1. <button id="qm3rj"><thead id="qm3rj"></thead></button>
      <samp id="qm3rj"></samp>
      <source id="qm3rj"><menu id="qm3rj"><pre id="qm3rj"></pre></menu></source>

      <video id="qm3rj"><code id="qm3rj"></code></video>

        1. <tt id="qm3rj"><track id="qm3rj"></track></tt>
            1. 2.765

              2022影響因子

              (CJCR)

              • 中文核心
              • EI
              • 中國科技核心
              • Scopus
              • CSCD
              • 英國科學(xué)文摘

              留言板

              尊敬的讀者、作者、審稿人, 關(guān)于本刊的投稿、審稿、編輯和出版的任何問(wèn)題, 您可以本頁(yè)添加留言。我們將盡快給您答復。謝謝您的支持!

              姓名
              郵箱
              手機號碼
              標題
              留言?xún)热?/th>
              驗證碼

              2024年  第50卷  第4期

              顯示方式:
              目錄
              目錄
              2024, 50(4).
              綜述
              基于被動(dòng)聲吶音頻信號的水中目標識別綜述
              徐齊勝, 許可樂(lè ), 竇勇, 高彩麗, 喬鵬, 馮大為, 朱博青
              2024, 50(4): 649-673. doi: 10.16383/j.aas.c230153
              摘要:
              基于被動(dòng)聲吶音頻信號的水中目標識別是當前水下無(wú)人探測領(lǐng)域的重要技術(shù)難題, 在軍事和民用領(lǐng)域都應用廣泛. 本文從數據處理和識別方法兩個(gè)層面系統闡述基于被動(dòng)聲吶信號進(jìn)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(dòng)聲吶信號的水中目標識別基本流程、被動(dòng)聲吶音頻信號分析的數理基礎及其特征提取三個(gè)方面概述被動(dòng)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(xué)習算法的水中目標識別方法, 并聚焦以深度學(xué)習算法為核心的水中目標識別研究. 本文從有監督學(xué)習、無(wú)監督學(xué)習、自監督學(xué)習等多種學(xué)習范式對當前研究進(jìn)展進(jìn)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(gè)維度分析這些方法的優(yōu)缺點(diǎn). 同時(shí), 還總結該領(lǐng)域中較為廣泛使用的公開(kāi)數據集, 并分析公開(kāi)數據集應具備的基本要素. 最后, 通過(guò)對水中目標識別過(guò)程的論述, 總結目前基于被動(dòng)聲吶音頻信號的水中目標自動(dòng)識別算法存在的困難與挑戰, 并對該領(lǐng)域未來(lái)的發(fā)展方向進(jìn)行展望.
              從基礎智能到通用智能: 基于大模型的GenAI和AGI之現狀與展望
              繆青海, 王興霞, 楊靜, 趙勇, 王雨桐, 陳圓圓, 田永林, 俞怡, 林懿倫, 鄢然, 馬嘉琪, 那曉翔, 王飛躍
              2024, 50(4): 674-687. doi: 10.16383/j.aas.c240156
              摘要:
              本文對生成式AI (Generative artificial intelligence, GenAI)的國內外發(fā)展現狀進(jìn)行了概述, 重點(diǎn)分析了中美之間在算力、數據、算法、生態(tài)等方面存在的差距. 為改變我國在生成式AI領(lǐng)域的落后現狀, 提出高能效算力建設、聯(lián)邦數據、專(zhuān)業(yè)領(lǐng)域模型、基于TAO的聯(lián)邦生態(tài)等應對策略, 對大模型時(shí)代AI安全治理進(jìn)行了論述, 對通用人工智能(Artificial general intelligence, AGI)的未來(lái)發(fā)展進(jìn)行了展望.
              面向復雜工業(yè)過(guò)程的虛擬樣本生成綜述
              湯健, 崔璨麟, 夏恒, 喬俊飛
              2024, 50(4): 688-718. doi: 10.16383/j.aas.c221006
              摘要:
              用于復雜工業(yè)過(guò)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(shù), 已成為解決上述問(wèn)題的主要手段之一, 但已有研究還存在缺乏理論支撐、分類(lèi)準則與應用邊界模糊等問(wèn)題. 本文在描述復雜工業(yè)過(guò)程難測運行指標和異常故障建模所存在問(wèn)題的基礎上, 梳理虛擬樣本定義及其內涵, 給出面向工業(yè)過(guò)程回歸與分類(lèi)問(wèn)題的VSG實(shí)現流程; 接著(zhù), 從樣本覆蓋區域、實(shí)現流程與推廣應用等方向進(jìn)行綜述; 然后, 分析討論VSG的下一步研究方向; 最后, 對全文進(jìn)行總結并給出未來(lái)挑戰.
              論文與報告
              面向戰機大迎角機動(dòng)過(guò)程的智能學(xué)習控制
              于目航, 王霞, 楊林, 許斌
              2024, 50(4): 719-730. doi: 10.16383/j.aas.c230642
              摘要:
              針對戰機大迎角動(dòng)力學(xué)呈現的強非線(xiàn)性、氣動(dòng)不確定和通道耦合特性, 提出了一種基于智能學(xué)習的自適應機動(dòng)跟蹤控制方法. 通過(guò)將通道耦合視為集總擾動(dòng)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(jīng)網(wǎng)絡(luò )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(dòng)舵偏角和推力矢量偏角. 對于神經(jīng)網(wǎng)絡(luò )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(xué)習更新律. 基于李雅普諾夫方法證明了閉環(huán)系統的一致最終有界穩定性. 針對眼鏡蛇機動(dòng)和赫伯斯特機動(dòng)指令進(jìn)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(dòng)指令跟蹤精度和魯棒性能.
              面向可持續生產(chǎn)中多任務(wù)調度的雙重增強模因算法
              盧弘, 王耀南, 喬非, 方遒
              2024, 50(4): 731-744. doi: 10.16383/j.aas.c230446
              摘要:
              從經(jīng)濟、環(huán)境和社會(huì )3個(gè)維度, 全面提升生產(chǎn)調度方案的可持續性具有重要意義. 針對并行機生產(chǎn)場(chǎng)景, 建立考慮機器指派、加工順序、人員安排以及開(kāi)關(guān)機控制等4種決策任務(wù)的調度模型. 為實(shí)現對復雜決策空間的高效尋優(yōu), 提出一種融合兩種局部?jì)?yōu)化策略的雙重增強模因算法(Dual-enhanced memetic algorithm, DMA)求解模型. 從隨機更新角度, 針對不同決策任務(wù), 構造單步變鄰域搜索(One-step variable neighborhood search, 1S-VNS)策略. 從定向優(yōu)化角度, 分析目標和關(guān)鍵任務(wù)之間的匹配關(guān)系, 提出一種可持續目標導向策略(Sustainable goals-oriented strategy, SGS). 考慮到兩種優(yōu)化策略的不同特點(diǎn), 單步變鄰域搜索策略作用于整個(gè)種群, 目標導向策略強化種群中的精英個(gè)體, 實(shí)現對輸出解集的雙重優(yōu)化. 仿真實(shí)驗結果表明, 雙重優(yōu)化策略能有效地增強算法性能, 并且所提算法在非支配解的多樣性和收斂性上具有優(yōu)越性.
              基于慢特征分析的分布式動(dòng)態(tài)工業(yè)過(guò)程運行狀態(tài)評價(jià)
              鐘林生, 常玉清, 王福利, 高世紅
              2024, 50(4): 745-757. doi: 10.16383/j.aas.c230154
              摘要:
              現代工業(yè)過(guò)程通常具有規模大、流程長(cháng)和工序多的特點(diǎn), 導致傳統的集中式建模方法會(huì )淹沒(méi)過(guò)程的局部變化信息, 從而無(wú)法及時(shí)識別早期的非優(yōu)運行狀態(tài). 此外, 閉環(huán)控制的廣泛應用使得過(guò)程變量普遍存在時(shí)序相關(guān)性. 針對以上問(wèn)題, 提出一種基于慢特征分析(Slow feature analysis, SFA)的分布式動(dòng)態(tài)工業(yè)過(guò)程運行狀態(tài)評價(jià)方法. 首先, 結合動(dòng)態(tài)時(shí)間規整(Dynamic time warping, DTW)和K-medoids聚類(lèi)算法對過(guò)程進(jìn)行分解; 然后, 對每一變量子塊建立相應的動(dòng)態(tài)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(jià)指標. 通過(guò)在數值案例和金濕法冶金過(guò)程的仿真應用, 驗證了該方法的有效性.
              自適應特征融合的多模態(tài)實(shí)體對齊研究
              郭浩, 李欣奕, 唐九陽(yáng), 郭延明, 趙翔
              2024, 50(4): 758-770. doi: 10.16383/j.aas.c210518
              摘要:
              多模態(tài)數據間交互式任務(wù)的興起對于綜合利用不同模態(tài)的知識提出了更高的要求, 因此融合不同模態(tài)知識的多模態(tài)知識圖譜應運而生. 然而, 現有多模態(tài)知識圖譜存在圖譜知識不完整的問(wèn)題, 嚴重阻礙對信息的有效利用. 緩解此問(wèn)題的有效方法是通過(guò)實(shí)體對齊進(jìn)行知識圖譜補全. 當前多模態(tài)實(shí)體對齊方法以固定權重融合多種模態(tài)信息, 在融合過(guò)程中忽略不同模態(tài)信息貢獻的差異性. 為解決上述問(wèn)題, 設計一套自適應特征融合機制, 根據不同模態(tài)數據質(zhì)量動(dòng)態(tài)融合實(shí)體結構信息和視覺(jué)信息. 此外, 考慮到視覺(jué)信息質(zhì)量不高、知識圖譜之間的結構差異也影響實(shí)體對齊的效果, 本文分別設計提升視覺(jué)信息有效利用率的視覺(jué)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(tài)實(shí)體對齊任務(wù)上的實(shí)驗結果表明, 提出的多模態(tài)實(shí)體對齊方法的性能優(yōu)于當前最好的方法.
              基于多示例學(xué)習圖卷積網(wǎng)絡(luò )的隱寫(xiě)者檢測
              鐘圣華, 張智
              2024, 50(4): 771-789. doi: 10.16383/j.aas.c220775
              摘要:
              隱寫(xiě)者檢測通過(guò)設計模型檢測在批量圖像中嵌入秘密信息進(jìn)行隱蔽通信的隱寫(xiě)者, 對解決非法使用隱寫(xiě)術(shù)的問(wèn)題具有重要意義. 本文提出一種基于多示例學(xué)習圖卷積網(wǎng)絡(luò ) (Multiple-instance learning graph convolutional network, MILGCN) 的隱寫(xiě)者檢測算法, 將隱寫(xiě)者檢測形式化為多示例學(xué)習(Multiple-instance learning, MIL) 任務(wù). 本文中設計的共性增強圖卷積網(wǎng)絡(luò )(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(jìn)行隱寫(xiě)者檢測. 實(shí)驗表明, 本文設計的模型能夠對抗多種批量隱寫(xiě)術(shù)和與之對應的策略.
              基于多目標PSO混合優(yōu)化的虛擬樣本生成
              王丹丹, 湯健, 夏恒, 喬俊飛
              2024, 50(4): 790-811. doi: 10.16383/j.aas.c211091
              摘要:
              受限于檢測技術(shù)難度、高時(shí)間與經(jīng)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(wèn)題, 嚴重制約了數據驅動(dòng)模型的泛化性能. 針對以上問(wèn)題, 提出一種基于多目標粒子群優(yōu)化(Multi-objective particle swarm optimization, MOPSO)混合優(yōu)化的虛擬樣本生成(Virtual sample generation, VSG)方法. 首先, 設計綜合學(xué)習粒子群優(yōu)化算法的種群表征機制, 使其能夠同時(shí)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(xué)習粒子群優(yōu)化算法適應度函數, 使其能夠在確保模型泛化性能的同時(shí)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(yōu)化任務(wù)以改進(jìn)綜合學(xué)習粒子群優(yōu)化算法, 使其能夠適應虛擬樣本優(yōu)選過(guò)程的變維特性并提高收斂速度. 同時(shí), 首次借鑒度量學(xué)習提出用于評價(jià)虛擬樣本質(zhì)量的綜合評價(jià)指標和分布相似指標. 利用基準數據集和真實(shí)工業(yè)數據集驗證了所提方法的有效性和優(yōu)越性.
              仿生嗅覺(jué)感知系統氣體識別和濃度估計模型
              相洪濤, 張文文, 肖文鑫, 王磊, 王遠西
              2024, 50(4): 812-827. 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(tài)值對氣體進(jìn)行種類(lèi)識別和濃度估計, 而在實(shí)際環(huán)境 中, 氣體一般處于動(dòng)態(tài)變化的狀態(tài), 氣體傳感器陣列響應信號難以達到穩態(tài)值或長(cháng)時(shí)間維持穩定狀態(tài). 針對上述問(wèn)題, 提出 一種由動(dòng)態(tài)小波殘差卷積神經(jīng)網(wǎng)絡(luò )(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(dòng)態(tài)響應信號對動(dòng)態(tài)變化的氣體進(jìn)行成分識別, 并進(jìn)一步對每種成分氣體的濃度在線(xiàn)估計. 通過(guò)搭建的仿生嗅覺(jué)感 知系統對模型的性能進(jìn)行評估, 實(shí)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(xiàn)訓練時(shí)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(shí)對不同氣體都保持較高氣體濃度估計精度, 解決了動(dòng)態(tài)環(huán)境中仿生嗅覺(jué)感知系統需要針對不同氣體選擇不同最優(yōu)氣 體濃度估計模型問(wèn)題.
              基于距離信息的追逃策略: 信念狀態(tài)連續隨機博弈
              陳靈敏, 馮宇, 李永強
              2024, 50(4): 828-840. doi: 10.16383/j.aas.c230018
              摘要:
              追逃問(wèn)題的研究在對抗、追蹤以及搜查等領(lǐng)域極具現實(shí)意義. 借助連續隨機博弈與馬爾科夫決策過(guò)程(Markov decision process, MDP), 研究使用測量距離求解多對一追逃問(wèn)題的最優(yōu)策略. 在此追逃問(wèn)題中, 追捕群體僅領(lǐng)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(gè)過(guò)程. 在求解追捕策略時(shí), 通過(guò)分割環(huán)境引入信念區域狀態(tài)以估計逃逸者位置, 同時(shí)使用測量距離對信念區域狀態(tài)進(jìn)行修正, 構建起基于信念區域狀態(tài)的連續隨機追博弈, 并借助不動(dòng)點(diǎn)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(shí), 逃逸者根據全局信息建立混合狀態(tài)下的馬爾科夫決策過(guò)程及相應的最優(yōu)貝爾曼方程. 同時(shí)給出了基于強化學(xué)習的平穩追逃策略求解算法, 并通過(guò)案例驗證了該算法的有效性.
              基于時(shí)滯測量的復雜網(wǎng)絡(luò )分布式狀態(tài)估計研究
              滕達, 徐雍, 鮑鴻, 王卓, 魯仁全
              2024, 50(4): 841-850. doi: 10.16383/j.aas.c210921
              摘要:
              研究一類(lèi)存在一步隨機時(shí)滯的復雜網(wǎng)絡(luò )分布式狀態(tài)估計問(wèn)題, 采用伯努利隨機變量刻畫(huà)測量值的隨機時(shí)滯情況. 基于復雜網(wǎng)絡(luò )模型和不可靠測量值, 分別設計復雜網(wǎng)絡(luò )的狀態(tài)預測器和分布式狀態(tài)估計器, 基于楊氏不等式消除節點(diǎn)之間的耦合項, 通過(guò)優(yōu)化楊氏不等式引進(jìn)的參數, 優(yōu)化狀態(tài)預測協(xié)方差. 通過(guò)設計估計器增益, 獲得狀態(tài)估計誤差協(xié)方差, 同時(shí)結合預測誤差協(xié)方差, 獲得狀態(tài)估計誤差協(xié)方差的迭代公式, 并給出估計誤差協(xié)方差穩定的充分條件. 最后, 對由小車(chē)組成的耦合系統進(jìn)行數值仿真, 驗證所設計估計器的有效性.
              基于代價(jià)參考粒子濾波器組的多目標檢測前跟蹤算法
              盧錦, 馬令坤, 呂春玲, 章為川, Sun Chang-Ming
              2024, 50(4): 851-861. doi: 10.16383/j.aas.c220635
              摘要:
              針對圖像序列中多目標檢測和跟蹤算法結構復雜、計算量大、性能降低等問(wèn)題, 提出一種基于代價(jià)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(wèn)題轉換為序貫地檢測和跟蹤多個(gè)單目標的問(wèn)題. 首先, 采用代價(jià)參考粒子濾波器組序貫地估計所有可能單目標狀態(tài)序列; 其次, 基于所有可能單目標狀態(tài)序列的歐氏距離和累積代價(jià)確定目標數量; 最后, 根據累積代價(jià)判斷每個(gè)目標出現和消失的具體時(shí)刻. 仿真實(shí)驗驗證了CRPFB-MTBD的優(yōu)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(tài)序列和數量估計結果最佳, 且平均單次運行時(shí)間極短.
              基于大語(yǔ)言模型的復雜任務(wù)自主規劃處理框架
              秦龍, 武萬(wàn)森, 劉丹, 胡越, 尹全軍, 陽(yáng)東升, 王飛躍
              2024, 50(4): 862-872. doi: 10.16383/j.aas.c240088
              摘要:
              隨著(zhù)深度學(xué)習和自然語(yǔ)言處理技術(shù)的進(jìn)步, 大語(yǔ)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(wù)時(shí)仍存在局限性, 特別是在任務(wù)需要結合規劃及外部工具調用的場(chǎng)合. 面向這一挑戰, 提出國內首個(gè)以軍事游戲為背景的中文的復雜任務(wù)規劃與執行數據集(Complex task planning and execution dataset, CTPaE), 以及一個(gè)基于LLMs的自主復雜任務(wù)規劃 (Complex task planning, CTP) 處理框架AutoPlan. 該框架可以對復雜任務(wù)進(jìn)行自主規劃得到元任務(wù)序列, 并使用遞進(jìn)式ReAct提示 (Progressive ReAct prompting,PRP) 方法對已規劃的元任務(wù)逐步執行. 該框架的有效性通過(guò)在CTPaE上的實(shí)驗及與其他經(jīng)典算法的比較分析得到了驗證. 項目地址: https://github.com/LDLINGLINGLING/AutoPlan.
              1. <button id="qm3rj"><thead id="qm3rj"></thead></button>
                <samp id="qm3rj"></samp>
                <source id="qm3rj"><menu id="qm3rj"><pre id="qm3rj"></pre></menu></source>

                <video id="qm3rj"><code id="qm3rj"></code></video>

                  1. <tt id="qm3rj"><track id="qm3rj"></track></tt>
                      1. 亚洲第一网址_国产国产人精品视频69_久久久久精品视频_国产精品第九页