2024, 50(3): 431-449.
doi: 10.16383/j.aas.c230161
摘要:
近年來, 智能體集群的能量高效利用(Energy efficient utilization, EEU)機制已經成為多智能體系統領域的熱點問題, 如何使用有限的能量資源實現系統性能最優是該問題的核心研究內容. 考慮到智能體集群與生物族群的相似性, 探究生物族群的能量高效利用機制對提升智能體集群節能性能有著重要的研究價值. 為此, 首先介紹不同生物族群中蘊含的能量利用機制, 并根據節能方式的差異分成3類, 流體優勢利用機制、流體阻礙克服機制和熱量交換與擴散機制; 然后對這些機制進行總結與分析, 并提出一種具有一般性的能量高效利用模型; 最后, 探討能量高效利用機制在多智能體系統應用中面臨的挑戰和發展趨勢.
近年來, 智能體集群的能量高效利用(Energy efficient utilization, EEU)機制已經成為多智能體系統領域的熱點問題, 如何使用有限的能量資源實現系統性能最優是該問題的核心研究內容. 考慮到智能體集群與生物族群的相似性, 探究生物族群的能量高效利用機制對提升智能體集群節能性能有著重要的研究價值. 為此, 首先介紹不同生物族群中蘊含的能量利用機制, 并根據節能方式的差異分成3類, 流體優勢利用機制、流體阻礙克服機制和熱量交換與擴散機制; 然后對這些機制進行總結與分析, 并提出一種具有一般性的能量高效利用模型; 最后, 探討能量高效利用機制在多智能體系統應用中面臨的挑戰和發展趨勢.
2024, 50(3): 450-474.
doi: 10.16383/j.aas.c230120
摘要:
模糊認知圖(Fuzzy cognitive map, FCM)是建立在認知圖和模糊集理論上的一類代表性的軟計算理論, 兼具神經網絡和模糊決策兩者的優勢, 已成功地應用于復雜系統建模和時間序列分析等眾多領域. 學習權重矩陣是基于模糊認知圖建模的首要任務, 是模糊認知圖研究領域的焦點. 針對這一核心問題, 首先, 全面綜述模糊認知圖的基本理論框架, 系統地總結近年來模糊認知圖的拓展模型. 其次, 歸納、總結和分析模糊認知圖學習算法的最新研究進展, 對學習算法進行重新定義和劃分, 深度闡述各類學習算法的時間復雜度和優缺點. 然后, 對比分析各類學習算法在不同科學領域的應用特點以及現有的模糊認知圖建模軟件工具. 最后, 討論學習算法未來潛在的研究方向和發展趨勢.
模糊認知圖(Fuzzy cognitive map, FCM)是建立在認知圖和模糊集理論上的一類代表性的軟計算理論, 兼具神經網絡和模糊決策兩者的優勢, 已成功地應用于復雜系統建模和時間序列分析等眾多領域. 學習權重矩陣是基于模糊認知圖建模的首要任務, 是模糊認知圖研究領域的焦點. 針對這一核心問題, 首先, 全面綜述模糊認知圖的基本理論框架, 系統地總結近年來模糊認知圖的拓展模型. 其次, 歸納、總結和分析模糊認知圖學習算法的最新研究進展, 對學習算法進行重新定義和劃分, 深度闡述各類學習算法的時間復雜度和優缺點. 然后, 對比分析各類學習算法在不同科學領域的應用特點以及現有的模糊認知圖建模軟件工具. 最后, 討論學習算法未來潛在的研究方向和發展趨勢.
2024, 50(3): 475-485.
doi: 10.16383/j.aas.c210585
摘要:
針對光伏(Photovoltaic, PV)?電池?超級電容直流微電網系統中光伏發電間歇性造成的功率失配問題, 提出一種基于事件觸發的無差拍預測控制(Event-triggered deadbeat predictive control, ETDPC)方法, 以實現有效的能量管理. ETDPC方法結合事件觸發控制策略和無差拍預測控制策略(Deadbeat predictive control, DPC)的優點, 根據微電網的拓撲結構構建狀態空間模型, 用于設計適用于微電網能量管理的觸發條件: 當ETDPC的觸發條件滿足時, ETDPC中無差拍預測控制模塊被激活, 可以在一個控制周期內產生最優控制信號, 實現對于擾動的快速響應, 減小母線電壓紋波; 當系統狀態不滿足ETDPC中的觸發條件時, 無差拍預測控制模塊被掛起, 從而消除非必要運算, 以減輕實現能量管理的運算負擔. 因此, 對于電池?超級電容器混合儲能系統(Hybrid energy storage system, HESS), ETDPC能夠緩解間歇性光伏發電與負荷需求之間的功率失衡, 以穩定母線電壓. 最后, 數字仿真和硬件在環(Hardware-in-loop, HIL)實驗結果表明, 相較于傳統無差拍控制方法, 運算負擔減小了50.63%, 母線電壓紋波小于0.73%, 驗證了ETDPC方法的有效性與性能優勢, 為直流微電網的能量管理提供了一種參考.
針對光伏(Photovoltaic, PV)?電池?超級電容直流微電網系統中光伏發電間歇性造成的功率失配問題, 提出一種基于事件觸發的無差拍預測控制(Event-triggered deadbeat predictive control, ETDPC)方法, 以實現有效的能量管理. ETDPC方法結合事件觸發控制策略和無差拍預測控制策略(Deadbeat predictive control, DPC)的優點, 根據微電網的拓撲結構構建狀態空間模型, 用于設計適用于微電網能量管理的觸發條件: 當ETDPC的觸發條件滿足時, ETDPC中無差拍預測控制模塊被激活, 可以在一個控制周期內產生最優控制信號, 實現對于擾動的快速響應, 減小母線電壓紋波; 當系統狀態不滿足ETDPC中的觸發條件時, 無差拍預測控制模塊被掛起, 從而消除非必要運算, 以減輕實現能量管理的運算負擔. 因此, 對于電池?超級電容器混合儲能系統(Hybrid energy storage system, HESS), ETDPC能夠緩解間歇性光伏發電與負荷需求之間的功率失衡, 以穩定母線電壓. 最后, 數字仿真和硬件在環(Hardware-in-loop, HIL)實驗結果表明, 相較于傳統無差拍控制方法, 運算負擔減小了50.63%, 母線電壓紋波小于0.73%, 驗證了ETDPC方法的有效性與性能優勢, 為直流微電網的能量管理提供了一種參考.
2024, 50(3): 486-504.
doi: 10.16383/j.aas.c230240
摘要:
以一種折疊式高超聲速變外形飛行器(Hypersonic morphing vehicle, HMV)為研究對象, 綜合考慮變形引起的氣動特性、動力學特性的動態變化和模型不確定性、外部干擾的影響, 開展飛行器建模與固定時間預設性能控制方法研究. 首先, 建立高超聲速變外形飛行器的運動模型和姿態控制模型; 然后, 采用固定時間干擾觀測器實現對模型不確定性和外部干擾構成的復合總擾動的精確估計, 并設計一種新型固定時間預設性能函數以定量描述期望性能約束, 在此基礎上, 基于預設性能控制架構并結合動態面控制技術設計預設性能姿態控制器, 利用Lyapunov穩定性理論證明閉環系統的固定時間穩定性; 最后, 通過數值仿真驗證所提出方法的有效性和魯棒性.
以一種折疊式高超聲速變外形飛行器(Hypersonic morphing vehicle, HMV)為研究對象, 綜合考慮變形引起的氣動特性、動力學特性的動態變化和模型不確定性、外部干擾的影響, 開展飛行器建模與固定時間預設性能控制方法研究. 首先, 建立高超聲速變外形飛行器的運動模型和姿態控制模型; 然后, 采用固定時間干擾觀測器實現對模型不確定性和外部干擾構成的復合總擾動的精確估計, 并設計一種新型固定時間預設性能函數以定量描述期望性能約束, 在此基礎上, 基于預設性能控制架構并結合動態面控制技術設計預設性能姿態控制器, 利用Lyapunov穩定性理論證明閉環系統的固定時間穩定性; 最后, 通過數值仿真驗證所提出方法的有效性和魯棒性.
2024, 50(3): 505-517.
doi: 10.16383/j.aas.c230552
摘要:
針對大氣層內可回收火箭的動力下降問題, 提出一種多階段的魯棒優化(Robust optimization, RO)方法. 由于大氣層內存在未知風場, 如何在火箭下降段考慮這種不確定性具有十分重要的意義. 首先, 建立一個關于高度的不確定風場模型, 在該風場下給出火箭動力下降的魯棒最優控制問題. 為了求解該問題, 使用一種對不等式約束采取一階近似并將一階項作為安全裕量加入約束的魯棒優化方法, 得到一個可以求解的單階段魯棒優化算法. 其次, 定量給出安全裕量的上界, 基于該上界提出一種多階段魯棒優化算法, 避免單階段魯棒優化算法中安全裕量可能過大導致無法求解的問題. 最后, 通過仿真對比各個算法在多個實際風場下的性能, 結果表明所提出的多階段魯棒優化方法同時具有較高的落點精度和對于不同風場的魯棒性.
針對大氣層內可回收火箭的動力下降問題, 提出一種多階段的魯棒優化(Robust optimization, RO)方法. 由于大氣層內存在未知風場, 如何在火箭下降段考慮這種不確定性具有十分重要的意義. 首先, 建立一個關于高度的不確定風場模型, 在該風場下給出火箭動力下降的魯棒最優控制問題. 為了求解該問題, 使用一種對不等式約束采取一階近似并將一階項作為安全裕量加入約束的魯棒優化方法, 得到一個可以求解的單階段魯棒優化算法. 其次, 定量給出安全裕量的上界, 基于該上界提出一種多階段魯棒優化算法, 避免單階段魯棒優化算法中安全裕量可能過大導致無法求解的問題. 最后, 通過仿真對比各個算法在多個實際風場下的性能, 結果表明所提出的多階段魯棒優化方法同時具有較高的落點精度和對于不同風場的魯棒性.
2024, 50(3): 518-526.
doi: 10.16383/j.aas.c230273
摘要:
模型未知的冗余機器人執行任務的過程中會產生較大的控制誤差, 其末端執行器的位置與姿態也需要針對不同任務進行修正. 為解決該問題, 提出一種基于數據驅動的冗余機器人末端執行器位置與姿態控制方案. 該方案使用在線學習技術, 能夠應用于模型未知的冗余機器人控制. 同時引入四元數表示法將控制機器人末端執行器姿態問題轉化為基于四元數表示的控制方法. 隨后, 設計一種神經動力學求解器對所提方案進行求解. 相關的理論分析、仿真及對比體現了所提方案的可行性、有效性與新穎性.
模型未知的冗余機器人執行任務的過程中會產生較大的控制誤差, 其末端執行器的位置與姿態也需要針對不同任務進行修正. 為解決該問題, 提出一種基于數據驅動的冗余機器人末端執行器位置與姿態控制方案. 該方案使用在線學習技術, 能夠應用于模型未知的冗余機器人控制. 同時引入四元數表示法將控制機器人末端執行器姿態問題轉化為基于四元數表示的控制方法. 隨后, 設計一種神經動力學求解器對所提方案進行求解. 相關的理論分析、仿真及對比體現了所提方案的可行性、有效性與新穎性.
2024, 50(3): 527-543.
doi: 10.16383/j.aas.c230272
摘要:
為解決電熔鎂爐工況識別模型泛化能力和可解釋性弱的缺陷, 提出一種基于深層卷積隨機配置網絡(Deep convolutional stochastic configuration networks, DCSCN)的可解釋性電熔鎂爐異常工況識別方法. 首先, 基于監督學習機制生成具有物理含義的高斯差分卷積核, 采用增量式方法構建深層卷積神經網絡(Deep convolutional neural network, DCNN), 確保識別誤差逐級收斂, 避免反向傳播算法迭代尋優卷積核參數的過程. 定義通道特征圖獨立系數獲取電熔鎂爐特征類激活映射圖的可視化結果, 定義可解釋性可信度評測指標, 自適應調節深層卷積隨機配置網絡層級, 對不可信樣本進行再認知以獲取最優工況識別結果. 實驗結果表明, 所提方法較其他方法具有更優的識別精度和可解釋性.
為解決電熔鎂爐工況識別模型泛化能力和可解釋性弱的缺陷, 提出一種基于深層卷積隨機配置網絡(Deep convolutional stochastic configuration networks, DCSCN)的可解釋性電熔鎂爐異常工況識別方法. 首先, 基于監督學習機制生成具有物理含義的高斯差分卷積核, 采用增量式方法構建深層卷積神經網絡(Deep convolutional neural network, DCNN), 確保識別誤差逐級收斂, 避免反向傳播算法迭代尋優卷積核參數的過程. 定義通道特征圖獨立系數獲取電熔鎂爐特征類激活映射圖的可視化結果, 定義可解釋性可信度評測指標, 自適應調節深層卷積隨機配置網絡層級, 對不可信樣本進行再認知以獲取最優工況識別結果. 實驗結果表明, 所提方法較其他方法具有更優的識別精度和可解釋性.
2024, 50(3): 544-559.
doi: 10.16383/j.aas.c230043
摘要:
在現代社會中, 復雜物流配送場景的車輛路徑規劃問題(Vehicle routing problem, VRP)一般帶有時間窗約束且需要提供同時取送貨的服務. 這種復雜物流配送場景的車輛路徑規劃問題是NP-難問題. 當其規模逐漸增大時, 一般的數學規劃方法難以求解, 通常使用啟發式方法在限定時間內求得較優解. 然而, 傳統的啟發式方法從原大規模問題直接開始搜索, 無法利用先前相關的優化知識, 導致收斂速度較慢. 因此, 提出面向復雜物流配送場景的車輛路徑規劃多任務輔助進化算法(Multitask-based assisted evolutionary algorithm, MBEA), 通過使用遷移優化方法加快算法收斂速度, 其主要思想是通過構造多個簡單且相似的子任務用于輔助優化原大規模問題. 首先從原大規模問題中隨機選擇一部分客戶訂單用于構建多個不同的相似優化子任務, 然后使用進化多任務(Evolutional multitasking, EMT)方法用于生成原大規模問題和優化子任務的候選解. 由于優化子任務相對簡單且與原大規模問題相似, 其搜索得到的路徑特征可以通過任務之間的知識遷移輔助優化原大規模問題, 從而加快其求解速度. 最后, 提出的算法在京東物流公司快遞取送貨數據集上進行驗證, 其路徑規劃效果優于當前最新提出的路徑規劃算法.
在現代社會中, 復雜物流配送場景的車輛路徑規劃問題(Vehicle routing problem, VRP)一般帶有時間窗約束且需要提供同時取送貨的服務. 這種復雜物流配送場景的車輛路徑規劃問題是NP-難問題. 當其規模逐漸增大時, 一般的數學規劃方法難以求解, 通常使用啟發式方法在限定時間內求得較優解. 然而, 傳統的啟發式方法從原大規模問題直接開始搜索, 無法利用先前相關的優化知識, 導致收斂速度較慢. 因此, 提出面向復雜物流配送場景的車輛路徑規劃多任務輔助進化算法(Multitask-based assisted evolutionary algorithm, MBEA), 通過使用遷移優化方法加快算法收斂速度, 其主要思想是通過構造多個簡單且相似的子任務用于輔助優化原大規模問題. 首先從原大規模問題中隨機選擇一部分客戶訂單用于構建多個不同的相似優化子任務, 然后使用進化多任務(Evolutional multitasking, EMT)方法用于生成原大規模問題和優化子任務的候選解. 由于優化子任務相對簡單且與原大規模問題相似, 其搜索得到的路徑特征可以通過任務之間的知識遷移輔助優化原大規模問題, 從而加快其求解速度. 最后, 提出的算法在京東物流公司快遞取送貨數據集上進行驗證, 其路徑規劃效果優于當前最新提出的路徑規劃算法.
2024, 50(3): 560-575.
doi: 10.16383/j.aas.c210843
摘要:
國內城市固廢焚燒(Municipal solid waste incineration, MSWI)過程通常依靠運行專家觀察爐內火焰識別燃燒狀態后再結合自身經驗修正控制策略以維持穩定燃燒, 存在智能化水平低、識別結果具有主觀性與隨意性等問題. 由于MSWI過程的火焰圖像具有強污染、多噪聲等特性, 并且存在異常工況數據較為稀缺等問題, 導致傳統目標識別方法難以適用. 對此, 提出一種基于混合數據增強的MSWI過程燃燒狀態識別方法. 首先, 結合領域專家經驗與焚燒爐排結構對燃燒狀態進行標定; 接著, 設計由粗調和精調兩級組成的深度卷積生成對抗網絡(Deep convolutional generative adversarial network, DCGAN)以獲取多工況火焰圖像; 然后, 采用弗雷歇距離(Fréchet inception distance, FID)對生成式樣本進行自適應選擇; 最后, 通過非生成式數據增強對樣本進行再次擴充, 獲得混合增強數據構建卷積神經網絡以識別燃燒狀態. 基于某MSWI電廠實際運行數據實驗, 表明該方法有效地提高了識別網絡的泛化性與魯棒性, 具有良好的識別精度.
國內城市固廢焚燒(Municipal solid waste incineration, MSWI)過程通常依靠運行專家觀察爐內火焰識別燃燒狀態后再結合自身經驗修正控制策略以維持穩定燃燒, 存在智能化水平低、識別結果具有主觀性與隨意性等問題. 由于MSWI過程的火焰圖像具有強污染、多噪聲等特性, 并且存在異常工況數據較為稀缺等問題, 導致傳統目標識別方法難以適用. 對此, 提出一種基于混合數據增強的MSWI過程燃燒狀態識別方法. 首先, 結合領域專家經驗與焚燒爐排結構對燃燒狀態進行標定; 接著, 設計由粗調和精調兩級組成的深度卷積生成對抗網絡(Deep convolutional generative adversarial network, DCGAN)以獲取多工況火焰圖像; 然后, 采用弗雷歇距離(Fréchet inception distance, FID)對生成式樣本進行自適應選擇; 最后, 通過非生成式數據增強對樣本進行再次擴充, 獲得混合增強數據構建卷積神經網絡以識別燃燒狀態. 基于某MSWI電廠實際運行數據實驗, 表明該方法有效地提高了識別網絡的泛化性與魯棒性, 具有良好的識別精度.
2024, 50(3): 576-588.
doi: 10.16383/j.aas.c211146
摘要:
目前, 智能優化算法已廣泛應用于工程優化中, 在當前多能耦合與互補的能源發展趨勢下, 僅考慮系統經濟指標的單目標優化模式已經不再適用于目前區域綜合能源系統(Integrated energy system, IES)的運行優化調度, 需要研究一種多目標運行策略來解決區域綜合能源系統的運行優化調度問題. 首先綜合考慮經濟與能源利用兩個指標并結合商業住宅區域的特性, 以系統日運行收益和一次能源利用率為優化目標構建商業住宅區域綜合能源系統多目標運行優化調度模型. 其次由于傳統多目標智能優化算法缺乏一種最優解綜合評價方法, 基于非支配排序以及擁擠度計算的多目標算法框架, 提出一種利用模糊一致矩陣選取全局最優解的多目標鯨魚優化算法(A multi-objective whale optimization algorithm, AMOWOA), 并將提出算法對商住區域綜合能源系統多目標運行優化調度模型進行求解. 最后以華東某商業住宅區域綜合能源系統為例進行仿真, 驗證了該方法的有效性和可行性.
目前, 智能優化算法已廣泛應用于工程優化中, 在當前多能耦合與互補的能源發展趨勢下, 僅考慮系統經濟指標的單目標優化模式已經不再適用于目前區域綜合能源系統(Integrated energy system, IES)的運行優化調度, 需要研究一種多目標運行策略來解決區域綜合能源系統的運行優化調度問題. 首先綜合考慮經濟與能源利用兩個指標并結合商業住宅區域的特性, 以系統日運行收益和一次能源利用率為優化目標構建商業住宅區域綜合能源系統多目標運行優化調度模型. 其次由于傳統多目標智能優化算法缺乏一種最優解綜合評價方法, 基于非支配排序以及擁擠度計算的多目標算法框架, 提出一種利用模糊一致矩陣選取全局最優解的多目標鯨魚優化算法(A multi-objective whale optimization algorithm, AMOWOA), 并將提出算法對商住區域綜合能源系統多目標運行優化調度模型進行求解. 最后以華東某商業住宅區域綜合能源系統為例進行仿真, 驗證了該方法的有效性和可行性.
2024, 50(3): 589-606.
doi: 10.16383/j.aas.c230233
摘要:
數據流分類研究在開放、動態環境中如何提供更可靠的數據驅動預測模型, 關鍵在于從實時到達且不斷變化的數據流中檢測并適應概念漂移. 目前, 為檢測概念漂移和更新分類模型, 數據流分類方法通常假設所有樣本的標簽都是已知的, 這一假設在真實場景下是不現實的. 此外, 真實數據流可能表現出較高且不斷變化的類不平衡比率, 會進一步增加數據流分類任務的復雜性. 為此, 提出一種非平衡概念漂移數據流主動學習方法(Active learning method for imbalanced concept drift data stream, ALM-ICDDS). 定義基于多預測概率的樣本預測確定性度量, 提出邊緣閾值矩陣的自適應調整方法, 使得標簽查詢策略適用于類別數較多的非平衡數據流; 提出基于記憶強度的樣本替換策略, 將難區分、少數類樣本和代表當前數據分布的樣本保存在記憶窗口中, 提升新基分類器的分類性能; 定義基于分類精度的基分類器重要性評價及更新方法, 實現漂移后的集成分類器更新. 在7個合成數據流和3個真實數據流上的對比實驗表明, 提出的非平衡概念漂移數據流主動學習方法的分類性能優于6種概念漂移數據流學習方法.
數據流分類研究在開放、動態環境中如何提供更可靠的數據驅動預測模型, 關鍵在于從實時到達且不斷變化的數據流中檢測并適應概念漂移. 目前, 為檢測概念漂移和更新分類模型, 數據流分類方法通常假設所有樣本的標簽都是已知的, 這一假設在真實場景下是不現實的. 此外, 真實數據流可能表現出較高且不斷變化的類不平衡比率, 會進一步增加數據流分類任務的復雜性. 為此, 提出一種非平衡概念漂移數據流主動學習方法(Active learning method for imbalanced concept drift data stream, ALM-ICDDS). 定義基于多預測概率的樣本預測確定性度量, 提出邊緣閾值矩陣的自適應調整方法, 使得標簽查詢策略適用于類別數較多的非平衡數據流; 提出基于記憶強度的樣本替換策略, 將難區分、少數類樣本和代表當前數據分布的樣本保存在記憶窗口中, 提升新基分類器的分類性能; 定義基于分類精度的基分類器重要性評價及更新方法, 實現漂移后的集成分類器更新. 在7個合成數據流和3個真實數據流上的對比實驗表明, 提出的非平衡概念漂移數據流主動學習方法的分類性能優于6種概念漂移數據流學習方法.
2024, 50(3): 607-616.
doi: 10.16383/j.aas.c230316
摘要:
針對視覺遮擋引起的人體姿態估計(Human pose estimation, HPE)性能下降問題, 提出基于漸進高斯濾波(Progressive Gaussian filtering, PGF)融合的人體姿態估計方法. 首先, 設計分層性能評估方法對多視覺量測進行分類處理, 以適應視覺遮擋引起的量測不確定性問題. 其次, 構建分布式漸進貝葉斯濾波融合框架, 以及設計一種分層分類融合估計方法來提升復雜量測融合的魯棒性和準確性. 特別地, 針對量測統計特性變化問題, 利用局部估計間的交互信息來引導漸進量測更新, 從而隱式地補償量測不確定性. 最后, 仿真與實驗結果表明, 相比于現有的方法, 所提的人體姿態估計方法具有更高的準確性和魯棒性.
針對視覺遮擋引起的人體姿態估計(Human pose estimation, HPE)性能下降問題, 提出基于漸進高斯濾波(Progressive Gaussian filtering, PGF)融合的人體姿態估計方法. 首先, 設計分層性能評估方法對多視覺量測進行分類處理, 以適應視覺遮擋引起的量測不確定性問題. 其次, 構建分布式漸進貝葉斯濾波融合框架, 以及設計一種分層分類融合估計方法來提升復雜量測融合的魯棒性和準確性. 特別地, 針對量測統計特性變化問題, 利用局部估計間的交互信息來引導漸進量測更新, 從而隱式地補償量測不確定性. 最后, 仿真與實驗結果表明, 相比于現有的方法, 所提的人體姿態估計方法具有更高的準確性和魯棒性.
2024, 50(3): 617-639.
doi: 10.16383/j.aas.c220815
摘要:
為提高復雜海洋環境中無人艦載機(Unmanned carrier-based aircraft, UCA)自動著艦時導航定位的準確性, 研究艦尾流對機載雷達測量過程的動態影響問題, 建立一種基于多層級耦合性分析的測量影響動態建模分析方法. 首先, 利用直接分解法和前向差分法建立一種基于離散化狀態空間的時變艦尾流模型, 以克服傳統傳遞函數方法存在的局限性; 其次, 基于艦尾流各分量均與飛機飛行速度相關的客觀事實, 通過在時變系統中考慮艦尾流分量間的相互作用關系來構建一種更符合實際系統特征的分量自耦合艦尾流模型; 緊接著, 采用UCA姿態角變化能夠改變坐標轉換矩陣的思想, 研究艦尾流與UCA位姿變化間的耦合聯系, 提出一種準確性更高的艦尾流對UCA位姿的深度影響模型; 然后, 以航母姿態變化對艦載雷達測量結果的影響模型為基礎, 通過考慮本研究場景的內在特性, 建立UCA姿態變化對雷達測量結果的影響模型分析方法; 緊接著, 采用示意圖方式獲得位移變化對機載雷達測量結果的影響模型; 最后, 針對艦船受海洋大氣(風、浪、流)干擾而出現失速這一現象, 建立實際海洋環境中艦尾流對機載雷達測量結果的非線性非高斯影響分析模型. 仿真實驗研究驗證了上述模型分析方法的有效性和優越性.
為提高復雜海洋環境中無人艦載機(Unmanned carrier-based aircraft, UCA)自動著艦時導航定位的準確性, 研究艦尾流對機載雷達測量過程的動態影響問題, 建立一種基于多層級耦合性分析的測量影響動態建模分析方法. 首先, 利用直接分解法和前向差分法建立一種基于離散化狀態空間的時變艦尾流模型, 以克服傳統傳遞函數方法存在的局限性; 其次, 基于艦尾流各分量均與飛機飛行速度相關的客觀事實, 通過在時變系統中考慮艦尾流分量間的相互作用關系來構建一種更符合實際系統特征的分量自耦合艦尾流模型; 緊接著, 采用UCA姿態角變化能夠改變坐標轉換矩陣的思想, 研究艦尾流與UCA位姿變化間的耦合聯系, 提出一種準確性更高的艦尾流對UCA位姿的深度影響模型; 然后, 以航母姿態變化對艦載雷達測量結果的影響模型為基礎, 通過考慮本研究場景的內在特性, 建立UCA姿態變化對雷達測量結果的影響模型分析方法; 緊接著, 采用示意圖方式獲得位移變化對機載雷達測量結果的影響模型; 最后, 針對艦船受海洋大氣(風、浪、流)干擾而出現失速這一現象, 建立實際海洋環境中艦尾流對機載雷達測量結果的非線性非高斯影響分析模型. 仿真實驗研究驗證了上述模型分析方法的有效性和優越性.
2024, 50(3): 640-648.
doi: 10.16383/j.aas.c230476
摘要:
針對現有異常檢測(Anomaly detection, AD)模型計算效率低和檢測性能差等問題, 提出一種多尺度流模型(Multi-scale normalizing flow, MS-Flow), 通過多尺度交叉融合實現高效的視覺圖像異常識別. 具體地, 在流模型(Normalizing flow, NF)內部構建層級式的多尺度架構來避免多通道數據的冗余交叉計算, 同時保證網絡的多尺度表達能力. 此外, 設計的層級感知模塊通過逐層級的多粒度特征融合, 在細粒度級別表達多尺度特征, 有效地提高分布估計的精確性. 該方法是一個平衡檢測精度與計算效率的解決方案. 在兩個公開數據集上的實驗表明, 所提方法相較于以往的檢測模型能夠獲得更高的檢測精度(在MVTec AD和BTAD數據集上的平均AUROC (Area under the receiver operating characteristics)分別為99.7%和96.0%), 同時具有更高的計算效率, 浮點運算次數(Floating point operations, FLOPs)約為CS-Flow的1/8.
針對現有異常檢測(Anomaly detection, AD)模型計算效率低和檢測性能差等問題, 提出一種多尺度流模型(Multi-scale normalizing flow, MS-Flow), 通過多尺度交叉融合實現高效的視覺圖像異常識別. 具體地, 在流模型(Normalizing flow, NF)內部構建層級式的多尺度架構來避免多通道數據的冗余交叉計算, 同時保證網絡的多尺度表達能力. 此外, 設計的層級感知模塊通過逐層級的多粒度特征融合, 在細粒度級別表達多尺度特征, 有效地提高分布估計的精確性. 該方法是一個平衡檢測精度與計算效率的解決方案. 在兩個公開數據集上的實驗表明, 所提方法相較于以往的檢測模型能夠獲得更高的檢測精度(在MVTec AD和BTAD數據集上的平均AUROC (Area under the receiver operating characteristics)分別為99.7%和96.0%), 同時具有更高的計算效率, 浮點運算次數(Floating point operations, FLOPs)約為CS-Flow的1/8.
本刊經同行評議擬錄用的文章，目前在編校階段，尚未確定卷期及頁碼，已有DOI。
顯示方式:
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230153
摘要:
基于被動聲吶音頻信號的水中目標識別是當前水下無人探測領域的重要技術難題, 在軍事和民用領域都應用廣泛. 本文從數據處理和識別方法兩個層面系統闡述基于被動聲吶信號進行水中目標識別的方法和流程. 在數據處理方面, 從基于被動聲吶信號的水中目標識別基本流程、被動聲吶音頻信號分析的數理基礎及其特征提取三個方面概述被動聲吶信號處理的基本原理. 在識別方法層面, 全面分析基于機器學習算法的水中目標識別方法, 并聚焦以深度學習算法為核心的水中目標識別研究. 本文從有監督學習、無監督學習、自監督學習等多種學習范式對當前研究進展進行系統性的總結分析, 并從算法的標簽數據需求、魯棒性、可擴展性與適應性等多個維度分析這些方法的優缺點. 同時, 還總結該領域中較為廣泛使用的公開數據集, 并分析公開數據集應具備的基本要素. 最后, 通過對水中目標識別過程的論述, 總結目前基于被動聲吶音頻信號的水中目標自動識別算法存在的困難與挑戰, 并對該領域未來的發展方向進行展望.
基于被動聲吶音頻信號的水中目標識別是當前水下無人探測領域的重要技術難題, 在軍事和民用領域都應用廣泛. 本文從數據處理和識別方法兩個層面系統闡述基于被動聲吶信號進行水中目標識別的方法和流程. 在數據處理方面, 從基于被動聲吶信號的水中目標識別基本流程、被動聲吶音頻信號分析的數理基礎及其特征提取三個方面概述被動聲吶信號處理的基本原理. 在識別方法層面, 全面分析基于機器學習算法的水中目標識別方法, 并聚焦以深度學習算法為核心的水中目標識別研究. 本文從有監督學習、無監督學習、自監督學習等多種學習范式對當前研究進展進行系統性的總結分析, 并從算法的標簽數據需求、魯棒性、可擴展性與適應性等多個維度分析這些方法的優缺點. 同時, 還總結該領域中較為廣泛使用的公開數據集, 并分析公開數據集應具備的基本要素. 最后, 通過對水中目標識別過程的論述, 總結目前基于被動聲吶音頻信號的水中目標自動識別算法存在的困難與挑戰, 并對該領域未來的發展方向進行展望.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c240088
摘要:
隨著深度學習和自然語言處理技術的進步, 大型語言模型(Large Language Models, LLMs)展現出巨大潛力. 盡管如此, 它們在處理復雜任務時仍存在局限性, 特別是在任務需要結合規劃及外部工具調用的場合. 面向這一挑戰, 提出了國內首個以軍事游戲為背景的復雜任務規劃和執行中文數據集CTPaE, 以及一個基于LLMs的復雜任務自主規劃處理框架AutoPlan. 該框架可以對復雜任務進行自主規劃得到元任務序列, 并使用遞進式ReAct提示方法對已規劃的元任務逐步執行. 該框架的有效性通過在CTPaE數據集上的實驗及與其他經典算法的比較分析得到了驗證. 項目地址:https://github.com/LDLINGLINGLING/AutoPlan .
隨著深度學習和自然語言處理技術的進步, 大型語言模型(Large Language Models, LLMs)展現出巨大潛力. 盡管如此, 它們在處理復雜任務時仍存在局限性, 特別是在任務需要結合規劃及外部工具調用的場合. 面向這一挑戰, 提出了國內首個以軍事游戲為背景的復雜任務規劃和執行中文數據集CTPaE, 以及一個基于LLMs的復雜任務自主規劃處理框架AutoPlan. 該框架可以對復雜任務進行自主規劃得到元任務序列, 并使用遞進式ReAct提示方法對已規劃的元任務逐步執行. 該框架的有效性通過在CTPaE數據集上的實驗及與其他經典算法的比較分析得到了驗證. 項目地址:
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230446
摘要:
從經濟、環境和社會三個維度, 全面提升生產調度方案的可持續性具有重要意義. 本文針對并行機生產場景, 建立了考慮機器指派、加工順序、人員安排以及開關機控制四種決策任務的調度模型. 為實現對復雜決策空間的高效尋優, 提出一種融合了兩種局部優化策略的雙重增強模因算法求解模型. 從隨機更新角度, 針對不同決策任務, 構造了單步變鄰域搜索策略. 從定向優化角度, 分析了目標和關鍵任務之間的匹配關系, 提出一種可持續目標導向策略. 考慮到兩種優化策略的不同特點, 單步變鄰域隨機策略作用于整個種群, 目標導向策略強化種群中的精英個體, 實現對輸出解集的雙重優化. 仿真實驗結果表明, 雙重優化策略有效地增強了算法性能, 并且所提算法在非支配解的多樣性和收斂性上具有優越性.
從經濟、環境和社會三個維度, 全面提升生產調度方案的可持續性具有重要意義. 本文針對并行機生產場景, 建立了考慮機器指派、加工順序、人員安排以及開關機控制四種決策任務的調度模型. 為實現對復雜決策空間的高效尋優, 提出一種融合了兩種局部優化策略的雙重增強模因算法求解模型. 從隨機更新角度, 針對不同決策任務, 構造了單步變鄰域搜索策略. 從定向優化角度, 分析了目標和關鍵任務之間的匹配關系, 提出一種可持續目標導向策略. 考慮到兩種優化策略的不同特點, 單步變鄰域隨機策略作用于整個種群, 目標導向策略強化種群中的精英個體, 實現對輸出解集的雙重優化. 仿真實驗結果表明, 雙重優化策略有效地增強了算法性能, 并且所提算法在非支配解的多樣性和收斂性上具有優越性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220679
摘要:
污水處理過程是一個包含多個生化反應的復雜過程, 具有非線性和動態特性. 因此, 實現污水處理過程的精準控制是一項挑戰. 為了解決這個問題, 提出一種基于自組織遞歸小波神經網絡的污水處理過程多變量控制. 首先, 針對污水處理過程的動態特性, 根據小波基的激活強度設計了一種自組織機制來動態調整遞歸小波神經網絡控制器的結構, 提高控制的性能. 然后, 采用結合自適應學習率的在線學習算法, 實現控制器的參數學習. 此外, 通過李雅普諾夫穩定性定理證明了此控制器的穩定性. 最后, 采用基準仿真平臺進行仿真驗證, 實驗結果表明, 此控制方法可以有效提高污水處理過程的控制絕對積分誤差和平方誤差積分的精度.
污水處理過程是一個包含多個生化反應的復雜過程, 具有非線性和動態特性. 因此, 實現污水處理過程的精準控制是一項挑戰. 為了解決這個問題, 提出一種基于自組織遞歸小波神經網絡的污水處理過程多變量控制. 首先, 針對污水處理過程的動態特性, 根據小波基的激活強度設計了一種自組織機制來動態調整遞歸小波神經網絡控制器的結構, 提高控制的性能. 然后, 采用結合自適應學習率的在線學習算法, 實現控制器的參數學習. 此外, 通過李雅普諾夫穩定性定理證明了此控制器的穩定性. 最后, 采用基準仿真平臺進行仿真驗證, 實驗結果表明, 此控制方法可以有效提高污水處理過程的控制絕對積分誤差和平方誤差積分的精度.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230581
摘要:
本文研究了基于肌電(Electromyography, EMG)?慣性融合的人體運動估計問題, 提出了一種序貫漸進高斯濾波網絡(Sequential progressive Gaussian filtering network, SPGF-net)估計方法來形成肌電和慣性的互補性優勢, 以提高人體運動估計精度和穩定性. 首先, 利用卷積神經網絡對觀測數據進行特征提取, 以及利用長短期記憶(Long short-term memory, LSTM)網絡模型來學習噪聲統計特性和量測模型. 其次, 采用序貫融合的方式融合異構傳感器量測特征, 以建立高斯濾波與深度學習相結合的網絡模型來實現人體運動估計. 特別地, 引入漸進量測更新對網絡量測特征的不確定性進行補償. 最后, 通過實驗結果表明, 相比于現有的卡爾曼濾波網絡, 該融合方法在上肢關節角度估計中的均方根誤差(Root mean square error, RMSE)下降了13.8%, 相關系數(R2)提高了4.36%.
本文研究了基于肌電(Electromyography, EMG)?慣性融合的人體運動估計問題, 提出了一種序貫漸進高斯濾波網絡(Sequential progressive Gaussian filtering network, SPGF-net)估計方法來形成肌電和慣性的互補性優勢, 以提高人體運動估計精度和穩定性. 首先, 利用卷積神經網絡對觀測數據進行特征提取, 以及利用長短期記憶(Long short-term memory, LSTM)網絡模型來學習噪聲統計特性和量測模型. 其次, 采用序貫融合的方式融合異構傳感器量測特征, 以建立高斯濾波與深度學習相結合的網絡模型來實現人體運動估計. 特別地, 引入漸進量測更新對網絡量測特征的不確定性進行補償. 最后, 通過實驗結果表明, 相比于現有的卡爾曼濾波網絡, 該融合方法在上肢關節角度估計中的均方根誤差(Root mean square error, RMSE)下降了13.8%, 相關系數(R2)提高了4.36%.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230777
摘要:
脫機簽名驗證模型因其判斷簽名是否偽造的能力而備受關注. 當今大多數脫機簽名驗證模型可分為深度度量學習方法和雙通道判別方法. 大部分深度度量學習方法利用孿生網絡生成每張圖片的細節特征向量, 采用歐氏距離法判斷相似度, 但是歐氏距離僅考慮兩個點之間的絕對距離, 而容易忽視點的方向、縮放的信息, 不會考慮數據之間的相關性, 因此無法捕獲特征向量內部之間的關系; 而雙通道判別方法在網絡前就進行特征的判別, 更能判斷不同圖像的相似性, 但此時圖像的細節特征不夠清晰, 大量特征丟失. 針對雙通道判別方法中特征消失過多的問題, 提出了一種面向獨立于書寫者場景的手寫簽名離線驗證模型(Multi-channel feature fusion network, MCFFN). MCFFN 模型首先通過多重網絡和雙重逆鑒別注意力模塊進行特征提取, 然后通過多通道機制進行特征融合, 最后使用 ACMix 判別模塊獲得預測結果. 在 CEDAR、BHSig-B、BHSig-H 和 ChiSig 四個不同語言的簽名數據集上測試了所提出的方法, 實驗證明了所提方法的優勢和潛力.
脫機簽名驗證模型因其判斷簽名是否偽造的能力而備受關注. 當今大多數脫機簽名驗證模型可分為深度度量學習方法和雙通道判別方法. 大部分深度度量學習方法利用孿生網絡生成每張圖片的細節特征向量, 采用歐氏距離法判斷相似度, 但是歐氏距離僅考慮兩個點之間的絕對距離, 而容易忽視點的方向、縮放的信息, 不會考慮數據之間的相關性, 因此無法捕獲特征向量內部之間的關系; 而雙通道判別方法在網絡前就進行特征的判別, 更能判斷不同圖像的相似性, 但此時圖像的細節特征不夠清晰, 大量特征丟失. 針對雙通道判別方法中特征消失過多的問題, 提出了一種面向獨立于書寫者場景的手寫簽名離線驗證模型(Multi-channel feature fusion network, MCFFN). MCFFN 模型首先通過多重網絡和雙重逆鑒別注意力模塊進行特征提取, 然后通過多通道機制進行特征融合, 最后使用 ACMix 判別模塊獲得預測結果. 在 CEDAR、BHSig-B、BHSig-H 和 ChiSig 四個不同語言的簽名數據集上測試了所提出的方法, 實驗證明了所提方法的優勢和潛力.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230154
摘要:
現代工業過程通常具有規模大、流程長和工序多的特點, 導致傳統的集中式建模方法會淹沒過程的局部變化信息, 從而無法及時識別早期的非優運行狀態. 此外, 閉環控制的廣泛應用使得過程變量普遍存在時序相關性. 針對以上問題, 提出一種基于慢特征分析(Slow feature analysis, SFA)的分布式動態工業過程運行狀態評價方法. 首先, 結合動態時間規整(Dynamic time warping, DTW)和K-medoids聚類算法對過程進行分解; 然后, 對每一變量子塊建立相應的動態慢特征分析(Dynamic slow feature analysis, DSFA)模型; 最后, 利用貝葉斯推理獲得全局的綜合評價指標. 通過在數值案例和金濕法冶金過程的仿真應用, 驗證了該方法的有效性.
現代工業過程通常具有規模大、流程長和工序多的特點, 導致傳統的集中式建模方法會淹沒過程的局部變化信息, 從而無法及時識別早期的非優運行狀態. 此外, 閉環控制的廣泛應用使得過程變量普遍存在時序相關性. 針對以上問題, 提出一種基于慢特征分析(Slow feature analysis, SFA)的分布式動態工業過程運行狀態評價方法. 首先, 結合動態時間規整(Dynamic time warping, DTW)和K-medoids聚類算法對過程進行分解; 然后, 對每一變量子塊建立相應的動態慢特征分析(Dynamic slow feature analysis, DSFA)模型; 最后, 利用貝葉斯推理獲得全局的綜合評價指標. 通過在數值案例和金濕法冶金過程的仿真應用, 驗證了該方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220689
摘要:
常用氣體檢測模型需要使用氣體傳感器陣列響應信號的穩態值對氣體進行種類識別和濃度估計, 而在實際環境中, 氣體一般處于動態變化的狀態, 氣體傳感器陣列響應信號難以達到穩態值或長時間維持穩定狀態. 針對上述問題, 提出一種由動態小波殘差卷積神經網絡(Dynamic wavelet residual convolutional neural network, DWRCNN)子模型和權重信號自注意力(Weighted signal self-attention, WSSA)子模型組成的氣體檢測模型. 該模型可以直接使用氣體傳感器陣列的原始動態響應信號對動態變化的氣體進行成分識別, 并進一步對每種成分氣體的濃度在線估計. 通過搭建的仿生嗅覺感知系統對模型的性能進行評估, 實驗結果表明, 與常用氣體識別模型相比, DWRCNN能獲得接近100%氣體識別準確率, 且在線訓練時間短, 收斂速度快; 與常用氣體濃度估計模型相比, WSSA 濃度估計模型能夠大幅提高氣體濃度估計精度, 并能同時對不同氣體都保持較高氣體濃度估計精度, 解決了動態環境中, 仿生嗅覺感知系統需要針對不同氣體選擇不同最優氣體濃度估計模型問題.
常用氣體檢測模型需要使用氣體傳感器陣列響應信號的穩態值對氣體進行種類識別和濃度估計, 而在實際環境中, 氣體一般處于動態變化的狀態, 氣體傳感器陣列響應信號難以達到穩態值或長時間維持穩定狀態. 針對上述問題, 提出一種由動態小波殘差卷積神經網絡(Dynamic wavelet residual convolutional neural network, DWRCNN)子模型和權重信號自注意力(Weighted signal self-attention, WSSA)子模型組成的氣體檢測模型. 該模型可以直接使用氣體傳感器陣列的原始動態響應信號對動態變化的氣體進行成分識別, 并進一步對每種成分氣體的濃度在線估計. 通過搭建的仿生嗅覺感知系統對模型的性能進行評估, 實驗結果表明, 與常用氣體識別模型相比, DWRCNN能獲得接近100%氣體識別準確率, 且在線訓練時間短, 收斂速度快; 與常用氣體濃度估計模型相比, WSSA 濃度估計模型能夠大幅提高氣體濃度估計精度, 并能同時對不同氣體都保持較高氣體濃度估計精度, 解決了動態環境中, 仿生嗅覺感知系統需要針對不同氣體選擇不同最優氣體濃度估計模型問題.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c211091
摘要:
受限于檢測技術難度、高時間與經濟成本等原因, 難測參數的軟測量模型建模樣本存在數量少、分布稀疏與不平衡等問題, 嚴重制約了數據驅動模型的泛化性能. 針對以上問題, 提出一種基于多目標粒子群優化(Multi-objective particle swarm optimization, MOPSO)混合優化的虛擬樣本生成(Virtual sample generation, VSG)方法. 首先, 設計綜合學習粒子群優化算法的種群表征機制, 使其能夠同時編碼用于連續變量和離散變量; 然后, 定義具有多階段多目標特性的綜合學習粒子群優化算法適應度函數, 使其能夠在確保模型泛化性能的同時最小化虛擬樣本數量; 最后, 提出面向虛擬樣本生成的多目標混合優化任務以改進綜合學習粒子群優化算法, 使其能夠適應虛擬樣本優選過程的變維特性并提高收斂速度. 同時, 首次借鑒度量學習提出用于評價虛擬樣本質量的綜合評價指標和分布相似指標. 利用基準數據集和真實工業數據集驗證了所提方法的有效性和優越性.
受限于檢測技術難度、高時間與經濟成本等原因, 難測參數的軟測量模型建模樣本存在數量少、分布稀疏與不平衡等問題, 嚴重制約了數據驅動模型的泛化性能. 針對以上問題, 提出一種基于多目標粒子群優化(Multi-objective particle swarm optimization, MOPSO)混合優化的虛擬樣本生成(Virtual sample generation, VSG)方法. 首先, 設計綜合學習粒子群優化算法的種群表征機制, 使其能夠同時編碼用于連續變量和離散變量; 然后, 定義具有多階段多目標特性的綜合學習粒子群優化算法適應度函數, 使其能夠在確保模型泛化性能的同時最小化虛擬樣本數量; 最后, 提出面向虛擬樣本生成的多目標混合優化任務以改進綜合學習粒子群優化算法, 使其能夠適應虛擬樣本優選過程的變維特性并提高收斂速度. 同時, 首次借鑒度量學習提出用于評價虛擬樣本質量的綜合評價指標和分布相似指標. 利用基準數據集和真實工業數據集驗證了所提方法的有效性和優越性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220635
摘要:
現有從圖像序列中檢測和跟蹤低信噪比、時變數量多目標方法將多目標視為一個整體, 因此, 隨著目標數量的增加, 會出現算法結構復雜、計算量增大、性能下降等問題. 針對上述問題, 提出一種基于代價參考粒子濾波器組的多目標檢測前跟蹤(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法, 將多目標跟蹤問題轉換為序貫地檢測和估計多個單目標問題. 首先, 采用代價參考粒子濾波器組序貫地估計所有可能單目標狀態序列; 其次, 基于歐氏距離合并或刪減多個單目標狀態, 確定目標數量; 最后, 根據累積代價判斷每個目標出現和消失的具體時刻. 仿真實驗驗證了CRPFB-MTBD的優良性能, 與基于傳統粒子濾波的多目標檢測前跟蹤算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假設密度的檢測前跟蹤算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利濾波的檢測前跟蹤算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目標狀態和數量估計結果最佳, 且平均單次運行時間極短.
現有從圖像序列中檢測和跟蹤低信噪比、時變數量多目標方法將多目標視為一個整體, 因此, 隨著目標數量的增加, 會出現算法結構復雜、計算量增大、性能下降等問題. 針對上述問題, 提出一種基于代價參考粒子濾波器組的多目標檢測前跟蹤(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法, 將多目標跟蹤問題轉換為序貫地檢測和估計多個單目標問題. 首先, 采用代價參考粒子濾波器組序貫地估計所有可能單目標狀態序列; 其次, 基于歐氏距離合并或刪減多個單目標狀態, 確定目標數量; 最后, 根據累積代價判斷每個目標出現和消失的具體時刻. 仿真實驗驗證了CRPFB-MTBD的優良性能, 與基于傳統粒子濾波的多目標檢測前跟蹤算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假設密度的檢測前跟蹤算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利濾波的檢測前跟蹤算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目標狀態和數量估計結果最佳, 且平均單次運行時間極短.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230018
摘要:
追逃問題的研究在對抗、追蹤以及搜查等領域極具現實意義. 借助連續隨機博弈與馬爾科夫決策過程(Markov decision process, MDP), 研究使用測量距離求解多對一追逃問題的最優策略. 在此追逃問題中, 追捕群體僅領導者可測量與逃逸者間的相對距離, 而逃逸者具有全局視野. 追逃策略求解被分為追博弈與馬爾科夫決策兩個過程. 在求解追捕策略時, 通過分割環境引入信念區域狀態以估計逃逸者位置, 同時使用測量距離對信念區域狀態進行修正, 構建起基于信念區域狀態的連續隨機追博弈, 并借助不動點定理證明了博弈平穩納什均衡策略的存在性. 在求解逃逸策略時, 逃逸者根據全局信息建立混合狀態下的馬爾科夫決策過程及相應的最優貝爾曼方程. 同時給出了基于強化學習的平穩追逃策略求解算法, 并通過案例驗證了該算法的有效性.
追逃問題的研究在對抗、追蹤以及搜查等領域極具現實意義. 借助連續隨機博弈與馬爾科夫決策過程(Markov decision process, MDP), 研究使用測量距離求解多對一追逃問題的最優策略. 在此追逃問題中, 追捕群體僅領導者可測量與逃逸者間的相對距離, 而逃逸者具有全局視野. 追逃策略求解被分為追博弈與馬爾科夫決策兩個過程. 在求解追捕策略時, 通過分割環境引入信念區域狀態以估計逃逸者位置, 同時使用測量距離對信念區域狀態進行修正, 構建起基于信念區域狀態的連續隨機追博弈, 并借助不動點定理證明了博弈平穩納什均衡策略的存在性. 在求解逃逸策略時, 逃逸者根據全局信息建立混合狀態下的馬爾科夫決策過程及相應的最優貝爾曼方程. 同時給出了基于強化學習的平穩追逃策略求解算法, 并通過案例驗證了該算法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230695
摘要:
為了有效提升城市污水處理過程的脫氮效果, 提出了一種知識和數據驅動的反硝化脫氮過程協同優化控制(Knowledge-data-driven cooperative optimal control, KDDCOC). 本文工作主要有以下兩點: 首先, 建立了一種基于自適應知識核函數的協同優化控制目標模型, 動態描述出水水質以及泵送能耗、關鍵變量的協同關系; 其次, 提出了一種知識引導的協同優化算法(Knowledge guide-based cooperative optimization algorithm, KGCO), 快速準確求解硝態氮優化設定值, 提高KDDCOC的響應速度. KDDCOC利用了比例積分微分控制器對硝態氮優化設定值進行跟蹤. 將提出的KDDCOC應用于城市污水處理過程基準仿真模型1, 實驗結果表明該方法能夠提高出水水質, 降低運行能耗, 有效改善脫氮效果.
為了有效提升城市污水處理過程的脫氮效果, 提出了一種知識和數據驅動的反硝化脫氮過程協同優化控制(Knowledge-data-driven cooperative optimal control, KDDCOC). 本文工作主要有以下兩點: 首先, 建立了一種基于自適應知識核函數的協同優化控制目標模型, 動態描述出水水質以及泵送能耗、關鍵變量的協同關系; 其次, 提出了一種知識引導的協同優化算法(Knowledge guide-based cooperative optimization algorithm, KGCO), 快速準確求解硝態氮優化設定值, 提高KDDCOC的響應速度. KDDCOC利用了比例積分微分控制器對硝態氮優化設定值進行跟蹤. 將提出的KDDCOC應用于城市污水處理過程基準仿真模型1, 實驗結果表明該方法能夠提高出水水質, 降低運行能耗, 有效改善脫氮效果.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230642
摘要:
針對戰機大迎角動力學呈現的強非線性、氣動不確定和通道耦合特性, 提出了一種基于智能學習的自適應機動跟蹤控制方法. 通過將通道耦合視為集總擾動的一部分, 把模型分解為迎角子系統、側滑角子系統和滾轉角速率子系統. 采用神經網絡估計不確定, 設計跟蹤誤差反饋與集總干擾估計前饋相結合的控制器獲取期望操縱力矩, 并基于串接鏈分配方法求解氣動舵偏角和推力矢量偏角. 對于神經網絡權重更新, 構建預測誤差表征集總干擾的估計性能, 結合跟蹤誤差設計復合學習更新律. 基于李雅普諾夫方法證明了閉環系統的一致最終有界穩定性. 針對眼鏡蛇機動和赫伯斯特機動指令進行了仿真驗證和抗干擾參數拉偏測試, 結果表明所提方法具有較高的機動指令跟蹤精度和魯棒性能.
針對戰機大迎角動力學呈現的強非線性、氣動不確定和通道耦合特性, 提出了一種基于智能學習的自適應機動跟蹤控制方法. 通過將通道耦合視為集總擾動的一部分, 把模型分解為迎角子系統、側滑角子系統和滾轉角速率子系統. 采用神經網絡估計不確定, 設計跟蹤誤差反饋與集總干擾估計前饋相結合的控制器獲取期望操縱力矩, 并基于串接鏈分配方法求解氣動舵偏角和推力矢量偏角. 對于神經網絡權重更新, 構建預測誤差表征集總干擾的估計性能, 結合跟蹤誤差設計復合學習更新律. 基于李雅普諾夫方法證明了閉環系統的一致最終有界穩定性. 針對眼鏡蛇機動和赫伯斯特機動指令進行了仿真驗證和抗干擾參數拉偏測試, 結果表明所提方法具有較高的機動指令跟蹤精度和魯棒性能.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230550
摘要:
針對有限時間控制中各狀態分量收斂時間不同的問題, 提出一種無人艇 (Unmanned surface vehicles, USVs) 編隊有限時間同步控制(Finite-time-synchronization-control, FTSC) 框架, 在此框架下設計的有限時間同步編隊控制方法可以巧妙的達到所有無人艇所有自由度的誤差在同一時刻收斂到平衡點. 首先, 針對現有干擾觀測器與時間同步穩定框架不兼容的問題, 設計有限時間同步干擾觀測器; 進而利用比例保持特性, 設計有限時間同步穩定編隊控制器, 并證明了所提控制算法的穩定性; 最后, 通過三艘無人艇編隊進行仿真研究, 結果驗證了所提控制算法的有效性和優越性. 所提出的控制方法對有時間同步控制需求的航海、航空航天和工業領域具有現實意義.
針對有限時間控制中各狀態分量收斂時間不同的問題, 提出一種無人艇 (Unmanned surface vehicles, USVs) 編隊有限時間同步控制(Finite-time-synchronization-control, FTSC) 框架, 在此框架下設計的有限時間同步編隊控制方法可以巧妙的達到所有無人艇所有自由度的誤差在同一時刻收斂到平衡點. 首先, 針對現有干擾觀測器與時間同步穩定框架不兼容的問題, 設計有限時間同步干擾觀測器; 進而利用比例保持特性, 設計有限時間同步穩定編隊控制器, 并證明了所提控制算法的穩定性; 最后, 通過三艘無人艇編隊進行仿真研究, 結果驗證了所提控制算法的有效性和優越性. 所提出的控制方法對有時間同步控制需求的航海、航空航天和工業領域具有現實意義.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220775
摘要:
隱寫者檢測通過設計模型檢測在批量圖像中嵌入秘密信息進行隱蔽通信的隱寫者, 對解決非法使用隱寫術的問題具有重要意義. 本文提出一種基于多示例學習圖卷積網絡的隱寫者檢測算法(Steganographer detection algorithm based on multiple-instance learning graph convolutional network, MILGCN), 將隱寫者檢測形式化為多示例學習(Multiple-instance learning, MIL) 任務. 本文中設計的共性增強圖卷積網絡(Graph convolutional network, GCN) 和注意力圖讀出模塊能夠自適應地突出示例包中正示例的模式特征, 構建有區分度的示例包表征并進行隱寫者檢測. 實驗表明, 本文設計的模型能夠對抗多種批量隱寫術和與之對應的策略.
隱寫者檢測通過設計模型檢測在批量圖像中嵌入秘密信息進行隱蔽通信的隱寫者, 對解決非法使用隱寫術的問題具有重要意義. 本文提出一種基于多示例學習圖卷積網絡的隱寫者檢測算法(Steganographer detection algorithm based on multiple-instance learning graph convolutional network, MILGCN), 將隱寫者檢測形式化為多示例學習(Multiple-instance learning, MIL) 任務. 本文中設計的共性增強圖卷積網絡(Graph convolutional network, GCN) 和注意力圖讀出模塊能夠自適應地突出示例包中正示例的模式特征, 構建有區分度的示例包表征并進行隱寫者檢測. 實驗表明, 本文設計的模型能夠對抗多種批量隱寫術和與之對應的策略.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230430
摘要:
為實現城市固廢焚燒過程爐溫與煙氣含氧量的準確預測, 提出一種基于改進隨機配置網絡(\begin{document}$ \text{SCN} $\end{document} \begin{document}$ \text{F} $\end{document} \begin{document}$ L_{2,1} $\end{document}
為實現城市固廢焚燒過程爐溫與煙氣含氧量的準確預測, 提出一種基于改進隨機配置網絡(
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210921
摘要:
研究一類存在一步隨機時滯的復雜網絡分布式狀態估計問題, 采用伯努利隨機變量刻畫測量值的隨機時滯情況. 基于復雜網絡模型和不可靠測量值, 分別設計復雜網絡的狀態預測器和分布式狀態估計器, 基于楊氏不等式消除節點之間的耦合項, 通過優化楊氏不等式引進的參數, 優化狀態預測協方差. 通過設計估計器增益, 獲得狀態估計誤差協方差, 同時結合預測誤差協方差, 獲得狀態估計誤差協方差的迭代公式, 并給出估計誤差協方差穩定的充分條件. 最后, 對由小車組成的耦合系統進行數值仿真, 驗證所設計估計器的有效性.
研究一類存在一步隨機時滯的復雜網絡分布式狀態估計問題, 采用伯努利隨機變量刻畫測量值的隨機時滯情況. 基于復雜網絡模型和不可靠測量值, 分別設計復雜網絡的狀態預測器和分布式狀態估計器, 基于楊氏不等式消除節點之間的耦合項, 通過優化楊氏不等式引進的參數, 優化狀態預測協方差. 通過設計估計器增益, 獲得狀態估計誤差協方差, 同時結合預測誤差協方差, 獲得狀態估計誤差協方差的迭代公式, 并給出估計誤差協方差穩定的充分條件. 最后, 對由小車組成的耦合系統進行數值仿真, 驗證所設計估計器的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230584
摘要:
隨著信息物理系統技術的發展, 面向多智能體系統的分布式協同優化問題受到廣泛研究. 主要研究面向多智能體系統的受約束分布式聚合博弈問題, 其中局部智能體成本函數受到全局聚合項約束和全局等式耦合約束. 首先, 面向一階積分型多智能體系統設計一種基于估計梯度下降的納什均衡求解算法. 其中, 利用多智能體系統平均一致性方法設計一種自適應估計策略, 以實現全局聚合項約束分布式估計. 并據此計算出梯度函數估計值. 其次, 利用狀態反饋策略和輸出反饋策略將上述算法推廣至狀態信息可測和狀態信息不可測一般異構線性多智能體系統. 最后, 利用拉薩爾不變性原理證實上述算法收斂性, 并提供多組案例仿真用以驗證算法有效性.
隨著信息物理系統技術的發展, 面向多智能體系統的分布式協同優化問題受到廣泛研究. 主要研究面向多智能體系統的受約束分布式聚合博弈問題, 其中局部智能體成本函數受到全局聚合項約束和全局等式耦合約束. 首先, 面向一階積分型多智能體系統設計一種基于估計梯度下降的納什均衡求解算法. 其中, 利用多智能體系統平均一致性方法設計一種自適應估計策略, 以實現全局聚合項約束分布式估計. 并據此計算出梯度函數估計值. 其次, 利用狀態反饋策略和輸出反饋策略將上述算法推廣至狀態信息可測和狀態信息不可測一般異構線性多智能體系統. 最后, 利用拉薩爾不變性原理證實上述算法收斂性, 并提供多組案例仿真用以驗證算法有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230585
摘要:
低光照圖像增強旨在提高在低光照環境下所采集圖像的視覺質量. 然而, 現有的低光照圖像增強方法難以在計算效率與增強性能之間達到很好的平衡, 為此, 提出一種基于Retinex先驗引導的低光照圖像快速增強方法, 將Retinex模型與Gamma校正相結合, 快速輸出具有對比度高、視覺效果好和低噪聲的圖像. 為獲取具有良好光照的圖像以引導確定與輸入圖像尺寸大小一致的Gamma校正圖, 提出基于Retinex模型的先驗圖像生成方法. 針對所提先驗圖像生成方法在極低光照區域中存在顏色失真的問題, 提出一種基于融合的Gamma校正圖估計方法, 采用反正切變換恢復極低光照區域的顏色和對比度, 以提升Gamma校正圖在極低光照區域的增強性能. 為了抑制輸出圖像的噪聲, 考慮到完全平滑的Gamma校正圖不會平滑細節紋理的特點, 提出了基于的域變換遞歸濾波的Gamma校正圖優化方法, 降低輸出圖像噪聲的同時保持顏色和對比度. 實驗結果表明, 所提方法不僅在主客觀圖像質量評價上優于現有大多數主流算法, 而且在計算效率上具有十分顯著的優勢.
低光照圖像增強旨在提高在低光照環境下所采集圖像的視覺質量. 然而, 現有的低光照圖像增強方法難以在計算效率與增強性能之間達到很好的平衡, 為此, 提出一種基于Retinex先驗引導的低光照圖像快速增強方法, 將Retinex模型與Gamma校正相結合, 快速輸出具有對比度高、視覺效果好和低噪聲的圖像. 為獲取具有良好光照的圖像以引導確定與輸入圖像尺寸大小一致的Gamma校正圖, 提出基于Retinex模型的先驗圖像生成方法. 針對所提先驗圖像生成方法在極低光照區域中存在顏色失真的問題, 提出一種基于融合的Gamma校正圖估計方法, 采用反正切變換恢復極低光照區域的顏色和對比度, 以提升Gamma校正圖在極低光照區域的增強性能. 為了抑制輸出圖像的噪聲, 考慮到完全平滑的Gamma校正圖不會平滑細節紋理的特點, 提出了基于的域變換遞歸濾波的Gamma校正圖優化方法, 降低輸出圖像噪聲的同時保持顏色和對比度. 實驗結果表明, 所提方法不僅在主客觀圖像質量評價上優于現有大多數主流算法, 而且在計算效率上具有十分顯著的優勢.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210518
摘要:
多模態數據間交互式任務的涌現對綜合利用不同模態的知識提出了高要求, 多模態知識圖譜應運而生, 其通過融合不同模態的知識來滿足這類任務的需求. 然而, 現有多模態知識圖譜存在圖譜知識不完整的問題, 嚴重阻礙對信息的有效利用. 緩解此問題關鍵是通過實體對齊方法對圖譜進行補全. 當前多模態實體對齊方法以固定權重融合多種模態信息, 在融合過程中忽略了不同模態信息貢獻的差異性. 為解決上述問題, 設計一套自適應特征融合機制, 根據不同模態數據質量動態融合實體結構信息和視覺信息. 此外, 考慮到視覺信息質量不高、知識圖譜之間的結構差異也影響實體對齊的效果, 本文分別設計提升視覺信息有效利用率的視覺特征處理模塊以及緩和結構差異性的三元組篩選模塊. 在多模態實體對齊任務上的實驗結果表明, 提出的多模態實體對齊方法的性能優于當前最好的方法.
多模態數據間交互式任務的涌現對綜合利用不同模態的知識提出了高要求, 多模態知識圖譜應運而生, 其通過融合不同模態的知識來滿足這類任務的需求. 然而, 現有多模態知識圖譜存在圖譜知識不完整的問題, 嚴重阻礙對信息的有效利用. 緩解此問題關鍵是通過實體對齊方法對圖譜進行補全. 當前多模態實體對齊方法以固定權重融合多種模態信息, 在融合過程中忽略了不同模態信息貢獻的差異性. 為解決上述問題, 設計一套自適應特征融合機制, 根據不同模態數據質量動態融合實體結構信息和視覺信息. 此外, 考慮到視覺信息質量不高、知識圖譜之間的結構差異也影響實體對齊的效果, 本文分別設計提升視覺信息有效利用率的視覺特征處理模塊以及緩和結構差異性的三元組篩選模塊. 在多模態實體對齊任務上的實驗結果表明, 提出的多模態實體對齊方法的性能優于當前最好的方法.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c221006
摘要:
用于復雜工業過程難測運行指標和異常故障建模的樣本具有量少稀缺、分布不平衡以及內涵機理知識匱乏等特性. 虛擬樣本生成(Virtual sample generation, VSG)作為擴充建模樣本數量及其涵蓋空間的技術, 已成為解決上述問題的主要手段之一, 但已有研究還存在缺乏理論支撐、分類準則與應用邊界模糊等問題. 本文在描述復雜工業過程難測運行指標和異常故障建模所存在問題的基礎上, 梳理虛擬樣本定義及其內涵, 給出面向工業過程回歸與分類問題的VSG實現流程; 接著, 從樣本覆蓋區域、實現流程與推廣應用等方向進行綜述; 然后, 分析討論VSG的下一步研究方向; 最后, 對全文進行總結并給出未來挑戰.
用于復雜工業過程難測運行指標和異常故障建模的樣本具有量少稀缺、分布不平衡以及內涵機理知識匱乏等特性. 虛擬樣本生成(Virtual sample generation, VSG)作為擴充建模樣本數量及其涵蓋空間的技術, 已成為解決上述問題的主要手段之一, 但已有研究還存在缺乏理論支撐、分類準則與應用邊界模糊等問題. 本文在描述復雜工業過程難測運行指標和異常故障建模所存在問題的基礎上, 梳理虛擬樣本定義及其內涵, 給出面向工業過程回歸與分類問題的VSG實現流程; 接著, 從樣本覆蓋區域、實現流程與推廣應用等方向進行綜述; 然后, 分析討論VSG的下一步研究方向; 最后, 對全文進行總結并給出未來挑戰.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230678
摘要:
自適應評判技術已經廣泛應用于求解復雜非線性系統的最優控制問題, 但利用其求解離散時間非線性隨機系統的無限時域最優控制問題還存在一定局限性. 本文融合自適應評判技術, 建立一種數據驅動的離散隨機系統折扣最優調節方法. 首先, 針對寬松假設下的非線性隨機系統, 研究帶有折扣因子的無限時域最優控制問題. 本文所提的隨機系統 Q-learning 算法能夠將初始的容許策略單調不增地優化至最優策略. 基于數據驅動思想, 隨機系統 Q-learning 算法在不建立模型的情況下直接利用數據進行策略優化. 其次, 利用執行?評判神經網絡方案, 實現了隨機系統 Q-learning 算法. 最后, 通過兩個基準系統, 驗證本文提出的隨機系統 Q-learning 算法的有效性.
自適應評判技術已經廣泛應用于求解復雜非線性系統的最優控制問題, 但利用其求解離散時間非線性隨機系統的無限時域最優控制問題還存在一定局限性. 本文融合自適應評判技術, 建立一種數據驅動的離散隨機系統折扣最優調節方法. 首先, 針對寬松假設下的非線性隨機系統, 研究帶有折扣因子的無限時域最優控制問題. 本文所提的隨機系統 Q-learning 算法能夠將初始的容許策略單調不增地優化至最優策略. 基于數據驅動思想, 隨機系統 Q-learning 算法在不建立模型的情況下直接利用數據進行策略優化. 其次, 利用執行?評判神經網絡方案, 實現了隨機系統 Q-learning 算法. 最后, 通過兩個基準系統, 驗證本文提出的隨機系統 Q-learning 算法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230359
摘要:
在統計流形空間中, 從信息幾何角度考慮非線性狀態后驗分布近似的實質是后驗分布與相應參數化變分分布之間的Kullback-Leibler散度最小化問題, 同時也可以轉化為變分置信下界的最大化問題. 為了提升非線性系統狀態估計的精度, 在高斯系統假設條件下結合變分貝葉斯推斷和Fisher信息矩陣推導出置信下界的自然梯度, 并通過分析其信息幾何意義, 闡述在統計流形空間中置信下界沿其方向不斷迭代增大, 實現變分分布與后驗分布的 “緊密” 近似; 在此基礎上, 以狀態估計及其誤差協方差作為變分超參數, 結合最優估計理論給出一種基于自然梯度的非線性變分貝葉斯濾波算法; 最后, 通過天基光學傳感器量測條件下近地軌道衛星跟蹤定軌仿真實驗驗證: 與對比算法相比, 所提算法具有更高的精度.
在統計流形空間中, 從信息幾何角度考慮非線性狀態后驗分布近似的實質是后驗分布與相應參數化變分分布之間的Kullback-Leibler散度最小化問題, 同時也可以轉化為變分置信下界的最大化問題. 為了提升非線性系統狀態估計的精度, 在高斯系統假設條件下結合變分貝葉斯推斷和Fisher信息矩陣推導出置信下界的自然梯度, 并通過分析其信息幾何意義, 闡述在統計流形空間中置信下界沿其方向不斷迭代增大, 實現變分分布與后驗分布的 “緊密” 近似; 在此基礎上, 以狀態估計及其誤差協方差作為變分超參數, 結合最優估計理論給出一種基于自然梯度的非線性變分貝葉斯濾波算法; 最后, 通過天基光學傳感器量測條件下近地軌道衛星跟蹤定軌仿真實驗驗證: 與對比算法相比, 所提算法具有更高的精度.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230460
摘要:
基于二維圖像的書法文字識別是指利用計算機視覺技術對書法文字單字圖像進行識別, 在古籍研究和文化傳播中具有重要應用. 目前書法文字識別技術已經取得了相當不錯的進展, 但依舊面臨很多挑戰, 比如復雜多變的字形可能導致的識別誤差, 漢字本身又存在較多形近字, 且漢字字符類別數與其他語言文字相比更多, 書法文字圖像普遍存在類內差距大, 類間差距小的問題. 為解決這些問題, 提出疊層模型驅動的書法文字識別方法(Stacked-model driven character recognition, SDCR), 通過使用數據預處理、節點分離策略和疊層模型對現有單一分類模型進行改進, 按照字體類別對同一類別不同字體風格的文字進行二次劃分; 針對類間差距小的問題, 根據書法文字訓練集圖像識別置信度對形近字進行子集劃分, 針對子集進行嵌套模型增強訓練, 在測試階段利用疊層模型對形近字進行二次識別, 提升形近字的識別準確率. 為了驗證該方法的魯棒性, 在自主生成的SCUT_Calligraphy數據集和CASIA-HWDB 1.1, CASIA-AHCDB公開數據集上進行訓練和測試, 實驗結果表明該方法在上述數據集的識別準確率均有較大幅度提升, 在CASIA-HWDB 1.1、CASIA-AHCDB和自建數據集SCUT_Calligraphy上測試準確率分別達到96.33%、99.51%和99.9%, 證明了該方法的有效性.
基于二維圖像的書法文字識別是指利用計算機視覺技術對書法文字單字圖像進行識別, 在古籍研究和文化傳播中具有重要應用. 目前書法文字識別技術已經取得了相當不錯的進展, 但依舊面臨很多挑戰, 比如復雜多變的字形可能導致的識別誤差, 漢字本身又存在較多形近字, 且漢字字符類別數與其他語言文字相比更多, 書法文字圖像普遍存在類內差距大, 類間差距小的問題. 為解決這些問題, 提出疊層模型驅動的書法文字識別方法(Stacked-model driven character recognition, SDCR), 通過使用數據預處理、節點分離策略和疊層模型對現有單一分類模型進行改進, 按照字體類別對同一類別不同字體風格的文字進行二次劃分; 針對類間差距小的問題, 根據書法文字訓練集圖像識別置信度對形近字進行子集劃分, 針對子集進行嵌套模型增強訓練, 在測試階段利用疊層模型對形近字進行二次識別, 提升形近字的識別準確率. 為了驗證該方法的魯棒性, 在自主生成的SCUT_Calligraphy數據集和CASIA-HWDB 1.1, CASIA-AHCDB公開數據集上進行訓練和測試, 實驗結果表明該方法在上述數據集的識別準確率均有較大幅度提升, 在CASIA-HWDB 1.1、CASIA-AHCDB和自建數據集SCUT_Calligraphy上測試準確率分別達到96.33%、99.51%和99.9%, 證明了該方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c211089
摘要:
目前, 基于深度學習的超分辨算法已經取得了很好性能, 但這些方法通常具有較大的內存消耗和較高的計算復雜度, 很難應用到低算力或便攜式設備上. 為了解決這個問題, 設計一種輕量級的組?信息蒸餾殘差網絡(Group-information distillation residual network, G-IDRN)用于快速且精確的單圖像超分辨率. 具體來說, 提出一個更加有效的組?信息蒸餾模塊(Group-information distillation block, G-IDB)作為網絡特征提取基本塊. 同時, 引入密集快捷連接對多個基本塊進行組合, 構建組?信息蒸餾殘差組(Group-information distillation residual group, G-IDRG), 捕獲多層級信息和有效重利用特征. 另外, 還提出一個輕量的非對稱殘差Non-local模塊, 對長距離依賴關系進行建模, 進一步提升超分的性能. 最后, 設計一個高頻損失函數, 去解決像素損失帶來圖像細節平滑的問題. 大量的實驗表明, 該算法相較于其他先進方法可以在圖像超分辨率性能和模型復雜度之間取得更好平衡, 其在公開測試數據集B100上, 4倍超分速率達到56 FPS, 比殘差注意力網絡快15倍.
目前, 基于深度學習的超分辨算法已經取得了很好性能, 但這些方法通常具有較大的內存消耗和較高的計算復雜度, 很難應用到低算力或便攜式設備上. 為了解決這個問題, 設計一種輕量級的組?信息蒸餾殘差網絡(Group-information distillation residual network, G-IDRN)用于快速且精確的單圖像超分辨率. 具體來說, 提出一個更加有效的組?信息蒸餾模塊(Group-information distillation block, G-IDB)作為網絡特征提取基本塊. 同時, 引入密集快捷連接對多個基本塊進行組合, 構建組?信息蒸餾殘差組(Group-information distillation residual group, G-IDRG), 捕獲多層級信息和有效重利用特征. 另外, 還提出一個輕量的非對稱殘差Non-local模塊, 對長距離依賴關系進行建模, 進一步提升超分的性能. 最后, 設計一個高頻損失函數, 去解決像素損失帶來圖像細節平滑的問題. 大量的實驗表明, 該算法相較于其他先進方法可以在圖像超分辨率性能和模型復雜度之間取得更好平衡, 其在公開測試數據集B100上, 4倍超分速率達到56 FPS, 比殘差注意力網絡快15倍.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230081
摘要:
隨著深度強化學習的研究與發展, 強化學習在博弈與優化決策、智能駕駛等現實問題中的應用也取得顯著進展. 然而強化學習在智能體與環境的交互中存在人工設計獎勵函數難的問題, 因此研究者提出了逆強化學習這一研究方向. 如何從專家演示中學習獎勵函數和進行策略優化是一個新穎且重要的研究課題, 在人工智能領域具有十分重要的研究意義. 本文綜合介紹了逆強化學習算法的最新進展, 首先介紹了逆強化學習在理論方面的新進展, 然后分析了逆強化學習面臨的挑戰以及未來的發展趨勢, 最后討論了逆強化學習的應用進展和應用前景.
隨著深度強化學習的研究與發展, 強化學習在博弈與優化決策、智能駕駛等現實問題中的應用也取得顯著進展. 然而強化學習在智能體與環境的交互中存在人工設計獎勵函數難的問題, 因此研究者提出了逆強化學習這一研究方向. 如何從專家演示中學習獎勵函數和進行策略優化是一個新穎且重要的研究課題, 在人工智能領域具有十分重要的研究意義. 本文綜合介紹了逆強化學習算法的最新進展, 首先介紹了逆強化學習在理論方面的新進展, 然后分析了逆強化學習面臨的挑戰以及未來的發展趨勢, 最后討論了逆強化學習的應用進展和應用前景.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230210
摘要:
增加可再生能源在電網中的占比, 使能源結構更合理, 是加快能源轉型實現低碳可持續發展的有效途徑. 電網中占主導地位的火電, 輔助消納可再生能源的能力, 對提高可再生能源在電網中的占比起到重要作用. 為了提高火電機組輔助可再生能源的消納能力, 本文根據當前系統控制方案, 分析了影響機組靈活性與調峰深度的因素, 包括機爐協調、局部反饋策略下的鍋爐控制、系統穩態工作點的規劃等. 基于補償方案的協調策略限制了機組對具有隨機性和間歇性的可再生能源的補償能力; 局部反饋策略下的鍋爐控制只是實現了等效熱效應的反饋; 非額定工況下的穩態工作點關系到輔助可再生能源消納的能耗和排放指標. 根據以上分析分別給出了進一步的研究內容.
增加可再生能源在電網中的占比, 使能源結構更合理, 是加快能源轉型實現低碳可持續發展的有效途徑. 電網中占主導地位的火電, 輔助消納可再生能源的能力, 對提高可再生能源在電網中的占比起到重要作用. 為了提高火電機組輔助可再生能源的消納能力, 本文根據當前系統控制方案, 分析了影響機組靈活性與調峰深度的因素, 包括機爐協調、局部反饋策略下的鍋爐控制、系統穩態工作點的規劃等. 基于補償方案的協調策略限制了機組對具有隨機性和間歇性的可再生能源的補償能力; 局部反饋策略下的鍋爐控制只是實現了等效熱效應的反饋; 非額定工況下的穩態工作點關系到輔助可再生能源消納的能耗和排放指標. 根據以上分析分別給出了進一步的研究內容.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210979
摘要:
長距離帶式輸送機是礦山、港口等領域運輸散裝物料的主要工具. 針對長距離帶式輸送機的安全節能運行問題, 研究數字孿生驅動的運行優化方法. 首先, 構建由數字孿生模型、模型同步算法、控制策略和現實帶式輸送機組成的數字孿生驅動運行優化框架; 然后, 建立數字孿生模型, 包括基于變質量牛頓第二定律和有限元分析法的輸送帶動力學模型、物料流動態模型和動態能耗模型; 最后, 提出數字孿生驅動的計算決策?仿真評估?優化校正(Decision-simulation-correction, DSC)優化決策方法, 優化帶式輸送機的穩態和暫態運行帶速, 形成可行帶速設定曲線. 實驗結果表明, 數字孿生驅動的帶式輸送機運行優化方法可以實現帶式輸送機安全節能運行. 與傳統控制方法相比, 能夠根據運行工況實時調速, 提高輸送帶填充率, 節能13.87%.
長距離帶式輸送機是礦山、港口等領域運輸散裝物料的主要工具. 針對長距離帶式輸送機的安全節能運行問題, 研究數字孿生驅動的運行優化方法. 首先, 構建由數字孿生模型、模型同步算法、控制策略和現實帶式輸送機組成的數字孿生驅動運行優化框架; 然后, 建立數字孿生模型, 包括基于變質量牛頓第二定律和有限元分析法的輸送帶動力學模型、物料流動態模型和動態能耗模型; 最后, 提出數字孿生驅動的計算決策?仿真評估?優化校正(Decision-simulation-correction, DSC)優化決策方法, 優化帶式輸送機的穩態和暫態運行帶速, 形成可行帶速設定曲線. 實驗結果表明, 數字孿生驅動的帶式輸送機運行優化方法可以實現帶式輸送機安全節能運行. 與傳統控制方法相比, 能夠根據運行工況實時調速, 提高輸送帶填充率, 節能13.87%.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220984
摘要:
本文主要研究網絡環境下無人水面船舶 (Unmanned surface vessels, USVs) 遭受虛假數據注入式 (False-data-injection, FDI) 攻擊的跟蹤控制問題. 其中, USVs 遭受內部和外部不確定以及輸入飽和約束等實際因素均考慮在設計中. 在控制設計過程中, 為避免將船舶速度的攻擊信號引入閉環系統, 采用分類重構思想, 構造一種新的神經網絡 (Neural network, NN) 狀態觀測器, 同時在線重構船舶速度和攻擊信號. 進一步, 在~Backstepping 設計框架下, 利用重構的攻擊信號補償~USVs 運動學通道因虛假數據注入式攻擊引起的非匹配不確定項. 在動力學設計通道中, 利用自適應神經技術和單參數學習法, 在線重構了由內部和外部不確定組成的復合不確定部分, 進而提出自適應神經輸出反饋控制方案. 理論分析表明, 即便存在~FDI 攻擊、內外不確定以及執行器飽和約束的情況下, 所提控制方案能迫使~USVs 跟蹤給定的參考軌跡. 同時, 仿真和比較結果闡明了所提控制方案的有效性和優越性.
本文主要研究網絡環境下無人水面船舶 (Unmanned surface vessels, USVs) 遭受虛假數據注入式 (False-data-injection, FDI) 攻擊的跟蹤控制問題. 其中, USVs 遭受內部和外部不確定以及輸入飽和約束等實際因素均考慮在設計中. 在控制設計過程中, 為避免將船舶速度的攻擊信號引入閉環系統, 采用分類重構思想, 構造一種新的神經網絡 (Neural network, NN) 狀態觀測器, 同時在線重構船舶速度和攻擊信號. 進一步, 在~Backstepping 設計框架下, 利用重構的攻擊信號補償~USVs 運動學通道因虛假數據注入式攻擊引起的非匹配不確定項. 在動力學設計通道中, 利用自適應神經技術和單參數學習法, 在線重構了由內部和外部不確定組成的復合不確定部分, 進而提出自適應神經輸出反饋控制方案. 理論分析表明, 即便存在~FDI 攻擊、內外不確定以及執行器飽和約束的情況下, 所提控制方案能迫使~USVs 跟蹤給定的參考軌跡. 同時, 仿真和比較結果闡明了所提控制方案的有效性和優越性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220983
摘要:
機器閱讀理解任務旨在要求系統對于給定的文章進行理解, 然后針對給定的問題進行回答. 先前的工作重點聚焦在問題和文章之間的交互信息. 然而, 忽略了對問題進行更加細粒度的分析, 如: 問題所考察的閱讀技巧是什么. 受到先前閱讀理解相關文獻的啟發, 人類對于問題的理解是一個多維度的過程, 首先人類需要理解問題的上/下文語義信息, 然后再針對不同類型的問題識別其需要使用的閱讀技巧, 最后再通過與文章的交互來回答出問題的答案. 出于該目的, 提出一種基于閱讀技巧識別和雙通道融合的機器閱讀理解方法來對問題進行更細致的分析, 從而提高模型回答問題的準確性. 具體來說, 閱讀技巧識別器通過對比學習的方法能夠顯式地捕獲閱讀技巧的語義信息. 雙通道融合機制會將問題與文章的交互信息和閱讀技巧的語義信息進行深層次的融合, 從而達到輔助系統理解問題和文章的目的. 為了驗證模型的效果, 在FairytaleQA數據集上面進行實驗, 實驗結果表明, 提出的方法實現了目前在機器閱讀理解任務和閱讀技巧識別任務上最好的效果.
機器閱讀理解任務旨在要求系統對于給定的文章進行理解, 然后針對給定的問題進行回答. 先前的工作重點聚焦在問題和文章之間的交互信息. 然而, 忽略了對問題進行更加細粒度的分析, 如: 問題所考察的閱讀技巧是什么. 受到先前閱讀理解相關文獻的啟發, 人類對于問題的理解是一個多維度的過程, 首先人類需要理解問題的上/下文語義信息, 然后再針對不同類型的問題識別其需要使用的閱讀技巧, 最后再通過與文章的交互來回答出問題的答案. 出于該目的, 提出一種基于閱讀技巧識別和雙通道融合的機器閱讀理解方法來對問題進行更細致的分析, 從而提高模型回答問題的準確性. 具體來說, 閱讀技巧識別器通過對比學習的方法能夠顯式地捕獲閱讀技巧的語義信息. 雙通道融合機制會將問題與文章的交互信息和閱讀技巧的語義信息進行深層次的融合, 從而達到輔助系統理解問題和文章的目的. 為了驗證模型的效果, 在FairytaleQA數據集上面進行實驗, 實驗結果表明, 提出的方法實現了目前在機器閱讀理解任務和閱讀技巧識別任務上最好的效果.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230381
摘要:
在非圓零件車削過程中, 快速刀具伺服(Fast tool servo, FTS)的運動精度直接影響零件的加工質量. 主軸變速加工使得FTS的參考目標信號周期時變而不確定, 這對實現其漸近跟蹤提出了極大的挑戰. 本文利用FTS的位置域周期特性, 提出一種基于位置域重復控制和時域速度反饋鎮定的FTS系統復合控制設計方法, 并給出位置域改進型重復控制器(Spatial modified repetitive controller, SMRC)的數字實現算法, 實現對時變周期參考目標信號的高精度跟蹤. 首先, 建立包含位置相關時變周期參考目標信號內模的SMRC, 并引入位置域相位超前裝置對鎮定補償器引起的相位滯后進行補償, 在此基礎上構建復合控制律. 然后應用小增益定理和算子理論, 推導出閉環系統的穩定性條件, 在保持系統采樣頻率不變的條件下, 應用插值法建立SMRC的數字實現算法, 確保位置域重復控制和時域鎮定控制器的同步執行. 最后, 通過仿真驗證所設計的FTS控制系統具有滿意的時變周期跟蹤性能和魯棒性. 并通過與其他位置域重復控制方法的比較, 說明所提方法同時具有更好的暫態和穩態性能.
在非圓零件車削過程中, 快速刀具伺服(Fast tool servo, FTS)的運動精度直接影響零件的加工質量. 主軸變速加工使得FTS的參考目標信號周期時變而不確定, 這對實現其漸近跟蹤提出了極大的挑戰. 本文利用FTS的位置域周期特性, 提出一種基于位置域重復控制和時域速度反饋鎮定的FTS系統復合控制設計方法, 并給出位置域改進型重復控制器(Spatial modified repetitive controller, SMRC)的數字實現算法, 實現對時變周期參考目標信號的高精度跟蹤. 首先, 建立包含位置相關時變周期參考目標信號內模的SMRC, 并引入位置域相位超前裝置對鎮定補償器引起的相位滯后進行補償, 在此基礎上構建復合控制律. 然后應用小增益定理和算子理論, 推導出閉環系統的穩定性條件, 在保持系統采樣頻率不變的條件下, 應用插值法建立SMRC的數字實現算法, 確保位置域重復控制和時域鎮定控制器的同步執行. 最后, 通過仿真驗證所設計的FTS控制系統具有滿意的時變周期跟蹤性能和魯棒性. 并通過與其他位置域重復控制方法的比較, 說明所提方法同時具有更好的暫態和穩態性能.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220889
摘要:
由8個推進器和6條刀鋒腿混合驅動的水下機器人可在水底或壁面上行走. 本文旨在研究這類機器人運動穩定性的評判準則, 即穩定性判據. 現有的穩定性判據多集中于同一機構（腿）驅動的陸地機器人, 未涉及混合驅動的水下刀鋒腿機器人. 針對該問題, 提出了基于捕獲點理論的混合驅動水下刀鋒腿機器人穩定性判據. 首先, 在建立混合驅動水下滾動倒立擺模型的基礎上, 利用機器人運動狀態預測擺動腿和支撐腿切換瞬間機器人的動能. 然后, 根據推進器所能提供的推力范圍, 計算迫使機器人靜止的捕獲點變化范圍, 即獲取捕獲域. 最后, 根據捕獲域與支撐域的空間關系, 判斷機器人是否穩定, 并計算穩定裕度. 水下實驗表明, 所提出的穩定性判據具有較好的充要性和普適性.
由8個推進器和6條刀鋒腿混合驅動的水下機器人可在水底或壁面上行走. 本文旨在研究這類機器人運動穩定性的評判準則, 即穩定性判據. 現有的穩定性判據多集中于同一機構（腿）驅動的陸地機器人, 未涉及混合驅動的水下刀鋒腿機器人. 針對該問題, 提出了基于捕獲點理論的混合驅動水下刀鋒腿機器人穩定性判據. 首先, 在建立混合驅動水下滾動倒立擺模型的基礎上, 利用機器人運動狀態預測擺動腿和支撐腿切換瞬間機器人的動能. 然后, 根據推進器所能提供的推力范圍, 計算迫使機器人靜止的捕獲點變化范圍, 即獲取捕獲域. 最后, 根據捕獲域與支撐域的空間關系, 判斷機器人是否穩定, 并計算穩定裕度. 水下實驗表明, 所提出的穩定性判據具有較好的充要性和普適性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220690
摘要:
聯邦學習(Federated learning, FL)在解決人工智能(Artificial intelligence, AI)面臨的隱私泄露和數據孤島問題方面具有顯著優勢. 針對聯邦學習的已有研究未考慮聯邦數據之間的關聯性和高維性問題, 提出一種基于聯邦數據相關性的去中心化聯邦降維方法. 該方法基于Swarm學習(Swarm learning, SL)思想, 通過分離耦合特征, 構建典型相關分析(Canonical correlation analysis, CCA)的Swarm聯邦框架, 以提取Swarm節點的低維關聯特征. 為保護協作參數的隱私安全, 還構建了一種隨機擾亂策略來隱藏Swarm特征隱私. 在真實數據集上的實驗驗證了所提方法的有效性.
聯邦學習(Federated learning, FL)在解決人工智能(Artificial intelligence, AI)面臨的隱私泄露和數據孤島問題方面具有顯著優勢. 針對聯邦學習的已有研究未考慮聯邦數據之間的關聯性和高維性問題, 提出一種基于聯邦數據相關性的去中心化聯邦降維方法. 該方法基于Swarm學習(Swarm learning, SL)思想, 通過分離耦合特征, 構建典型相關分析(Canonical correlation analysis, CCA)的Swarm聯邦框架, 以提取Swarm節點的低維關聯特征. 為保護協作參數的隱私安全, 還構建了一種隨機擾亂策略來隱藏Swarm特征隱私. 在真實數據集上的實驗驗證了所提方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220994
摘要:
精準的醫學圖像自動分割是臨床影像學診斷和影像三維重建的重要基礎.但醫學圖像數據的目標對象間對比度差異小、受器官運動影響大, 加之標注樣本規模小, 因此在小樣本下建立高性能的醫學分割模型仍是目前的難點問題. 針對主流原型學習小樣本分割網絡對醫學圖像邊界分割性能差的問題, 提出一種迭代邊界優化的小樣本分割網絡(Iterative boundary refinement based few-shot-segmentation network, IBR-FSS-Net). 以雙分支原型學習的小樣本分割框架為基礎引入類別注意力機制和密集比較模塊, 對粗分割掩碼進行迭代優化, 引導分割模型在多次迭代學習過程中關注邊界, 從而提升邊界分割精度. 為進一步克服醫學圖像訓練樣本少且多樣性不足的問題, 使用超像素方法生成偽標簽, 擴充訓練數據以提升模型泛化性. 在主流的ABD-MR和ABD-CT醫學圖像分割公共數據集上進行實驗, 與現有多種先進的醫學圖像小樣本分割方法進行了廣泛的對比分析和消融實驗. 結果表明, 該方法有效提升了未見醫學類別的分割性能.
精準的醫學圖像自動分割是臨床影像學診斷和影像三維重建的重要基礎.但醫學圖像數據的目標對象間對比度差異小、受器官運動影響大, 加之標注樣本規模小, 因此在小樣本下建立高性能的醫學分割模型仍是目前的難點問題. 針對主流原型學習小樣本分割網絡對醫學圖像邊界分割性能差的問題, 提出一種迭代邊界優化的小樣本分割網絡(Iterative boundary refinement based few-shot-segmentation network, IBR-FSS-Net). 以雙分支原型學習的小樣本分割框架為基礎引入類別注意力機制和密集比較模塊, 對粗分割掩碼進行迭代優化, 引導分割模型在多次迭代學習過程中關注邊界, 從而提升邊界分割精度. 為進一步克服醫學圖像訓練樣本少且多樣性不足的問題, 使用超像素方法生成偽標簽, 擴充訓練數據以提升模型泛化性. 在主流的ABD-MR和ABD-CT醫學圖像分割公共數據集上進行實驗, 與現有多種先進的醫學圖像小樣本分割方法進行了廣泛的對比分析和消融實驗. 結果表明, 該方法有效提升了未見醫學類別的分割性能.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210598
摘要:
前沿的自然場景文本檢測方法大多基于全卷積語義分割網絡, 利用像素級分類結果有效檢測任意形狀的文本, 其缺點是模型大、推理時間長、內存占用高, 這在實際應用中限制了其部署. 提出一種基于信息熵遷移的自蒸餾訓練方法(Self-distillation via entropy transfer, SDET), 利用文本檢測網絡深層網絡輸出的分割圖(Segmentation map, SM)信息熵作為待遷移知識, 通過輔助網絡將信息熵反饋給淺層網絡. 與依賴教師網絡的知識蒸餾 (Knowledge distillation, KD)不同, 自蒸餾訓練方法僅在訓練階段增加一個輔助網絡, 以微小的額外訓練代價實現無需教師網絡的自蒸餾(Self-distillation, SD). 在多個自然場景文本檢測的標準數據集上的實驗結果表明, SDET在基線文本檢測網絡的召回率和F1得分上, 能顯著優于其他蒸餾方法.
前沿的自然場景文本檢測方法大多基于全卷積語義分割網絡, 利用像素級分類結果有效檢測任意形狀的文本, 其缺點是模型大、推理時間長、內存占用高, 這在實際應用中限制了其部署. 提出一種基于信息熵遷移的自蒸餾訓練方法(Self-distillation via entropy transfer, SDET), 利用文本檢測網絡深層網絡輸出的分割圖(Segmentation map, SM)信息熵作為待遷移知識, 通過輔助網絡將信息熵反饋給淺層網絡. 與依賴教師網絡的知識蒸餾 (Knowledge distillation, KD)不同, 自蒸餾訓練方法僅在訓練階段增加一個輔助網絡, 以微小的額外訓練代價實現無需教師網絡的自蒸餾(Self-distillation, SD). 在多個自然場景文本檢測的標準數據集上的實驗結果表明, SDET在基線文本檢測網絡的召回率和F1得分上, 能顯著優于其他蒸餾方法.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220705
摘要:
決策蘊涵分析是形式概念分析研究的重要方面, 基于形式背景獲取決策蘊涵、概念規則等知識是數據分析、機器學習的重要研究內容之一. 首先, 利用屬性邏輯語義對決策蘊涵的特性進行刻畫. 其次, 在經典二值邏輯框架下分析決策蘊涵、概念規則的基于全蘊涵三I推理思想及分離規則 (Modus Ponens, MP) 和逆分離規則 (Modus Tonens, MT) 的近似推理模式的特征, 證明決策蘊涵的MP、MT近似推理結論是決策蘊涵, 概念規則的MP、MT近似推理結論是概念規則等結論. 引進屬性邏輯公式的偽距離, 在屬性邏輯偽距離空間中分析推理對象范圍參數變化對決策蘊涵MP、MT近似推理結論的影響. 最后, 提出若干通過MP、MT近似推理生成決策蘊涵、概念規則及擬決策蘊涵的模式和方法, 數值實驗說明所提出的方法是有效的.
決策蘊涵分析是形式概念分析研究的重要方面, 基于形式背景獲取決策蘊涵、概念規則等知識是數據分析、機器學習的重要研究內容之一. 首先, 利用屬性邏輯語義對決策蘊涵的特性進行刻畫. 其次, 在經典二值邏輯框架下分析決策蘊涵、概念規則的基于全蘊涵三I推理思想及分離規則 (Modus Ponens, MP) 和逆分離規則 (Modus Tonens, MT) 的近似推理模式的特征, 證明決策蘊涵的MP、MT近似推理結論是決策蘊涵, 概念規則的MP、MT近似推理結論是概念規則等結論. 引進屬性邏輯公式的偽距離, 在屬性邏輯偽距離空間中分析推理對象范圍參數變化對決策蘊涵MP、MT近似推理結論的影響. 最后, 提出若干通過MP、MT近似推理生成決策蘊涵、概念規則及擬決策蘊涵的模式和方法, 數值實驗說明所提出的方法是有效的.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230184
摘要:
事件抽取是一個歷史悠久且極具挑戰的研究任務, 取得了大量優異的成果. 由于事件抽取涉及的研究內容較多, 它們的目標和重心各不相同, 使得讀者難以全面地了解事件抽取包含的研究任務、研究問題以及未來的熱點趨勢. 盡管現有的少量事件抽取綜述梳理了相關成果, 但存在以下局限: 1)研究任務及其研究進展的梳理不清晰; 2)僅從技術路線的角度進行梳理. 由于不同研究任務下的不同研究問題的解決技術不宜一起對比, 因此這樣的梳理方式不利于清晰地展示事件抽取在不同方面的研究進展情況. 為此, 面向研究問題對基于深度學習的事件抽取研究成果重新回顧整理. 首先, 界定事件的相關概念, 論述事件抽取的研究任務, 明確各研究任務的目標, 再梳理各任務上的代表性研究成果; 然后, 總結現有事件抽取成果主要致力于解決哪些方面的研究問題, 分析為什么會存在這些問題、為什么需要解決這些問題的原因; 緊接著對每個方面的研究問題進行技術路線梳理, 分析各自的大體研究方案以及研究推進的過程. 最后, 討論事件抽取可能的發展趨勢.
事件抽取是一個歷史悠久且極具挑戰的研究任務, 取得了大量優異的成果. 由于事件抽取涉及的研究內容較多, 它們的目標和重心各不相同, 使得讀者難以全面地了解事件抽取包含的研究任務、研究問題以及未來的熱點趨勢. 盡管現有的少量事件抽取綜述梳理了相關成果, 但存在以下局限: 1)研究任務及其研究進展的梳理不清晰; 2)僅從技術路線的角度進行梳理. 由于不同研究任務下的不同研究問題的解決技術不宜一起對比, 因此這樣的梳理方式不利于清晰地展示事件抽取在不同方面的研究進展情況. 為此, 面向研究問題對基于深度學習的事件抽取研究成果重新回顧整理. 首先, 界定事件的相關概念, 論述事件抽取的研究任務, 明確各研究任務的目標, 再梳理各任務上的代表性研究成果; 然后, 總結現有事件抽取成果主要致力于解決哪些方面的研究問題, 分析為什么會存在這些問題、為什么需要解決這些問題的原因; 緊接著對每個方面的研究問題進行技術路線梳理, 分析各自的大體研究方案以及研究推進的過程. 最后, 討論事件抽取可能的發展趨勢.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230049
摘要:
針對現有深度學習光流估計模型在大位移場景下的準確性和魯棒性問題, 本文提出了一種聯合深度超參數卷積和交叉關聯注意力的圖像序列光流估計方法. 首先, 通過聯合深層卷積和標準卷積構建深度超參數卷積以替代普通卷積, 提取更多特征并加快光流估計網絡訓練的收斂速度, 在不增加網絡推理估計量的前提下提高光流估計的準確性; 然后, 設計基于交叉關聯注意力的特征提取編碼網絡, 通過疊加注意力層數獲得更大的感受野, 以提取多尺度長距離上下文特征信息, 增強大位移場景下光流估計的魯棒性; 最后, 采用金字塔殘差迭代模型構建聯合深度超參數卷積和交叉關聯注意力的光流估計網絡, 提升光流估計的整體性能. 分別采用MPI-Sintel和KITTI測試圖像集對本文方法和現有代表性光流估計方法進行綜合對比分析, 實驗結果表明本文方法取得了較好的光流估計性能, 尤其在大位移場景下具有更好的估計準確性與魯棒性.
針對現有深度學習光流估計模型在大位移場景下的準確性和魯棒性問題, 本文提出了一種聯合深度超參數卷積和交叉關聯注意力的圖像序列光流估計方法. 首先, 通過聯合深層卷積和標準卷積構建深度超參數卷積以替代普通卷積, 提取更多特征并加快光流估計網絡訓練的收斂速度, 在不增加網絡推理估計量的前提下提高光流估計的準確性; 然后, 設計基于交叉關聯注意力的特征提取編碼網絡, 通過疊加注意力層數獲得更大的感受野, 以提取多尺度長距離上下文特征信息, 增強大位移場景下光流估計的魯棒性; 最后, 采用金字塔殘差迭代模型構建聯合深度超參數卷積和交叉關聯注意力的光流估計網絡, 提升光流估計的整體性能. 分別采用MPI-Sintel和KITTI測試圖像集對本文方法和現有代表性光流估計方法進行綜合對比分析, 實驗結果表明本文方法取得了較好的光流估計性能, 尤其在大位移場景下具有更好的估計準確性與魯棒性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210903
摘要:
在小樣本分類任務中, 每類可供訓練的樣本非常有限, 同類樣本在特征空間中分布稀疏, 異類樣本間的邊界模糊. 文章提出一種新的基于特征變換的網絡, 并使用度量的方法來處理小樣本分類任務. 算法通過嵌入函數將樣本映射到特征空間并計算輸入樣本與樣本中心的特征殘差, 利用特征變換函數學習樣本中心與同類樣本間的殘差, 使樣本在特征空間中向同類樣本中心靠攏, 更新樣本中心在特征空間中的位置使它們之間的距離增大. 融合余弦相似度和歐氏距離構造一個新的度量方法, 設計一個度量函數對特征圖中每個局部特征的度量距離進行聯合地表達, 該函數在網絡優化時可同時對樣本特征間的夾角和歐氏距離進行優化. 網絡模型在小樣本分類任務常用數據集上的表現證明, 該模型性能優秀且具有泛化性.
在小樣本分類任務中, 每類可供訓練的樣本非常有限, 同類樣本在特征空間中分布稀疏, 異類樣本間的邊界模糊. 文章提出一種新的基于特征變換的網絡, 并使用度量的方法來處理小樣本分類任務. 算法通過嵌入函數將樣本映射到特征空間并計算輸入樣本與樣本中心的特征殘差, 利用特征變換函數學習樣本中心與同類樣本間的殘差, 使樣本在特征空間中向同類樣本中心靠攏, 更新樣本中心在特征空間中的位置使它們之間的距離增大. 融合余弦相似度和歐氏距離構造一個新的度量方法, 設計一個度量函數對特征圖中每個局部特征的度量距離進行聯合地表達, 該函數在網絡優化時可同時對樣本特征間的夾角和歐氏距離進行優化. 網絡模型在小樣本分類任務常用數據集上的表現證明, 該模型性能優秀且具有泛化性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220966
摘要:
篇章關系抽取是識別篇章中實體對之間的關系. 相較于傳統的句子級別關系抽取, 篇章級別關系抽取任務更加貼近實際應用, 但是它對實體對的跨句子推理和上下文信息感知等問題提出了新的挑戰. 本文提出融合實體和上下文信息(Fuse entity and context information, FECI)的篇章關系抽取方法, 它包含兩個模塊, 分別是實體信息抽取模塊和上下文信息抽取模塊. 實體信息抽取模塊從兩個實體中自動地抽取出能夠表示實體對關系的特征. 上下文信息抽取模塊根據實體對的提及位置信息, 從篇章中抽取不同的上下文關系特征. 本文在三個篇章級別的關系抽取數據集上進行實驗, 效果得到顯著地提升.
篇章關系抽取是識別篇章中實體對之間的關系. 相較于傳統的句子級別關系抽取, 篇章級別關系抽取任務更加貼近實際應用, 但是它對實體對的跨句子推理和上下文信息感知等問題提出了新的挑戰. 本文提出融合實體和上下文信息(Fuse entity and context information, FECI)的篇章關系抽取方法, 它包含兩個模塊, 分別是實體信息抽取模塊和上下文信息抽取模塊. 實體信息抽取模塊從兩個實體中自動地抽取出能夠表示實體對關系的特征. 上下文信息抽取模塊根據實體對的提及位置信息, 從篇章中抽取不同的上下文關系特征. 本文在三個篇章級別的關系抽取數據集上進行實驗, 效果得到顯著地提升.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220774
摘要:
針對含有輸入時滯和低階非線性項的非線性系統, 提出了一種基于采樣機制的無記憶輸出反饋控制方法. 該方法移除了傳統預測控制方法預測映射難以確定的限制, 同時避免了時滯依賴方法對過去時刻狀態信息的依賴性, 在實際中更易實現. 首先, 根據系統輸出在采樣時刻的信息, 利用加冪積分技術和齊次占優思想設計了無記憶輸出反饋控制器. 然后, 利用齊次系統理論提出了閉環系統的穩定性條件. 最后, 仿真結果驗證了所提方法的正確性和優越性.
針對含有輸入時滯和低階非線性項的非線性系統, 提出了一種基于采樣機制的無記憶輸出反饋控制方法. 該方法移除了傳統預測控制方法預測映射難以確定的限制, 同時避免了時滯依賴方法對過去時刻狀態信息的依賴性, 在實際中更易實現. 首先, 根據系統輸出在采樣時刻的信息, 利用加冪積分技術和齊次占優思想設計了無記憶輸出反饋控制器. 然后, 利用齊次系統理論提出了閉環系統的穩定性條件. 最后, 仿真結果驗證了所提方法的正確性和優越性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220938
摘要:
目前大多數深度學習算法都依賴于大量的標注數據并欠缺一定的泛化能力. 無監督域適應算法能提取到已標注數據和未標注數據間隱式共同特征, 從而提高算法在未標注數據上的性能. 目前域適應目標檢測算法主要為兩階段目標檢測器設計. 針對單階段檢測器中無法直接進行實例級特征對齊導致一定數量域不變特征的缺失, 提出結合通道注意力機制的圖像級域分類器加強域不變特征提取. 此外對于域適應目標檢測中存在類別特征的錯誤對齊引起的精度下降問題, 通過原型學習構建類別中心, 設計了一種基于原型的循環域三元損失函數, 從而實現原型引導的精細類別特征對齊. 以單階段目標檢測算法作為檢測器, 在多種域適應目標檢測公共數據集上進行實驗. 實驗結果證明該方法能有效提升原檢測器在目標域的泛化能力達到更高的檢測精度, 并且對于單階段目標檢測網絡具有一定的通用性.
目前大多數深度學習算法都依賴于大量的標注數據并欠缺一定的泛化能力. 無監督域適應算法能提取到已標注數據和未標注數據間隱式共同特征, 從而提高算法在未標注數據上的性能. 目前域適應目標檢測算法主要為兩階段目標檢測器設計. 針對單階段檢測器中無法直接進行實例級特征對齊導致一定數量域不變特征的缺失, 提出結合通道注意力機制的圖像級域分類器加強域不變特征提取. 此外對于域適應目標檢測中存在類別特征的錯誤對齊引起的精度下降問題, 通過原型學習構建類別中心, 設計了一種基于原型的循環域三元損失函數, 從而實現原型引導的精細類別特征對齊. 以單階段目標檢測算法作為檢測器, 在多種域適應目標檢測公共數據集上進行實驗. 實驗結果證明該方法能有效提升原檢測器在目標域的泛化能力達到更高的檢測精度, 并且對于單階段目標檢測網絡具有一定的通用性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220988
摘要:
帶有雙球面擺和變繩長效應的橋式起重機具有多輸入多輸出以及欠驅動的動力學特性, 目前仍缺乏有效的控制策略. 在臺車移動、橋架移動、負載升降同步作業過程中, 吊鉤和負載兩級球面擺動特性更為復雜, 各狀態量之間的非線性耦合關系更強, 橋式起重機的防擺控制更具挑戰性. 不僅如此, 現有方法無法保證橋式起重機系統全狀態量的暫態控制性能. 為解決上述問題, 提出了一種基于多項式的優化軌跡規劃方法. 首先, 在未進行近似簡化的前提下, 使用拉格朗日方法建立了帶有雙球面擺和變繩長效應的7自由度橋式起重機的精確動力學模型. 在此基礎上, 構造了一組包含各狀態量的輔助信號, 將施加在臺車、橋架、繩長以及吊鉤、負載擺動上的約束轉化為對輔助信號的約束, 從而將橋式起重機的軌跡規劃問題轉化為與輔助信號相關的時間優化問題, 并使用二分法求解. 該軌跡規劃方法不僅縮短了吊運時間, 而且確保了全狀態量滿足約束條件. 最后, 仿真結果證明了動力學模型的準確性和軌跡規劃方法的有效性.
帶有雙球面擺和變繩長效應的橋式起重機具有多輸入多輸出以及欠驅動的動力學特性, 目前仍缺乏有效的控制策略. 在臺車移動、橋架移動、負載升降同步作業過程中, 吊鉤和負載兩級球面擺動特性更為復雜, 各狀態量之間的非線性耦合關系更強, 橋式起重機的防擺控制更具挑戰性. 不僅如此, 現有方法無法保證橋式起重機系統全狀態量的暫態控制性能. 為解決上述問題, 提出了一種基于多項式的優化軌跡規劃方法. 首先, 在未進行近似簡化的前提下, 使用拉格朗日方法建立了帶有雙球面擺和變繩長效應的7自由度橋式起重機的精確動力學模型. 在此基礎上, 構造了一組包含各狀態量的輔助信號, 將施加在臺車、橋架、繩長以及吊鉤、負載擺動上的約束轉化為對輔助信號的約束, 從而將橋式起重機的軌跡規劃問題轉化為與輔助信號相關的時間優化問題, 并使用二分法求解. 該軌跡規劃方法不僅縮短了吊運時間, 而且確保了全狀態量滿足約束條件. 最后, 仿真結果證明了動力學模型的準確性和軌跡規劃方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c230039
摘要:
針對金屬平面及三維結構材料的工業表面缺陷檢測, 本文概述了視覺檢測技術的基本原理和研究現狀, 并總結出視覺自動檢測系統的關鍵技術包括光學成像技術、圖像預處理技術與缺陷檢測器. 本文首先介紹了如何根據檢測對象的光學特性選擇合適的二維、三維光學成像技術; 其次介紹了圖像降噪、特征提取、圖像分割和拼接等預處理技術的重要作用; 然后根據缺陷檢測器的實現原理將其分為模板匹配、圖像分類、圖像語義分割、目標檢測和圖像異常檢測五類, 并對其中的經典算法進行了歸納分析. 最后, 本文探討了工業場景下視覺檢測技術實施中的關鍵問題, 并對該技術的發展趨勢進行了展望.
針對金屬平面及三維結構材料的工業表面缺陷檢測, 本文概述了視覺檢測技術的基本原理和研究現狀, 并總結出視覺自動檢測系統的關鍵技術包括光學成像技術、圖像預處理技術與缺陷檢測器. 本文首先介紹了如何根據檢測對象的光學特性選擇合適的二維、三維光學成像技術; 其次介紹了圖像降噪、特征提取、圖像分割和拼接等預處理技術的重要作用; 然后根據缺陷檢測器的實現原理將其分為模板匹配、圖像分類、圖像語義分割、目標檢測和圖像異常檢測五類, 并對其中的經典算法進行了歸納分析. 最后, 本文探討了工業場景下視覺檢測技術實施中的關鍵問題, 并對該技術的發展趨勢進行了展望.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220939
摘要:
無線網絡是工業物聯網中的一種具有良好前景的網絡互聯技術. 它的應用為工業現場設備的部署提供了極大的便利, 使設備擺脫了線纜的束縛從而在空間上的選點更為靈活, 同時能夠節省線材和人力等方面的成本. 然而, 無線通信易受環境噪聲的影響, 尤其是在復雜電磁干擾的工業環境中, 易導致無線傳輸的時延增大和數據丟失. 這些問題對于傳輸實時性要求較高的工業控制系統而言是非常不利的因素. 為了提高無線網絡在工業環境中數據傳輸的實時性, 業界設計了多種傳輸調度算法以提高無線通信的實時性和可靠性從而滿足工業應用的需求. 綜述了工業無線網絡傳輸調度算法的研究現狀, 對其發展歷程、問題定義、評價指標、分類方法和現有標準等方面進行了全面的總結, 詳細闡述了具有代表性的調度算法的工作原理, 并指出了未來的研究方向.
無線網絡是工業物聯網中的一種具有良好前景的網絡互聯技術. 它的應用為工業現場設備的部署提供了極大的便利, 使設備擺脫了線纜的束縛從而在空間上的選點更為靈活, 同時能夠節省線材和人力等方面的成本. 然而, 無線通信易受環境噪聲的影響, 尤其是在復雜電磁干擾的工業環境中, 易導致無線傳輸的時延增大和數據丟失. 這些問題對于傳輸實時性要求較高的工業控制系統而言是非常不利的因素. 為了提高無線網絡在工業環境中數據傳輸的實時性, 業界設計了多種傳輸調度算法以提高無線通信的實時性和可靠性從而滿足工業應用的需求. 綜述了工業無線網絡傳輸調度算法的研究現狀, 對其發展歷程、問題定義、評價指標、分類方法和現有標準等方面進行了全面的總結, 詳細闡述了具有代表性的調度算法的工作原理, 并指出了未來的研究方向.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c211112
摘要:
針對云服務器中存在軟件老化現象, 將造成系統性能衰退與可靠性下降的問題, 借鑒剩余使用壽命(Remaining useful life, RUL)概念, 提出基于支持向量(Support vectors, SVs)和高斯函數擬合(Gaussian function fitting, GFF)的老化預測方法(SVs-GFF). 首先, 提取云服務器老化數據的統計特征指標, 并采用支持向量回歸(Support vector regression, SVR) 對統計特征指標進行數據稀疏化處理, 得到支持向量序列數據; 然后, 建立基于密度聚類的高斯函數擬合模型, 對不同核函數下的支持向量序列數據進行老化曲線擬合, 并采用Fréchet距離優化算法選取最優老化曲線; 最后, 基于最優老化曲線, 評估系統到達老化閾值前的RUL, 以預測系統何時發生老化. 在OpenStack云服務器4個老化數據集上的實驗結果表明, 基于RUL和SVs-GFF的云服務器老化預測方法與傳統預測方法相比, 具有更高的預測精度和更快的收斂速度.
針對云服務器中存在軟件老化現象, 將造成系統性能衰退與可靠性下降的問題, 借鑒剩余使用壽命(Remaining useful life, RUL)概念, 提出基于支持向量(Support vectors, SVs)和高斯函數擬合(Gaussian function fitting, GFF)的老化預測方法(SVs-GFF). 首先, 提取云服務器老化數據的統計特征指標, 并采用支持向量回歸(Support vector regression, SVR) 對統計特征指標進行數據稀疏化處理, 得到支持向量序列數據; 然后, 建立基于密度聚類的高斯函數擬合模型, 對不同核函數下的支持向量序列數據進行老化曲線擬合, 并采用Fréchet距離優化算法選取最優老化曲線; 最后, 基于最優老化曲線, 評估系統到達老化閾值前的RUL, 以預測系統何時發生老化. 在OpenStack云服務器4個老化數據集上的實驗結果表明, 基于RUL和SVs-GFF的云服務器老化預測方法與傳統預測方法相比, 具有更高的預測精度和更快的收斂速度.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220914
摘要:
為降低無人機(Unmanned aerial vehicle, UAV)使能的無線傳感網的能量消耗, 延長網絡生命周期, 該文提出一種在地面節點能量預算下系統總能耗優化方法. 首先, 提出地面節點聚類方法, 利用目標函數確定最優簇數, 改進模糊C均值算法構建能量均衡的集群, 采用退避定時器機制根據隸屬度和能量值選擇各集群的最優簇頭, 減少地面節點的能耗. 其次, 根據已選簇頭位置, 利用遺傳算法規劃UAV的飛行軌跡, 減小UAV能耗. 最后, 通過單純形搜索算法和連續凸逼近算法聯合優化簇頭發射功率和UAV懸停位置, 減小數據采集時系統的總能耗. 仿真結果表明, 所提方法優于所比較的方案.
為降低無人機(Unmanned aerial vehicle, UAV)使能的無線傳感網的能量消耗, 延長網絡生命周期, 該文提出一種在地面節點能量預算下系統總能耗優化方法. 首先, 提出地面節點聚類方法, 利用目標函數確定最優簇數, 改進模糊C均值算法構建能量均衡的集群, 采用退避定時器機制根據隸屬度和能量值選擇各集群的最優簇頭, 減少地面節點的能耗. 其次, 根據已選簇頭位置, 利用遺傳算法規劃UAV的飛行軌跡, 減小UAV能耗. 最后, 通過單純形搜索算法和連續凸逼近算法聯合優化簇頭發射功率和UAV懸停位置, 減小數據采集時系統的總能耗. 仿真結果表明, 所提方法優于所比較的方案.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220754
摘要:
針對級聯非線性切換系統, 提出了基于周期事件驅動機制的H∞輸出跟蹤控制策略. 首先, 基于提出的周期事件驅動方案, 設計了積分型控制器, 并將閉環系統轉化為時滯切換系統. 其次, 考慮子系統與控制器異步切換的情況, 并給出駐留時間與平均駐留時間滿足的關系, 從而得到H∞輸出跟蹤控制問題可解的充分條件. 最后, 給出數值仿真驗證主要方法的有效性.
針對級聯非線性切換系統, 提出了基于周期事件驅動機制的H∞輸出跟蹤控制策略. 首先, 基于提出的周期事件驅動方案, 設計了積分型控制器, 并將閉環系統轉化為時滯切換系統. 其次, 考慮子系統與控制器異步切換的情況, 并給出駐留時間與平均駐留時間滿足的關系, 從而得到H∞輸出跟蹤控制問題可解的充分條件. 最后, 給出數值仿真驗證主要方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220893
摘要:
研究了受到隱蔽攻擊的信息物理系統的安全控制問題. 采用Kullback-Leibler(KL)散度描述攻擊的隱蔽性, 并設計動態輸出反饋控制器使得系統可達集始終保持在安全區域內, 其中可達集定義為系統狀態以一定概率屬于的集合. 首先, 給出了隱蔽攻擊下檢測器殘差所在范圍的一個外橢球近似集. 其次, 根據該近似集和噪聲的范圍給出了控制器參數與系統橢球形不變可達集的關系. 然后, 通過設計可逆線性變換并構造凸優化問題, 求解安全動態輸出控制器參數和相應的不變可達集. 最后, 使用彈簧-質量-阻尼系統進行仿真, 驗證了所提控制方法的有效性.
研究了受到隱蔽攻擊的信息物理系統的安全控制問題. 采用Kullback-Leibler(KL)散度描述攻擊的隱蔽性, 并設計動態輸出反饋控制器使得系統可達集始終保持在安全區域內, 其中可達集定義為系統狀態以一定概率屬于的集合. 首先, 給出了隱蔽攻擊下檢測器殘差所在范圍的一個外橢球近似集. 其次, 根據該近似集和噪聲的范圍給出了控制器參數與系統橢球形不變可達集的關系. 然后, 通過設計可逆線性變換并構造凸優化問題, 求解安全動態輸出控制器參數和相應的不變可達集. 最后, 使用彈簧-質量-阻尼系統進行仿真, 驗證了所提控制方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210467
摘要:
針對熱軋帶鋼表面缺陷檢測存在的智能化水平低、檢測精度低和檢測速度慢等問題, 本文提出了一種基于自適應全局定位網絡(Adaptive global localization network, AGLNet)的深度學習缺陷檢測算法. 首先, 引入了一種殘差網絡(Residual network, ResNet)與特征金字塔網絡(Feature pyramid network, FPN)集成的特征提取結構, 減少缺陷語義信息在層級傳遞間的消失; 其次, 提出基于Tree-structure parzen estimation的自適應樹型候選框提取網絡(Adaptive tree-structure region proposal network, AT-RPN), 無需先驗知識的測試積累, 避免了人為調參的訓練模; 最后, 引入了全局定位算法(Global localization regression)算法以全局定位的模式在復雜的缺陷檢測中實現缺陷更精確定位.本文實現一種快速、準確、更智能化、更適用于實際工業應用的熱軋帶鋼表面缺陷的算法.實驗結果表明, AGLNet在NEU-DET熱軋帶鋼表面缺陷數據集上的檢測速度保持在11.8fps, 平均精度達到了79.90 %, 優于目前其他深度學習帶鋼表面缺陷檢測算法; 另外該算法還具備較強的泛化能力.
針對熱軋帶鋼表面缺陷檢測存在的智能化水平低、檢測精度低和檢測速度慢等問題, 本文提出了一種基于自適應全局定位網絡(Adaptive global localization network, AGLNet)的深度學習缺陷檢測算法. 首先, 引入了一種殘差網絡(Residual network, ResNet)與特征金字塔網絡(Feature pyramid network, FPN)集成的特征提取結構, 減少缺陷語義信息在層級傳遞間的消失; 其次, 提出基于Tree-structure parzen estimation的自適應樹型候選框提取網絡(Adaptive tree-structure region proposal network, AT-RPN), 無需先驗知識的測試積累, 避免了人為調參的訓練模; 最后, 引入了全局定位算法(Global localization regression)算法以全局定位的模式在復雜的缺陷檢測中實現缺陷更精確定位.本文實現一種快速、準確、更智能化、更適用于實際工業應用的熱軋帶鋼表面缺陷的算法.實驗結果表明, AGLNet在NEU-DET熱軋帶鋼表面缺陷數據集上的檢測速度保持在11.8fps, 平均精度達到了79.90 %, 優于目前其他深度學習帶鋼表面缺陷檢測算法; 另外該算法還具備較強的泛化能力.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210664
摘要:
航母甲板在風、浪、流等因素影響下做六自由度不規則運動, 影響艦載機著艦精度. 航母甲板運動預估與補償是自動著艦系統的重要功能之一, 也是提高艦載機著艦安全性與成功率的關鍵技術之一. 本文提出一種面向甲板運動預估的魯棒學習模型, 通過基本構建單元自適應演化出復雜學習系統. 構建單元的訓練采用非梯度的偽逆學習策略, 提高了訓練效率, 簡化了學習控制超參數調優;構建單元的架構設計采用數據驅動的策略, 簡化了架構超參數調優;采用圖拉普拉斯正則化方法提高了模型的魯棒性. 通過某型航母在中等海況條件下以典型航速巡航時的仿真實驗, 驗證了所提方法在甲板縱搖、橫搖以及垂蕩運動預估問題中的有效性及魯棒性.
航母甲板在風、浪、流等因素影響下做六自由度不規則運動, 影響艦載機著艦精度. 航母甲板運動預估與補償是自動著艦系統的重要功能之一, 也是提高艦載機著艦安全性與成功率的關鍵技術之一. 本文提出一種面向甲板運動預估的魯棒學習模型, 通過基本構建單元自適應演化出復雜學習系統. 構建單元的訓練采用非梯度的偽逆學習策略, 提高了訓練效率, 簡化了學習控制超參數調優;構建單元的架構設計采用數據驅動的策略, 簡化了架構超參數調優;采用圖拉普拉斯正則化方法提高了模型的魯棒性. 通過某型航母在中等海況條件下以典型航速巡航時的仿真實驗, 驗證了所提方法在甲板縱搖、橫搖以及垂蕩運動預估問題中的有效性及魯棒性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220531
摘要:
大規模多視圖聚類旨在解決傳統多視圖聚類算法中計算速度慢、空間復雜度高以致無法擴展到大規模數據的問題.其中, 基于錨點的多視圖聚類方法通過使用整體數據集合的錨點集構建后者對于前者的重構矩陣, 利用重構矩陣進行聚類, 有效地降低了算法的時間和空間復雜度.然而, 現有的方法忽視了錨點之間的差異, 均等地看待所有錨點, 導致聚類結果受到低質量錨點的限制.為了定位更具有判別性的錨點, 加強高質量錨點對聚類的影響, 提出了一種基于加權錨點的大規模多視圖聚類算法(Multi-view Clustering With Weighted Anchors, MVC-WA).通過引入自適應錨點加權機制, 所提方法在統一框架下確定錨點的權重, 進行錨圖的構建.同時, 為了增加錨點的多樣性, 根據錨點之間的相似度進一步調整錨點的權重.在9個基準數據集上與現有最先進的大規模多視圖聚類算法的對比實驗結果驗證了所提方法的高效性與有效性.
大規模多視圖聚類旨在解決傳統多視圖聚類算法中計算速度慢、空間復雜度高以致無法擴展到大規模數據的問題.其中, 基于錨點的多視圖聚類方法通過使用整體數據集合的錨點集構建后者對于前者的重構矩陣, 利用重構矩陣進行聚類, 有效地降低了算法的時間和空間復雜度.然而, 現有的方法忽視了錨點之間的差異, 均等地看待所有錨點, 導致聚類結果受到低質量錨點的限制.為了定位更具有判別性的錨點, 加強高質量錨點對聚類的影響, 提出了一種基于加權錨點的大規模多視圖聚類算法(Multi-view Clustering With Weighted Anchors, MVC-WA).通過引入自適應錨點加權機制, 所提方法在統一框架下確定錨點的權重, 進行錨圖的構建.同時, 為了增加錨點的多樣性, 根據錨點之間的相似度進一步調整錨點的權重.在9個基準數據集上與現有最先進的大規模多視圖聚類算法的對比實驗結果驗證了所提方法的高效性與有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210174
摘要:
針對一類難以建立精確模型的單輸入單輸出(Single-input single-output, SISO) 非線性離散動態系統, 提出了一種數據驅動模型的自適應控制方法. 所提方法首先設計具有直鏈與增強結構的隨機配置網絡(Stochastic configuration network, SCN), 建立了一種可同時表征非線性系統低階線性部分與高階非線性項(未建模動態)的數據驅動模型, 并采用增量學習方法與監督機制, 對模型結構與模型參數進行同步更新優化, 保證了數據驅動模型的無限逼近能力, 解決了傳統自適應控制采用交替辨識算法存在的建模精度低、模型收斂性無法保證的問題. 進而利用直鏈部分與增強部分, 分別設計了線性控制器及虛擬未建模動態補償器, 建立了基于SCN 數據驅動模型的自適應控制新方法, 分析了其穩定性與收斂性, 通過數值仿真實驗和采用交替辨識算法的傳統自適應控制方法進行對比, 實驗結果表明所提方法的有效性.
針對一類難以建立精確模型的單輸入單輸出(Single-input single-output, SISO) 非線性離散動態系統, 提出了一種數據驅動模型的自適應控制方法. 所提方法首先設計具有直鏈與增強結構的隨機配置網絡(Stochastic configuration network, SCN), 建立了一種可同時表征非線性系統低階線性部分與高階非線性項(未建模動態)的數據驅動模型, 并采用增量學習方法與監督機制, 對模型結構與模型參數進行同步更新優化, 保證了數據驅動模型的無限逼近能力, 解決了傳統自適應控制采用交替辨識算法存在的建模精度低、模型收斂性無法保證的問題. 進而利用直鏈部分與增強部分, 分別設計了線性控制器及虛擬未建模動態補償器, 建立了基于SCN 數據驅動模型的自適應控制新方法, 分析了其穩定性與收斂性, 通過數值仿真實驗和采用交替辨識算法的傳統自適應控制方法進行對比, 實驗結果表明所提方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c211233
摘要:
縱向聯邦學習是一種新興的分布式機器學習技術, 在保障隱私性的前提下利用分散在各個機構的數據實現機器學習模型的聯合訓練. 縱向聯邦學習被廣泛應用于工業互聯網金融借貸和醫療診斷等眾多領域中, 因此保證其隱私安全性具有重要意義. 本文首先針對縱向聯邦學習協議中由于參與方交換的嵌入表示造成的隱私泄露風險, 研究由協作者發起的通用的屬性推斷攻擊. 攻擊者利用輔助數據和嵌入表示訓練一個攻擊模型, 然后利用訓練完成的攻擊模型竊取參與方的隱私屬性. 實驗結果表明: 縱向聯邦學習在訓練、推理階段產生的嵌入表示容易泄露數據隱私. 為了應對上述隱私泄露風險, 進一步提出一種基于最大最小策略的縱向聯邦學習隱私保護方法, 其引入梯度正則組件保證訓練過程主任務的預測性能, 同時引入重構組件掩藏參與方嵌入表示中包含的隱私屬性信息. 最后, 在鋼板缺陷診斷工業場景的實驗結果表明: 相比于沒有任何防御方法的VFL, 隱私保護方法將攻擊推斷準確度從95%降到55%以下, 接近于隨機猜測的水平, 同時主任務預測準確率僅下降2%.
縱向聯邦學習是一種新興的分布式機器學習技術, 在保障隱私性的前提下利用分散在各個機構的數據實現機器學習模型的聯合訓練. 縱向聯邦學習被廣泛應用于工業互聯網金融借貸和醫療診斷等眾多領域中, 因此保證其隱私安全性具有重要意義. 本文首先針對縱向聯邦學習協議中由于參與方交換的嵌入表示造成的隱私泄露風險, 研究由協作者發起的通用的屬性推斷攻擊. 攻擊者利用輔助數據和嵌入表示訓練一個攻擊模型, 然后利用訓練完成的攻擊模型竊取參與方的隱私屬性. 實驗結果表明: 縱向聯邦學習在訓練、推理階段產生的嵌入表示容易泄露數據隱私. 為了應對上述隱私泄露風險, 進一步提出一種基于最大最小策略的縱向聯邦學習隱私保護方法, 其引入梯度正則組件保證訓練過程主任務的預測性能, 同時引入重構組件掩藏參與方嵌入表示中包含的隱私屬性信息. 最后, 在鋼板缺陷診斷工業場景的實驗結果表明: 相比于沒有任何防御方法的VFL, 隱私保護方法將攻擊推斷準確度從95%降到55%以下, 接近于隨機猜測的水平, 同時主任務預測準確率僅下降2%.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c220090
摘要:
實際工業場景中, 需要在生產過程中收集大量測點的數據, 從而掌握生產過程運行狀態. 傳統的過程監測方法通常僅評估運行狀態整體的異常與否, 或對運行狀態進行分級評估, 這種方式并不會直接定位故障部位, 不利于故障的高效檢修. 為此, 提出了一種基于全量測點估計的監測模型, 根據全量測點估計值與實際值的偏差定義監測指標, 從而實現全量測點的分別精準監測. 為了克服原有的基于工況估計的監測方法監測不全面且對測點間耦合關系建模不充分的問題, 提出了多核圖卷積網絡(Multi-kernel graph convolution network, MKGCN), 通過將全量傳感器測點視為一張全量測點圖, 顯式地對測點間耦合關系進行建模, 從而實現了全量傳感器測點的同步工況估計. 此外, 面向在線監測場景, 設計了基于特征逼近的自迭代方法, 從而克服了在異常情況下由于測點間強耦合導致的部分測點估計值異常的問題. 所提出的方法在電廠百萬千瓦超超臨界機組中引風機的實際數據上進行了驗證, 結果顯示, 提出的監測方法與其他典型方法相比能夠更精準地檢測出發生故障的測點.
實際工業場景中, 需要在生產過程中收集大量測點的數據, 從而掌握生產過程運行狀態. 傳統的過程監測方法通常僅評估運行狀態整體的異常與否, 或對運行狀態進行分級評估, 這種方式并不會直接定位故障部位, 不利于故障的高效檢修. 為此, 提出了一種基于全量測點估計的監測模型, 根據全量測點估計值與實際值的偏差定義監測指標, 從而實現全量測點的分別精準監測. 為了克服原有的基于工況估計的監測方法監測不全面且對測點間耦合關系建模不充分的問題, 提出了多核圖卷積網絡(Multi-kernel graph convolution network, MKGCN), 通過將全量傳感器測點視為一張全量測點圖, 顯式地對測點間耦合關系進行建模, 從而實現了全量傳感器測點的同步工況估計. 此外, 面向在線監測場景, 設計了基于特征逼近的自迭代方法, 從而克服了在異常情況下由于測點間強耦合導致的部分測點估計值異常的問題. 所提出的方法在電廠百萬千瓦超超臨界機組中引風機的實際數據上進行了驗證, 結果顯示, 提出的監測方法與其他典型方法相比能夠更精準地檢測出發生故障的測點.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c211163
摘要:
針對考慮外部海洋環境擾動和內部模型不確定性的多個欠驅動自主水下航行器, 研究了其在通信資源受限和機載能量受限下的協同路徑跟蹤控制問題. 首先, 針對水聲通信信道窄造成的通信資源受限問題, 設計了一種基于事件觸發機制的協同通信策略; 其次, 針對模型不確定性和海洋環境擾動問題, 設計了一種基于事件觸發機制的線性擴張狀態觀測器來逼近水下航行器的未知動力學, 并降低了系統采樣次數; 最后, 針對機載能量受限問題, 設計了一種基于事件觸發機制的動力學控制律, 在保證控制精度的前提下降低了執行機構的動作頻次, 從而節省了能量消耗. 應用級聯系統穩定性分析方法, 分別證明了閉環系統是輸入狀態穩定的, 且系統不存在Zeno行為. 仿真結果驗證了所提基于事件觸發機制的多自主水下航行器協同路徑跟蹤控制方法的有效性.
針對考慮外部海洋環境擾動和內部模型不確定性的多個欠驅動自主水下航行器, 研究了其在通信資源受限和機載能量受限下的協同路徑跟蹤控制問題. 首先, 針對水聲通信信道窄造成的通信資源受限問題, 設計了一種基于事件觸發機制的協同通信策略; 其次, 針對模型不確定性和海洋環境擾動問題, 設計了一種基于事件觸發機制的線性擴張狀態觀測器來逼近水下航行器的未知動力學, 并降低了系統采樣次數; 最后, 針對機載能量受限問題, 設計了一種基于事件觸發機制的動力學控制律, 在保證控制精度的前提下降低了執行機構的動作頻次, 從而節省了能量消耗. 應用級聯系統穩定性分析方法, 分別證明了閉環系統是輸入狀態穩定的, 且系統不存在Zeno行為. 仿真結果驗證了所提基于事件觸發機制的多自主水下航行器協同路徑跟蹤控制方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210966
摘要:
目前, 在帶有視差場景的圖像對齊中, 主要難點在某些無法找到足夠匹配特征的區域, 這些區域稱為匹配特征缺失區域. 現有算法往往忽略匹配特征缺失區域的對齊建模, 而只將有足夠匹配特征區域中的部分單應變換系數(如相似性變換系數)傳遞給匹配特征缺失區域, 或者采用將匹配特征缺失區域轉化為有足夠匹配特征區域的間接方式, 因此對齊效果仍不理想. 在客觀事實上, 位于相同平面的區域應該擁有相同的完整單應變換而非部分變換參數. 由此出發, 利用單應變換系數擴散的思想設計了一個二步網格優化的圖像對齊算法. 該方法在第一步網格優化時獲得有足夠匹配特征區域的單應變換, 再基于提出的單應性擴散約束將這些單應變換系數擴散到鄰域網格, 進行第二步網格優化, 在保證優化任務簡潔高效的前提下實現單應變換系數的傳播與圖像對齊. 相較于現有的針對視差場景圖像對齊算法, 所提方法在各項指標上都獲得了更好的效果.
目前, 在帶有視差場景的圖像對齊中, 主要難點在某些無法找到足夠匹配特征的區域, 這些區域稱為匹配特征缺失區域. 現有算法往往忽略匹配特征缺失區域的對齊建模, 而只將有足夠匹配特征區域中的部分單應變換系數(如相似性變換系數)傳遞給匹配特征缺失區域, 或者采用將匹配特征缺失區域轉化為有足夠匹配特征區域的間接方式, 因此對齊效果仍不理想. 在客觀事實上, 位于相同平面的區域應該擁有相同的完整單應變換而非部分變換參數. 由此出發, 利用單應變換系數擴散的思想設計了一個二步網格優化的圖像對齊算法. 該方法在第一步網格優化時獲得有足夠匹配特征區域的單應變換, 再基于提出的單應性擴散約束將這些單應變換系數擴散到鄰域網格, 進行第二步網格優化, 在保證優化任務簡潔高效的前提下實現單應變換系數的傳播與圖像對齊. 相較于現有的針對視差場景圖像對齊算法, 所提方法在各項指標上都獲得了更好的效果.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c211244
摘要:
分布式電力市場交易模式可以有效緩解傳統集中模式下市場主體的隱私安全等問題, 但難以在保障市場主體收益和電力系統安全穩定運行的同時實現社會福利最大化. 因此, 考慮電網線路傳輸約束, 首先以社會福利最大化為目標構建了集中式交易模型, 并采用拉格朗日乘子法和對偶理論將其等價分解為各市場主體自身利益最大化的分布式交易模型. 在此基礎上, 設計了兩種適用于不同場景的分布式交易方法, 并構造電網安全成本影響市場主體的決策, 從而保證電網線路傳輸安全. 最后, 基于算例分析驗證了兩種方法的有效性.
分布式電力市場交易模式可以有效緩解傳統集中模式下市場主體的隱私安全等問題, 但難以在保障市場主體收益和電力系統安全穩定運行的同時實現社會福利最大化. 因此, 考慮電網線路傳輸約束, 首先以社會福利最大化為目標構建了集中式交易模型, 并采用拉格朗日乘子法和對偶理論將其等價分解為各市場主體自身利益最大化的分布式交易模型. 在此基礎上, 設計了兩種適用于不同場景的分布式交易方法, 并構造電網安全成本影響市場主體的決策, 從而保證電網線路傳輸安全. 最后, 基于算例分析驗證了兩種方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210577
摘要:
現有大多數用于識別候選疾病基因的隨機游走方法通常優先訪問高度連接的基因, 而可能與已知疾病有關的不知名或連接性差的基因易被忽略或難以識別. 此外, 這些方法僅訪問單個基因網絡或各種基因數據的聚合網絡, 導致偏差和不完整性. 因此, 設計一種能控制隨機游走運動方向和整合多種數據源的候選疾病基因識別方法將是一個迫切需要解決的問題. 為此, 本文首先構建多層網絡和多層異構基因網絡. 然后, 提出了一種游走于多層和多層異構網絡的拓撲偏置隨機游走(Biased random walk with restart, BRWR)算法來識別疾病基因. 實驗結果表明, 游走于不同類型網絡上的識別候選疾病基因的BRWR算法優于現有的算法. 最后, 應用于多層異構網絡上的BRWR算法能預測未診斷的新生兒類早衰綜合征中涉及的疾病基因.
現有大多數用于識別候選疾病基因的隨機游走方法通常優先訪問高度連接的基因, 而可能與已知疾病有關的不知名或連接性差的基因易被忽略或難以識別. 此外, 這些方法僅訪問單個基因網絡或各種基因數據的聚合網絡, 導致偏差和不完整性. 因此, 設計一種能控制隨機游走運動方向和整合多種數據源的候選疾病基因識別方法將是一個迫切需要解決的問題. 為此, 本文首先構建多層網絡和多層異構基因網絡. 然后, 提出了一種游走于多層和多層異構網絡的拓撲偏置隨機游走(Biased random walk with restart, BRWR)算法來識別疾病基因. 實驗結果表明, 游走于不同類型網絡上的識別候選疾病基因的BRWR算法優于現有的算法. 最后, 應用于多層異構網絡上的BRWR算法能預測未診斷的新生兒類早衰綜合征中涉及的疾病基因.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210925
摘要:
多重不確定性環境下的非線性系統辨識是一個開放問題.貝葉斯學習在描述、處理不確定性方面具有顯著優勢, 已在線性系統辨識方面得到廣泛應用, 但在非線性系統辨識的應用較少, 面臨概率估計復雜、計算量大等困難.本文針對上述問題, 以典型維納非線性過程為對象, 提出基于隨機變分貝葉斯的非線性系統辨識方法.首先對過程噪聲、測量噪聲以及參數不確定性進行概率描述;然后利用隨機變分貝葉斯方法對模型參數進行后驗估計.在估計過程中, 利用隨機優化思想, 僅利用部分中間變量概率信息估計模型參數分布的自然梯度期望, 與利用所有中間變量概率信息估計模型參數比較, 顯著降低了計算復雜性.該方法是首次在系統辨識領域中的應用.本文利用一個仿真實例和一個維納模型的Benchmark問題, 證明了該方法在對大規模數據系統辨識時的有效性.
多重不確定性環境下的非線性系統辨識是一個開放問題.貝葉斯學習在描述、處理不確定性方面具有顯著優勢, 已在線性系統辨識方面得到廣泛應用, 但在非線性系統辨識的應用較少, 面臨概率估計復雜、計算量大等困難.本文針對上述問題, 以典型維納非線性過程為對象, 提出基于隨機變分貝葉斯的非線性系統辨識方法.首先對過程噪聲、測量噪聲以及參數不確定性進行概率描述;然后利用隨機變分貝葉斯方法對模型參數進行后驗估計.在估計過程中, 利用隨機優化思想, 僅利用部分中間變量概率信息估計模型參數分布的自然梯度期望, 與利用所有中間變量概率信息估計模型參數比較, 顯著降低了計算復雜性.該方法是首次在系統辨識領域中的應用.本文利用一個仿真實例和一個維納模型的Benchmark問題, 證明了該方法在對大規模數據系統辨識時的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210895
摘要:
研究了高超聲速飛行器控制通道存在未知環境干擾時的指定時間跟蹤控制問題. 基于高超聲速飛行器的輸入輸出線性化模型, 借助參量 Lyapunov方程的一些性質, 設計一種光滑、有界的時變高增益控制律. 相比于現有的高超聲速飛行器有限/固定時間控制方法, 該算法不會出現抖振現象, 同時收斂時間不依賴于初始狀態且可以事先設定. 當高超聲速飛行器存在未知的有界環境匹配干擾時, 該控制器能使高度和速度在指定時間跟蹤上參考信號. 最后仿真結果驗證了方法的有效性.
研究了高超聲速飛行器控制通道存在未知環境干擾時的指定時間跟蹤控制問題. 基于高超聲速飛行器的輸入輸出線性化模型, 借助參量 Lyapunov方程的一些性質, 設計一種光滑、有界的時變高增益控制律. 相比于現有的高超聲速飛行器有限/固定時間控制方法, 該算法不會出現抖振現象, 同時收斂時間不依賴于初始狀態且可以事先設定. 當高超聲速飛行器存在未知的有界環境匹配干擾時, 該控制器能使高度和速度在指定時間跟蹤上參考信號. 最后仿真結果驗證了方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210223
摘要:
現實生活中的很多黑盒優化問題可歸為高計算代價的多模態優化問題, 即昂貴多模態優化問題. 在處理該類問題時, 決策者希望以盡量少的計算代價(即盡量少的真實函數評價次數)找到多個高質量的最優解. 然而, 已有代理輔助的進化優化算法很少考慮問題的多模態屬性, 運行一次僅可獲得問題的一個最優解. 鑒于此, 研究一種異構集成代理輔助的區間多模態粒子群優化算法. 首先, 借助異構集成的思想構建一個由多個基礎代理模型組成的模型池; 隨后, 依據待評價粒子與已發現模態之間的匹配關系, 從模型池中自主選擇部分基礎代理模型進行集成, 并使用集成后的代理模型預測該粒子的適應值. 進一步, 為節約代理模型管理的代價, 設計一種增量式的代理模型管理策略; 為減少代理模型預測誤差對算法性能的影響, 首次將區間排序關系引入到進化過程中. 將所提算法與當前流行的5種代理輔助進化優化算法和7 種經典的多模態優化算法進行對比, 在20個測試函數和1個建筑節能實際問題上的結果表明, 所提算法可以在較少計算代價下獲得問題的多個高競爭最優解.
現實生活中的很多黑盒優化問題可歸為高計算代價的多模態優化問題, 即昂貴多模態優化問題. 在處理該類問題時, 決策者希望以盡量少的計算代價(即盡量少的真實函數評價次數)找到多個高質量的最優解. 然而, 已有代理輔助的進化優化算法很少考慮問題的多模態屬性, 運行一次僅可獲得問題的一個最優解. 鑒于此, 研究一種異構集成代理輔助的區間多模態粒子群優化算法. 首先, 借助異構集成的思想構建一個由多個基礎代理模型組成的模型池; 隨后, 依據待評價粒子與已發現模態之間的匹配關系, 從模型池中自主選擇部分基礎代理模型進行集成, 并使用集成后的代理模型預測該粒子的適應值. 進一步, 為節約代理模型管理的代價, 設計一種增量式的代理模型管理策略; 為減少代理模型預測誤差對算法性能的影響, 首次將區間排序關系引入到進化過程中. 將所提算法與當前流行的5種代理輔助進化優化算法和7 種經典的多模態優化算法進行對比, 在20個測試函數和1個建筑節能實際問題上的結果表明, 所提算法可以在較少計算代價下獲得問題的多個高競爭最優解.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210298
摘要:
在超聲輔助的骨科手術導航中, 需要從采集的超聲圖像序列中精確分割出骨結構, 并展示給醫生, 來輔助醫生進行術中決策. 但是, 圖像噪聲、成像偽影以及模糊的骨邊界導致從超聲圖像序列中精確分割提取骨結構十分困難. 為解決該問題, 本文提出了一種新的基于序列注意力與局部相位引導的骨超聲圖像分割網絡. 該網絡一方面自適應地利用了超聲序列幀之間的關系即序列注意力來輔助骨結構的語義分割. 另一方面, 該網絡通過引入局部相位引導模塊, 突出骨邊緣信息, 進一步提高分割精度. 利用包含19050張圖像的骨超聲數據集, 進行了交叉實驗、消融實驗并與最新的超聲骨分割方法進行了比較. 實驗結果表明本文方法對骨結構分割精度高, 優于現有的超聲骨分割方法.
在超聲輔助的骨科手術導航中, 需要從采集的超聲圖像序列中精確分割出骨結構, 并展示給醫生, 來輔助醫生進行術中決策. 但是, 圖像噪聲、成像偽影以及模糊的骨邊界導致從超聲圖像序列中精確分割提取骨結構十分困難. 為解決該問題, 本文提出了一種新的基于序列注意力與局部相位引導的骨超聲圖像分割網絡. 該網絡一方面自適應地利用了超聲序列幀之間的關系即序列注意力來輔助骨結構的語義分割. 另一方面, 該網絡通過引入局部相位引導模塊, 突出骨邊緣信息, 進一步提高分割精度. 利用包含19050張圖像的骨超聲數據集, 進行了交叉實驗、消融實驗并與最新的超聲骨分割方法進行了比較. 實驗結果表明本文方法對骨結構分割精度高, 優于現有的超聲骨分割方法.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210303
摘要:
染色體的分類識別是核型分析的重要任務之一. 因其柔軟易彎曲, 且類間差異小、類內差異大等特點, 其精準分類已成為挑戰性難題. 本文提出基于網格重構學習(GRid reConstruction learning, GRiCoL)的染色體分類模型. 該模型首先將染色體圖像網格化, 提取局部分類特征; 再通過重構網絡對全局特征進行二次提取, 最后完成分類. 相比于現有幾種方法, GRiCoL同時兼顧局部和全局特征提取更有效的分類特征, 有效改善染色體彎曲導致的分類性能下降, 參數規模合理. 通過基于G帶、熒光原位雜交、Q帶染色體公開數據集的實驗表明: GRiCoL能夠更好地弱化染色體彎曲帶來的影響, 在不同數據集上的分類準確度均優于現有分類方法.
染色體的分類識別是核型分析的重要任務之一. 因其柔軟易彎曲, 且類間差異小、類內差異大等特點, 其精準分類已成為挑戰性難題. 本文提出基于網格重構學習(GRid reConstruction learning, GRiCoL)的染色體分類模型. 該模型首先將染色體圖像網格化, 提取局部分類特征; 再通過重構網絡對全局特征進行二次提取, 最后完成分類. 相比于現有幾種方法, GRiCoL同時兼顧局部和全局特征提取更有效的分類特征, 有效改善染色體彎曲導致的分類性能下降, 參數規模合理. 通過基于G帶、熒光原位雜交、Q帶染色體公開數據集的實驗表明: GRiCoL能夠更好地弱化染色體彎曲帶來的影響, 在不同數據集上的分類準確度均優于現有分類方法.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210654
摘要:
本文研究了節點狀態為高維的多層復雜網絡系統的能控性問題. 討論了節點的異質性、層間耦合、層內耦合對網絡能控性的影響. 發現當節點狀態由同質變為異質, 內耦合矩陣由相同變為不同, 對網絡能控性均有影響(網絡既可由能控變為不能控, 又可由不能控變為能控); 對層間耦合模式為驅動響應模式和相互依賴模式, 分別給出了網絡系統能控的充分條件或必要條件. 相比于直接應用經典的能控性判據, 這些條件更易于驗證, 且驅動響應模式比相互依賴模式實現系統完全能控所需的條件更弱.
本文研究了節點狀態為高維的多層復雜網絡系統的能控性問題. 討論了節點的異質性、層間耦合、層內耦合對網絡能控性的影響. 發現當節點狀態由同質變為異質, 內耦合矩陣由相同變為不同, 對網絡能控性均有影響(網絡既可由能控變為不能控, 又可由不能控變為能控); 對層間耦合模式為驅動響應模式和相互依賴模式, 分別給出了網絡系統能控的充分條件或必要條件. 相比于直接應用經典的能控性判據, 這些條件更易于驗證, 且驅動響應模式比相互依賴模式實現系統完全能控所需的條件更弱.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210457
摘要:
已有推薦系統主要基于用戶-項目交互矩陣來學習用戶和項目的向量表示, 而當交互矩陣稀疏時, 推薦系統的精度較低, 推薦的結果缺乏可解釋性. 本文考慮了用戶-項目交互行為中的評分標簽信息, 提出了一種融合屬性偏好和多階交互信息的可解釋評分預測方法, 并根據屬性偏好對推薦結果進行了解釋. 首先, 基于注意力機制分析了用戶和項目屬性信息與評分標簽的關系, 建模了節點的屬性偏好特征表示; 然后, 聚合了用戶-項目交互矩陣中節點自身、交互鄰居和評分標簽信息, 通過圖神經網絡學習了節點的多階交互行為特征表示; 最后, 融合了節點的屬性偏好特征和交互行為特征, 在異質類型信息空間下學習了用戶和項目的語義特征表示, 利用多層感知機實現了評分預測, 并在MovieLens和Douban數據集上驗證了方法的有效性. 實驗結果表明, 本文方法在MAE和RMSE指標上有效提高了推薦系統的精度, 緩解了數據稀疏場景下推薦模型性能較低的問題, 提升了推薦結果的可解釋性.
已有推薦系統主要基于用戶-項目交互矩陣來學習用戶和項目的向量表示, 而當交互矩陣稀疏時, 推薦系統的精度較低, 推薦的結果缺乏可解釋性. 本文考慮了用戶-項目交互行為中的評分標簽信息, 提出了一種融合屬性偏好和多階交互信息的可解釋評分預測方法, 并根據屬性偏好對推薦結果進行了解釋. 首先, 基于注意力機制分析了用戶和項目屬性信息與評分標簽的關系, 建模了節點的屬性偏好特征表示; 然后, 聚合了用戶-項目交互矩陣中節點自身、交互鄰居和評分標簽信息, 通過圖神經網絡學習了節點的多階交互行為特征表示; 最后, 融合了節點的屬性偏好特征和交互行為特征, 在異質類型信息空間下學習了用戶和項目的語義特征表示, 利用多層感知機實現了評分預測, 并在MovieLens和Douban數據集上驗證了方法的有效性. 實驗結果表明, 本文方法在MAE和RMSE指標上有效提高了推薦系統的精度, 緩解了數據稀疏場景下推薦模型性能較低的問題, 提升了推薦結果的可解釋性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210673
摘要:
高速公路無人駕駛軌跡規劃面臨著實時性強、安全性高的挑戰. 本文提出了一種分層抽樣多動態窗口的軌跡規劃算法(Stratied sampling based multi-dynamic window trajectory planner, SMWTP). 首先, 用多動態窗口表征可行軌跡的搜索空間, 并基于貝葉斯網絡構建了車輛軌跡分布模型. 其次, 采用先速度后路徑的分層抽樣策略生成符合動態場景約束的候選軌跡集合. 最后, 利用引入障礙車輛速度估計不確定性的責任敏感安全模型(Responsibility sensitive safety, RSS)從中選擇最優軌跡. 大量仿真實驗和實際交通場景測試驗證了算法的有效性, 對比實驗結果表明所提算法性能顯著優于人工勢場最優軌跡規劃算法和多動態窗口模擬退火軌跡規劃算法.
高速公路無人駕駛軌跡規劃面臨著實時性強、安全性高的挑戰. 本文提出了一種分層抽樣多動態窗口的軌跡規劃算法(Stratied sampling based multi-dynamic window trajectory planner, SMWTP). 首先, 用多動態窗口表征可行軌跡的搜索空間, 并基于貝葉斯網絡構建了車輛軌跡分布模型. 其次, 采用先速度后路徑的分層抽樣策略生成符合動態場景約束的候選軌跡集合. 最后, 利用引入障礙車輛速度估計不確定性的責任敏感安全模型(Responsibility sensitive safety, RSS)從中選擇最優軌跡. 大量仿真實驗和實際交通場景測試驗證了算法的有效性, 對比實驗結果表明所提算法性能顯著優于人工勢場最優軌跡規劃算法和多動態窗口模擬退火軌跡規劃算法.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210356
摘要:
目標跟蹤中基于IoU (Intersection over union, IoU)預測的尺度估計方法, 通過估計視頻幀中候選框與真實目標框的重疊度訓練尺度回歸模型, 推理階段通過最大化IoU對初始化邊界框進行微調, 取得目標的尺度. 本文詳細分析了基于IoU預測的尺度估計模型的梯度更新過程, 發現其在訓練和推理過程僅將IoU作為度量, 缺乏對預測框和真實目標框中心點距離的約束, 導致外觀模型更新過程中模板受到污染, 前景和背景分類時定位出現偏差. 基于此發現, 本文構建了一種結合IoU和中心點距離的新度量NDIoU (Normalization distance IoU), 在此基礎上提出一種新的尺度估計方法, 并將其嵌入判別式跟蹤框架. 即在訓練階段以NDIoU為標簽, 設計了具有中心點距離約束的損失函數監督網絡的學習, 在線推理期間通過最大化NDIoU微調目標尺度, 以幫助外觀模型更新時獲得更加準確的樣本. 在七個數據上與相關主流方法進行對比, 本文方法在七個數據集上的綜合性能優于所有對比算法. 特別是在GOT-10k數據集上, 本文方法的AO、\begin{document}$ S{R}_{0.5} $\end{document} ![]()
![]()
\begin{document}$ S{R}_{0.75} $\end{document} ![]()
![]()
目標跟蹤中基于IoU (Intersection over union, IoU)預測的尺度估計方法, 通過估計視頻幀中候選框與真實目標框的重疊度訓練尺度回歸模型, 推理階段通過最大化IoU對初始化邊界框進行微調, 取得目標的尺度. 本文詳細分析了基于IoU預測的尺度估計模型的梯度更新過程, 發現其在訓練和推理過程僅將IoU作為度量, 缺乏對預測框和真實目標框中心點距離的約束, 導致外觀模型更新過程中模板受到污染, 前景和背景分類時定位出現偏差. 基于此發現, 本文構建了一種結合IoU和中心點距離的新度量NDIoU (Normalization distance IoU), 在此基礎上提出一種新的尺度估計方法, 并將其嵌入判別式跟蹤框架. 即在訓練階段以NDIoU為標簽, 設計了具有中心點距離約束的損失函數監督網絡的學習, 在線推理期間通過最大化NDIoU微調目標尺度, 以幫助外觀模型更新時獲得更加準確的樣本. 在七個數據上與相關主流方法進行對比, 本文方法在七個數據集上的綜合性能優于所有對比算法. 特別是在GOT-10k數據集上, 本文方法的AO、
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210387
摘要:
This paper investigates an adaptive fuzzy tracking control method for a class of nonlinear systems with external disturbances. Firstly, fuzzy logic systems and the fuzzy state observer are implemented to approximate unknown nonlinear functions and estimate the unmeasured states of systems, respectively. Then, the tracking error can be constrained within the specified range by means of the performance function. Furthermore, an event-triggered adaptive fuzzy controller is designed by employing the backstepping method and Lyapunov functional with logarithm function. The proposed control strategy can ensure that all the signals of the closed-loop system are semiglobally uniformly ultimately bounded based on the Lyapunov stability theory and the properties of\begin{document}$\tanh$\end{document} ![]()
![]()
This paper investigates an adaptive fuzzy tracking control method for a class of nonlinear systems with external disturbances. Firstly, fuzzy logic systems and the fuzzy state observer are implemented to approximate unknown nonlinear functions and estimate the unmeasured states of systems, respectively. Then, the tracking error can be constrained within the specified range by means of the performance function. Furthermore, an event-triggered adaptive fuzzy controller is designed by employing the backstepping method and Lyapunov functional with logarithm function. The proposed control strategy can ensure that all the signals of the closed-loop system are semiglobally uniformly ultimately bounded based on the Lyapunov stability theory and the properties of
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210553
摘要:
針對一類具有不確定控制增益的嚴格反饋系統, 提出了一種基于命令濾波反推技術的自適應神經網絡控制方法. 該方法采用神經網絡對系統中的未知非線性函數進行逼近, 并引入命令濾波反推技術克服“計算膨脹”的問題. 與現有的命令濾波反推控制文獻相比, 本文通過構造自適應誤差補償系統, 同時消除了濾波器產生的邊界層誤差和不確定控制增益對系統性能造成的影響. 仿真結果驗證了所提控制方法的有效性.
針對一類具有不確定控制增益的嚴格反饋系統, 提出了一種基于命令濾波反推技術的自適應神經網絡控制方法. 該方法采用神經網絡對系統中的未知非線性函數進行逼近, 并引入命令濾波反推技術克服“計算膨脹”的問題. 與現有的命令濾波反推控制文獻相比, 本文通過構造自適應誤差補償系統, 同時消除了濾波器產生的邊界層誤差和不確定控制增益對系統性能造成的影響. 仿真結果驗證了所提控制方法的有效性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c190277
摘要:
首先, 通過分析黑體溫度控制系統的物理模型, 推演出黑體傳遞函數的表達式.推演過程中得知黑體易受環境溫度和空氣散熱的影響, 所以黑體溫度控制系統是個非線性時變系統.結合實驗黑體的階躍響應數據, 采用階躍響應法對傳遞函數進行近似計算, 得出黑體溫控系統的傳遞函數是極點在左半軸的二階系統, 該系統等效于二階低通濾波器.經過低通濾波器的信號, 會濾除高頻部分, 當用繼電器法進行參數自整定時, 僅需計算能量較大的基波信號.通過對基波信號進行比較, 得出繼電器法的整定公式, 并參照Ziegler-Nichols整定法則計算出PID參數.同時, 本文針對黑體加熱器具有雙路輸出的特點, 提出了一種雙路動態輸出法, 通過理論分析了該方法可以消除環境對黑體溫度的影響.對于環境溫度變化較大的, 采用繼電器法PID參數自整定的方式來消除; 對于黑體運行過程中環境溫度變化較小的, 采用雙路動態輸出法來減少影響.最后, 結合實驗數據, 引入性能指標, 驗證了本文所述方法對黑體的溫度控制性能有一定的提升.
首先, 通過分析黑體溫度控制系統的物理模型, 推演出黑體傳遞函數的表達式.推演過程中得知黑體易受環境溫度和空氣散熱的影響, 所以黑體溫度控制系統是個非線性時變系統.結合實驗黑體的階躍響應數據, 采用階躍響應法對傳遞函數進行近似計算, 得出黑體溫控系統的傳遞函數是極點在左半軸的二階系統, 該系統等效于二階低通濾波器.經過低通濾波器的信號, 會濾除高頻部分, 當用繼電器法進行參數自整定時, 僅需計算能量較大的基波信號.通過對基波信號進行比較, 得出繼電器法的整定公式, 并參照Ziegler-Nichols整定法則計算出PID參數.同時, 本文針對黑體加熱器具有雙路輸出的特點, 提出了一種雙路動態輸出法, 通過理論分析了該方法可以消除環境對黑體溫度的影響.對于環境溫度變化較大的, 采用繼電器法PID參數自整定的方式來消除; 對于黑體運行過程中環境溫度變化較小的, 采用雙路動態輸出法來減少影響.最后, 結合實驗數據, 引入性能指標, 驗證了本文所述方法對黑體的溫度控制性能有一定的提升.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210324
摘要:
針對非剛性運動和大位移場景下運動遮擋檢測的準確性與魯棒性問題, 本文提出一種基于光流與多尺度上下文的圖像序列運動遮擋檢測方法. 首先, 設計基于擴張卷積的多尺度上下文信息聚合網絡, 通過圖像序列多尺度上下文信息獲取更大范圍的圖像特征; 然后, 采用特征金字塔構建基于多尺度上下文與光流的端到端運動遮擋檢測網絡模型, 利用光流優化非剛性運動和大位移區域的運動遮擋信息; 最后, 構造基于運動邊緣的網絡模型訓練損失函數, 獲取準確的運動遮擋邊界. 分別采用MPI-Sintel和KITTI測試數據集對本文方法與現有的代表性遮擋檢測模型進行實驗對比與分析. 實驗結果表明, 本文方法能夠有效提高運動遮擋檢測的準確性, 尤其在非剛性運動和大位移等困難場景下具有更好的遮擋檢測魯棒性.
針對非剛性運動和大位移場景下運動遮擋檢測的準確性與魯棒性問題, 本文提出一種基于光流與多尺度上下文的圖像序列運動遮擋檢測方法. 首先, 設計基于擴張卷積的多尺度上下文信息聚合網絡, 通過圖像序列多尺度上下文信息獲取更大范圍的圖像特征; 然后, 采用特征金字塔構建基于多尺度上下文與光流的端到端運動遮擋檢測網絡模型, 利用光流優化非剛性運動和大位移區域的運動遮擋信息; 最后, 構造基于運動邊緣的網絡模型訓練損失函數, 獲取準確的運動遮擋邊界. 分別采用MPI-Sintel和KITTI測試數據集對本文方法與現有的代表性遮擋檢測模型進行實驗對比與分析. 實驗結果表明, 本文方法能夠有效提高運動遮擋檢測的準確性, 尤其在非剛性運動和大位移等困難場景下具有更好的遮擋檢測魯棒性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210095
摘要:
當前的深度卷積神經網絡方法, 在視頻超分辨率任務上實現的性能提升相對于圖像超分辨率任務略低一些, 部分原因是它們對層次結構特征中的某些關鍵幀間信息的利用不夠充分. 為此, 本文提出了一個稱作層次特征復用網絡(Hierarchical feature reuse network, HFRNet)的結構, 用以解決上述問題. 該網絡保留運動補償幀的低頻內容, 并采用密集層次特征塊(Dense hierarchical feature block, DHFB)自適應地融合其內部每個殘差塊的特征, 之后用長距離特征復用融合多個DHFB間的特征, 從而促進高頻細節信息的恢復. 實驗結果表明, 本文提出的方法在定量和定性指標上均優于當前的方法.
當前的深度卷積神經網絡方法, 在視頻超分辨率任務上實現的性能提升相對于圖像超分辨率任務略低一些, 部分原因是它們對層次結構特征中的某些關鍵幀間信息的利用不夠充分. 為此, 本文提出了一個稱作層次特征復用網絡(Hierarchical feature reuse network, HFRNet)的結構, 用以解決上述問題. 該網絡保留運動補償幀的低頻內容, 并采用密集層次特征塊(Dense hierarchical feature block, DHFB)自適應地融合其內部每個殘差塊的特征, 之后用長距離特征復用融合多個DHFB間的特征, 從而促進高頻細節信息的恢復. 實驗結果表明, 本文提出的方法在定量和定性指標上均優于當前的方法.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210009
摘要:
寬度學習系統(Broad learning system, BLS)作為一種基于隨機向量函數型網絡(Random vector functional link network, RVFLN)的高效增量學習系統, 具有快速自適應模型結構選擇能力和高精度的特點. 但針對目標分類任務中有標簽數據匱乏問題, 傳統的BLS難以借助相關領域知識來提升目標域的分類效果, 為此本文提出一種基于流形正則化框架和最大均值差異(Maximum mean discrepancy, MMD)的域適應BLS(DABLS)模型, 實現目標域無標簽條件下的跨域圖像分類. DABLS模型首先構造BLS的特征節點和增強節點, 從源域和目標域數據中有效提取特征; 再利用流形正則化框架構造拉普拉斯矩陣, 以探索目標域數據中的流形特性, 挖掘目標域數據的潛在信息. 接著基于遷移學習方法構建源域數據與目標域數據之間的MMD懲罰項, 以匹配源域和目標域之間的投影均值; 將特征節點、增強節點、MMD懲罰項和目標域拉普拉斯矩陣相結合, 構造目標函數, 并采用嶺回歸分析法對其求解, 獲得輸出系數, 從而提高模型的跨域分類性能. 最后在不同圖像數據集上進行大量的驗證與對比實驗, 結果表明DABLS在不同圖像數據集上均能獲得較好的跨域分類性能, 具有較強的泛化能力和較好的穩定性.
寬度學習系統(Broad learning system, BLS)作為一種基于隨機向量函數型網絡(Random vector functional link network, RVFLN)的高效增量學習系統, 具有快速自適應模型結構選擇能力和高精度的特點. 但針對目標分類任務中有標簽數據匱乏問題, 傳統的BLS難以借助相關領域知識來提升目標域的分類效果, 為此本文提出一種基于流形正則化框架和最大均值差異(Maximum mean discrepancy, MMD)的域適應BLS(DABLS)模型, 實現目標域無標簽條件下的跨域圖像分類. DABLS模型首先構造BLS的特征節點和增強節點, 從源域和目標域數據中有效提取特征; 再利用流形正則化框架構造拉普拉斯矩陣, 以探索目標域數據中的流形特性, 挖掘目標域數據的潛在信息. 接著基于遷移學習方法構建源域數據與目標域數據之間的MMD懲罰項, 以匹配源域和目標域之間的投影均值; 將特征節點、增強節點、MMD懲罰項和目標域拉普拉斯矩陣相結合, 構造目標函數, 并采用嶺回歸分析法對其求解, 獲得輸出系數, 從而提高模型的跨域分類性能. 最后在不同圖像數據集上進行大量的驗證與對比實驗, 結果表明DABLS在不同圖像數據集上均能獲得較好的跨域分類性能, 具有較強的泛化能力和較好的穩定性.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c210012
摘要:
本文針對膠囊網絡特征提取不充分的問題, 提出了一種圖像分類的多階段注意力膠囊網絡模型. 首先在卷積層對低層特征和高層特征分別采用空間和通道注意力來提取有效特征; 然后提出基于向量方向的注意力機制作用于動態路由層, 增加對重要膠囊的關注, 進而提高低層膠囊對高層膠囊預測的準確性; 最后, 在五個公共數據集上進行對比實驗, 結果表明本文提出的模型在分類精度和魯棒性上優于其他膠囊網絡模型, 在仿射變換圖像重構上也表現良好.
本文針對膠囊網絡特征提取不充分的問題, 提出了一種圖像分類的多階段注意力膠囊網絡模型. 首先在卷積層對低層特征和高層特征分別采用空間和通道注意力來提取有效特征; 然后提出基于向量方向的注意力機制作用于動態路由層, 增加對重要膠囊的關注, 進而提高低層膠囊對高層膠囊預測的準確性; 最后, 在五個公共數據集上進行對比實驗, 結果表明本文提出的模型在分類精度和魯棒性上優于其他膠囊網絡模型, 在仿射變換圖像重構上也表現良好.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.c200007
摘要:
仿人智能控制是現代智能控制理論之一, 利用分層遞階的控制結構與多控制模態為強非線性、大遲滯、難建模問題提供了切實可行的解決方案, 近些年來發展迅速并且得到學術界的持續關注, 但缺乏對該理論研究進展系統性的總結. 本文通過系統的梳理仿人智能控制的理論基礎和發展脈絡, 將其劃分為三代控制模型, 分別從每一代控制模型的算法描述、研究進展與應用進展三個角度進行綜述, 同時, 結合當前的研究進展討論仿人智能控制在控制模型、結構功能、參數校正方面進一步研究的方向.
仿人智能控制是現代智能控制理論之一, 利用分層遞階的控制結構與多控制模態為強非線性、大遲滯、難建模問題提供了切實可行的解決方案, 近些年來發展迅速并且得到學術界的持續關注, 但缺乏對該理論研究進展系統性的總結. 本文通過系統的梳理仿人智能控制的理論基礎和發展脈絡, 將其劃分為三代控制模型, 分別從每一代控制模型的算法描述、研究進展與應用進展三個角度進行綜述, 同時, 結合當前的研究進展討論仿人智能控制在控制模型、結構功能、參數校正方面進一步研究的方向.
當前狀態:
, 最新更新時間: ,
doi: 10.16383/j.aas.2020.c200033
摘要:
深度神經網絡在解決復雜問題方面取得了驚人的成功, 廣泛應用于生活中各個領域, 但是最近的研究表明, 深度神經網絡容易受到精心設計的對抗樣本的攻擊, 導致網絡模型輸出錯誤的預測結果, 這對于深度學習網絡的安全性是一種極大的挑戰. 對抗攻擊是深度神經網絡發展過程中必須克服的一大障礙, 設計一種高效且能夠防御多種對抗攻擊算法, 且具有強魯棒性的防御模型是有效推動對抗攻擊防御的方向之一, 探究能否利用對抗性攻擊來訓練網絡分類器從而提高其魯棒性具有重要意義. 本文將生成對抗網絡(Generative adversarial networks, GAN)和現有的攻擊算法結合, 提出一種基于生成對抗網絡的對抗攻擊防御模型(AC-DefGAN), 利用對抗攻擊算法生成攻擊樣本作為GAN的訓練樣本, 同時在網絡中加入條件約束來穩定模型的訓練過程, 利用分類器對生成器所生成樣本的分類來指導GAN的訓練過程, 通過自定義分類器需要防御的攻擊算法來生成對抗樣本以完成判別器的訓練, 從而得到能夠防御多種對抗攻擊的分類器. 通過在MNIST、CIFAR-10和ImageNet數據集上進行實驗, 證明訓練完成后, AC-DefGAN可以直接對原始樣本和對抗樣本進行正確分類, 對各類對抗攻擊算法達到很好的防御效果, 且比已有方法防御效果好、魯棒性強.
深度神經網絡在解決復雜問題方面取得了驚人的成功, 廣泛應用于生活中各個領域, 但是最近的研究表明, 深度神經網絡容易受到精心設計的對抗樣本的攻擊, 導致網絡模型輸出錯誤的預測結果, 這對于深度學習網絡的安全性是一種極大的挑戰. 對抗攻擊是深度神經網絡發展過程中必須克服的一大障礙, 設計一種高效且能夠防御多種對抗攻擊算法, 且具有強魯棒性的防御模型是有效推動對抗攻擊防御的方向之一, 探究能否利用對抗性攻擊來訓練網絡分類器從而提高其魯棒性具有重要意義. 本文將生成對抗網絡(Generative adversarial networks, GAN)和現有的攻擊算法結合, 提出一種基于生成對抗網絡的對抗攻擊防御模型(AC-DefGAN), 利用對抗攻擊算法生成攻擊樣本作為GAN的訓練樣本, 同時在網絡中加入條件約束來穩定模型的訓練過程, 利用分類器對生成器所生成樣本的分類來指導GAN的訓練過程, 通過自定義分類器需要防御的攻擊算法來生成對抗樣本以完成判別器的訓練, 從而得到能夠防御多種對抗攻擊的分類器. 通過在MNIST、CIFAR-10和ImageNet數據集上進行實驗, 證明訓練完成后, AC-DefGAN可以直接對原始樣本和對抗樣本進行正確分類, 對各類對抗攻擊算法達到很好的防御效果, 且比已有方法防御效果好、魯棒性強.
主管: 中國科學院
主辦: 中國科學院自動化研究所中國自動化學會
主編: 柴天佑
刊期: 月刊
ISSN 0254-4156
CN 11-2109/TP
訪問統計
總訪問量
今日訪問
在線人數
-
自動化學報服務號
-
JAS微信服務號