和集鱼灯，箱体顶部可开合，箱体内左右两侧分别设置竖向齿轮导轨，升降框架左右两侧设置通轴，通轴端部设置与竖向齿轮导轨匹配的齿轮，齿轮上连接有第二防水电机，第二防水电机设置在升降框架伸出的电机平台上；两第二防水电机共同驱动升降框架升降；右侧竖向齿轮导轨向上延伸并向箱体中轴面一侧弯曲；升降框架左侧设有翻板和用于翻转翻板的第一防水电机。本发明通过投食器和集鱼灯吸引活鱼下潜，通过升降框架上的渔网将死鱼和活鱼隔开，通过升起并转动升降框架及转动翻板，将死鱼清出网箱。本发明可大幅提高死鱼清理效率，为养殖水质提供保障。

本发明涉及人工智能领域，具体地说，一种基于AlexNet网络的强化训练方法，当网络完成一次前向传播后，将网络的输出结果与该图像对应的标签对比，若网络输出结果与标签不同则累加该图像的错分类的次数。当网络Epoch次数大于等于K次时，对训练集中图像的错判次数进行从大到小进行排序，并根据排序结果将被AlexNet网络错分类次数前N的图像进行n倍的数据增强处理，将被网络错分类次数前M‑N（N<M）的图像进行m倍的数据增强处理，将增强后的图像加入原始的训练集中形成新的训练集；当网络Epoch次数大于K次时，则删除上次增强的数据，并根据训练集中被AlexNet网络错分类的图像的累计次数进行图像排序，然后对图像进行特定的增强处理。

本发明属于无人艇航迹控制领域，公开了一种基于深度强化学习的无人艇航迹控制方法。包括如下步骤：用于具有大迟滞性系统的无人艇航迹控制的深度强化学习框架，通过该深度强化学习框架使无人艇这类大迟滞性的非马尔科夫系统也可通过深度强化学习取得良好的训练效果。

本发明属于无人船智能控制技术领域，公开了一种无人船自主避障方法；首选避障系统初始化，以无人船为圆心，以可视半径R为半径作圆，交直线AB于两点P和P1，距目标B点较近点P为实时目标点，无人船实时位置O与实时目标点P的连线方向为实时目标航向角Ψr；无人船实时航向Ψ可通过导航模块获取；检测是否存在障碍物的方位角α、距离ε和速度V；将数据送入方位权函数、距离权函数和速度权函数，得到对应的权值权值与最大角度改变量相乘，得到避障角度 通过驱动电机和舵机系统控制无人船驶离障碍物；本发明的有益效果为：无人船能够合理安全地驶离障碍物并快速回到目标航线，脱离危险后会更快复航，避障轨迹平滑，并且适合多目标障碍物的避障。