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
              顯示方式:
              目錄
              目錄
              2024, 50(5).  
              [封面瀏覽] [PDF 7976KB](16)
              綜述
              機器人化復合材料自動(dòng)鋪層技術(shù)綜述
              郭鵬, 楊辰光, 李祥利, 章藝, 李淼
              2024, 50(5): 873-897.   doi: 10.16383/j.aas.c230149
              [摘要](394) [HTML全文](235) [PDF 7558KB](203)
              摘要:
              碳纖維增強復合材料(Carbon fiber-reinforced composite, CFRC)因具有輕質(zhì)高強、耐腐蝕、耐沖擊等優(yōu)越性能, 在生產(chǎn)生活中的應用已越來(lái)越廣泛, 然而復材產(chǎn)品的生產(chǎn)制造仍是勞動(dòng)密集性產(chǎn)業(yè), 主要依靠人工. 機械臂自上世紀50年代進(jìn)入工業(yè)生產(chǎn)中以來(lái), 極大提高了生產(chǎn)效率和質(zhì)量, 然而目前機械臂在復材產(chǎn)品制造中的應用是少見(jiàn)的, 主要集中在機械臂形式的自動(dòng)鋪絲(Automated fiber placement, AFP)中. 復材產(chǎn)品制造工藝繁瑣, 將復合材料鋪放在模具上是復材產(chǎn)品制造過(guò)程中的一個(gè)重要環(huán)節, 本文稱(chēng)之為“鋪層”, 使用機械臂完成復合材料自動(dòng)鋪層將是未來(lái)復材產(chǎn)品制造自動(dòng)化、智能化發(fā)展的一個(gè)關(guān)鍵方向. 本文將機械臂進(jìn)行復合材料自動(dòng)鋪層操作分為兩種主要形式: 鋪片和鋪帶(絲), 通過(guò)案例調研和分析, 歸納總結現有的設計理念和技術(shù)方法, 提出未來(lái)發(fā)展趨勢, 以期對機械臂的應用和研究、復材產(chǎn)品的智能化制造和工業(yè)4.0的發(fā)展形成參考.
              論文與報告
              收縮、分離和聚合: 面向長(cháng)尾視覺(jué)識別的特征平衡方法
              楊佳鑫, 于淼淼, 李虹穎, 李碩豪, 范靈毓, 張軍
              2024, 50(5): 898-910.   doi: 10.16383/j.aas.c230288
              [摘要](217) [HTML全文](147) [PDF 4791KB](97)
              摘要:
              數據在現實(shí)世界中通常呈現長(cháng)尾分布, 即, 少數類(lèi)別擁有大量樣本, 而多數類(lèi)別僅有少量樣本. 這種數據不均衡的情況會(huì )導致在該數據集上訓練的模型對于樣本數量較少的尾部類(lèi)別產(chǎn)生過(guò)擬合. 面對長(cháng)尾視覺(jué)識別這一任務(wù), 提出一種面向長(cháng)尾視覺(jué)識別的特征平衡方法, 通過(guò)對樣本在特征空間中的收縮、分離和聚合操作, 增強模型對于難樣本的識別能力. 該方法主要由特征平衡因子和難樣本特征約束兩個(gè)模塊組成. 特征平衡因子利用類(lèi)樣本數量來(lái)調整模型的輸出概率分布, 使得不同類(lèi)別之間的特征距離更加均衡, 從而提高模型的分類(lèi)準確率. 難樣本特征約束通過(guò)對樣本特征進(jìn)行聚類(lèi)分析, 增加不同類(lèi)別之間的邊界距離, 使得模型能夠找到更合理的決策邊界. 該方法在多個(gè)常用的長(cháng)尾基準數據集上進(jìn)行實(shí)驗驗證, 結果表明不但提高了模型在長(cháng)尾數據上的整體分類(lèi)精度, 而且顯著(zhù)提升了尾部類(lèi)別的識別性能. 與基準方法BS相比較, 該方法在CIFAR100-LT、ImageNet-LT和iNaturalist 2018數據集上的性能分別提升了7.40%、6.60%和2.89%.
              帶有雙球面擺和變繩長(cháng)效應的橋式起重機軌跡規劃
              李剛, 馬昕, 李輊, 李貽斌
              2024, 50(5): 911-923.   doi: 10.16383/j.aas.c220988
              [摘要](426) [HTML全文](204) [PDF 1686KB](96)
              摘要:
              帶有雙球面擺和變繩長(cháng)效應的橋式起重機具有多輸入多輸出以及欠驅動(dòng)的動(dòng)力學(xué)特性, 目前仍缺乏有效的控制策略. 在臺車(chē)移動(dòng)、橋架移動(dòng)、負載升降同步作業(yè)過(guò)程中, 吊鉤和負載兩級球面擺動(dòng)特性更為復雜, 各狀態(tài)量之間的非線(xiàn)性耦合關(guān)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(wú)法保證橋式起重機系統全狀態(tài)量的暫態(tài)控制性能. 為解決上述問(wèn)題, 提出一種基于多項式的優(yōu)化軌跡規劃方法. 首先, 在未進(jìn)行近似簡(jiǎn)化的前提下, 使用拉格朗日方法建立帶有雙球面擺和變繩長(cháng)效應的7自由度 (Seven degree-of-freedom, 7-DOF) 橋式起重機的精確動(dòng)力學(xué)模型. 在此基礎上, 構造一組包含各狀態(tài)量的輔助信號, 將施加在臺車(chē)、橋架、繩長(cháng)以及吊鉤、負載擺動(dòng)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(wèn)題轉化為與輔助信號相關(guān)的時(shí)間優(yōu)化問(wèn)題, 并使用二分法求解. 該軌跡規劃方法不僅縮短了吊運時(shí)間, 而且確保了全狀態(tài)量滿(mǎn)足約束條件. 最后, 仿真結果證明了動(dòng)力學(xué)模型的準確性和軌跡規劃方法的有效性.
              基于動(dòng)態(tài)事件觸發(fā)通信協(xié)議的多智能體系統自適應可靠控制
              范泉涌, 張乃宗, 唐勇, 許斌
              2024, 50(5): 924-936.   doi: 10.16383/j.aas.c230766
              [摘要](415) [HTML全文](168) [PDF 3765KB](192)
              摘要:
              針對多智能體系統中鄰居節點(diǎn)間通信資源受限的情況, 研究基于動(dòng)態(tài)事件觸發(fā)通信協(xié)議的多智能體系統自適應可靠一致性控制問(wèn)題. 首先, 設計一種基于自適應參數估計技術(shù)的容錯控制策略, 來(lái)應對未知執行器故障. 其次, 提出一種新型動(dòng)態(tài)事件觸發(fā)函數, 通過(guò)增加具有自適應調節能力的動(dòng)態(tài)變量來(lái)延長(cháng)事件觸發(fā)間隔. 在此基礎上, 證明在智能體之間非連續通信的情況下, 所提方法僅依靠智能體與鄰居在觸發(fā)時(shí)刻的交互信息就可以確保一致性誤差的收斂. 此外, 從理論上說(shuō)明智能體間的事件觸發(fā)通信不存在芝諾現象. 最后, 針對無(wú)人船編隊系統開(kāi)展仿真, 結果能夠說(shuō)明所提自適應事件觸發(fā)可靠控制方法的有效性.
              時(shí)延非線(xiàn)性系統無(wú)模型預設性能控制
              張晉熙, 柴天佑, 王良勇
              2024, 50(5): 937-946.   doi: 10.16383/j.aas.c230701
              [摘要](278) [HTML全文](146) [PDF 2326KB](126)
              摘要:
              研究含有狀態(tài)時(shí)延的嚴反饋非線(xiàn)性系統的跟蹤控制問(wèn)題, 充分考慮時(shí)延的時(shí)變性和任意性以及系統的未知動(dòng)力學(xué)特性. 為解決該問(wèn)題, 取代參數辨識、函數逼近、增益調節、指令濾波等常規技術(shù), 提出基于導向函數的預設性能控制方法, 移除了控制器設計對于系統非線(xiàn)性、控制方向和虛擬控制信號導數等信息的依賴(lài). 并且, 擺脫基于李雅普諾夫?克拉索夫斯基泛函或拉祖米欣函數的穩定性分析框架, 采用基于反證法的受限分析理論, 移除性能分析對于已知的時(shí)延上界、部分已知的時(shí)延非線(xiàn)性函數和時(shí)延導數小于1等常見(jiàn)約束. 因此, 形成無(wú)模型、低復雜度、高性能控制方法, 將跟蹤誤差限制于設計者預先選取的性能包絡(luò )線(xiàn)內, 確保系統輸出以預先設定的速度和精度跟蹤上時(shí)變的設定值. 最后, 以具有延遲回收流的兩級化學(xué)反應器為對象開(kāi)展對比仿真, 實(shí)驗結果驗證了所提方法的有效性和優(yōu)越性.
              疊層模型驅動(dòng)的書(shū)法文字識別方法研究
              麻斯亮, 許勇
              2024, 50(5): 947-957.   doi: 10.16383/j.aas.c230460
              [摘要](297) [HTML全文](213) [PDF 8676KB](78)
              摘要:
              基于二維圖像的書(shū)法文字識別是指利用計算機視覺(jué)技術(shù)對書(shū)法文字單字圖像進(jìn)行識別, 在古籍研究和文化傳播中具有重要應用. 目前書(shū)法文字識別技術(shù)已經(jīng)取得了相當不錯的進(jìn)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(lèi)別數與其他語(yǔ)言文字相比更多, 書(shū)法文字圖像普遍存在類(lèi)內差距大、類(lèi)間差距小的問(wèn)題. 為解決這些問(wèn)題, 提出疊層模型驅動(dòng)的書(shū)法文字識別方法(Stacked-model driven character recognition, SDCR), 通過(guò)使用數據預處理、節點(diǎn)分離策略和疊層模型對現有單一分類(lèi)模型進(jìn)行改進(jìn), 按照字體類(lèi)別對同一類(lèi)別不同字體風(fēng)格的文字進(jìn)行二次劃分; 針對類(lèi)間差距小的問(wèn)題, 根據書(shū)法文字訓練集圖像識別置信度對形近字進(jìn)行子集劃分, 針對子集進(jìn)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(jìn)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(kāi)數據集上進(jìn)行訓練和測試, 實(shí)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99.90%, 證明了該方法的有效性.
              基于閱讀技巧識別和雙通道融合機制的機器閱讀理解方法
              彭偉, 胡玥, 李運鵬, 謝玉強, 牛晨旭
              2024, 50(5): 958-969.   doi: 10.16383/j.aas.c220983
              [摘要](243) [HTML全文](142) [PDF 1281KB](54)
              摘要:
              機器閱讀理解任務(wù)旨在要求系統對給定文章進(jìn)行理解, 然后對給定問(wèn)題進(jìn)行回答. 先前的工作重點(diǎn)聚焦在問(wèn)題和文章間的交互信息, 忽略了對問(wèn)題進(jìn)行更加細粒度的分析(如問(wèn)題所考察的閱讀技巧是什么?). 受先前研究的啟發(fā), 人類(lèi)對于問(wèn)題的理解是一個(gè)多維度的過(guò)程. 首先, 人類(lèi)需要理解問(wèn)題的上下文信息; 然后, 針對不同類(lèi)型問(wèn)題, 識別其需要使用的閱讀技巧; 最后, 通過(guò)與文章交互回答出問(wèn)題答案. 針對這些問(wèn)題, 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, 對問(wèn)題進(jìn)行更加細致的分析, 從而提高模型回答問(wèn)題的準確性. 閱讀技巧識別器通過(guò)對比學(xué)習的方法, 能夠顯式地捕獲閱讀技巧的語(yǔ)義信息. 雙通道融合機制將問(wèn)題與文章的交互信息和閱讀技巧的語(yǔ)義信息進(jìn)行深層次的融合, 從而達到輔助系統理解問(wèn)題和文章的目的. 為了驗證該模型的效果, 在FairytaleQA數據集上進(jìn)行實(shí)驗, 實(shí)驗結果表明, 該方法實(shí)現了在機器閱讀理解任務(wù)和閱讀技巧識別任務(wù)上的最好效果.
              基于序列注意力和局部相位引導的骨超聲圖像分割網(wǎng)絡(luò )
              陳芳, 張道強, 廖洪恩, 趙喆
              2024, 50(5): 970-979.   doi: 10.16383/j.aas.c210298
              [摘要](605) [HTML全文](448) [PDF 3416KB](108)
              摘要:
              在超聲輔助的骨科手術(shù)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(lái)輔助醫生進(jìn)行術(shù)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(wèn)題, 提出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(wǎng)絡(luò ). 該網(wǎng)絡(luò )一方面自適應地利用超聲序列幀之間的關(guān)系即序列注意力來(lái)輔助骨結構的語(yǔ)義分割. 另一方面, 該網(wǎng)絡(luò )通過(guò)引入局部相位引導模塊, 突出骨邊緣信息, 進(jìn)一步提高分割精度. 利用包含19 050幅圖像的骨超聲數據集, 進(jìn)行交叉實(shí)驗、消融實(shí)驗并與最新的超聲骨分割方法進(jìn)行比較. 實(shí)驗結果表明所提方法對骨結構分割精度高, 優(yōu)于現有的超聲骨分割方法.
              融合自適應評判的隨機系統數據驅動(dòng)策略?xún)?yōu)化
              王鼎, 王將宇, 喬俊飛
              2024, 50(5): 980-990.   doi: 10.16383/j.aas.c230678
              [摘要](199) [HTML全文](77) [PDF 1581KB](75)
              摘要:
              自適應評判技術(shù)已經(jīng)廣泛應用于求解復雜非線(xiàn)性系統的最優(yōu)控制問(wèn)題, 但利用其求解離散時(shí)間非線(xiàn)性隨機系統的無(wú)限時(shí)域最優(yōu)控制問(wèn)題還存在一定局限性. 本文融合自適應評判技術(shù), 建立一種數據驅動(dòng)的離散隨機系統折扣最優(yōu)調節方法. 首先, 針對寬松假設下的非線(xiàn)性隨機系統, 研究帶有折扣因子的無(wú)限時(shí)域最優(yōu)控制問(wèn)題. 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(yōu)化至最優(yōu)策略. 基于數據驅動(dòng)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(jìn)行策略?xún)?yōu)化. 其次, 利用執行?評判神經(jīng)網(wǎng)絡(luò )方案, 實(shí)現了隨機系統 Q-learning 算法. 最后, 通過(guò)兩個(gè)基準系統, 驗證本文提出的隨機系統 Q-learning 算法的有效性.
              基于肌電?慣性融合的人體運動(dòng)估計: 高斯濾波網(wǎng)絡(luò )方法
              楊旭升, 李福祥, 胡佛, 張文安
              2024, 50(5): 991-1000.   doi: 10.16383/j.aas.c230581
              [摘要](265) [HTML全文](82) [PDF 2429KB](68)
              摘要:
              本文研究了基于肌電(Electromyography, EMG)?慣性融合的人體運動(dòng)估計問(wèn)題, 提出了一種序貫漸進(jìn)高斯濾波網(wǎng)絡(luò )(Sequential progressive Gaussian filtering network, SPGF-net)估計方法來(lái)形成肌電和慣性的互補性?xún)?yōu)勢, 以提高人體運動(dòng)估計精度和穩定性. 首先, 利用卷積神經(jīng)網(wǎng)絡(luò )對觀(guān)測數據進(jìn)行特征提取, 以及利用長(cháng)短期記憶(Long short-term memory, LSTM)網(wǎng)絡(luò )模型來(lái)學(xué)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(xué)習相結合的網(wǎng)絡(luò )模型來(lái)實(shí)現人體運動(dòng)估計. 特別地, 引入漸進(jìn)量測更新對網(wǎng)絡(luò )量測特征的不確定性進(jìn)行補償. 最后, 通過(guò)實(shí)驗結果表明, 相比于現有的卡爾曼濾波網(wǎng)絡(luò ), 該融合方法在上肢關(guān)節角度估計中的均方根誤差(Root mean square error, RMSE)下降了13.8%, 相關(guān)系數(R2)提高了4.36%.
              城市固廢焚燒過(guò)程爐溫與煙氣含氧量多目標魯棒預測模型
              胡開(kāi)成, 嚴愛(ài)軍, 湯健
              2024, 50(5): 1001-1014.   doi: 10.16383/j.aas.c230430
              [摘要](155) [HTML全文](89) [PDF 1682KB](52)
              摘要:
              為實(shí)現城市固廢焚燒(Municipal solid waste incineration, MSWI)過(guò)程爐溫與煙氣含氧量的準確預測, 提出一種基于改進(jìn)隨機配置網(wǎng)絡(luò )的多目標魯棒建模方法(Multi-target robust modeling method based on improved stochastic configuration network, MRI-SCN). 首先, 設計了一種并行方式增量構建 SCN 隱含層, 通過(guò)信息疊加與跨越連接來(lái)增強隱含層映射多樣性, 并利用參數自適應變化的監督不等式分配隱含層參數; 其次, 使用\begin{document}$ \text{F} $\end{document}范數與\begin{document}$ L_{2,1} $\end{document}范數正則項建立矩陣彈性網(wǎng)對模型參數進(jìn)行稀疏約束, 以建模爐溫與煙氣含氧量間的相關(guān)性; 接著(zhù), 采用混合拉普拉斯分布作為每個(gè)目標建模誤差的先驗分布, 通過(guò)最大后驗估計重新評估 SCN 模型的輸出權值, 以增強其魯棒性; 最后, 利用城市固廢焚燒過(guò)程的歷史數據對所提建模方法的性能進(jìn)行測試. 實(shí)驗結果表明, 所提建模方法在預測精度與魯棒性方面具有優(yōu)勢.
              具有不確定控制增益嚴格反饋系統的自適應命令濾波控制
              吳錦娃, 劉勇華, 蘇春翌, 魯仁全
              2024, 50(5): 1015-1023.   doi: 10.16383/j.aas.c210553
              [摘要](1186) [HTML全文](434) [PDF 1106KB](159)
              摘要:
              針對一類(lèi)具有不確定控制增益的嚴格反饋系統, 提出一種基于命令濾波反推技術(shù)的自適應神經(jīng)網(wǎng)絡(luò )控制方法. 該方法采用神經(jīng)網(wǎng)絡(luò )對系統中的未知非線(xiàn)性函數進(jìn)行逼近, 并引入命令濾波反推技術(shù)克服“計算膨脹”的問(wèn)題. 與現有的命令濾波反推控制文獻相比, 本文通過(guò)構造自適應誤差補償系統, 同時(shí)消除濾波器產(chǎn)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.
              基于事件觸發(fā)機制的多自主水下航行器協(xié)同路徑跟蹤控制
              王浩亮, 柴亞星, 王丹, 劉陸, 王安青, 彭周華
              2024, 50(5): 1024-1034.   doi: 10.16383/j.aas.c211163
              [摘要](883) [HTML全文](429) [PDF 2427KB](171)
              摘要:
              針對考慮外部海洋環(huán)境擾動(dòng)和內部模型不確定性的多自主水下航行器(Autonomous underwater vehicle, AUV), 研究其在通信資源受限和機載能量受限下的協(xié)同路徑跟蹤控制問(wèn)題. 首先, 針對水聲通信信道窄造成的通信資源受限問(wèn)題, 設計一種基于事件觸發(fā)機制(Event-triggered mechanism, ETM)的協(xié)同通信策略; 然后, 針對模型不確定性和海洋環(huán)境擾動(dòng)問(wèn)題, 設計一種基于事件觸發(fā)機制的線(xiàn)性擴張狀態(tài)觀(guān)測器(Extended state observer, ESO)來(lái)逼近水下航行器的未知動(dòng)力學(xué), 并降低了系統采樣次數; 最后, 針對機載能量受限問(wèn)題, 設計一種基于事件觸發(fā)機制的動(dòng)力學(xué)控制律, 在保證控制精度的前提下, 降低了執行機構的動(dòng)作頻次, 從而節省了能量消耗. 應用級聯(lián)系統穩定性分析方法, 分別驗證了閉環(huán)系統是輸入狀態(tài)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(fā)機制的多自主水下航行器協(xié)同路徑跟蹤控制方法的有效性.
              基于Retinex先驗引導的低光照圖像快速增強方法
              何磊, 易遵輝, 謝永芳, 陳超洋, 盧明
              2024, 50(5): 1035-1046.   doi: 10.16383/j.aas.c230585
              [摘要](398) [HTML全文](141) [PDF 3157KB](93)
              摘要:
              低光照圖像增強旨在提高在低光照環(huán)境下所采集圖像的視覺(jué)質(zhì)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(jué)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(wèn)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. 為抑制輸出圖像的噪聲, 考慮到完全平滑的Gamma校正圖不會(huì )平滑細節紋理的特點(diǎn), 提出基于域變換遞歸濾波的Gamma校正圖優(yōu)化方法, 降低輸出圖像噪聲的同時(shí)保持顏色和對比度. 實(shí)驗結果表明, 所提方法不僅在主客觀(guān)圖像質(zhì)量評價(jià)上優(yōu)于現有大多數主流算法, 而且在計算效率上具有十分顯著(zhù)的優(yōu)勢.
              干擾條件下無(wú)人艇編隊有限時(shí)間同步控制
              王端松, 李東禹, 梁曉玲
              2024, 50(5): 1047-1058.   doi: 10.16383/j.aas.c230550
              [摘要](272) [HTML全文](126) [PDF 2017KB](125)
              摘要:
              針對有限時(shí)間控制中各狀態(tài)分量收斂時(shí)間不同問(wèn)題, 提出一種無(wú)人艇編隊有限時(shí)間同步控制框架, 在此框架下設計的有限時(shí)間同步編隊控制方法可巧妙地達到無(wú)人艇所有自由度編隊誤差在同一時(shí)刻收斂到平衡點(diǎn). 首先, 針對現有干擾觀(guān)測器與時(shí)間同步穩定框架不兼容問(wèn)題, 設計有限時(shí)間同步干擾觀(guān)測器; 然后, 利用比例保持特性設計有限時(shí)間同步編隊控制器, 并驗證了所提控制方法的穩定性; 最后, 通過(guò)3艘無(wú)人艇編隊進(jìn)行仿真實(shí)驗, 實(shí)驗結果驗證了所提控制方法的有效性和優(yōu)越性. 所提控制方法對有限時(shí)間同步控制需求的航海、航空航天和工業(yè)領(lǐng)域具有現實(shí)意義.
              本刊經(jīng)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(yè)碼,已有DOI。
              顯示方式:
              基于最大?最小策略的縱向聯(lián)邦學(xué)習隱私保護方法
              李榮昌, 劉濤, 鄭海斌, 陳晉音, 劉振廣, 紀守領(lǐng)
              當前狀態(tài):  doi: 10.16383/j.aas.c211233
              [摘要](601) [HTML全文](130)
              摘要:
              縱向聯(lián)邦學(xué)習(Vertical federated learning, VFL)是一種新興的分布式機器學(xué)習技術(shù), 在保障隱私性的前提下, 利用分散在各個(gè)機構的數據實(shí)現機器學(xué)習模型的聯(lián)合訓練. 縱向聯(lián)邦學(xué)習被廣泛應用于工業(yè)互聯(lián)網(wǎng)金融借貸和醫療診斷等諸多領(lǐng)域中, 因此保證其隱私安全性具有重要意義. 首先, 針對縱向聯(lián)邦學(xué)習協(xié)議中由于參與方交換的嵌入表示造成的隱私泄漏風(fēng)險, 研究由協(xié)作者發(fā)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(gè)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(shí)驗結果表明, 縱向聯(lián)邦學(xué)習在訓練、推理階段產(chǎn)生的嵌入表示容易泄漏數據隱私. 為了應對上述隱私泄漏風(fēng)險, 提出一種基于最大?最小策略的縱向聯(lián)邦學(xué)習隱私保護方法(Privacy preservation method for vertical federated learning based on max-min strategy, PPVFL), 其引入梯度正則組件保證訓練過(guò)程主任務(wù)的預測性能, 同時(shí)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(yè)場(chǎng)景的實(shí)驗結果表明, 相比于沒(méi)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%下降到55%以下, 接近于隨機猜測的水平, 同時(shí)主任務(wù)預測準確率僅下降2%.
              隱蔽攻擊下信息物理系統的安全輸出反饋控制
              張淇瑞, 孟思琪, 王蘭豪, 劉坤, 代偉
              當前狀態(tài):  doi: 10.16383/j.aas.c220893
              [摘要](655) [HTML全文](332)
              摘要:
              研究了受到隱蔽攻擊的信息物理系統(Cyber-physical system, CPS)安全控制問(wèn)題. 采用KL (Kullback-Leibler)散度描述攻擊的隱蔽性, 并設計動(dòng)態(tài)輸出反饋控制器, 使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(tài)以一定概率屬于的集合. 首先, 給出隱蔽攻擊下檢測器殘差所在范圍的一個(gè)外橢球近似集; 其次, 根據該近似集和噪聲的范圍給出控制器參數與系統橢球形不變可達集的關(guān)系; 然后, 通過(guò)設計可逆線(xiàn)性變換并構造凸優(yōu)化問(wèn)題, 求解安全控制器參數和相應的不變可達集; 最后, 使用彈簧?質(zhì)量?阻尼系統進(jìn)行仿真, 驗證了所提控制方法的有效性.
              面向無(wú)人機自主著(zhù)陸的視覺(jué)感知與位姿估計方法綜述
              馬寧, 曹云峰
              當前狀態(tài):  doi: 10.16383/j.aas.c230557
              [摘要](39) [HTML全文](16)
              摘要:
              自主著(zhù)陸技術(shù)是制約無(wú)人機 (Unmanned aerial vehicle, UAV) 自主性等級提升中極具挑戰性的一項技術(shù). 立足于未來(lái)基于視覺(jué)的無(wú)人機自主著(zhù)陸技術(shù)的發(fā)展需求, 圍繞其中的核心問(wèn)題——著(zhù)陸場(chǎng)檢測與位姿估計, 對近十年來(lái)國內外無(wú)人機自主著(zhù)陸領(lǐng)域中基于視覺(jué)的著(zhù)陸場(chǎng)檢測與位姿估計方法研究進(jìn)展進(jìn)行總結. 首先, 在分析無(wú)人機自主著(zhù)陸應用需求的基礎上, 指出機器視覺(jué)在無(wú)人機自主著(zhù)陸領(lǐng)域的應用優(yōu)勢, 并凝練出存在的科學(xué)問(wèn)題; 其次, 按不同應用場(chǎng)景劃分對著(zhù)陸場(chǎng)檢測算法進(jìn)行梳理; 然后, 分別對純視覺(jué)、多源信息融合的位姿估計技術(shù)研究成果進(jìn)行歸納; 最后, 總結該領(lǐng)域有待進(jìn)一步解決的難點(diǎn), 并對未來(lái)的技術(shù)發(fā)展趨勢進(jìn)行展望.
              虛假數據注入式攻擊下無(wú)人水面船舶自適應神經(jīng)輸出反饋軌跡跟蹤控制
              祝貴兵, 吳晨, 馬勇
              當前狀態(tài):  doi: 10.16383/j.aas.c220984
              [摘要](263) [HTML全文](134)
              摘要:
              本文主要研究網(wǎng)絡(luò )環(huán)境下無(wú)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(wèn)題. 其中, 內部和外部不確定以及輸入飽和約束等實(shí)際因素均考慮在設計中. 在控制設計過(guò)程中, 為避免將船舶速度的攻擊信號引入閉環(huán)系統, 采用分類(lèi)重構思想, 構造一種新的神經(jīng)網(wǎng)絡(luò ) (Neural network, NN) 狀態(tài)觀(guān)測器, 同時(shí)重構船舶速度和攻擊信號. 進(jìn)一步, 在backstepping 設計框架下, 利用重構的攻擊信號補償USVs 運動(dòng)學(xué)通道因虛假數據注入式攻擊引起的非匹配不確定項. 在動(dòng)力學(xué)設計通道中, 利用自適應神經(jīng)技術(shù)和單參數學(xué)習法, 重構由內部和外部不確定組成的復合不確定部分, 進(jìn)而提出自適應神經(jīng)輸出反饋控制方案. 理論分析表明, 即便在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(shí), 仿真和比較結果證實(shí)了所提控制方案的有效性和優(yōu)越性.
              基于料面視頻圖像分析的高爐異常狀態(tài)智能感知與識別
              朱霽霖, 桂衛華, 蔣朝輝, 陳致蓬, 方怡靜
              當前狀態(tài):  doi: 10.16383/j.aas.c230674
              [摘要](64) [HTML全文](14)
              摘要:
              智能感知、精準識別高爐(Blast furnace, BF)異常狀態(tài)對指導高爐調控優(yōu)化、保證高爐穩定運行具有重要意義, 但高爐內部的黑箱狀態(tài)致使傳統檢測方法難以直接感知并準確識別多種高爐異常狀態(tài). 新型工業(yè)內窺鏡可獲取大量料面視頻圖像, 為直接觀(guān)測爐內運行狀態(tài)提供了全新的手段. 基于此, 提出一種基于料面視頻圖像分析的高爐異常狀態(tài)智能感知與識別方法. 首先, 提出基于多尺度紋理模糊C均值(Multi-scale texture fuzzy C-means, MST-FCM)聚類(lèi)的高溫煤氣流區域提取方法, 準確獲取煤氣流圖像, 并提取煤氣流圖像紋理、形態(tài)和穩定性等淺層特征; 其次, 針對高爐煤氣流異常狀態(tài)感知缺乏相應手段的問(wèn)題, 提出基于特征編碼的高維特征降維方法, 結合自適應K-means++算法, 實(shí)現煤氣流異常狀態(tài)的粗粒度感知; 在此基礎上, 通過(guò)改進(jìn)雅可比?傅立葉矩(Jacobi-Fourier moments, JFM) 提取煤氣流圖像深層特征變化趨勢, 進(jìn)而提出細粒度煤氣流異常狀態(tài)感知方法; 最后, 基于煤氣流異常狀態(tài)感知結果, 結合塌料和懸料視頻圖像, 提出多級殘差通道注意力模塊(Multi-level residual channel attention module, MRCAM), 建立高爐異常狀態(tài)識別模型ResVGGNet, 同時(shí)實(shí)現高爐煤氣流異常、塌料和懸料的精準在線(xiàn)識別. 實(shí)驗結果表明, 所提方法能準確識別不同的高爐異常狀態(tài)且識別速度快, 可為高爐平穩運行提供重要保障.
              基于流形正則化框架和MMD的域自適應BLS模型
              趙慧敏, 鄭建杰, 郭晨, 鄧武
              當前狀態(tài):  doi: 10.16383/j.aas.c210009
              [摘要](2011) [HTML全文](706)
              摘要:
              寬度學(xué)習系統(Broad learning system, BLS)作為一種基于隨機向量函數型網(wǎng)絡(luò )(Random vector functionallink network, RVFLN)的高效增量學(xué)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(diǎn). 但針對目標分類(lèi)任務(wù)中有標簽數據匱乏問(wèn)題, 傳統的BLS難以借助相關(guān)領(lǐng)域知識來(lái)提升目標域的分類(lèi)效果, 為此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 (Domain adaptive BLS, DABLS)模型, 實(shí)現目標域無(wú)標簽條件下的跨域圖像分類(lèi). DABLS模型首先構造BLS的特征節點(diǎn)和增強節點(diǎn), 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. 然后基于遷移學(xué)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(diǎn)、增強節點(diǎn)、MMD懲罰項和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(lèi)性能. 最后在不同圖像數據集上進(jìn)行大量的驗證與對比實(shí)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(lèi)性能, 具有較強的泛化能力和較好的穩定性.
              擴展目標跟蹤中基于深度強化學(xué)習的傳感器管理方法
              張虹蕓, 陳輝, 張文旭
              當前狀態(tài):  doi: 10.16383/j.aas.c230591
              [摘要](44) [HTML全文](25)
              摘要:
              針對擴展目標跟蹤(Extended target tracking, ETT)優(yōu)化中的傳感器管理問(wèn)題, 基于隨機矩陣模型(Random matrices model, RMM)建模擴展目標, 提出一種基于深度強化學(xué)習(Deep reinforcement learning, DRL)的傳感器管理方法. 首先, 在部分可觀(guān)測馬爾科夫決策過(guò)程(Partially observed Markov decision process, POMDP)理論框架下, 給出基于雙延遲深度確定性策略梯度(Twin delayed deep deterministic policy gradient, TD3)算法的擴展目標跟蹤傳感器管理的基本方法; 其次, 利用高斯瓦瑟斯坦距離(Gaussian Wasserstein distance, GWD)求解擴展目標先驗概率密度與后驗概率密度之間的信息增益, 對擴展目標多特征估計信息進(jìn)行綜合評價(jià), 進(jìn)而以信息增益作為T(mén)D3算法獎勵函數的構建; 然后, 通過(guò)推導出的獎勵函數, 進(jìn)行基于深度強化學(xué)習的傳感器管理方法的最優(yōu)決策; 最后, 通過(guò)構造擴展目標跟蹤優(yōu)化仿真實(shí)驗, 驗證了所提方法的有效性.
              非平衡數據流在線(xiàn)主動(dòng)學(xué)習方法
              李艷紅, 任霖, 王素格, 李德玉
              當前狀態(tài):  doi: 10.16383/j.aas.c211246
              [摘要](6) [HTML全文](4)
              摘要:
              數據流分類(lèi)是數據流挖掘領(lǐng)域一項重要研究任務(wù), 目標是從實(shí)時(shí)到達不斷變化的海量數據中捕獲變化的類(lèi)結構. 目前, 很少有框架可以同時(shí)處理數據流中常見(jiàn)的多類(lèi)非平衡、概念漂移、異常點(diǎn)和標記樣本成本高昂?jiǎn)?wèn)題. 基于此, 提出一種非平衡數據流在線(xiàn)主動(dòng)學(xué)習方法(Online active learning method for imbalanced data stream, OALM-IDS). AdaBoost是一種將多個(gè)弱分類(lèi)器經(jīng)過(guò)迭代生成強分類(lèi)器的集成分類(lèi)方法, AdaBoost.M2引入了弱分類(lèi)器的置信度, 此類(lèi)方法常用于靜態(tài)數據. 定義了基于不平衡比率和自適應遺忘因子的訓練樣本重要性度量, 從而使AdaBoost.M2方法適用于非平衡數據流, 提升了非平衡數據流集成分類(lèi)器的性能. 提出了邊際閾值矩陣的自適應調整方法, 優(yōu)化了標簽請求策略. 將概念漂移程度融入模型構建過(guò)程中, 定義了基于概念漂移指數的自適應遺忘因子, 實(shí)現了漂移后的模型重構. 在6個(gè)人工數據流和3個(gè)真實(shí)數據流上的對比實(shí)驗表明, 提出的非平衡數據流在線(xiàn)主動(dòng)學(xué)習方法的分類(lèi)性能優(yōu)于其他5種非平衡數據流學(xué)習方法.
              聯(lián)合深度超參數卷積和交叉關(guān)聯(lián)注意力的大位移光流估計
              王梓歌, 葛利躍, 陳震, 張聰炫, 王子旭, 舒銘奕
              當前狀態(tài):  doi: 10.16383/j.aas.c230049
              [摘要](220) [HTML全文](103)
              摘要:
              針對現有深度學(xué)習光流估計模型在大位移場(chǎng)景下的準確性和魯棒性問(wèn)題, 提出了一種聯(lián)合深度超參數卷積和交叉關(guān)聯(lián)注意力的圖像序列光流估計方法. 首先, 通過(guò)聯(lián)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(wǎng)絡(luò )訓練的收斂速度, 在不增加網(wǎng)絡(luò )推理量的前提下提高光流估計的準確性; 然后, 設計基于交叉關(guān)聯(lián)注意力的特征提取編碼網(wǎng)絡(luò ), 通過(guò)疊加注意力層數獲得更大的感受野, 以提取多尺度長(cháng)距離上下文特征信息, 增強大位移場(chǎng)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(lián)合深度超參數卷積和交叉關(guān)聯(lián)注意力的光流估計網(wǎng)絡(luò ), 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(jìn)行綜合對比分析, 實(shí)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(chǎng)景下具有更好的估計準確性與魯棒性.
              基于多層級信息融合網(wǎng)絡(luò )的微表情識別方法
              陳妍, 吳樂(lè )晨, 王聰
              當前狀態(tài):  doi: 10.16383/j.aas.c230641
              [摘要](55) [HTML全文](26)
              摘要:
              微表情是人類(lèi)情感表達過(guò)程中細微且不自主的表情變化, 實(shí)現準確和高效的微表情識別, 對于心理疾病的早期診斷和治療有重要意義. 現有的微表情識別方法大多未考慮面部產(chǎn)生微表情時(shí)各個(gè)關(guān)鍵部位間的聯(lián)系, 難以在小樣本圖像空間上捕捉到微表情的細微變化, 導致識別率不高. 為此, 提出一種基于多層級信息融合網(wǎng)絡(luò )的微表情識別方法. 該方法包括一個(gè)基于頻率幅值的視頻幀選取策略, 能從微表情視頻中, 篩選出包含高強度表情信息的圖像幀、一個(gè)基于自注意力機制和圖卷積網(wǎng)絡(luò )的多層級信息提取網(wǎng)絡(luò )和一個(gè)引入圖像全局信息的融合網(wǎng)絡(luò ), 能從不同層次捕獲人臉微表情的細微變化, 來(lái)提高對特定類(lèi)別的辨識度. 在公開(kāi)數據集上的實(shí)驗結果表明, 該方法能有效提高微表情識別的準確率, 與其他先進(jìn)方法相比, 具有更好的性能.
              基于計算機視覺(jué)的工業(yè)金屬表面缺陷檢測綜述
              伍麟, 郝鴻宇, 宋友
              當前狀態(tài):  doi: 10.16383/j.aas.c230039
              [摘要](1925) [HTML全文](2357)
              摘要:
              針對平面及三維結構金屬材料的工業(yè)表面缺陷檢測, 概述了視覺(jué)檢測技術(shù)的基本原理和研究現狀, 并總結出視覺(jué)自動(dòng)檢測系統的關(guān)鍵技術(shù)包括光學(xué)成像技術(shù)、圖像預處理技術(shù)與缺陷檢測器. 首先介紹了如何根據檢測對象的光學(xué)特性選擇合適的二維、三維光學(xué)成像技術(shù); 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(shù)的重要作用; 然后根據缺陷檢測器的實(shí)現原理將其分為模板匹配、圖像分類(lèi)、圖像語(yǔ)義分割、目標檢測和圖像異常檢測五類(lèi), 并對其中的經(jīng)典算法進(jìn)行了歸納分析. 最后, 探討了工業(yè)場(chǎng)景下金屬表面缺陷檢測技術(shù)實(shí)施中的關(guān)鍵問(wèn)題, 并對該技術(shù)的發(fā)展趨勢進(jìn)行了展望.
              快速刀具伺服系統位置域重復控制設計及其數字實(shí)現
              周蘭, 楊秦, 潘昌忠, 肖文彬, 李美柳
              當前狀態(tài):  doi: 10.16383/j.aas.c230381
              [摘要](310) [HTML全文](131)
              摘要:
              在非圓零件車(chē)削過(guò)程中, 快速刀具伺服(Fast tool servo, FTS)的運動(dòng)精度直接影響零件的加工質(zhì)量. 主軸變速加工使得FTS的參考目標信號周期時(shí)變而不確定, 這對實(shí)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(shí)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(jìn)型重復控制器(Spatial modified repetitive controller, SMRC)的數字實(shí)現算法, 實(shí)現對時(shí)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(guān)時(shí)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(jìn)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, 推導出控制系統的穩定性條件, 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(shí)現算法, 確保位置域重復控制和時(shí)域鎮定控制器的同步執行. 最后, 通過(guò)仿真驗證所設計的FTS控制系統具有滿(mǎn)意的時(shí)變周期跟蹤性能和魯棒性, 并通過(guò)與其他位置域重復控制方法的比較, 說(shuō)明所提方法同時(shí)具有更好的暫態(tài)和穩態(tài)性能.
              融合目標定位與異構局部交互學(xué)習的細粒度圖像分類(lèi)
              陳權, 陳飛, 王衍根, 程航, 王美清
              當前狀態(tài):  doi: 10.16383/j.aas.c230507
              [摘要](21) [HTML全文](12)
              摘要:
              由于細粒度圖像之間存在小的類(lèi)間方差和大的類(lèi)內差異, 現有分類(lèi)算法僅僅聚焦于單張圖像顯著(zhù)的局部特征的提取與表示學(xué)習, 忽視了多張圖像之間局部的異構語(yǔ)義判別信息, 較難關(guān)注到區分不同類(lèi)別的微小細節, 導致學(xué)習到的特征缺乏足夠區分度. 本文提出了一種漸進(jìn)式網(wǎng)絡(luò )以弱監督的方式學(xué)習圖像不同粒度層級的信息, 首先構建一個(gè)注意力累計目標定位模塊(Attention accumulation object location module, AAOLM), 在單張圖像上從不同的訓練輪次和特征提取階段對注意力信息進(jìn)行語(yǔ)義目標集成定位. 其次, 設計一個(gè)多張圖像異構局部交互圖模塊(Heterogeneous local interaction graph module, HLIGM), 提取每張圖像的顯著(zhù)性局部區域特征, 在類(lèi)別標簽引導下構建多張圖像的局部區域特征之間的圖網(wǎng)絡(luò ), 聚合局部特征增強表示的判別力. 最后, 利用知識蒸餾將異構局部交互圖模塊產(chǎn)生的優(yōu)化信息反饋給主干網(wǎng)絡(luò ), 從而能夠直接提取具有較強區分度的特征, 避免了在測試階段建圖的計算開(kāi)銷(xiāo). 通過(guò)在多個(gè)數據集上進(jìn)行的實(shí)驗, 證明了提出的方法的有效性, 能夠提高細粒度分類(lèi)的精度.
              復雜無(wú)向圖的同構判定方法
              王卓, 王成紅
              當前狀態(tài):  doi: 10.16383/j.aas.c230612
              [摘要](48) [HTML全文](17)
              摘要:
              針對一般復雜無(wú)向圖的同構判定問(wèn)題, 給出了基于鄰接矩陣之和的特征多項式判定條件; 針對復雜無(wú)向連通圖的同構判定問(wèn)題, 給出了基于距離矩陣特征多項式和鄰接矩陣特征多項式的同構判定條件, 將該條件用于復雜無(wú)向不連通圖的各個(gè)連通子圖, 就可解決復雜無(wú)向不連通圖的同構判定問(wèn)題. 上述兩個(gè)判定條件均是充要條件且當復雜無(wú)向圖退化為簡(jiǎn)單無(wú)向圖時(shí)仍然適用.
              基于逐層增量分解的深度網(wǎng)絡(luò )神經(jīng)元相關(guān)性解釋方法
              陳藝元, 李建威, 邵文澤, 孫玉寶
              當前狀態(tài):  doi: 10.16383/j.aas.c230651
              [摘要](31) [HTML全文](14)
              摘要:
              神經(jīng)網(wǎng)絡(luò )的黑箱特性嚴重阻礙了人們關(guān)于網(wǎng)絡(luò )決策的直觀(guān)分析與理解. 盡管文獻報道了多種基于神經(jīng)元貢獻度分配的決策解釋方法, 但是現有方法的解釋一致性難以保證, 魯棒性更是有待改進(jìn). 本文從神經(jīng)元相關(guān)性概念入手, 提出一種基于逐層增量分解的神經(jīng)網(wǎng)絡(luò )解釋新方法LID-Taylor(Layer-wise increment decomposition), 且在此基礎上先后引入針對頂層神經(jīng)元相關(guān)性的對比提升策略, 以及針對所有層神經(jīng)元相關(guān)性的非線(xiàn)性提升策略, 最后利用交叉組合策略得到最終方法SIG-LID-IG, 實(shí)現了決策歸因性能的魯棒躍升. 通過(guò)熱力圖對現有工作與提出方法的決策歸因性能做了定性定量評估. 結果顯示, SIG-LID-IG在神經(jīng)元的正, 負相關(guān)性的決策歸因合理性上均可媲美甚至優(yōu)于現有工作. SIG-LID-IG在多尺度熱力圖下同樣取得了精確性更高, 魯棒性更強的決策歸因.
              面向智能網(wǎng)聯(lián)汽車(chē)的車(chē)路協(xié)同感知技術(shù)及發(fā)展趨勢
              張新鈺, 盧毅果, 高鑫, 黃雨寧, 劉華平, 李駿
              當前狀態(tài):  doi: 10.16383/j.aas.c230575
              [摘要](136) [HTML全文](30)
              摘要:
              隨著(zhù)感知技術(shù)的不斷發(fā)展以及智能交通基礎設施的完善, 智能網(wǎng)聯(lián)汽車(chē)應用在自動(dòng)駕駛領(lǐng)域的地位逐漸提升, 自動(dòng)駕駛感知從單車(chē)智能向車(chē)路協(xié)同邁進(jìn), 近年來(lái)涌現了一批新的協(xié)同感知技術(shù)與方法. 本文旨在全面闡述面向智能網(wǎng)聯(lián)汽車(chē)的車(chē)路協(xié)同感知技術(shù), 并總結相關(guān)可利用數據及該方向發(fā)展趨勢. 首先對智能網(wǎng)聯(lián)汽車(chē)的協(xié)同感知策略進(jìn)行劃分, 并總結了不同感知策略具備的優(yōu)勢與不足;其次, 對智能網(wǎng)聯(lián)汽車(chē)協(xié)同感知的關(guān)鍵技術(shù)進(jìn)行闡述, 包括車(chē)路協(xié)同感知過(guò)程中的感知技術(shù)與通信技術(shù);然后對車(chē)路協(xié)同感知方法進(jìn)行歸納, 總結了近年來(lái)解決協(xié)同感知中感知融合、感知信息選擇與壓縮等問(wèn)題相關(guān)研究;最后對車(chē)路協(xié)同感知的大規模數據集進(jìn)行了整理, 并對智能網(wǎng)聯(lián)汽車(chē)協(xié)同感知的發(fā)展趨勢進(jìn)行了分析.
              面向算力網(wǎng)絡(luò )的智慧調度綜述
              李逸博, 李小平, 王爽, 蔣嶷川
              當前狀態(tài):  doi: 10.16383/j.aas.c230196
              [摘要](270) [HTML全文](78)
              摘要:
              分布異構計算資源通過(guò)網(wǎng)絡(luò )連接形成算力網(wǎng)絡(luò ) (Computing power network, CPN), 其以“連”和“算”為核心. 針對廣分布異構性導致可行解空間巨大、強不確定性導致可行解空間易變、高約束復雜性導致可行解孤島繁多、多目標性導致沖突目標權衡優(yōu)化難等挑戰, 提出一個(gè)多層次算力網(wǎng)絡(luò )體系框架, 包括參數化結構化業(yè)務(wù)管理、三階段(計劃、調度、執行)閉環(huán)調度模式、多模態(tài)資源管理三個(gè)功能. 提出支持快速、高效、魯棒的“算法+知識+數據+算力”的算力網(wǎng)絡(luò )智慧調度框架, 形式化分析可行解空間, 解析調度策略關(guān)鍵參數, 定性分析調度算法性能與效率的內在關(guān)系, 詳細綜述調度算法類(lèi)型, 綜述算力網(wǎng)絡(luò )調度研究進(jìn)展與發(fā)展方向. 對比已有相關(guān)綜述研究, 展望算力網(wǎng)絡(luò )調度未來(lái)理論和技術(shù)的難點(diǎn)與趨勢.
              基于仿真機理和改進(jìn)回歸決策樹(shù)的二噁英排放建模
              夏恒, 湯健, 余文, 喬俊飛
              當前狀態(tài):  doi: 10.16383/j.aas.c230625
              [摘要](29) [HTML全文](10)
              摘要:
              城市固廢焚燒(Municipal solid waste incineration, MSWI)過(guò)程已是被稱(chēng)為“世紀之毒”的二噁英(Dioxin, DXN)的重要排放源之一. 截止目前為止, DXN的生成機理和實(shí)時(shí)檢測仍是尚未解決的難題. 現有研究主要基于離線(xiàn)化驗數據構建數據驅動(dòng)模型, 未能有效地結合燃燒過(guò)程機理進(jìn)行DXN檢測. 針對該問(wèn)題, 本文提出基于仿真機理和改進(jìn)線(xiàn)性回歸決策樹(shù)(Linear regression decision tree, LRDT)的DXN排放建模. 首先, 采用基于床層固廢燃燒模擬軟件和過(guò)程工程先進(jìn)系統軟件耦合的數值仿真模型獲取多運行工況下的虛擬機理數據; 接著(zhù), 利用虛擬機理數據構建基于改進(jìn)LRDT的燃燒狀態(tài)表征變量CO2、CO和O2模型; 最后, 以真實(shí)CO2、CO、O2作為輸入和以DXN真值作為輸出, 構建基于多入單出LRDT 的過(guò)程映射模型(Process mapping model, PMM), 再利用該模型進(jìn)行半監督學(xué)習和結構遷移得到機理映射模型(Mechanism mapping models1, MMM1), 進(jìn)一步通過(guò)結構增量學(xué)習獲得基于半監督遷移學(xué)習的MMM2模型. 在實(shí)驗室的半實(shí)物平臺和北京某MSWI廠(chǎng)的邊緣端驗證平臺對所提方法進(jìn)行了工業(yè)應用驗證.
              基于多變量時(shí)空融合網(wǎng)絡(luò )的風(fēng)機數據缺失值插補研究
              詹兆康, 胡旭光, 趙浩然, 張思琪, 張峻凱, 馬大中
              當前狀態(tài):  doi: 10.16383/j.aas.c230534
              [摘要](61) [HTML全文](12)
              摘要:
              風(fēng)電場(chǎng)數據的完整性會(huì )因惡劣天氣、輸入信號丟失、傳感器故障等原因遭到破壞, 而大面積的數據缺失將給風(fēng)機設備的運行和維護帶來(lái)嚴峻考驗. 因此, 提出一個(gè)多變量時(shí)空融合網(wǎng)絡(luò )(Multivariate spatiotemporal integration network, MSIN)來(lái)解決缺失數據問(wèn)題. 首先, 提出包含缺失值定位?指引機制的MSIN結構, 揭示缺失部分數據的潛在信息, 確保插補數據符合真實(shí)分布. 其次, 在網(wǎng)絡(luò )中設計多視角時(shí)空卷積模塊, 捕捉同一風(fēng)機多個(gè)變量與多個(gè)風(fēng)機同一變量之間的局部空間和全局時(shí)間相關(guān)性, 用于提高插補數據的真實(shí)性. 接著(zhù), 提出網(wǎng)絡(luò )實(shí)時(shí)自更新機制, 根據風(fēng)電場(chǎng)實(shí)時(shí)變化情況實(shí)現在線(xiàn)調整, 能夠提升網(wǎng)絡(luò )泛化能力, 由此彌補重新訓練模型的時(shí)間和空間成本高的缺陷. 最后, 通過(guò)真實(shí)的風(fēng)機數據驗證所提網(wǎng)絡(luò )的有效性和優(yōu)越性. 相關(guān)分析結果表明, 相較于MissForest等傳統數據插補方法的插補性能, 平均絕對誤差(Mean absolute error, MAE)、平均絕對百分比誤差(Mean absolute percentage error, MAPE)和均方根誤差(Root mean square error, RMSE)分別下降 18.54%、41.00% 和 3.15% 以上.
              Schnakenberg系統的時(shí)空斑圖演化機理研究
              董順科, 肖敏, 虞文武
              當前狀態(tài):  doi: 10.16383/j.aas.c230637
              [摘要](66) [HTML全文](30)
              摘要:
              Schnakenberg系統是一類(lèi)典型的化學(xué)反應擴散控制系統. 目前國內外研究?jì)H局限于Schnakenberg系統的Turing不穩定與分岔, 而關(guān)于其化學(xué)斑圖演化機理的報道較少. 斑圖機理分析可以準確揭示化學(xué)反應中自組織現象的產(chǎn)生和空間模式的演化規律. 本文研究交叉擴散驅動(dòng)下Schnakenberg系統斑圖的結構蛻變、演化速度及時(shí)間依賴(lài)性, 重點(diǎn)探討交叉擴散對其動(dòng)力學(xué)與斑圖演化的響應機制. 研究發(fā)現, 當自擴散誘導的系統穩定時(shí), 交叉擴散可以激發(fā)斑圖的產(chǎn)生; 當自擴散誘導的系統不穩定時(shí), 交叉擴散可以實(shí)現斑圖結構的蛻變; 對于環(huán)波結構, 不同組分的交叉擴散可以影響其演化速度; 對于時(shí)間依賴(lài)性, 交叉擴散可以激發(fā)隨時(shí)間周期變化的斑圖產(chǎn)生, 并可將此類(lèi)斑圖轉換為隨時(shí)間相對穩定的斑圖. 因此, 交叉擴散對于Schnakenberg系統的斑圖產(chǎn)生、蛻變、演化速度及時(shí)間依賴(lài)性都起著(zhù)至關(guān)重要的作用.
              基于自組織遞歸小波神經(jīng)網(wǎng)絡(luò )的污水處理過(guò)程多變量控制
              蘇尹, 楊翠麗, 喬俊飛
              當前狀態(tài):  doi: 10.16383/j.aas.c220679
              [摘要](92) [HTML全文](32)
              摘要:
              污水處理過(guò)程(Wastewater treatment process, WWTP)是一個(gè)包含多個(gè)生化反應的復雜過(guò)程, 具有非線(xiàn)性和動(dòng)態(tài)特性. 因此, 實(shí)現污水處理過(guò)程的精準控制是一項挑戰. 為解決這個(gè)問(wèn)題, 提出一種基于自組織遞歸小波神經(jīng)網(wǎng)絡(luò )(Self-organizing recurrent wavelet neural network, SRWNN)的污水處理過(guò)程多變量控制. 首先, 針對污水處理過(guò)程的動(dòng)態(tài)特性, 根據小波基的激活強度設計一種自組織機制來(lái)動(dòng)態(tài)調整遞歸小波神經(jīng)網(wǎng)絡(luò )控制器的結構, 提高控制的性能. 然后, 采用結合自適應學(xué)習率的在線(xiàn)學(xué)習算法, 實(shí)現控制器的參數學(xué)習. 此外, 通過(guò)李雅普諾夫穩定性定理證明此控制器的穩定性. 最后, 采用基準仿真平臺進(jìn)行仿真驗證, 實(shí)驗結果表明, 此控制方法可以有效提高污水處理過(guò)程的控制絕對積分誤差和平方誤差積分的精度.
              高超聲速飛行器指定時(shí)間時(shí)變高增益反饋跟蹤控制
              張康康, 周彬, 蔡光斌, 侯明哲
              當前狀態(tài):  doi: 10.16383/j.aas.c210895
              [摘要](486) [HTML全文](274)
              摘要:
              研究了高超聲速飛行器控制通道存在未知環(huán)境干擾時(shí)的指定時(shí)間跟蹤控制問(wèn)題. 基于高超聲速飛行器的輸入輸出線(xiàn)性化模型, 借助參量 Lyapunov方程的一些性質(zhì), 設計一種光滑、有界的時(shí)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(shí)間控制方法, 該算法不會(huì )出現抖振現象, 同時(shí)收斂時(shí)間不依賴(lài)于初始狀態(tài)且可以事先設定. 當高超聲速飛行器存在未知的有界環(huán)境匹配干擾時(shí), 該控制器能使高度和速度在指定時(shí)間跟蹤上參考信號. 仿真結果驗證了方法的有效性.
              自適應分布式聚合博弈廣義納什均衡算法
              時(shí)俠圣, 任璐, 孫長(cháng)銀
              當前狀態(tài):  doi: 10.16383/j.aas.c230584
              [摘要](213) [HTML全文](102)
              摘要:
              隨著(zhù)信息物理系統技術(shù)的發(fā)展, 面向多智能體系統的分布式協(xié)同優(yōu)化問(wèn)題得到廣泛研究. 主要研究面向多智能體系統的受約束分布式聚合博弈問(wèn)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(shí)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(tài)反饋策略和輸出反饋策略將上述算法推廣至狀態(tài)信息可測和狀態(tài)信息不可測一般異構線(xiàn)性多智能體系統. 最后, 利用拉薩爾不變性原理證實(shí)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.
              知識和數據驅動(dòng)的污水處理反硝化脫氮過(guò)程協(xié)同優(yōu)化控制
              韓紅桂, 王玉爽, 劉崢, 孫浩源, 喬俊飛
              當前狀態(tài):  doi: 10.16383/j.aas.c230695
              [摘要](100) [HTML全文](47)
              摘要:
              為有效提升城市污水處理過(guò)程的脫氮效果, 提出一種知識和數據驅動(dòng)的反硝化脫氮過(guò)程協(xié)同優(yōu)化控制(Knowledge-data-driven cooperative optimal control, KDDCOC). 所提方法主要有以下兩個(gè)方面: 首先, 建立一種基于自適應知識核函數的協(xié)同優(yōu)化控制目標模型, 動(dòng)態(tài)描述出水水質(zhì)(Effluent quality, EQ)以及泵送能耗(Pumping energy consumption, PE)、關(guān)鍵變量的協(xié)同關(guān)系; 其次, 提出一種知識引導的協(xié)同優(yōu)化算法(Knowledge guide-based cooperative optimization algorithm, KGCO), 快速準確求解硝態(tài)氮(Nitrate nitrogen, SNO)優(yōu)化設定值, 提高KDDCOC的響應速度. KDDCOC利用比例?積分?微分(Proportional-integral-derivative, PID)控制器對硝態(tài)氮優(yōu)化設定值進(jìn)行跟蹤, 將提出的KDDCOC應用于城市污水處理過(guò)程基準仿真模型 1 號(Benchmark simulation model 1, BSM1); 實(shí)驗結果表明, 該方法能夠提高出水水質(zhì), 降低運行能耗, 有效改善脫氮效果.
              基于孿生網(wǎng)絡(luò )與多重通道融合的脫機筆跡鑒別
              林超群, 王大寒, 肖順鑫, 池雪可, 王馳明, 張煦堯, 朱順痣
              當前狀態(tài):  doi: 10.16383/j.aas.c230777
              [摘要](89) [HTML全文](31)
              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(guān)注. 當今大多數脫機簽名驗證模型可分為深度度量學(xué)習方法和雙通道判別方法. 大部分深度度量學(xué)習方法利用孿生網(wǎng)絡(luò )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(gè)點(diǎn)之間的絕對距離, 而容易忽視點(diǎn)的方向、縮放的信息, 不會(huì )考慮數據之間的相關(guān)性, 因此無(wú)法捕獲特征向量?jì)炔恐g的關(guān)系; 而雙通道判別方法在網(wǎng)絡(luò )前就進(jìn)行特征的判別, 更能判斷不同圖像的相似性, 但此時(shí)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(guò)多的問(wèn)題, 提出了一種面向獨立于書(shū)寫(xiě)者場(chǎng)景的手寫(xiě)簽名離線(xiàn)驗證模型(Multi-channel feature fusion network, MCFFN). 在 CEDAR、BHSig-B、BHSig-H 和 ChiSig 四個(gè)不同語(yǔ)言的簽名數據集上測試了所提出的方法, 實(shí)驗證明了所提方法的優(yōu)勢和潛力.
              基于層級結構的空?地協(xié)同預設時(shí)間最優(yōu)容錯控制
              成旺磊, 張柯, 姜斌
              當前狀態(tài):  doi: 10.16383/j.aas.c230699
              [摘要](100) [HTML全文](41)
              摘要:
              本文研究了發(fā)生執行器故障的無(wú)人機-無(wú)人車(chē)異構編隊系統的層級預設時(shí)間最優(yōu)編隊控制問(wèn)題. 以保容錯性能和收斂速度的優(yōu)化控制為研究主線(xiàn), 以層級控制、圖博弈理論和預設時(shí)間控制為技術(shù)基礎, 構建了一種預設時(shí)間最優(yōu)容錯控制算法. 虛擬層設計了基于一致性跟蹤誤差和能量消耗的二次型性能指標函數, 借助耦合哈密頓?雅克比?貝爾曼(Hanmilton-Jacobi-Bellman, HJB)方程和強化學(xué)習求解近似最優(yōu)控制策略, 實(shí)現多智能體的同步最優(yōu)控制和交互納什均衡. 實(shí)際控制層基于最優(yōu)信號并利用滑??刂坪妥赃m應技術(shù), 設計了預設時(shí)間容錯跟蹤控制器, 實(shí)現對最優(yōu)編隊軌跡的有限時(shí)間跟蹤. 在保證全局收斂時(shí)間完全不依賴(lài)于系統的初始狀態(tài)和控制器參數的同時(shí), 也有效實(shí)現對執行器故障參數的逼近. 最后, 通過(guò)仿真實(shí)驗驗證了所提控制策略的有效性.
              多層異構生物網(wǎng)絡(luò )候選疾病基因識別
              丁蒼峰, 王君, 張紫蕓
              當前狀態(tài):  doi: 10.16383/j.aas.c210577
              [摘要](501) [HTML全文](267)
              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(yōu)先訪(fǎng)問(wèn)高度連接的基因, 而可能與已知疾病有關(guān)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(fǎng)問(wèn)單個(gè)基因網(wǎng)絡(luò )或各種基因數據的聚合網(wǎng)絡(luò ), 導致偏差和不完整性. 因此, 設計一種能控制隨機游走運動(dòng)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(gè)迫切需要解決的問(wèn)題. 為此, 首先構建多層網(wǎng)絡(luò )和多層異構基因網(wǎng)絡(luò ). 然后, 提出一種游走于多層網(wǎng)絡(luò )和多層異構網(wǎng)絡(luò )的拓撲偏置重啟隨機游走(Biased random walk with restart, BRWR)算法來(lái)識別疾病基因. 實(shí)驗結果表明, 游走于不同類(lèi)型網(wǎng)絡(luò )上的識別候選疾病基因的BRWR算法優(yōu)于現有的算法. 最后, 應用于多層異構網(wǎng)絡(luò )上的BRWR算法能預測未診斷的新生兒類(lèi)早衰綜合征中涉及的疾病基因.
              基于加權錨點(diǎn)的多視圖聚類(lèi)算法
              劉溯源, 王思為, 唐廠(chǎng), 周思航, 王思齊, 劉新旺
              當前狀態(tài):  doi: 10.16383/j.aas.c220531
              [摘要](1034) [HTML全文](280)
              摘要:
              大規模多視圖聚類(lèi)旨在解決傳統多視圖聚類(lèi)算法中計算速度慢、空間復雜度高, 以致無(wú)法擴展到大規模數據的問(wèn)題. 其中, 基于錨點(diǎn)的多視圖聚類(lèi)方法通過(guò)使用整體數據集合的錨點(diǎn)集構建后者對于前者的重構矩陣, 利用重構矩陣進(jìn)行聚類(lèi), 有效地降低了算法的時(shí)間和空間復雜度. 然而, 現有的方法忽視了錨點(diǎn)之間的差異, 均等地看待所有錨點(diǎn), 導致聚類(lèi)結果受到低質(zhì)量錨點(diǎn)的限制. 為定位更具有判別性的錨點(diǎn), 加強高質(zhì)量錨點(diǎn)對聚類(lèi)的影響, 提出一種基于加權錨點(diǎn)的大規模多視圖聚類(lèi)算法(Multi-view clustering with weighted anchors, MVC-WA). 通過(guò)引入自適應錨點(diǎn)加權機制, 所提方法在統一框架下確定錨點(diǎn)的權重, 進(jìn)行錨圖的構建. 同時(shí), 為增加錨點(diǎn)的多樣性, 根據錨點(diǎn)之間的相似度進(jìn)一步調整錨點(diǎn)的權重. 在9個(gè)基準數據集上與現有最先進(jìn)的大規模多視圖聚類(lèi)算法的對比實(shí)驗結果驗證了所提方法的高效性與有效性.
              基于單應性擴散約束的二步網(wǎng)格優(yōu)化視差圖像對齊
              陳殷齊, 鄭慧誠, 嚴志偉, 林峻宇
              當前狀態(tài):  doi: 10.16383/j.aas.c210966
              [摘要](256) [HTML全文](132)
              摘要:
              目前, 在帶有視差場(chǎng)景的圖像對齊中, 主要難點(diǎn)在某些無(wú)法找到足夠匹配特征的區域, 這些區域稱(chēng)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(guān)事實(shí)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(fā), 利用單應變換系數擴散的思想設計了一個(gè)二步網(wǎng)格優(yōu)化的圖像對齊算法, 簡(jiǎn)稱(chēng)單應擴展變換(Homography diffusion warping, HDW)算法. 該方法在第一步網(wǎng)格優(yōu)化時(shí)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(wǎng)格, 進(jìn)行第二步網(wǎng)格優(yōu)化, 在保證優(yōu)化任務(wù)簡(jiǎn)潔高效的前提下實(shí)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(chǎng)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.
              基于區塊鏈的聯(lián)邦學(xué)習: 模型、方法與應用
              李程, 袁勇, 鄭志勇, 楊東, 王飛躍
              當前狀態(tài):  doi: 10.16383/j.aas.c230336
              [摘要](387) [HTML全文](121)
              摘要:
              近年來(lái), 人類(lèi)社會(huì )快速步入大數據時(shí)代, 數據安全與隱私保護已成為發(fā)展大數據生態(tài)及相關(guān)數字經(jīng)濟的關(guān)鍵問(wèn)題. 聯(lián)邦學(xué)習作為分布式機器學(xué)習的一種新范式, 致力于在保護數據隱私的同時(shí)從分布式本地數據集中訓練全局模型, 因而獲得了廣泛和深入的研究. 然而, 聯(lián)邦學(xué)習體系面臨的中心化架構、激勵機制設計和系統安全等技術(shù)挑戰仍有待進(jìn)一步研究, 而區塊鏈被認為是應對這些挑戰的有效解決方案, 并已成功應用于聯(lián)邦學(xué)習的許多研究和實(shí)踐場(chǎng)景. 在系統性地梳理現階段區塊鏈與聯(lián)邦學(xué)習集成研究成果的基礎上, 提出基于區塊鏈的聯(lián)邦學(xué)習概念模型, 闡述其中的若干關(guān)鍵技術(shù)、研究問(wèn)題與當前研究進(jìn)展, 探討該領(lǐng)域的應用場(chǎng)景以及有待進(jìn)一步研究的關(guān)鍵問(wèn)題, 并討論未來(lái)發(fā)展的潛在方向, 致力于為構建去中心化和安全可信的數據生態(tài)基礎設施、促進(jìn)數字經(jīng)濟與相關(guān)產(chǎn)業(yè)的發(fā)展提供有益的參考與借鑒.
              多尺度視覺(jué)語(yǔ)義增強的多模態(tài)命名實(shí)體識別方法
              王海榮, 徐璽, 王彤, 陳芳萍
              當前狀態(tài):  doi: 10.16383/j.aas.c230573
              [摘要](155) [HTML全文](33)
              摘要:
              為解決多模態(tài)命名實(shí)體識別(Multimodal named entity recognition, MNER)方法研究中存在的圖像特征語(yǔ)義缺失和多模態(tài)表示語(yǔ)義約束較弱等問(wèn)題, 提出多尺度視覺(jué)語(yǔ)義增強的多模態(tài)命名實(shí)體識別方法(Multi-scale visual semantic enhancement for multimodal named entity recognition method, MSVSE). 該方法提取多種視覺(jué)特征用于補全圖像語(yǔ)義; 挖掘文本特征與多種視覺(jué)特征間的語(yǔ)義交互關(guān)系, 生成多尺度視覺(jué)語(yǔ)義特征并進(jìn)行融合, 得到多尺度視覺(jué)語(yǔ)義增強的多模態(tài)文本表示; 使用視覺(jué)實(shí)體分類(lèi)器對多尺度視覺(jué)語(yǔ)義特征解碼, 實(shí)現視覺(jué)特征的語(yǔ)義一致性約束; 調用多任務(wù)標簽解碼器挖掘多模態(tài)文本表示和文本特征的細粒度語(yǔ)義, 通過(guò)聯(lián)合解碼解決語(yǔ)義偏差問(wèn)題, 從而進(jìn)一步提高命名實(shí)體識別準確度. 為驗證該方法的有效性, 在Twitter-2015和Twitter-2017數據集上進(jìn)行實(shí)驗, 并與其他10種方法進(jìn)行對比, 該方法的平均F1值分別提升了0.85%和1.45%.
              非對稱(chēng)偏斜噪聲條件下一種魯棒概率系統辨識算法研究
              劉鑫, 陳強, 王蘭豪, 代偉
              當前狀態(tài):  doi: 10.16383/j.aas.c211127
              [摘要](1006) [HTML全文](590)
              摘要:
              在現有的系統辨識算法中, 常用的高斯、學(xué)生氏t、拉普拉斯等噪聲分布均呈現出對稱(chēng)的統計特性, 難以描述非對稱(chēng)性、有偏的輸出噪聲, 使得在非對稱(chēng)偏斜噪聲條件下算法的性能下降. 基于此, 研究了一類(lèi)廣義雙曲傾斜學(xué)生氏t(Generalized hyperbolic skew student's t, GHSkewt)分布, 并在非對稱(chēng)偏斜噪聲條件下提出了一種線(xiàn)性系統魯棒辨識算法. 首先, 對GHSkewt分布的重尾特性和偏斜特性進(jìn)行了詳細闡述, 在數學(xué)上證明了標準學(xué)生氏t分布可以看作是GHSkewt分布的一個(gè)特例; 其次, 引入隱含變量將GHSkewt分布進(jìn)行數學(xué)分解以方便算法的推導和實(shí)現; 最后, 在期望最大化(Expectation-maximization, EM)算法下重構具有隱含變量系統的代價(jià)函數, 通過(guò)迭代優(yōu)化的方式不斷從被污染數據集中學(xué)習過(guò)程的動(dòng)態(tài)特性和噪聲分布, 實(shí)現噪聲參數和模型參數的聯(lián)合估計. 利用數值例子和質(zhì)量彈簧阻尼機械系統驗證了算法的魯棒性、有效性和穩定性.
              不確定性環(huán)境下維納模型的隨機變分貝葉斯學(xué)習
              劉切, 李俊豪, 王浩, 曾建學(xué), 柴毅
              當前狀態(tài):  doi: 10.16383/j.aas.c210925
              [摘要](540) [HTML全文](178)
              摘要:
              多重不確定性環(huán)境下的非線(xiàn)性系統辨識是一個(gè)開(kāi)放問(wèn)題. 貝葉斯學(xué)習在描述、處理不確定性方面具有顯著(zhù)優(yōu)勢, 已在線(xiàn)性系統辨識方面得到廣泛應用, 但在非線(xiàn)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. 針對上述問(wèn)題, 以典型維納(Wiener)非線(xiàn)性過(guò)程為對象, 提出基于隨機變分貝葉斯的非線(xiàn)性系統辨識方法. 首先對過(guò)程噪聲、測量噪聲以及參數不確定性進(jìn)行概率描述; 然后利用隨機變分貝葉斯方法對模型參數進(jìn)行后驗估計. 在估計過(guò)程中, 利用隨機優(yōu)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(zhù)降低了計算復雜性. 該方法是首次在系統辨識領(lǐng)域中的應用. 本文利用一個(gè)仿真實(shí)例和一個(gè)維納模型的Benchmark問(wèn)題, 證明了該方法在對大規模數據系統辨識時(shí)的有效性.
              基于表征學(xué)習的離線(xiàn)強化學(xué)習方法研究綜述
              王雪松, 王榮榮, 程玉虎
              當前狀態(tài):  doi: 10.16383/j.aas.c230546
              [摘要](151) [HTML全文](105)
              摘要:
              強化學(xué)習通過(guò)智能體與環(huán)境在線(xiàn)交互來(lái)學(xué)習最優(yōu)策略, 近年來(lái)已成為解決復雜環(huán)境下感知決策問(wèn)題的重要手段. 然而, 在線(xiàn)收集數據的方式可能會(huì )引發(fā)安全、時(shí)間或成本等問(wèn)題, 極大限制了強化學(xué)習在實(shí)際中的應用. 與此同時(shí), 原始數據的維度高且結構復雜, 解決復雜高維數據輸入問(wèn)題也是強化學(xué)習面臨的一大挑戰. 幸運的是, 基于表征學(xué)習的離線(xiàn)強化學(xué)習能夠僅從歷史經(jīng)驗數據中學(xué)習策略, 而無(wú)需與環(huán)境產(chǎn)生交互. 它利用表征學(xué)習技術(shù)將離線(xiàn)數據集中的特征表示為低維向量, 然后利用這些向量來(lái)訓練離線(xiàn)強化學(xué)習模型. 這種數據驅動(dòng)的方式為實(shí)現通用人工智能提供了新契機. 為此, 本文對近期基于表征學(xué)習的離線(xiàn)強化學(xué)習方法進(jìn)行了全面綜述. 首先給出了離線(xiàn)強化學(xué)習的形式化描述, 然后從方法、基準數據集、離線(xiàn)策略評估與模型選擇三個(gè)層面對現有技術(shù)進(jìn)行歸納整理, 進(jìn)一步介紹了離線(xiàn)強化學(xué)習在工業(yè)、推薦系統、智能駕駛等領(lǐng)域中的研究動(dòng)態(tài). 最后, 對全文進(jìn)行了總結, 并探討了基于表征學(xué)習的離線(xiàn)強化學(xué)習未來(lái)所面臨的關(guān)鍵挑戰與發(fā)展趨勢, 以期為后續的研究提供有益參考.
              芯片智能布線(xiàn)方法研究綜述
              周展文, 卓漢逵
              當前狀態(tài):  doi: 10.16383/j.aas.c230368
              [摘要](206) [HTML全文](99)
              摘要:
              布線(xiàn)是芯片設計自動(dòng)化流程中至關(guān)重要也是特別耗時(shí)的一環(huán), 直接影響最終產(chǎn)品的面積、成本、功耗、速度和可靠性, 研究智能布線(xiàn)算法對提高芯片布線(xiàn)效率和優(yōu)化芯片布線(xiàn)效果具有重要意義. 芯片布線(xiàn)問(wèn)題是一個(gè)多目標、多約束的NP困難問(wèn)題. 即使已有幾十年的研究歷史, 目前仍存在大量未突破的問(wèn)題和空間. 隨著(zhù)制造工藝的不斷發(fā)展, 布線(xiàn)規則、約束和目標也持續調整和增加, 使得布線(xiàn)選擇極其困難. 本文旨在對芯片設計自動(dòng)化中自動(dòng)布線(xiàn)的前沿研究進(jìn)行全面歸納與分析, 以幫助科研人員全面了解該領(lǐng)域的研究進(jìn)展和方向, 助力智能布線(xiàn)算法的研究和發(fā)展. 具體而言, 本文首先闡述芯片布線(xiàn)的問(wèn)題背景, 然后分別介紹全局布線(xiàn)和詳細布線(xiàn)的任務(wù)定義和目標、過(guò)程特點(diǎn)、難點(diǎn)和挑戰、評估方法; 接著(zhù)詳述和分析各布線(xiàn)方法, 重點(diǎn)論述基于規劃搜索的布線(xiàn)方法和基于機器學(xué)習的布線(xiàn)方法的最新研究成果、優(yōu)缺點(diǎn)及其應用環(huán)節; 然后介紹公開(kāi)數據集和開(kāi)源布線(xiàn)工具; 最后總結現有方法在實(shí)際應用中存在的局限性, 并對自動(dòng)布線(xiàn)未來(lái)的發(fā)展趨勢和潛在研究方向進(jìn)行展望.
              融合深度學(xué)習的貝葉斯濾波綜述
              張文安, 林安迪, 楊旭升, 俞立, 楊小牛
              當前狀態(tài):  doi: 10.16383/j.aas.c230457
              [摘要](420) [HTML全文](169)
              摘要:
              當前動(dòng)態(tài)系統呈現大型化、復雜化的趨勢, 基于貝葉斯濾波的動(dòng)態(tài)系統狀態(tài)估計遇到了一系列新的挑戰. 隨著(zhù)深度學(xué)習在特征提取與模式識別等方面的優(yōu)勢與潛力不斷顯現, 深度學(xué)習與傳統貝葉斯濾波相結合的研究也隨之興起. 為此, 本文梳理了不同領(lǐng)域融合深度學(xué)習的貝葉斯濾波方法的應用案例, 從中剖析不同類(lèi)型動(dòng)態(tài)系統下貝葉斯濾波存在的局限性和共性難題. 在此基礎上, 總結了當前貝葉斯濾波存在的幾類(lèi)不確定性問(wèn)題, 以深度學(xué)習的視角將這些問(wèn)題歸納為特征提取和參數辨識兩大基本問(wèn)題, 進(jìn)而介紹深度學(xué)習為貝葉斯濾波所提供的解決方案. 其次, 歸納整理了兩類(lèi)深度學(xué)習與貝葉斯濾波結合的具體方法, 著(zhù)重介紹了深度卡爾曼濾波和融合深度學(xué)習的自適應卡爾曼濾波. 最后, 綜合考慮深度學(xué)習方法和貝葉斯濾波方法的優(yōu)勢, 討論了融合深度學(xué)習的貝葉斯濾波方法的開(kāi)放問(wèn)題和未來(lái)研究方向.
              基于自然梯度的非線(xiàn)性變分貝葉斯濾波算法
              胡玉梅, 潘泉, 鄧豹, 郭振, 陳立峰
              當前狀態(tài):  doi: 10.16383/j.aas.c230359
              [摘要](120) [HTML全文](40)
              摘要:
              在統計流形空間中, 從信息幾何角度考慮非線(xiàn)性狀態(tài)后驗分布近似的實(shí)質(zhì)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(wèn)題, 同時(shí)也可以轉化為變分置信下界的最大化問(wèn)題. 為了提升非線(xiàn)性系統狀態(tài)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(guò)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(shí)現變分分布與后驗分布的 “緊密” 近似; 在此基礎上, 以狀態(tài)估計及其誤差協(xié)方差作為變分超參數, 結合最優(yōu)估計理論給出一種基于自然梯度的非線(xiàn)性變分貝葉斯濾波算法; 最后, 通過(guò)天基光學(xué)傳感器量測條件下近地軌道衛星跟蹤定軌仿真實(shí)驗驗證: 與對比算法相比, 所提算法具有更高的精度.
              基于組信息蒸餾殘差網(wǎng)絡(luò )的輕量級圖像超分辨率重建
              王云濤, 趙藺, 劉李漫, 陶文兵
              當前狀態(tài):  doi: 10.16383/j.aas.c211089
              [摘要](657) [HTML全文](627)
              摘要:
              目前, 基于深度學(xué)習的超分辨算法已經(jīng)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(gè)問(wèn)題, 設計一種輕量級的組?信息蒸餾殘差網(wǎng)絡(luò )(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(lái)說(shuō), 提出一個(gè)更加有效的組?信息蒸餾模塊(Group-information distillation block, G-IDB)作為網(wǎng)絡(luò )特征提取基本塊. 同時(shí), 引入密集快捷連接對多個(gè)基本塊進(jìn)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(gè)輕量的非對稱(chēng)殘差Non-local模塊, 對長(cháng)距離依賴(lài)關(guān)系進(jìn)行建模, 進(jìn)一步提升超分的性能. 最后, 設計一個(gè)高頻損失函數, 去解決像素損失帶來(lái)圖像細節平滑的問(wèn)題. 大量的實(shí)驗表明, 該算法相較于其他先進(jìn)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(kāi)測試數據集B100上, 4倍超分速率達到56 FPS, 比殘差注意力網(wǎng)絡(luò )快15倍.
              逆強化學(xué)習算法、理論與應用研究綜述
              宋莉, 李大字, 徐昕
              當前狀態(tài):  doi: 10.16383/j.aas.c230081
              [摘要](1757) [HTML全文](1012)
              摘要:
              隨著(zhù)深度強化學(xué)習的研究與發(fā)展, 強化學(xué)習在博弈與優(yōu)化決策、智能駕駛等現實(shí)問(wèn)題中的應用也取得顯著(zhù)進(jìn)展. 然而強化學(xué)習在智能體與環(huán)境的交互中存在人工設計獎勵函數難的問(wèn)題, 因此研究者提出了逆強化學(xué)習這一研究方向. 如何從專(zhuān)家演示中學(xué)習獎勵函數和進(jìn)行策略?xún)?yōu)化是一個(gè)新穎且重要的研究課題, 在人工智能領(lǐng)域具有十分重要的研究意義. 本文綜合介紹了逆強化學(xué)習算法的最新進(jìn)展, 首先介紹了逆強化學(xué)習在理論方面的新進(jìn)展, 然后分析了逆強化學(xué)習面臨的挑戰以及未來(lái)的發(fā)展趨勢, 最后討論了逆強化學(xué)習的應用進(jìn)展和應用前景.
              面向可再生能源消納的火電機組控制結構綜合與分析
              馬士全, 丁進(jìn)良
              當前狀態(tài):  doi: 10.16383/j.aas.c230210
              [摘要](90) [HTML全文](70)
              摘要:
              增加可再生能源在電網(wǎng)中的占比, 使能源結構更合理, 是加快能源轉型實(shí)現低碳可持續發(fā)展的有效途徑. 電網(wǎng)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(wǎng)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(xié)調、局部反饋策略下的鍋爐控制、系統穩態(tài)工作點(diǎn)的規劃等. 基于補償方案的協(xié)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(shí)現了等效熱效應的反饋; 非額定工況下的穩態(tài)工作點(diǎn)關(guān)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(jìn)一步的研究?jì)热?
              數字孿生驅動(dòng)的長(cháng)距離帶式輸送機運行優(yōu)化方法
              楊春雨, 卜令超, 陳斌
              當前狀態(tài):  doi: 10.16383/j.aas.c210979
              [摘要](671) [HTML全文](214)
              摘要:
              長(cháng)距離帶式輸送機是礦山、港口等領(lǐng)域運輸散裝物料的主要工具. 針對長(cháng)距離帶式輸送機的安全節能運行問(wèn)題, 研究數字孿生驅動(dòng)的運行優(yōu)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(shí)帶式輸送機組成的數字孿生驅動(dòng)運行優(yōu)化框架; 然后, 建立數字孿生模型, 包括基于變質(zhì)量牛頓第二定律和有限元分析法的輸送帶動(dòng)力學(xué)模型、物料流動(dòng)態(tài)模型和動(dòng)態(tài)能耗模型; 最后, 提出數字孿生驅動(dòng)的計算決策?仿真評估?優(yōu)化校正(Decision-simulation-correction, DSC)優(yōu)化決策方法, 優(yōu)化帶式輸送機的穩態(tài)和暫態(tài)運行帶速, 形成可行帶速設定曲線(xiàn). 實(shí)驗結果表明, 數字孿生驅動(dòng)的帶式輸送機運行優(yōu)化方法可以實(shí)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(shí)時(shí)調速, 提高輸送帶填充率, 節能13.87%.
              基于捕獲點(diǎn)理論的混合驅動(dòng)水下刀鋒腿機器人穩定性判據
              陳樂(lè )鵬, 崔榮鑫, 嚴衛生, 馬飛宇
              當前狀態(tài):  doi: 10.16383/j.aas.c220889
              [摘要](487) [HTML全文](119)
              摘要:
              由8個(gè)推進(jìn)器和6條刀鋒腿混合驅動(dòng)的水下機器人可在水底或壁面上行走. 本文旨在研究這類(lèi)機器人運動(dòng)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(dòng)的陸地機器人, 未涉及混合驅動(dòng)的水下刀鋒腿機器人. 針對該問(wèn)題, 提出了基于捕獲點(diǎn)理論的混合驅動(dòng)水下刀鋒腿機器人穩定性判據. 首先, 在建立混合驅動(dòng)水下滾動(dòng)倒立擺模型的基礎上, 利用機器人運動(dòng)狀態(tài)預測擺動(dòng)腿和支撐腿切換瞬間機器人的動(dòng)能. 然后, 根據推進(jìn)器所能提供的推力范圍, 計算迫使機器人靜止的捕獲點(diǎn)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(guān)系, 判斷機器人是否穩定, 并計算穩定裕度. 水下實(shí)驗表明, 所提出的穩定性判據具有較好的充要性和普適性.
              基于相關(guān)性的Swarm聯(lián)邦降維方法
              李文平, 杜選
              當前狀態(tài):  doi: 10.16383/j.aas.c220690
              [摘要](128) [HTML全文](107)
              摘要:
              聯(lián)邦學(xué)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(wèn)題方面具有顯著(zhù)優(yōu)勢. 針對聯(lián)邦學(xué)習的已有研究未考慮聯(lián)邦數據之間的關(guān)聯(lián)性和高維性問(wèn)題, 提出一種基于聯(lián)邦數據相關(guān)性的去中心化聯(lián)邦降維方法. 該方法基于Swarm學(xué)習(Swarm learning, SL)思想, 通過(guò)分離耦合特征, 構建典型相關(guān)分析(Canonical correlation analysis, CCA)的Swarm聯(lián)邦框架, 以提取Swarm節點(diǎn)的低維關(guān)聯(lián)特征. 為保護協(xié)作參數的隱私安全, 還構建了一種隨機擾亂策略來(lái)隱藏Swarm特征隱私. 在真實(shí)數據集上的實(shí)驗驗證了所提方法的有效性.
              一種邊界增強的醫學(xué)圖像小樣本分割網(wǎng)絡(luò )
              賈熹濱, 郭雄, 王珞, 楊大為, 楊正漢
              當前狀態(tài):  doi: 10.16383/j.aas.c220994
              [摘要](286) [HTML全文](357)
              摘要:
              精準的醫學(xué)圖像自動(dòng)分割是臨床影像學(xué)診斷和影像三維重建的重要基礎.但醫學(xué)圖像數據的目標對象間對比度差異小、受器官運動(dòng)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(xué)分割模型仍是目前的難點(diǎn)問(wèn)題. 針對主流原型學(xué)習小樣本分割網(wǎng)絡(luò )對醫學(xué)圖像邊界分割性能差的問(wèn)題, 提出一種迭代邊界優(yōu)化的小樣本分割網(wǎng)絡(luò )(Iterative boundary refinement based few-shot-segmentation network, IBR-FSS-Net). 以雙分支原型學(xué)習的小樣本分割框架為基礎引入類(lèi)別注意力機制和密集比較模塊, 對粗分割掩碼進(jìn)行迭代優(yōu)化, 引導分割模型在多次迭代學(xué)習過(guò)程中關(guān)注邊界, 從而提升邊界分割精度. 為進(jìn)一步克服醫學(xué)圖像訓練樣本少且多樣性不足的問(wèn)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(xué)圖像分割公共數據集上進(jìn)行實(shí)驗, 與現有多種先進(jìn)的醫學(xué)圖像小樣本分割方法進(jìn)行了廣泛的對比分析和消融實(shí)驗. 結果表明, 該方法有效提升了未見(jiàn)醫學(xué)類(lèi)別的分割性能.
              一種基于信息熵遷移的文本檢測模型自蒸餾方法
              陳建煒, 楊帆, 賴(lài)永炫
              當前狀態(tài):  doi: 10.16383/j.aas.c210598
              [摘要](190) [HTML全文](77)
              摘要:
              前沿的自然場(chǎng)景文本檢測方法大多基于全卷積語(yǔ)義分割網(wǎng)絡(luò ), 利用像素級分類(lèi)結果有效檢測任意形狀的文本, 其缺點(diǎn)是模型大、推理時(shí)間長(cháng)、內存占用高, 這在實(shí)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(wǎng)絡(luò )深層網(wǎng)絡(luò )輸出的分割圖(Segmentation map, SM)信息熵作為待遷移知識, 通過(guò)輔助網(wǎng)絡(luò )將信息熵反饋給淺層網(wǎng)絡(luò ). 與依賴(lài)教師網(wǎng)絡(luò )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(gè)輔助網(wǎng)絡(luò ), 以微小的額外訓練代價(jià)實(shí)現無(wú)需教師網(wǎng)絡(luò )的自蒸餾(Self-distillation, SD). 在多個(gè)自然場(chǎng)景文本檢測的標準數據集上的實(shí)驗結果表明, SDET在基線(xiàn)文本檢測網(wǎng)絡(luò )的召回率和F1得分上, 能顯著(zhù)優(yōu)于其他蒸餾方法.
              形式背景上近似推理生成決策蘊涵研究
              張家錄, 吳霞
              當前狀態(tài):  doi: 10.16383/j.aas.c220705
              [摘要](138) [HTML全文](23)
              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(xué)習的重要研究?jì)热葜? 首先, 利用屬性邏輯語(yǔ)義對決策蘊涵的特性進(jìn)行刻畫(huà). 其次, 在經(jīng)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(jìn)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(guò)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(shí)驗說(shuō)明所提出的方法是有效的.
              面向研究問(wèn)題的深度學(xué)習事件抽取綜述
              萬(wàn)齊智, 萬(wàn)常選, 胡蓉, 劉德喜, 劉喜平, 廖國瓊
              當前狀態(tài):  doi: 10.16383/j.aas.c230184
              [摘要](515) [HTML全文](267)
              摘要:
              事件抽取是一個(gè)歷史悠久且極具挑戰的研究任務(wù), 取得了大量?jì)?yōu)異的成果. 由于事件抽取涉及的研究?jì)热葺^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(wù)、研究問(wèn)題以及未來(lái)的熱點(diǎn)趨勢. 盡管現有的少量事件抽取綜述梳理了相關(guān)成果, 但存在以下局限: 1)研究任務(wù)及其研究進(jìn)展的梳理不清晰; 2)僅從技術(shù)路線(xiàn)的角度進(jìn)行梳理. 由于不同研究任務(wù)下的不同研究問(wèn)題的解決技術(shù)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(jìn)展情況. 為此, 面向研究問(wèn)題對基于深度學(xué)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(guān)概念, 論述事件抽取的研究任務(wù), 明確各研究任務(wù)的目標, 再梳理各任務(wù)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(wèn)題, 分析為什么會(huì )存在這些問(wèn)題、為什么需要解決這些問(wèn)題的原因; 緊接著(zhù)對每個(gè)方面的研究問(wèn)題進(jìn)行技術(shù)路線(xiàn)梳理, 分析各自的大體研究方案以及研究推進(jìn)的過(guò)程. 最后, 討論事件抽取可能的發(fā)展趨勢.
              基于特征變換和度量網(wǎng)絡(luò )的小樣本學(xué)習算法
              王多瑞, 杜楊, 董蘭芳, 胡衛明, 李兵
              當前狀態(tài):  doi: 10.16383/j.aas.c210903
              [摘要](260) [HTML全文](105)
              摘要:
              在小樣本分類(lèi)任務(wù)中, 每類(lèi)可供訓練的樣本非常有限, 同類(lèi)樣本在特征空間中分布稀疏, 異類(lèi)樣本間的邊界模糊. 文章提出一種新的基于特征變換的網(wǎng)絡(luò ), 并使用度量的方法來(lái)處理小樣本分類(lèi)任務(wù). 算法通過(guò)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(xué)習樣本中心與同類(lèi)樣本間的殘差, 使樣本在特征空間中向同類(lèi)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(gè)新的度量方法, 設計一個(gè)度量函數對特征圖中每個(gè)局部特征的度量距離進(jìn)行聯(lián)合地表達, 該函數在網(wǎng)絡(luò )優(yōu)化時(shí)可同時(shí)對樣本特征間的夾角和歐氏距離進(jìn)行優(yōu)化. 網(wǎng)絡(luò )模型在小樣本分類(lèi)任務(wù)常用數據集上的表現證明, 該模型性能優(yōu)秀且具有泛化性.
              融合實(shí)體和上下文信息的篇章關(guān)系抽取研究
              黃河燕, 袁長(cháng)森, 馮沖
              當前狀態(tài):  doi: 10.16383/j.aas.c220966
              [摘要](301) [HTML全文](121)
              摘要:
              篇章關(guān)系抽取是識別篇章中實(shí)體對之間的關(guān)系. 相較于傳統的句子級別關(guān)系抽取, 篇章級別關(guān)系抽取任務(wù)更加貼近實(shí)際應用, 但是它對實(shí)體對的跨句子推理和上下文信息感知等問(wèn)題提出了新的挑戰. 本文提出融合實(shí)體和上下文信息(Fuse entity and context information, FECI)的篇章關(guān)系抽取方法, 它包含兩個(gè)模塊, 分別是實(shí)體信息抽取模塊和上下文信息抽取模塊. 實(shí)體信息抽取模塊從兩個(gè)實(shí)體中自動(dòng)地抽取出能夠表示實(shí)體對關(guān)系的特征. 上下文信息抽取模塊根據實(shí)體對的提及位置信息, 從篇章中抽取不同的上下文關(guān)系特征. 本文在三個(gè)篇章級別的關(guān)系抽取數據集上進(jìn)行實(shí)驗, 效果得到顯著(zhù)地提升.
              含有輸入時(shí)滯的非線(xiàn)性系統的輸出反饋采樣控制
              馬倩, 盛兆明, 徐勝元
              當前狀態(tài):  doi: 10.16383/j.aas.c220774
              [摘要](663) [HTML全文](262)
              摘要:
              針對含有輸入時(shí)滯和低階非線(xiàn)性項的非線(xiàn)性系統, 提出了一種基于采樣機制的無(wú)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(shí)避免了時(shí)滯依賴(lài)方法對過(guò)去時(shí)刻狀態(tài)信息的依賴(lài)性, 在實(shí)際中更易實(shí)現. 首先, 根據系統輸出在采樣時(shí)刻的信息, 利用加冪積分技術(shù)和齊次占優(yōu)思想設計了無(wú)記憶輸出反饋控制器. 然后, 利用齊次系統理論提出了閉環(huán)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(yōu)越性.
              基于注意力機制和循環(huán)域三元損失的域適應目標檢測
              周洋, 韓冰, 高新波, 楊錚, 陳瑋銘
              當前狀態(tài):  doi: 10.16383/j.aas.c220938
              [摘要](450) [HTML全文](166)
              摘要:
              目前大多數深度學(xué)習算法都依賴(lài)于大量的標注數據并欠缺一定的泛化能力. 無(wú)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(wú)法直接進(jìn)行實(shí)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(lèi)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(lèi)別特征的錯誤對齊引起的精度下降問(wèn)題, 通過(guò)原型學(xué)習構建類(lèi)別中心, 設計了一種基于原型的循環(huán)域三元損失函數, 從而實(shí)現原型引導的精細類(lèi)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(jìn)行實(shí)驗. 實(shí)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(wǎng)絡(luò )具有一定的通用性.
              工業(yè)無(wú)線(xiàn)網(wǎng)絡(luò )實(shí)時(shí)傳輸調度算法研究綜述
              裘瑩, 張敬宣, 柯杰, 方夢(mèng)園, 徐偉強
              當前狀態(tài):  doi: 10.16383/j.aas.c220939
              [摘要](423) [HTML全文](380)
              摘要:
              無(wú)線(xiàn)網(wǎng)絡(luò )是工業(yè)物聯(lián)網(wǎng)中的一種具有良好前景的網(wǎng)絡(luò )互聯(lián)技術(shù). 它的應用為工業(yè)現場(chǎng)設備的部署提供了極大的便利, 使設備擺脫了線(xiàn)纜的束縛從而在空間上的選點(diǎn)更為靈活, 同時(shí)能夠節省線(xiàn)材和人力等方面的成本. 然而, 無(wú)線(xiàn)通信易受環(huán)境噪聲的影響, 尤其是在復雜電磁干擾的工業(yè)環(huán)境中, 易導致無(wú)線(xiàn)傳輸的時(shí)延增大和數據丟失. 這些問(wèn)題對于傳輸實(shí)時(shí)性要求較高的工業(yè)控制系統而言是非常不利的因素. 為了提高無(wú)線(xiàn)網(wǎng)絡(luò )在工業(yè)環(huán)境中數據傳輸的實(shí)時(shí)性, 業(yè)界設計了多種傳輸調度算法以提高無(wú)線(xiàn)通信的實(shí)時(shí)性和可靠性從而滿(mǎn)足工業(yè)應用的需求. 綜述了工業(yè)無(wú)線(xiàn)網(wǎng)絡(luò )傳輸調度算法的研究現狀, 對其發(fā)展歷程、問(wèn)題定義、評價(jià)指標、分類(lèi)方法和現有標準等方面進(jìn)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(lái)的研究方向.
              基于RUL和SVs-GFF的云服務(wù)器老化預測方法
              孟海寧, 童新宇, 謝國, 張貝貝, 黑新宏
              當前狀態(tài):  doi: 10.16383/j.aas.c211112
              [摘要](203) [HTML全文](69)
              摘要:
              針對云服務(wù)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(wèn)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(wù)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(jìn)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(lèi)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(jìn)行老化曲線(xiàn)擬合, 并采用Fréchet距離優(yōu)化算法選取最優(yōu)老化曲線(xiàn); 最后, 基于最優(yōu)老化曲線(xiàn), 評估系統到達老化閾值前的RUL, 以預測系統何時(shí)發(fā)生老化. 在OpenStack云服務(wù)器4個(gè)老化數據集上的實(shí)驗結果表明, 基于RUL和SVs-GFF的云服務(wù)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.
              無(wú)人機使能的無(wú)線(xiàn)傳感網(wǎng)總能耗優(yōu)化方法
              李敏, 包富瑜, 王恒
              當前狀態(tài):  doi: 10.16383/j.aas.c220914
              [摘要](357) [HTML全文](96)
              摘要:
              為降低無(wú)人機(Unmanned aerial vehicle, UAV)使能的無(wú)線(xiàn)傳感網(wǎng)的能量消耗, 延長(cháng)網(wǎng)絡(luò )生命周期, 該文提出一種在地面節點(diǎn)能量預算下系統總能耗優(yōu)化方法. 首先, 提出地面節點(diǎn)聚類(lèi)方法, 利用目標函數確定最優(yōu)簇數, 改進(jìn)模糊C均值算法構建能量均衡的集群, 采用退避定時(shí)器機制根據隸屬度和能量值選擇各集群的最優(yōu)簇頭, 減少地面節點(diǎn)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(guò)單純形搜索算法和連續凸逼近算法聯(lián)合優(yōu)化簇頭發(fā)射功率和UAV懸停位置, 減小數據采集時(shí)系統的總能耗. 仿真結果表明, 所提方法優(yōu)于所比較的方案.
              基于自適應全局定位算法的帶鋼表面缺陷檢測
              王延舒, 余建波
              當前狀態(tài):  doi: 10.16383/j.aas.c210467
              [摘要](516) [HTML全文](203)
              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(wèn)題, 本文提出了一種基于自適應全局定位網(wǎng)絡(luò )(Adaptive global localization network, AGLNet)的深度學(xué)習缺陷檢測算法. 首先, 引入了一種殘差網(wǎng)絡(luò )(Residual network, ResNet)與特征金字塔網(wǎng)絡(luò )(Feature pyramid network, FPN)集成的特征提取結構, 減少缺陷語(yǔ)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(shù)型候選框提取網(wǎng)絡(luò )(Adaptive tree-structure region proposal network, AT-RPN), 無(wú)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(shí)現缺陷更精確定位.本文實(shí)現一種快速、準確、更智能化、更適用于實(shí)際工業(yè)應用的熱軋帶鋼表面缺陷的算法.實(shí)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(yōu)于目前其他深度學(xué)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.
              一種面向航空母艦甲板運動(dòng)狀態(tài)預估的魯棒學(xué)習模型
              王可, 徐明亮, 李亞飛, 姜曉恒, 魯愛(ài)國, 李鑒
              當前狀態(tài):  doi: 10.16383/j.aas.c210664
              [摘要](915) [HTML全文](223)
              摘要:
              航母甲板在風(fēng)、浪、流等因素影響下做六自由度不規則運動(dòng), 影響艦載機著(zhù)艦精度. 航母甲板運動(dòng)預估與補償是自動(dòng)著(zhù)艦系統的重要功能之一, 也是提高艦載機著(zhù)艦安全性與成功率的關(guān)鍵技術(shù)之一. 本文提出一種面向甲板運動(dòng)預估的魯棒學(xué)習模型, 通過(guò)基本構建單元自適應演化出復雜學(xué)習系統. 構建單元的訓練采用非梯度的偽逆學(xué)習策略, 提高了訓練效率, 簡(jiǎn)化了學(xué)習控制超參數調優(yōu);構建單元的架構設計采用數據驅動(dòng)的策略, 簡(jiǎn)化了架構超參數調優(yōu);采用圖拉普拉斯正則化方法提高了模型的魯棒性. 通過(guò)某型航母在中等海況條件下以典型航速巡航時(shí)的仿真實(shí)驗, 驗證了所提方法在甲板縱搖、橫搖以及垂蕩運動(dòng)預估問(wèn)題中的有效性及魯棒性.
              基于SCN數據模型的SISO非線(xiàn)性自適應控制
              代偉, 張政煊, 楊春雨, 馬小平
              當前狀態(tài):  doi: 10.16383/j.aas.c210174
              [摘要](406) [HTML全文](109)
              摘要:
              針對一類(lèi)難以建立精確模型的單輸入單輸出(Single-input single-output, SISO) 非線(xiàn)性離散動(dòng)態(tài)系統, 提出了一種數據驅動(dòng)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(wǎng)絡(luò )(Stochastic configuration network, SCN), 建立了一種可同時(shí)表征非線(xiàn)性系統低階線(xiàn)性部分與高階非線(xiàn)性項(未建模動(dòng)態(tài))的數據驅動(dòng)模型, 并采用增量學(xué)習方法與監督機制, 對模型結構與模型參數進(jìn)行同步更新優(yōu)化, 保證了數據驅動(dòng)模型的無(wú)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(wú)法保證的問(wèn)題. 進(jìn)而利用直鏈部分與增強部分, 分別設計了線(xiàn)性控制器及虛擬未建模動(dòng)態(tài)補償器, 建立了基于SCN 數據驅動(dòng)模型的自適應控制新方法, 分析了其穩定性與收斂性, 通過(guò)數值仿真實(shí)驗和采用交替辨識算法的傳統自適應控制方法進(jìn)行對比, 實(shí)驗結果表明所提方法的有效性.
              面向全量測點(diǎn)耦合結構分析與估計的工業(yè)過(guò)程監測方法
              趙健程, 趙春暉
              當前狀態(tài):  doi: 10.16383/j.aas.c220090
              [摘要](585) [HTML全文](216)
              摘要:
              實(shí)際工業(yè)場(chǎng)景中, 需要在生產(chǎn)過(guò)程中收集大量測點(diǎn)的數據, 從而掌握生產(chǎn)過(guò)程運行狀態(tài). 傳統的過(guò)程監測方法通常僅評估運行狀態(tài)整體的異常與否, 或對運行狀態(tài)進(jìn)行分級評估, 這種方式并不會(huì )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(diǎn)估計的監測模型, 根據全量測點(diǎn)估計值與實(shí)際值的偏差定義監測指標, 從而實(shí)現全量測點(diǎn)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(diǎn)間耦合關(guān)系建模不充分的問(wèn)題, 提出了多核圖卷積網(wǎng)絡(luò )(Multi-kernel graph convolution network, MKGCN), 通過(guò)將全量傳感器測點(diǎn)視為一張全量測點(diǎn)圖, 顯式地對測點(diǎn)間耦合關(guān)系進(jìn)行建模, 從而實(shí)現了全量傳感器測點(diǎn)的同步工況估計. 此外, 面向在線(xiàn)監測場(chǎng)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(diǎn)間強耦合導致的部分測點(diǎn)估計值異常的問(wèn)題. 所提出的方法在電廠(chǎng)百萬(wàn)千瓦超超臨界機組中引風(fēng)機的實(shí)際數據上進(jìn)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(fā)生故障的測點(diǎn).
              考慮電網(wǎng)線(xiàn)路傳輸安全的分布式電力市場(chǎng)交易模式研究
              李遠征, 張虎, 劉江平, 趙勇, 連義成
              當前狀態(tài):  doi: 10.16383/j.aas.c211244
              [摘要](364) [HTML全文](84)
              摘要:
              分布式電力市場(chǎng)交易模式可以有效緩解傳統集中模式下市場(chǎng)主體的隱私安全等問(wèn)題, 但難以在保障市場(chǎng)主體收益和電力系統安全穩定運行的同時(shí)實(shí)現社會(huì )福利最大化. 因此, 考慮電網(wǎng)線(xiàn)路傳輸約束, 首先以社會(huì )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(jià)分解為各市場(chǎng)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(chǎng)景的分布式交易方法, 并構造電網(wǎng)安全成本影響市場(chǎng)主體的決策, 從而保證電網(wǎng)線(xiàn)路傳輸安全. 最后, 基于算例分析驗證了兩種方法的有效性.
              異構集成代理輔助的區間多模態(tài)粒子群優(yōu)化算法
              季新芳, 張勇, 鞏敦衛, 郭一楠, 孫曉燕
              當前狀態(tài):  doi: 10.16383/j.aas.c210223
              [摘要](958) [HTML全文](421)
              摘要:
              現實(shí)生活中的很多黑盒優(yōu)化問(wèn)題可歸為高計算代價(jià)的多模態(tài)優(yōu)化問(wèn)題, 即昂貴多模態(tài)優(yōu)化問(wèn)題. 在處理該類(lèi)問(wèn)題時(shí), 決策者希望以盡量少的計算代價(jià)(即盡量少的真實(shí)函數評價(jià)次數)找到多個(gè)高質(zhì)量的最優(yōu)解. 然而, 已有代理輔助的進(jìn)化優(yōu)化算法很少考慮問(wèn)題的多模態(tài)屬性, 運行一次僅可獲得問(wèn)題的一個(gè)最優(yōu)解. 鑒于此, 研究一種異構集成代理輔助的區間多模態(tài)粒子群優(yōu)化算法. 首先, 借助異構集成的思想構建一個(gè)由多個(gè)基礎代理模型組成的模型池; 隨后, 依據待評價(jià)粒子與已發(fā)現模態(tài)之間的匹配關(guān)系, 從模型池中自主選擇部分基礎代理模型進(jìn)行集成, 并使用集成后的代理模型預測該粒子的適應值. 進(jìn)一步, 為節約代理模型管理的代價(jià), 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(guān)系引入到進(jìn)化過(guò)程中. 將所提算法與當前流行的5種代理輔助進(jìn)化優(yōu)化算法和7 種經(jīng)典的多模態(tài)優(yōu)化算法進(jìn)行對比, 在20個(gè)測試函數和1個(gè)建筑節能實(shí)際問(wèn)題上的結果表明, 所提算法可以在較少計算代價(jià)下獲得問(wèn)題的多個(gè)高競爭最優(yōu)解.
              基于網(wǎng)格重構學(xué)習的染色體分類(lèi)模型
              張林, 易先鵬, 王廣杰, 范心宇, 劉輝, 王雪松
              當前狀態(tài):  doi: 10.16383/j.aas.c210303
              [摘要](342) [HTML全文](225)
              摘要:
              染色體的分類(lèi)識別是核型分析的重要任務(wù)之一. 因其柔軟易彎曲, 且類(lèi)間差異小、類(lèi)內差異大等特點(diǎn), 其精準分類(lèi)已成為挑戰性難題. 本文提出基于網(wǎng)格重構學(xué)習(GRid reConstruction learning, GRiCoL)的染色體分類(lèi)模型. 該模型首先將染色體圖像網(wǎng)格化, 提取局部分類(lèi)特征; 再通過(guò)重構網(wǎng)絡(luò )對全局特征進(jìn)行二次提取, 最后完成分類(lèi). 相比于現有幾種方法, GRiCoL同時(shí)兼顧局部和全局特征提取更有效的分類(lèi)特征, 有效改善染色體彎曲導致的分類(lèi)性能下降, 參數規模合理. 通過(guò)基于G帶、熒光原位雜交、Q帶染色體公開(kāi)數據集的實(shí)驗表明: GRiCoL能夠更好地弱化染色體彎曲帶來(lái)的影響, 在不同數據集上的分類(lèi)準確度均優(yōu)于現有分類(lèi)方法.
              多層異質(zhì)復雜網(wǎng)絡(luò )系統的能控性
              曹連謙, 王立夫, 孔芝, 郭戈
              當前狀態(tài):  doi: 10.16383/j.aas.c210654
              [摘要](911) [HTML全文](415)
              摘要:
              本文研究了節點(diǎn)狀態(tài)為高維的多層復雜網(wǎng)絡(luò )系統的能控性問(wèn)題. 討論了節點(diǎn)的異質(zhì)性、層間耦合、層內耦合對網(wǎng)絡(luò )能控性的影響. 發(fā)現當節點(diǎn)狀態(tài)由同質(zhì)變?yōu)楫愘|(zhì), 內耦合矩陣由相同變?yōu)椴煌? 對網(wǎng)絡(luò )能控性均有影響(網(wǎng)絡(luò )既可由能控變?yōu)椴荒芸? 又可由不能控變?yōu)槟芸?; 對層間耦合模式為驅動(dòng)響應模式和相互依賴(lài)模式, 分別給出了網(wǎng)絡(luò )系統能控的充分條件或必要條件. 相比于直接應用經(jīng)典的能控性判據, 這些條件更易于驗證, 且驅動(dòng)響應模式比相互依賴(lài)模式實(shí)現系統完全能控所需的條件更弱.
              融合屬性偏好和多階交互信息的可解釋評分預測研究
              鄭建興, 李沁文, 王素格, 李德玉
              當前狀態(tài):  doi: 10.16383/j.aas.c210457
              [摘要](657) [HTML全文](300)
              摘要:
              已有推薦系統主要基于用戶(hù)-項目交互矩陣來(lái)學(xué)習用戶(hù)和項目的向量表示, 而當交互矩陣稀疏時(shí), 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(hù)-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(jìn)行了解釋. 首先, 基于注意力機制分析了用戶(hù)和項目屬性信息與評分標簽的關(guān)系, 建模了節點(diǎn)的屬性偏好特征表示; 然后, 聚合了用戶(hù)-項目交互矩陣中節點(diǎn)自身、交互鄰居和評分標簽信息, 通過(guò)圖神經(jīng)網(wǎng)絡(luò )學(xué)習了節點(diǎn)的多階交互行為特征表示; 最后, 融合了節點(diǎn)的屬性偏好特征和交互行為特征, 在異質(zhì)類(lèi)型信息空間下學(xué)習了用戶(hù)和項目的語(yǔ)義特征表示, 利用多層感知機實(shí)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(shí)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(chǎng)景下推薦模型性能較低的問(wèn)題, 提升了推薦結果的可解釋性.
              高速公路無(wú)人駕駛的分層抽樣多動(dòng)態(tài)窗口軌跡規劃算法
              張琳, 薛建儒, 馬超, 李庚欣, 李勇強
              當前狀態(tài):  doi: 10.16383/j.aas.c210673
              [摘要](600) [HTML全文](504)
              摘要:
              高速公路無(wú)人駕駛軌跡規劃面臨著(zhù)實(shí)時(shí)性強、安全性高的挑戰. 本文提出了一種分層抽樣多動(dòng)態(tài)窗口的軌跡規劃算法(Stratied sampling based multi-dynamic window trajectory planner, SMWTP). 首先, 用多動(dòng)態(tài)窗口表征可行軌跡的搜索空間, 并基于貝葉斯網(wǎng)絡(luò )構建了車(chē)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(dòng)態(tài)場(chǎng)景約束的候選軌跡集合. 最后, 利用引入障礙車(chē)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(yōu)軌跡. 大量仿真實(shí)驗和實(shí)際交通場(chǎng)景測試驗證了算法的有效性, 對比實(shí)驗結果表明所提算法性能顯著(zhù)優(yōu)于人工勢場(chǎng)最優(yōu)軌跡規劃算法和多動(dòng)態(tài)窗口模擬退火軌跡規劃算法.
              目標跟蹤中基于IoU和中心點(diǎn)距離預測的尺度估計
              李紹明, 儲珺, 冷璐, 涂序繼
              當前狀態(tài):  doi: 10.16383/j.aas.c210356
              [摘要](649) [HTML全文](399)
              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(guò)估計視頻幀中候選框與真實(shí)目標框的重疊度訓練尺度回歸模型, 推理階段通過(guò)最大化IoU對初始化邊界框進(jìn)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(guò)程, 發(fā)現其在訓練和推理過(guò)程僅將IoU作為度量, 缺乏對預測框和真實(shí)目標框中心點(diǎn)距離的約束, 導致外觀(guān)模型更新過(guò)程中模板受到污染, 前景和背景分類(lèi)時(shí)定位出現偏差. 基于此發(fā)現, 本文構建了一種結合IoU和中心點(diǎn)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(diǎn)距離約束的損失函數監督網(wǎng)絡(luò )的學(xué)習, 在線(xiàn)推理期間通過(guò)最大化NDIoU微調目標尺度, 以幫助外觀(guān)模型更新時(shí)獲得更加準確的樣本. 在七個(gè)數據上與相關(guān)主流方法進(jìn)行對比, 本文方法在七個(gè)數據集上的綜合性能優(yōu)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} $\end{document}三個(gè)指標達到了65.4%、78.7%和53.4%, 分別超過(guò)基線(xiàn)模型4.3%、7.0%和4.2%.
              Event-Triggered Tracking Control for a Class of Nonlinear Systems With Observer and Prescribed Performance
              YOU Xing-Xing, YANG Dao-Wen, GUO Bin, LIU Kai, DIAN Song-Yi, ZHU Yu-Qi
              當前狀態(tài):  doi: 10.16383/j.aas.c210387
              [摘要](998) [HTML全文](548)
              摘要:
              This paper investigates an adaptive fuzzy tracking control method for a class of nonlinear systems with external disturbances. Firstly, fuzzy logic systems and the fuzzy state observer are implemented to approximate unknown nonlinear functions and estimate the unmeasured states of systems, respectively. Then, the tracking error can be constrained within the specified range by means of the performance function. Furthermore, an event-triggered adaptive fuzzy controller is designed by employing the backstepping method and Lyapunov functional with logarithm function. The proposed control strategy can ensure that all the signals of the closed-loop system are semiglobally uniformly ultimately bounded based on the Lyapunov stability theory and the properties of\begin{document}$\tanh$\end{document}function. Finally, a numerical simulation example is provided to verify the effectiveness of proposed method.
              基于 PID 自整定功能的自適應雙路輸出的黑體溫度控制
              張海弟
              當前狀態(tài):  doi: 10.16383/j.aas.c190277
              [摘要](766) [HTML全文](301)
              摘要:
              首先, 通過(guò)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(guò)程中得知黑體易受環(huán)境溫度和空氣散熱的影響, 所以黑體溫度控制系統是個(gè)非線(xiàn)性時(shí)變系統.結合實(shí)驗黑體的階躍響應數據, 采用階躍響應法對傳遞函數進(jìn)行近似計算, 得出黑體溫控系統的傳遞函數是極點(diǎn)在左半軸的二階系統, 該系統等效于二階低通濾波器.經(jīng)過(guò)低通濾波器的信號, 會(huì )濾除高頻部分, 當用繼電器法進(jìn)行參數自整定時(shí), 僅需計算能量較大的基波信號.通過(guò)對基波信號進(jìn)行比較, 得出繼電器法的整定公式, 并參照Z(yǔ)iegler-Nichols整定法則計算出PID參數.同時(shí), 本文針對黑體加熱器具有雙路輸出的特點(diǎn), 提出了一種雙路動(dòng)態(tài)輸出法, 通過(guò)理論分析了該方法可以消除環(huán)境對黑體溫度的影響.對于環(huán)境溫度變化較大的, 采用繼電器法PID參數自整定的方式來(lái)消除; 對于黑體運行過(guò)程中環(huán)境溫度變化較小的, 采用雙路動(dòng)態(tài)輸出法來(lái)減少影響.最后, 結合實(shí)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.
              基于光流與多尺度上下文的圖像序列運動(dòng)遮擋檢測
              馮誠, 張聰炫, 陳震, 李兵, 黎明
              當前狀態(tài):  doi: 10.16383/j.aas.c210324
              [摘要](681) [HTML全文](367)
              摘要:
              針對非剛性運動(dòng)和大位移場(chǎng)景下運動(dòng)遮擋檢測的準確性與魯棒性問(wèn)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(dòng)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(wǎng)絡(luò ), 通過(guò)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(dòng)遮擋檢測網(wǎng)絡(luò )模型, 利用光流優(yōu)化非剛性運動(dòng)和大位移區域的運動(dòng)遮擋信息; 最后, 構造基于運動(dòng)邊緣的網(wǎng)絡(luò )模型訓練損失函數, 獲取準確的運動(dòng)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(jìn)行實(shí)驗對比與分析. 實(shí)驗結果表明, 本文方法能夠有效提高運動(dòng)遮擋檢測的準確性, 尤其在非剛性運動(dòng)和大位移等困難場(chǎng)景下具有更好的遮擋檢測魯棒性.
              基于層次特征復用的視頻超分辨率重建
              周圓, 王明非, 杜曉婷, 陳艷芳
              當前狀態(tài):  doi: 10.16383/j.aas.c210095
              [摘要](914) [HTML全文](343)
              摘要:
              當前的深度卷積神經(jīng)網(wǎng)絡(luò )方法, 在視頻超分辨率任務(wù)上實(shí)現的性能提升相對于圖像超分辨率任務(wù)略低一些, 部分原因是它們對層次結構特征中的某些關(guān)鍵幀間信息的利用不夠充分. 為此, 本文提出了一個(gè)稱(chēng)作層次特征復用網(wǎng)絡(luò )(Hierarchical feature reuse network, HFRNet)的結構, 用以解決上述問(wèn)題. 該網(wǎng)絡(luò )保留運動(dòng)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(gè)殘差塊的特征, 之后用長(cháng)距離特征復用融合多個(gè)DHFB間的特征, 從而促進(jìn)高頻細節信息的恢復. 實(shí)驗結果表明, 本文提出的方法在定量和定性指標上均優(yōu)于當前的方法.
              多階段注意力膠囊網(wǎng)絡(luò )的圖像分類(lèi)
              宋燕, 王勇
              當前狀態(tài):  doi: 10.16383/j.aas.c210012
              [摘要](1488) [HTML全文](1078)
              摘要:
              本文針對膠囊網(wǎng)絡(luò )特征提取不充分的問(wèn)題, 提出了一種圖像分類(lèi)的多階段注意力膠囊網(wǎng)絡(luò )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(lái)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(dòng)態(tài)路由層, 增加對重要膠囊的關(guān)注, 進(jìn)而提高低層膠囊對高層膠囊預測的準確性; 最后, 在五個(gè)公共數據集上進(jìn)行對比實(shí)驗, 結果表明本文提出的模型在分類(lèi)精度和魯棒性上優(yōu)于其他膠囊網(wǎng)絡(luò )模型, 在仿射變換圖像重構上也表現良好.
              仿人智能控制理論及應用研究進(jìn)展
              戴小文, 宋建霖, 岳麗全
              當前狀態(tài):  doi: 10.16383/j.aas.c200007
              [摘要](1564) [HTML全文](513)
              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(tài)為強非線(xiàn)性、大遲滯、難建模問(wèn)題提供了切實(shí)可行的解決方案, 近些年來(lái)發(fā)展迅速并且得到學(xué)術(shù)界的持續關(guān)注, 但缺乏對該理論研究進(jìn)展系統性的總結. 本文通過(guò)系統的梳理仿人智能控制的理論基礎和發(fā)展脈絡(luò ), 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(jìn)展與應用進(jìn)展三個(gè)角度進(jìn)行綜述, 同時(shí), 結合當前的研究進(jìn)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(jìn)一步研究的方向.
              基于生成對抗網(wǎng)絡(luò )的對抗攻擊防御模型
              孔銳, 蔡佳純, 黃鋼
              當前狀態(tài):  doi: 10.16383/j.aas.2020.c200033
              [摘要](2326) [HTML全文](1280)
              摘要:
              深度神經(jīng)網(wǎng)絡(luò )在解決復雜問(wèn)題方面取得了驚人的成功, 廣泛應用于生活中各個(gè)領(lǐng)域, 但是最近的研究表明, 深度神經(jīng)網(wǎng)絡(luò )容易受到精心設計的對抗樣本的攻擊, 導致網(wǎng)絡(luò )模型輸出錯誤的預測結果, 這對于深度學(xué)習網(wǎng)絡(luò )的安全性是一種極大的挑戰. 對抗攻擊是深度神經(jīng)網(wǎng)絡(luò )發(fā)展過(guò)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(dòng)對抗攻擊防御的方向之一, 探究能否利用對抗性攻擊來(lái)訓練網(wǎng)絡(luò )分類(lèi)器從而提高其魯棒性具有重要意義. 本文將生成對抗網(wǎng)絡(luò )(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(wǎng)絡(luò )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(shí)在網(wǎng)絡(luò )中加入條件約束來(lái)穩定模型的訓練過(guò)程, 利用分類(lèi)器對生成器所生成樣本的分類(lèi)來(lái)指導GAN的訓練過(guò)程, 通過(guò)自定義分類(lèi)器需要防御的攻擊算法來(lái)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(lèi)器. 通過(guò)在MNIST、CIFAR-10和ImageNet數據集上進(jìn)行實(shí)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(jìn)行正確分類(lèi), 對各類(lèi)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.