2024, 50(9): 1671-1703.
doi: 10.16383/j.aas.c230368
摘要:
布线是芯片设计自动化流程中至关重要且特别耗时的一环, 直接影响最终产品的面积、成本、功耗、速度和可靠性, 研究智能布线算法对提高芯片布线效率和优化芯片布线效果具有重要意义. 芯片布线问题是一个多目标、多约束的NP困难问题. 即使已有几十年的研究历史, 目前仍存在大量未突破的问题和空间. 随着制造工艺的不断发展, 布线规则、约束和目标也持续调整和增加, 使得布线选择极其困难. 因此, 对芯片设计自动化中自动布线的前沿研究进行了全面归纳与分析, 以帮助科研人员全面了解该领域的研究进展和方向, 助力智能布线算法的研究和发展. 具体而言, 首先阐述芯片布线的问题背景, 然后分别介绍全局布线(Global routing, GR) 和详细布线(Detailed routing, DR)的任务定义和目标、过程特点、难点和挑战、评估方法; 接着详述和分析各布线方法, 重点论述基于规划搜索的布线方法和基于机器学习的布线方法的最新研究成果、优缺点及其应用环节; 然后介绍公开数据集和开源布线工具; 最后总结现有方法在实际应用中存在的局限性, 并对自动布线未来的发展趋势和潜在研究方向进行展望.
布线是芯片设计自动化流程中至关重要且特别耗时的一环, 直接影响最终产品的面积、成本、功耗、速度和可靠性, 研究智能布线算法对提高芯片布线效率和优化芯片布线效果具有重要意义. 芯片布线问题是一个多目标、多约束的NP困难问题. 即使已有几十年的研究历史, 目前仍存在大量未突破的问题和空间. 随着制造工艺的不断发展, 布线规则、约束和目标也持续调整和增加, 使得布线选择极其困难. 因此, 对芯片设计自动化中自动布线的前沿研究进行了全面归纳与分析, 以帮助科研人员全面了解该领域的研究进展和方向, 助力智能布线算法的研究和发展. 具体而言, 首先阐述芯片布线的问题背景, 然后分别介绍全局布线(Global routing, GR) 和详细布线(Detailed routing, DR)的任务定义和目标、过程特点、难点和挑战、评估方法; 接着详述和分析各布线方法, 重点论述基于规划搜索的布线方法和基于机器学习的布线方法的最新研究成果、优缺点及其应用环节; 然后介绍公开数据集和开源布线工具; 最后总结现有方法在实际应用中存在的局限性, 并对自动布线未来的发展趋势和潜在研究方向进行展望.
2024, 50(9): 1704-1723.
doi: 10.16383/j.aas.c230081
摘要:
随着高维特征表示与逼近能力的提高, 强化学习(Reinforcement learning, RL)在博弈与优化决策、智能驾驶等现实问题中的应用也取得显著进展. 然而强化学习在智能体与环境的交互中存在人工设计奖励函数难的问题, 因此研究者提出了逆强化学习(Inverse reinforcement learning, IRL)这一研究方向. 如何从专家演示中学习奖励函数和进行策略优化是一个重要的研究课题, 在人工智能领域具有十分重要的研究意义. 本文综合介绍了逆强化学习算法的最新进展, 首先介绍了逆强化学习在理论方面的新进展, 然后分析了逆强化学习面临的挑战以及未来的发展趋势, 最后讨论了逆强化学习的应用进展和应用前景.
随着高维特征表示与逼近能力的提高, 强化学习(Reinforcement learning, RL)在博弈与优化决策、智能驾驶等现实问题中的应用也取得显著进展. 然而强化学习在智能体与环境的交互中存在人工设计奖励函数难的问题, 因此研究者提出了逆强化学习(Inverse reinforcement learning, IRL)这一研究方向. 如何从专家演示中学习奖励函数和进行策略优化是一个重要的研究课题, 在人工智能领域具有十分重要的研究意义. 本文综合介绍了逆强化学习算法的最新进展, 首先介绍了逆强化学习在理论方面的新进展, 然后分析了逆强化学习面临的挑战以及未来的发展趋势, 最后讨论了逆强化学习的应用进展和应用前景.
2024, 50(9): 1724-1735.
doi: 10.16383/j.aas.c230656
摘要:
脉冲神经网络(Spiking neural network, SNN)由于具有相对人工神经网络(Artifcial neural network, ANN)更低的计算能耗而受到广泛关注. 然而, 现有SNN大多基于同步计算模式且往往采用多时间步的方式来模拟动态的信息整合过程, 因此带来了推理延迟增大和计算能耗增高等问题, 使其在边缘智能设备上的高效运行大打折扣. 针对这个问题, 本文提出一种自适应时间步脉冲神经网络(Adaptive timestep improved spiking neural network, ATSNN)算法. 该算法可以根据不同样本特征自适应选择合适的推理时间步, 并通过设计一个时间依赖的新型损失函数来约束不同计算时间步的重要性. 与此同时, 针对上述ATSNN特点设计一款低能耗脉冲神经网络加速器, 支持ATSNN算法在VGG和ResNet等成熟框架上的应用部署. 在CIFAR10、CIFAR100、CIFAR10-DVS等标准数据集上软硬件实验结果显示, 与当前固定时间步的SNN算法相比, ATSNN算法的精度基本不下降, 并且推理延迟减少36.7% ~ 58.7%, 计算复杂度减少33.0% ~ 57.0%. 在硬件模拟器上的运行结果显示, ATSNN的计算能耗仅为GPU RTX 3090Ti的4.43% ~ 7.88%. 显示出脑启发神经形态软硬件的巨大优势.
脉冲神经网络(Spiking neural network, SNN)由于具有相对人工神经网络(Artifcial neural network, ANN)更低的计算能耗而受到广泛关注. 然而, 现有SNN大多基于同步计算模式且往往采用多时间步的方式来模拟动态的信息整合过程, 因此带来了推理延迟增大和计算能耗增高等问题, 使其在边缘智能设备上的高效运行大打折扣. 针对这个问题, 本文提出一种自适应时间步脉冲神经网络(Adaptive timestep improved spiking neural network, ATSNN)算法. 该算法可以根据不同样本特征自适应选择合适的推理时间步, 并通过设计一个时间依赖的新型损失函数来约束不同计算时间步的重要性. 与此同时, 针对上述ATSNN特点设计一款低能耗脉冲神经网络加速器, 支持ATSNN算法在VGG和ResNet等成熟框架上的应用部署. 在CIFAR10、CIFAR100、CIFAR10-DVS等标准数据集上软硬件实验结果显示, 与当前固定时间步的SNN算法相比, ATSNN算法的精度基本不下降, 并且推理延迟减少36.7% ~ 58.7%, 计算复杂度减少33.0% ~ 57.0%. 在硬件模拟器上的运行结果显示, ATSNN的计算能耗仅为GPU RTX 3090Ti的4.43% ~ 7.88%. 显示出脑启发神经形态软硬件的巨大优势.
2024, 50(9): 1736-1746.
doi: 10.16383/j.aas.c210095
摘要:
当前的深度卷积神经网络方法, 在视频超分辨率任务上实现的性能提升相对于图像超分辨率任务略低, 部分原因是它们对层次结构特征中的某些关键帧间信息的利用不够充分. 为此, 提出一个称作层次特征复用网络(Hierarchical feature reuse network, HFRNet)的结构, 用以解决上述问题. 该网络保留运动补偿帧的低频内容, 并采用密集层次特征块(Dense hierarchical feature block, DHFB)自适应地融合其内部每个残差块的特征, 之后用长距离特征复用融合多个DHFB间的特征, 从而促进高频细节信息的恢复. 实验结果表明, 提出的方法在定量和定性指标上均优于当前的方法.
当前的深度卷积神经网络方法, 在视频超分辨率任务上实现的性能提升相对于图像超分辨率任务略低, 部分原因是它们对层次结构特征中的某些关键帧间信息的利用不够充分. 为此, 提出一个称作层次特征复用网络(Hierarchical feature reuse network, HFRNet)的结构, 用以解决上述问题. 该网络保留运动补偿帧的低频内容, 并采用密集层次特征块(Dense hierarchical feature block, DHFB)自适应地融合其内部每个残差块的特征, 之后用长距离特征复用融合多个DHFB间的特征, 从而促进高频细节信息的恢复. 实验结果表明, 提出的方法在定量和定性指标上均优于当前的方法.
2024, 50(9): 1747-1760.
doi: 10.16383/j.aas.c210387
摘要:
针对一类具有外部扰动的非线性系统, 提出了一种自适应模糊跟踪控制方法. 首先, 利用模糊逻辑系统逼近系统未知的非线性函数, 并设计了一个模糊状态观测器来估计系统的不可测状态. 其次, 通过指定性能函数, 使系统的跟踪误差能够约束在指定范围内. 然后, 利用Backsteping方法结合包含对数函数的Lyapunov泛函, 设计了一个基于事件触发条件的自适应模糊控制器. 基于Lyapunov稳定性理论和\begin{document}$\tanh$\end{document}
针对一类具有外部扰动的非线性系统, 提出了一种自适应模糊跟踪控制方法. 首先, 利用模糊逻辑系统逼近系统未知的非线性函数, 并设计了一个模糊状态观测器来估计系统的不可测状态. 其次, 通过指定性能函数, 使系统的跟踪误差能够约束在指定范围内. 然后, 利用Backsteping方法结合包含对数函数的Lyapunov泛函, 设计了一个基于事件触发条件的自适应模糊控制器. 基于Lyapunov稳定性理论和
2024, 50(9): 1761-1771.
doi: 10.16383/j.aas.c230622
摘要:
研究通讯拓扑为符号有向图的人在环多机械臂系统的预设性能二分一致性跟踪控制问题. 为在预设时间内收敛到预设精度, 提出一种基于观测器的预设性能控制策略. 首先, 设计预设时间和精度的观测器以估计领导者的输出信息, 通过合作/竞争信息交互实现观测器输出的二分一致性. 该观测器不需要领导机械臂的输入信息及输出信息的高阶导数, 并通过无芝诺行为的事件触发机制降低不同机械臂间的通讯负担. 其次, 通过反步法及误差转化法将有约束的机械臂输出跟踪问题转化为无约束的误差系统稳定性问题, 进而基于观测器输出设计机械臂的输出调节控制器. 值得一提的是, 设计的控制策略不需要系统初始状态的先验知识且避免了预设时刻控制增益无穷大的现象, 增强了系统的可靠性. 最后, 仿真结果表明所提控制策略的可行性及优越性.
研究通讯拓扑为符号有向图的人在环多机械臂系统的预设性能二分一致性跟踪控制问题. 为在预设时间内收敛到预设精度, 提出一种基于观测器的预设性能控制策略. 首先, 设计预设时间和精度的观测器以估计领导者的输出信息, 通过合作/竞争信息交互实现观测器输出的二分一致性. 该观测器不需要领导机械臂的输入信息及输出信息的高阶导数, 并通过无芝诺行为的事件触发机制降低不同机械臂间的通讯负担. 其次, 通过反步法及误差转化法将有约束的机械臂输出跟踪问题转化为无约束的误差系统稳定性问题, 进而基于观测器输出设计机械臂的输出调节控制器. 值得一提的是, 设计的控制策略不需要系统初始状态的先验知识且避免了预设时刻控制增益无穷大的现象, 增强了系统的可靠性. 最后, 仿真结果表明所提控制策略的可行性及优越性.
2024, 50(9): 1772-1784.
doi: 10.16383/j.aas.c220774
摘要:
针对含有输入时滞和低阶非线性项的非线性系统, 提出一种基于采样机制的无记忆输出反馈控制方法. 该方法移除了传统预测控制方法预测映射难以确定的限制, 同时避免了时滞依赖方法对过去时刻状态信息的依赖性, 在实际中更易实现. 首先, 根据系统输出在采样时刻的信息, 利用加幂积分技术和齐次占优思想设计了无记忆输出反馈采样控制器. 然后, 利用齐次系统理论提出了闭环系统的稳定性条件. 最后, 仿真结果验证了所提方法的有效性和优越性.
针对含有输入时滞和低阶非线性项的非线性系统, 提出一种基于采样机制的无记忆输出反馈控制方法. 该方法移除了传统预测控制方法预测映射难以确定的限制, 同时避免了时滞依赖方法对过去时刻状态信息的依赖性, 在实际中更易实现. 首先, 根据系统输出在采样时刻的信息, 利用加幂积分技术和齐次占优思想设计了无记忆输出反馈采样控制器. 然后, 利用齐次系统理论提出了闭环系统的稳定性条件. 最后, 仿真结果验证了所提方法的有效性和优越性.
2024, 50(9): 1785-1793.
doi: 10.16383/j.aas.c210664
摘要:
航母甲板在风、浪、流等因素影响下做六自由度不规则运动, 影响舰载机着舰精度. 航母甲板运动预估与补偿是自动着舰系统的重要功能之一, 也是提高舰载机着舰安全性与成功率的关键技术之一. 为此, 提出一种面向甲板运动预估的鲁棒学习模型, 通过基本构建单元自适应演化出复杂学习系统. 构建单元的训练采用非梯度的伪逆学习策略, 提高了训练效率, 简化了学习控制超参数调优; 构建单元的架构设计采用数据驱动的策略, 简化了架构超参数调优; 采用图拉普拉斯正则化方法提高了模型对噪声和意外扰动的鲁棒性. 通过某型航母在中等海况条件下以典型航速巡航时的仿真实验, 验证了所提方法在甲板纵摇、横摇以及垂荡运动预估问题中的有效性及鲁棒性.
航母甲板在风、浪、流等因素影响下做六自由度不规则运动, 影响舰载机着舰精度. 航母甲板运动预估与补偿是自动着舰系统的重要功能之一, 也是提高舰载机着舰安全性与成功率的关键技术之一. 为此, 提出一种面向甲板运动预估的鲁棒学习模型, 通过基本构建单元自适应演化出复杂学习系统. 构建单元的训练采用非梯度的伪逆学习策略, 提高了训练效率, 简化了学习控制超参数调优; 构建单元的架构设计采用数据驱动的策略, 简化了架构超参数调优; 采用图拉普拉斯正则化方法提高了模型对噪声和意外扰动的鲁棒性. 通过某型航母在中等海况条件下以典型航速巡航时的仿真实验, 验证了所提方法在甲板纵摇、横摇以及垂荡运动预估问题中的有效性及鲁棒性.
2024, 50(9): 1794-1803.
doi: 10.16383/j.aas.c240018
摘要:
针对永磁同步电动机(Permanent magnet synchronous motor, PMSM)模型参数未知以及电枢电流和负载转矩无法直接测量的问题, 设计一种基于自适应动态规划(Adaptive dynamic programming, ADP)的输出反馈控制方案, 实现PMSM最优速度跟踪控制. 首先, 根据PMSM内部特性确定其数学模型的结构, 构建与原始系统相对应的辅助系统, 引入新的线性二次指标来实现速度最优跟踪调节. 其次, 设计一种嵌入式观测器, 该观测器能够在系统模型未知情况下用可测量数据重构系统全部状态. 此外, 提出一种离线策略的ADP方法逼近最优控制增益的解. 最后, 仿真结果验证所提控制方案在模型参数未知以及电枢电流和负载转矩不可测量的情况下, 实现了精确的速度跟踪性能和良好的瞬态响应, 同时降低了电压的冲击.
针对永磁同步电动机(Permanent magnet synchronous motor, PMSM)模型参数未知以及电枢电流和负载转矩无法直接测量的问题, 设计一种基于自适应动态规划(Adaptive dynamic programming, ADP)的输出反馈控制方案, 实现PMSM最优速度跟踪控制. 首先, 根据PMSM内部特性确定其数学模型的结构, 构建与原始系统相对应的辅助系统, 引入新的线性二次指标来实现速度最优跟踪调节. 其次, 设计一种嵌入式观测器, 该观测器能够在系统模型未知情况下用可测量数据重构系统全部状态. 此外, 提出一种离线策略的ADP方法逼近最优控制增益的解. 最后, 仿真结果验证所提控制方案在模型参数未知以及电枢电流和负载转矩不可测量的情况下, 实现了精确的速度跟踪性能和良好的瞬态响应, 同时降低了电压的冲击.
2024, 50(9): 1804-1817.
doi: 10.16383/j.aas.c210012
摘要:
针对传统的胶囊网络(Capsule network, CapsNet)特征提取不充分的问题, 提出一种图像分类的多阶段注意力胶囊网络模型. 首先, 在卷积层对低层特征和高层特征分别采用注意力(Spatial attention, SA)和通道注意力(Channel attention, CA)来提取有效特征; 然后, 提出基于向量的注意力(Vector attention, VA)机制作用于动态路由层, 增加对重要胶囊的关注, 进而提高低层胶囊对高层胶囊预测的准确性; 最后, 在五个公共数据集上进行图像分类的对比实验. 结果表明, 所提出的CapsNet模型在分类精度和鲁棒性上优于其他胶囊网络模型, 在仿射变换图像重构方面也表现良好.
针对传统的胶囊网络(Capsule network, CapsNet)特征提取不充分的问题, 提出一种图像分类的多阶段注意力胶囊网络模型. 首先, 在卷积层对低层特征和高层特征分别采用注意力(Spatial attention, SA)和通道注意力(Channel attention, CA)来提取有效特征; 然后, 提出基于向量的注意力(Vector attention, VA)机制作用于动态路由层, 增加对重要胶囊的关注, 进而提高低层胶囊对高层胶囊预测的准确性; 最后, 在五个公共数据集上进行图像分类的对比实验. 结果表明, 所提出的CapsNet模型在分类精度和鲁棒性上优于其他胶囊网络模型, 在仿射变换图像重构方面也表现良好.
2024, 50(9): 1818-1830.
doi: 10.16383/j.aas.c230634
摘要:
飞机发动机剩余寿命(Remaining useful life, RUL)的准确预测对确保其安全性和可靠性至关重要. 在基于多传感器检测数据预测时, 需解决局部特征提取问题以全面捕捉设备在不同时间尺度下的退化趋势, 并需解决时间序列中各元素之间长期依赖性的全局学习问题. 因此, 提出了结合多尺度局部特征增强单元(Multi-sacle local feature enhancement unit, MSLFU_BLOCK)和Transformer编码器的预测模型, 称之为MS_Transformer. MSLFU_BLOCK利用堆叠的因果卷积逐层从时间序列数据中提取多尺度局部信息, 同时避免了传统卷积计算中固有的未来数据泄漏问题. 随后, Transformer编码器通过其自注意机制进一步捕获时间序列数据中的短期和长期依赖关系. 通过将多尺度局部特征增强单元与Transformer编码器相结合, 提出的MS_Transformer全面捕捉了时间序列数据中的局部和全局模式. 在广泛使用的C-MAPSS基准数据集上进行的消融和预测实验验证了模型的合理性和有效性. 与13个先进预测模型的比较分析表明, MS_Transformer模型在操作条件更复杂的FD002和FD004数据集上的RMSE和Score指标优于其他模型, 同时在四个数据集上的平均性能最优. 该研究为发动机剩余寿命预测提供了更为可靠的解决方案.
飞机发动机剩余寿命(Remaining useful life, RUL)的准确预测对确保其安全性和可靠性至关重要. 在基于多传感器检测数据预测时, 需解决局部特征提取问题以全面捕捉设备在不同时间尺度下的退化趋势, 并需解决时间序列中各元素之间长期依赖性的全局学习问题. 因此, 提出了结合多尺度局部特征增强单元(Multi-sacle local feature enhancement unit, MSLFU_BLOCK)和Transformer编码器的预测模型, 称之为MS_Transformer. MSLFU_BLOCK利用堆叠的因果卷积逐层从时间序列数据中提取多尺度局部信息, 同时避免了传统卷积计算中固有的未来数据泄漏问题. 随后, Transformer编码器通过其自注意机制进一步捕获时间序列数据中的短期和长期依赖关系. 通过将多尺度局部特征增强单元与Transformer编码器相结合, 提出的MS_Transformer全面捕捉了时间序列数据中的局部和全局模式. 在广泛使用的C-MAPSS基准数据集上进行的消融和预测实验验证了模型的合理性和有效性. 与13个先进预测模型的比较分析表明, MS_Transformer模型在操作条件更复杂的FD002和FD004数据集上的RMSE和Score指标优于其他模型, 同时在四个数据集上的平均性能最优. 该研究为发动机剩余寿命预测提供了更为可靠的解决方案.
2024, 50(9): 1831-1853.
doi: 10.16383/j.aas.c210223
摘要:
现实生活中的很多黑盒优化问题可归为高计算代价的多模态优化问题(Multimodal optimization problem, MMOP), 即昂贵多模态优化问题(Expensive MMOP, EMMOP). 在处理该类问题时, 决策者希望以尽量少的计算代价(即尽量少的真实函数评价次数)找到多个高质量的最优解. 然而, 已有代理辅助的进化优化算法(Surrogate-assisted evolutionary algorithm, SAEA)很少考虑问题的多模态属性, 运行一次仅可获得问题的一个最优解. 鉴于此, 研究一种异构集成代理辅助的区间多模态粒子群优化(Interval multimodal particle swarm optimization algorithm assisted by heterogeneous ensemble surrogate, IMPSO-HES)算法. 首先, 借助异构集成的思想构建一个由多个基础代理模型组成的模型池; 随后, 依据待评价粒子与已发现模态之间的匹配关系, 从模型池中自主选择部分基础代理模型进行集成, 并使用集成后的代理模型预测该粒子的适应值. 进一步, 为节约代理模型管理的代价, 设计一种增量式的代理模型管理策略; 为减少代理模型预测误差对算法性能的影响, 首次将区间排序关系引入到进化过程中. 将所提算法与当前流行的5种代理辅助进化优化算法和7 种最先进的多模态优化算法进行对比, 在20个测试函数和1个建筑节能实际问题上的实验结果表明, 所提算法可以在较少计算代价下获得问题的多个高竞争最优解.
现实生活中的很多黑盒优化问题可归为高计算代价的多模态优化问题(Multimodal optimization problem, MMOP), 即昂贵多模态优化问题(Expensive MMOP, EMMOP). 在处理该类问题时, 决策者希望以尽量少的计算代价(即尽量少的真实函数评价次数)找到多个高质量的最优解. 然而, 已有代理辅助的进化优化算法(Surrogate-assisted evolutionary algorithm, SAEA)很少考虑问题的多模态属性, 运行一次仅可获得问题的一个最优解. 鉴于此, 研究一种异构集成代理辅助的区间多模态粒子群优化(Interval multimodal particle swarm optimization algorithm assisted by heterogeneous ensemble surrogate, IMPSO-HES)算法. 首先, 借助异构集成的思想构建一个由多个基础代理模型组成的模型池; 随后, 依据待评价粒子与已发现模态之间的匹配关系, 从模型池中自主选择部分基础代理模型进行集成, 并使用集成后的代理模型预测该粒子的适应值. 进一步, 为节约代理模型管理的代价, 设计一种增量式的代理模型管理策略; 为减少代理模型预测误差对算法性能的影响, 首次将区间排序关系引入到进化过程中. 将所提算法与当前流行的5种代理辅助进化优化算法和7 种最先进的多模态优化算法进行对比, 在20个测试函数和1个建筑节能实际问题上的实验结果表明, 所提算法可以在较少计算代价下获得问题的多个高竞争最优解.
2024, 50(9): 1854-1865.
doi: 10.16383/j.aas.c210324
摘要:
针对非刚性运动和大位移场景下运动遮挡检测的准确性与鲁棒性问题, 提出一种基于光流与多尺度上下文的图像序列运动遮挡检测方法. 首先, 设计基于扩张卷积的多尺度上下文信息聚合网络, 通过图像序列多尺度上下文信息获取更大范围的图像特征; 然后, 采用特征金字塔构建基于多尺度上下文与光流的端到端运动遮挡检测网络模型, 利用光流优化非刚性运动和大位移区域的运动检测遮挡信息; 最后, 构造基于运动边缘的网络模型训练损失函数, 获取准确的运动遮挡边界. 分别采用MPI-Sintel和KITTI测试数据集对所提方法与现有的代表性方法进行实验对比与分析. 实验结果表明, 所提方法能够有效提高运动遮挡检测的准确性和鲁棒性, 尤其在非刚性运动和大位移等困难场景下具有更好的遮挡检测鲁棒性.
针对非刚性运动和大位移场景下运动遮挡检测的准确性与鲁棒性问题, 提出一种基于光流与多尺度上下文的图像序列运动遮挡检测方法. 首先, 设计基于扩张卷积的多尺度上下文信息聚合网络, 通过图像序列多尺度上下文信息获取更大范围的图像特征; 然后, 采用特征金字塔构建基于多尺度上下文与光流的端到端运动遮挡检测网络模型, 利用光流优化非刚性运动和大位移区域的运动检测遮挡信息; 最后, 构造基于运动边缘的网络模型训练损失函数, 获取准确的运动遮挡边界. 分别采用MPI-Sintel和KITTI测试数据集对所提方法与现有的代表性方法进行实验对比与分析. 实验结果表明, 所提方法能够有效提高运动遮挡检测的准确性和鲁棒性, 尤其在非刚性运动和大位移等困难场景下具有更好的遮挡检测鲁棒性.
2024, 50(9): 1866-1876.
doi: 10.16383/j.aas.c220690
摘要:
联邦学习(Federated learning, FL)在解决人工智能(Artificial intelligence, AI)面临的隐私泄露和数据孤岛问题方面具有显著优势. 针对联邦学习的已有研究未考虑联邦数据之间的关联性和高维性问题, 提出一种基于联邦数据相关性的去中心化联邦降维方法. 该方法基于Swarm学习(Swarm learning, SL)思想, 通过分离耦合特征, 构建典型相关分析(Canonical correlation analysis, CCA)的Swarm联邦框架, 以提取Swarm节点的低维关联特征. 为保护协作参数的隐私安全, 还构建一种随机扰乱策略来隐藏Swarm特征隐私. 在真实数据集上的实验验证了所提方法的有效性.
联邦学习(Federated learning, FL)在解决人工智能(Artificial intelligence, AI)面临的隐私泄露和数据孤岛问题方面具有显著优势. 针对联邦学习的已有研究未考虑联邦数据之间的关联性和高维性问题, 提出一种基于联邦数据相关性的去中心化联邦降维方法. 该方法基于Swarm学习(Swarm learning, SL)思想, 通过分离耦合特征, 构建典型相关分析(Canonical correlation analysis, CCA)的Swarm联邦框架, 以提取Swarm节点的低维关联特征. 为保护协作参数的隐私安全, 还构建一种随机扰乱策略来隐藏Swarm特征隐私. 在真实数据集上的实验验证了所提方法的有效性.
本刊经同行评议拟录用的文章，目前在编校阶段，尚未确定卷期及页码，已有DOI。
显示方式:
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210174
摘要:
针对一类难以建立精确模型的单输入单输出(Single-input single-output, SISO) 非线性离散动态系统, 提出了一种数据驱动模型的自适应控制方法. 所提方法首先设计具有直链与增强结构的随机配置网络(Stochastic configuration network, SCN), 建立了一种可同时表征非线性系统低阶线性部分与高阶非线性项(未建模动态)的数据驱动模型, 并采用增量学习方法与监督机制, 对模型结构与模型参数进行同步更新优化, 保证了数据驱动模型的无限逼近能力, 解决了传统自适应控制采用交替辨识算法存在的建模精度低、模型收敛性无法保证的问题. 进而利用直链部分与增强部分, 分别设计了线性控制器及虚拟未建模动态补偿器, 建立了基于SCN 数据驱动模型的自适应控制新方法, 分析了其稳定性与收敛性, 通过数值仿真实验和采用交替辨识算法的传统自适应控制方法进行对比, 实验结果表明所提方法的有效性.
针对一类难以建立精确模型的单输入单输出(Single-input single-output, SISO) 非线性离散动态系统, 提出了一种数据驱动模型的自适应控制方法. 所提方法首先设计具有直链与增强结构的随机配置网络(Stochastic configuration network, SCN), 建立了一种可同时表征非线性系统低阶线性部分与高阶非线性项(未建模动态)的数据驱动模型, 并采用增量学习方法与监督机制, 对模型结构与模型参数进行同步更新优化, 保证了数据驱动模型的无限逼近能力, 解决了传统自适应控制采用交替辨识算法存在的建模精度低、模型收敛性无法保证的问题. 进而利用直链部分与增强部分, 分别设计了线性控制器及虚拟未建模动态补偿器, 建立了基于SCN 数据驱动模型的自适应控制新方法, 分析了其稳定性与收敛性, 通过数值仿真实验和采用交替辨识算法的传统自适应控制方法进行对比, 实验结果表明所提方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230649
摘要:
网络度是衡量化纤丝线及化纤织物性能的重要指标之一, 在生产车间中通常采用人工方式进行检测. 为解决人工检测误检率较高的问题, 提出一种基于语义信息增强的化纤丝线网络度并行检测方法. 首先, 为提升单根化纤丝线网络结点识别的准确度, 使用基于MobileNetV2优化的主干网络结构提取语义信息, 以提高模型的运算速度. 在所提主干网络的基础上, 设计语义信息增强模块和多级特征扩张模块处理主干网络的特征信息, 同时, 设计像素级注意力掩膜对特征信息进行加权和融合, 以提高网络度检测的准确性. 然后, 为实现多根化纤丝线网络度的批量计算, 基于所提语义信息增强算法, 设计网络度并行检测方法. 使用算法检测丝线网络结点, 同时使用连通域分析及掩膜提取的方法并行检测, 提取视野内每条丝线的独立区域. 随后, 将并行检测结果融合, 以准确获取每根丝线的网络度检测结果. 为验证所提方法的有效性, 使用自主研发的网络度检测设备建立了化纤丝线数据集, 并进行了实验验证. 结果表明, 所提出的方法能够有效地提高检测的准确性.
网络度是衡量化纤丝线及化纤织物性能的重要指标之一, 在生产车间中通常采用人工方式进行检测. 为解决人工检测误检率较高的问题, 提出一种基于语义信息增强的化纤丝线网络度并行检测方法. 首先, 为提升单根化纤丝线网络结点识别的准确度, 使用基于MobileNetV2优化的主干网络结构提取语义信息, 以提高模型的运算速度. 在所提主干网络的基础上, 设计语义信息增强模块和多级特征扩张模块处理主干网络的特征信息, 同时, 设计像素级注意力掩膜对特征信息进行加权和融合, 以提高网络度检测的准确性. 然后, 为实现多根化纤丝线网络度的批量计算, 基于所提语义信息增强算法, 设计网络度并行检测方法. 使用算法检测丝线网络结点, 同时使用连通域分析及掩膜提取的方法并行检测, 提取视野内每条丝线的独立区域. 随后, 将并行检测结果融合, 以准确获取每根丝线的网络度检测结果. 为验证所提方法的有效性, 使用自主研发的网络度检测设备建立了化纤丝线数据集, 并进行了实验验证. 结果表明, 所提出的方法能够有效地提高检测的准确性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230808
摘要:
阴影集(Shadowed set, SS)是一种对模糊集进行三支近似处理的不确定性知识发现模型, 其能够对模糊集中具有精确值的不确定性对象进行有效的近似和划分, 从而减少模糊决策过程中不确定性对象的决策划分成本和计算损耗. 首先, 回顾阴影集的发展历程, 并从四个方面介绍其研究现状及内容, 即阴影集的模型构建、理论性质、数据分析以及应用研究. 通过总结分析它们的核心思想、方法体系、相互关系和区别等, 为该领域的后续研究提供借鉴. 随后, 讨论分析阴影集理论与其他不确定性问题处理理论模型的联系, 尤其是阴影集与模糊集、粗糙集和三支决策理论之间的区别、联系以及互补性. 最后, 围绕上述四个研究方面, 对当前若干具有挑战性的研究问题进行分析和展望.
阴影集(Shadowed set, SS)是一种对模糊集进行三支近似处理的不确定性知识发现模型, 其能够对模糊集中具有精确值的不确定性对象进行有效的近似和划分, 从而减少模糊决策过程中不确定性对象的决策划分成本和计算损耗. 首先, 回顾阴影集的发展历程, 并从四个方面介绍其研究现状及内容, 即阴影集的模型构建、理论性质、数据分析以及应用研究. 通过总结分析它们的核心思想、方法体系、相互关系和区别等, 为该领域的后续研究提供借鉴. 随后, 讨论分析阴影集理论与其他不确定性问题处理理论模型的联系, 尤其是阴影集与模糊集、粗糙集和三支决策理论之间的区别、联系以及互补性. 最后, 围绕上述四个研究方面, 对当前若干具有挑战性的研究问题进行分析和展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230685
摘要:
复杂动态系统运行过程中的在线安全性评估至关重要且富有挑战性. 构建有效的数据驱动模型需要大量有标注数据, 但这在实际中通常难以获得. 此外, 考虑到系统不同的运行工况, 安全性评估模型应该具有良好的泛化能力. 域自适应(Domain adaptation, DA)可以将模型从数据标注丰富的源域迁移到具有不同但相似数据分布的目标域. 然而, 源域中没有出现过的任务相关未知情景会降低模型的性能, 是目前尚未解决的挑战. 主动域自适应通过结合域自适应与主动学习技术, 为解决上述挑战提供了思路. 本文研究目标域存在任务相关未知情景的主动域自适应安全性评估问题, 提出一种基于改进能量模型的主动域自适应方法. 在所提方法中融合分布外检测器, 在此基础上主动选择目标域中具有代表性的无标注样本进行标注, 作为训练数据以提高域自适应模型的性能. 最后, 通过基于轴承数据的案例研究, 验证所提方法的有效性和适用性.
复杂动态系统运行过程中的在线安全性评估至关重要且富有挑战性. 构建有效的数据驱动模型需要大量有标注数据, 但这在实际中通常难以获得. 此外, 考虑到系统不同的运行工况, 安全性评估模型应该具有良好的泛化能力. 域自适应(Domain adaptation, DA)可以将模型从数据标注丰富的源域迁移到具有不同但相似数据分布的目标域. 然而, 源域中没有出现过的任务相关未知情景会降低模型的性能, 是目前尚未解决的挑战. 主动域自适应通过结合域自适应与主动学习技术, 为解决上述挑战提供了思路. 本文研究目标域存在任务相关未知情景的主动域自适应安全性评估问题, 提出一种基于改进能量模型的主动域自适应方法. 在所提方法中融合分布外检测器, 在此基础上主动选择目标域中具有代表性的无标注样本进行标注, 作为训练数据以提高域自适应模型的性能. 最后, 通过基于轴承数据的案例研究, 验证所提方法的有效性和适用性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220994
摘要:
精准的医学图像自动分割是临床影像学诊断和影像三维重建的重要基础. 但医学图像数据的目标对象间对比度差异小、受器官运动影响大, 加之标注样本规模小, 因此在小样本下建立高性能的医学分割模型仍是目前的难点问题. 针对主流原型学习小样本分割网络对医学图像边界分割性能差的问题, 提出一种迭代边界优化的小样本分割网络(Iterative boundary refinement based few-shot segmentation network, IBR-FSS-Net). 以双分支原型学习的小样本分割框架为基础, 引入类别注意力机制和密集比较模块(Dense comparison module, DCM), 对粗分割掩码进行迭代优化, 引导分割模型在多次迭代学习过程中关注边界, 从而提升边界分割精度. 为进一步克服医学图像训练样本少且多样性不足问题, 使用超像素方法生成伪标签, 扩充训练数据以提升模型泛化性. 在ABD-MR和ABD-CT医学图像分割公共数据集上进行实验, 与现有多种先进的医学图像小样本分割方法进行对比分析和消融实验. 实验结果表明, 该方法有效提升了未见医学类别的分割性能.
精准的医学图像自动分割是临床影像学诊断和影像三维重建的重要基础. 但医学图像数据的目标对象间对比度差异小、受器官运动影响大, 加之标注样本规模小, 因此在小样本下建立高性能的医学分割模型仍是目前的难点问题. 针对主流原型学习小样本分割网络对医学图像边界分割性能差的问题, 提出一种迭代边界优化的小样本分割网络(Iterative boundary refinement based few-shot segmentation network, IBR-FSS-Net). 以双分支原型学习的小样本分割框架为基础, 引入类别注意力机制和密集比较模块(Dense comparison module, DCM), 对粗分割掩码进行迭代优化, 引导分割模型在多次迭代学习过程中关注边界, 从而提升边界分割精度. 为进一步克服医学图像训练样本少且多样性不足问题, 使用超像素方法生成伪标签, 扩充训练数据以提升模型泛化性. 在ABD-MR和ABD-CT医学图像分割公共数据集上进行实验, 与现有多种先进的医学图像小样本分割方法进行对比分析和消融实验. 实验结果表明, 该方法有效提升了未见医学类别的分割性能.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240003
摘要:
针对一类严格反馈系统的安全控制问题, 提出了一种基于滤波控制障碍函数(Filtered control barrier functions, FCBF)的优化控制方法. 首先引入一阶低通滤波器, 构建滤波控制障碍函数. 然后结合控制李雅普诺夫函数(Control Lyapunov functions, CLF)及离线优化技术, 提出了一种新颖的安全反推控制算法. 相比于现有文献, 本文所提控制方案通过运用滤波控制障碍函数, 有效克服了安全反推过程中的“计算膨胀”问题. 仿真结果验证了文中控制算法的有效性与正确性.
针对一类严格反馈系统的安全控制问题, 提出了一种基于滤波控制障碍函数(Filtered control barrier functions, FCBF)的优化控制方法. 首先引入一阶低通滤波器, 构建滤波控制障碍函数. 然后结合控制李雅普诺夫函数(Control Lyapunov functions, CLF)及离线优化技术, 提出了一种新颖的安全反推控制算法. 相比于现有文献, 本文所提控制方案通过运用滤波控制障碍函数, 有效克服了安全反推过程中的“计算膨胀”问题. 仿真结果验证了文中控制算法的有效性与正确性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240114
摘要:
多机协同围捕作为多机器人协同领域的一项重要分支, 着重研究多个机器人通过相互协作对动态可疑目标实现有效地追踪与围捕, 在军事侦查、紧急救援、协同探测等领域具有重要的研究意义与实际应用价值. 首先通过国内外科学引文数据库对多机协同围捕领域相关的文献进行全面检索, 深入剖析目前该领域前沿技术的发展现状与研究热点, 接下来从理论与技术层面分别针对多机协同围捕领域中的目标协同搜索、多机任务分配、协同围捕控制等方面进行全面总结, 重点阐述各研究内容常用方法与技术的工作原理、优缺点及适用范围等. 最后对该领域的发展现状进行总结, 并分析探讨目前尚未解决的难点, 对未来的发展方向提出展望.
多机协同围捕作为多机器人协同领域的一项重要分支, 着重研究多个机器人通过相互协作对动态可疑目标实现有效地追踪与围捕, 在军事侦查、紧急救援、协同探测等领域具有重要的研究意义与实际应用价值. 首先通过国内外科学引文数据库对多机协同围捕领域相关的文献进行全面检索, 深入剖析目前该领域前沿技术的发展现状与研究热点, 接下来从理论与技术层面分别针对多机协同围捕领域中的目标协同搜索、多机任务分配、协同围捕控制等方面进行全面总结, 重点阐述各研究内容常用方法与技术的工作原理、优缺点及适用范围等. 最后对该领域的发展现状进行总结, 并分析探讨目前尚未解决的难点, 对未来的发展方向提出展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240196
摘要:
面对复杂的多模态数据场景, 现有的索引选择方法存在诸多局限性. 首先, 大多数方法考虑场景较为单一, 不能针对特定数据模态选择合适的索引结构, 进而无法有效应对海量多模态数据; 其次, 现有方法未考虑索引选择时索引构建的代价, 无法有效应对动态的工作负载; 再者, 大量的冗余索引配置会消耗磁盘空间, 降低数据的更新效率. 针对上述问题, 提出一种基于 APE-X DQN (Distributed prioritized experience replay in deep Q-network) 模型, 称为面向多模态数据的智能高效索引选择模型 AP-IS ( AP E-X DQN for i ndex s election). AP-IS 设计了新型索引集编码和 SQL 语句编码方法, 使 AP-IS 在感知多模态数据同时兼顾索引结构本身的特性, 极大地降低索引的存储代价. AP-IS 集成新型索引效益评估方法, 在优化强化学习奖励机制的同时, 监控数据库工作负载的执行状态, 保证动态工作负载下 AP-IS 在时间和空间上的优化效果. 在真实多模态数据集上进行大量实验, 验证 AP-IS 模型在工作负载的执行时延、存储代价和训练效率等方面性能, 结果均明显优于最新索引选择方法.
面对复杂的多模态数据场景, 现有的索引选择方法存在诸多局限性. 首先, 大多数方法考虑场景较为单一, 不能针对特定数据模态选择合适的索引结构, 进而无法有效应对海量多模态数据; 其次, 现有方法未考虑索引选择时索引构建的代价, 无法有效应对动态的工作负载; 再者, 大量的冗余索引配置会消耗磁盘空间, 降低数据的更新效率. 针对上述问题, 提出一种基于 APE-X DQN (Distributed prioritized experience replay in deep Q-network) 模型, 称为面向多模态数据的智能高效索引选择模型 AP-IS ( AP E-X DQN for i ndex s election). AP-IS 设计了新型索引集编码和 SQL 语句编码方法, 使 AP-IS 在感知多模态数据同时兼顾索引结构本身的特性, 极大地降低索引的存储代价. AP-IS 集成新型索引效益评估方法, 在优化强化学习奖励机制的同时, 监控数据库工作负载的执行状态, 保证动态工作负载下 AP-IS 在时间和空间上的优化效果. 在真实多模态数据集上进行大量实验, 验证 AP-IS 模型在工作负载的执行时延、存储代价和训练效率等方面性能, 结果均明显优于最新索引选择方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211244
摘要:
电力市场分布式交易模型可有效缓解传统集中模型下市场主体的隐私安全等问题, 但难以在保障市场主体收益和电力系统安全稳定运行的同时, 实现社会福利最大化. 因此, 基于电网线路传输安全, 首先以社会福利最大化为目标, 构建集中式交易模型, 并采用拉格朗日乘子法和对偶定理, 将其等价分解为各市场主体自身利益最大化的分布式交易模型. 在此基础上, 设计2种适用于不同情形的分布式交易方法及其求解算法, 并构造电网安全成本影响市场主体的决策, 从而保证电网线路传输安全. 最后, 基于算例分析, 验证了2种交易方法的有效性.
电力市场分布式交易模型可有效缓解传统集中模型下市场主体的隐私安全等问题, 但难以在保障市场主体收益和电力系统安全稳定运行的同时, 实现社会福利最大化. 因此, 基于电网线路传输安全, 首先以社会福利最大化为目标, 构建集中式交易模型, 并采用拉格朗日乘子法和对偶定理, 将其等价分解为各市场主体自身利益最大化的分布式交易模型. 在此基础上, 设计2种适用于不同情形的分布式交易方法及其求解算法, 并构造电网安全成本影响市场主体的决策, 从而保证电网线路传输安全. 最后, 基于算例分析, 验证了2种交易方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230752
摘要:
针对一类不确定非线性系统提出一种保证系统状态满足预设边界性能函数的新型性能驱动控制方法. 不同于传统预设性能控制方法中对误差与边界性能函数的比值进行非线性变换的思路, 本文基于保证状态量与上下边界的两个误差量均始终非负这一思想, 引入基于Metzler矩阵的正系统分析理论, 并结合切换控制技术, 以最终保证系统状态始终在预设性能函数之内. 系统的稳定性取决于边界性能函数的选取, 而不改变控制器的形式. 给出了针对一类不确定非线性系统的控制设计、稳定性分析和方法讨论, 数值仿真例子验证了所提出方法的有效性.
针对一类不确定非线性系统提出一种保证系统状态满足预设边界性能函数的新型性能驱动控制方法. 不同于传统预设性能控制方法中对误差与边界性能函数的比值进行非线性变换的思路, 本文基于保证状态量与上下边界的两个误差量均始终非负这一思想, 引入基于Metzler矩阵的正系统分析理论, 并结合切换控制技术, 以最终保证系统状态始终在预设性能函数之内. 系统的稳定性取决于边界性能函数的选取, 而不改变控制器的形式. 给出了针对一类不确定非线性系统的控制设计、稳定性分析和方法讨论, 数值仿真例子验证了所提出方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230651
摘要:
神经网络的黑箱特性严重阻碍了人们关于网络决策的直观分析与理解. 尽管文献报道了多种基于神经元贡献度分配的决策解释方法, 但是现有方法的解释一致性难以保证, 鲁棒性更是有待改进. 本文从神经元相关性概念入手, 提出一种基于逐层增量分解的神经网络解释新方法LID-Taylor (Layer-wise increment decomposition), 且在此基础上先后引入针对顶层神经元相关性的对比提升策略, 以及针对所有层神经元相关性的非线性提升策略, 最后利用交叉组合策略得到最终方法SIG-LID-IG, 实现了决策归因性能的鲁棒跃升. 通过热力图对现有工作与提出方法的决策归因性能做了定性定量评估. 结果显示, SIG-LID-IG在神经元的正、负相关性的决策归因合理性上均可媲美甚至优于现有工作. SIG-LID-IG在多尺度热力图下同样取得了精确性更高、鲁棒性更强的决策归因.
神经网络的黑箱特性严重阻碍了人们关于网络决策的直观分析与理解. 尽管文献报道了多种基于神经元贡献度分配的决策解释方法, 但是现有方法的解释一致性难以保证, 鲁棒性更是有待改进. 本文从神经元相关性概念入手, 提出一种基于逐层增量分解的神经网络解释新方法LID-Taylor (Layer-wise increment decomposition), 且在此基础上先后引入针对顶层神经元相关性的对比提升策略, 以及针对所有层神经元相关性的非线性提升策略, 最后利用交叉组合策略得到最终方法SIG-LID-IG, 实现了决策归因性能的鲁棒跃升. 通过热力图对现有工作与提出方法的决策归因性能做了定性定量评估. 结果显示, SIG-LID-IG在神经元的正、负相关性的决策归因合理性上均可媲美甚至优于现有工作. SIG-LID-IG在多尺度热力图下同样取得了精确性更高、鲁棒性更强的决策归因.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211112
摘要:
针对云服务器中存在软件老化现象, 将造成系统性能衰退与可靠性下降问题, 借鉴剩余使用寿命(Remaining useful life, RUL)概念, 提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting, SVs-GFF)的老化预测方法. 首先, 提取云服务器老化数据的统计特征指标, 并采用支持向量回归(Support vector regression, SVR)对统计特征指标进行数据稀疏化处理, 得到支持向量(Support vectors, SVs)序列数据; 然后, 建立基于密度聚类的高斯函数拟合(Gaussian function fitting, GFF)模型, 对不同核函数下的支持向量序列数据进行老化曲线拟合, 并采用Fréchet距离优化算法选取最优老化曲线; 最后, 基于最优老化曲线, 评估系统到达老化阈值前的RUL, 以预测系统何时发生老化. 在OpenStack云服务器4个老化数据集上的实验结果表明, 基于RUL和SVs-GFF的云服务器老化预测方法与传统预测方法相比, 具有更高的预测精度和更快的收敛速度.
针对云服务器中存在软件老化现象, 将造成系统性能衰退与可靠性下降问题, 借鉴剩余使用寿命(Remaining useful life, RUL)概念, 提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting, SVs-GFF)的老化预测方法. 首先, 提取云服务器老化数据的统计特征指标, 并采用支持向量回归(Support vector regression, SVR)对统计特征指标进行数据稀疏化处理, 得到支持向量(Support vectors, SVs)序列数据; 然后, 建立基于密度聚类的高斯函数拟合(Gaussian function fitting, GFF)模型, 对不同核函数下的支持向量序列数据进行老化曲线拟合, 并采用Fréchet距离优化算法选取最优老化曲线; 最后, 基于最优老化曲线, 评估系统到达老化阈值前的RUL, 以预测系统何时发生老化. 在OpenStack云服务器4个老化数据集上的实验结果表明, 基于RUL和SVs-GFF的云服务器老化预测方法与传统预测方法相比, 具有更高的预测精度和更快的收敛速度.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230445
摘要:
多机器人空地协同系统作为一种在搜索救援、自主探索等领域具有广泛应用前景的异构机器人协作系统, 近年来受到研究者的高度关注. 针对限制空地协同系统自治性能的低智能性、弱自主性挑战, 如何增强个体智能、提高群体协同自主性是加快空地系统应用落地亟需解决的关键问题. 近年来, 随着以深度学习、群体智能为代表的人工智能(Artificial intelligence, AI)算法在感知、决策等领域的不断发展, 将其应用于空地协同系统成为了当前的研究热点. 基于空地协同的自主化程度, 总结从规则驱动到群智涌现不同协作水平下的空地协同工作, 强调通过增强个体智能涌现群体智慧. 同时, 构建并拓宽空地协同群智系统的概念及要素, 阐述其自组织、自适应、自学习与持续演化的群智特性. 最后, 通过列举空地协同代表性应用场景, 总结空地协同所面临的挑战, 并展望未来方向.
多机器人空地协同系统作为一种在搜索救援、自主探索等领域具有广泛应用前景的异构机器人协作系统, 近年来受到研究者的高度关注. 针对限制空地协同系统自治性能的低智能性、弱自主性挑战, 如何增强个体智能、提高群体协同自主性是加快空地系统应用落地亟需解决的关键问题. 近年来, 随着以深度学习、群体智能为代表的人工智能(Artificial intelligence, AI)算法在感知、决策等领域的不断发展, 将其应用于空地协同系统成为了当前的研究热点. 基于空地协同的自主化程度, 总结从规则驱动到群智涌现不同协作水平下的空地协同工作, 强调通过增强个体智能涌现群体智慧. 同时, 构建并拓宽空地协同群智系统的概念及要素, 阐述其自组织、自适应、自学习与持续演化的群智特性. 最后, 通过列举空地协同代表性应用场景, 总结空地协同所面临的挑战, 并展望未来方向.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230624
摘要:
在现有的系统辨识算法中, 常用的高斯、学生氏t (Student＇s t, St)、拉普拉斯等噪声分布均呈现出对称的统计特性, 难以描述非对称性、有偏的输出噪声, 使得在非对称偏斜噪声条件下算法的性能下降. 基于此, 研究一类广义双曲倾斜学生氏t (Generalized hyperbolic skew student＇s t, GHSkewt)分布, 并在非对称偏斜噪声条件下, 提出一种线性系统鲁棒辨识算法. 首先, 对GHSkewt分布的重尾特性和偏斜特性进行详细阐述, 数学上证明了标准学生氏t分布可看作是GHSkewt分布的一个特例; 其次, 引入隐含变量将GHSkewt分布进行数学分解, 以方便算法的推导和实现; 最后, 在期望最大化(Expectation-maximization, EM)算法下, 重构具有隐含变量系统的代价函数, 通过迭代优化的方式, 不断从被污染数据集中学习过程的动态特性和噪声分布, 实现噪声参数和模型参数的联合估计.
在现有的系统辨识算法中, 常用的高斯、学生氏t (Student＇s t, St)、拉普拉斯等噪声分布均呈现出对称的统计特性, 难以描述非对称性、有偏的输出噪声, 使得在非对称偏斜噪声条件下算法的性能下降. 基于此, 研究一类广义双曲倾斜学生氏t (Generalized hyperbolic skew student＇s t, GHSkewt)分布, 并在非对称偏斜噪声条件下, 提出一种线性系统鲁棒辨识算法. 首先, 对GHSkewt分布的重尾特性和偏斜特性进行详细阐述, 数学上证明了标准学生氏t分布可看作是GHSkewt分布的一个特例; 其次, 引入隐含变量将GHSkewt分布进行数学分解, 以方便算法的推导和实现; 最后, 在期望最大化(Expectation-maximization, EM)算法下, 重构具有隐含变量系统的代价函数, 通过迭代优化的方式, 不断从被污染数据集中学习过程的动态特性和噪声分布, 实现噪声参数和模型参数的联合估计.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211089
摘要:
目前, 基于深度学习的超分辨算法已经取得了很好性能, 但这些方法通常具有较大内存消耗和较高计算复杂度, 很难应用到低算力或便携式设备上. 为了解决这个问题, 设计一种轻量级的组−信息蒸馏残差网络(Group-information distillation residual network, G-IDRN)用于快速且精确的单图像超分辨率任务. 具体地, 提出一个更加有效的组−信息蒸馏模块(Group-information distillation block, G-IDB)作为网络特征提取基本块. 同时, 引入密集快捷连接, 对多个基本块进行组合, 构建组−信息蒸馏残差组(Group-information distillation residual group, G-IDRG), 捕获多层级信息和有效重利用特征. 另外, 还提出一个轻量的非对称残差Non-local模块, 对长距离依赖关系进行建模, 进一步提升超分性能. 最后, 设计一个高频损失函数, 去解决像素损失带来图像细节平滑的问题. 大量实验结果表明, 该算法相较于其他先进方法, 可以在图像超分辨率性能和模型复杂度之间取得更好平衡, 其在公开测试数据集B100上, 4倍超分速率达到56 FPS, 比残差注意力网络快15倍.
目前, 基于深度学习的超分辨算法已经取得了很好性能, 但这些方法通常具有较大内存消耗和较高计算复杂度, 很难应用到低算力或便携式设备上. 为了解决这个问题, 设计一种轻量级的组−信息蒸馏残差网络(Group-information distillation residual network, G-IDRN)用于快速且精确的单图像超分辨率任务. 具体地, 提出一个更加有效的组−信息蒸馏模块(Group-information distillation block, G-IDB)作为网络特征提取基本块. 同时, 引入密集快捷连接, 对多个基本块进行组合, 构建组−信息蒸馏残差组(Group-information distillation residual group, G-IDRG), 捕获多层级信息和有效重利用特征. 另外, 还提出一个轻量的非对称残差Non-local模块, 对长距离依赖关系进行建模, 进一步提升超分性能. 最后, 设计一个高频损失函数, 去解决像素损失带来图像细节平滑的问题. 大量实验结果表明, 该算法相较于其他先进方法, 可以在图像超分辨率性能和模型复杂度之间取得更好平衡, 其在公开测试数据集B100上, 4倍超分速率达到56 FPS, 比残差注意力网络快15倍.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240334
摘要:
随着无人系统技术的快速发展, 海上无人系统跨域集群凭借其诸多优点已成为当前无人系统领域研究热点. 具体来说, 海上无人系统跨域集群是指空中、水面、水下无人平台, 通过跨域任务规划与信息交互实现高效集群协作, 对提升海洋复杂环境下无人平台应对能力至关重要. 目前, 海上无人系统跨域集群理论体系还不完善, 相关研究正面临诸多亟待解决的难题. 为此, 本文首先梳理了跨域集群相关概念及其发展现状, 分析了其面临的挑战与关键问题; 进而, 从控制理论和通信技术相结合角度出发, 简述了跨域集群任务规划、组网传输、协同控制等关键技术的研究进展; 最后, 结合实际发展情况和未来发展趋势, 对海上无人系统跨域集群未来值得深入研究的研究方向进行了总结与展望.
随着无人系统技术的快速发展, 海上无人系统跨域集群凭借其诸多优点已成为当前无人系统领域研究热点. 具体来说, 海上无人系统跨域集群是指空中、水面、水下无人平台, 通过跨域任务规划与信息交互实现高效集群协作, 对提升海洋复杂环境下无人平台应对能力至关重要. 目前, 海上无人系统跨域集群理论体系还不完善, 相关研究正面临诸多亟待解决的难题. 为此, 本文首先梳理了跨域集群相关概念及其发展现状, 分析了其面临的挑战与关键问题; 进而, 从控制理论和通信技术相结合角度出发, 简述了跨域集群任务规划、组网传输、协同控制等关键技术的研究进展; 最后, 结合实际发展情况和未来发展趋势, 对海上无人系统跨域集群未来值得深入研究的研究方向进行了总结与展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240089
摘要:
多智能体网络(Multi-agent network, MAN)协同执行任务中需要个体之间频繁交换并共享信息, 这对网络安全带来了巨大风险. 考虑网络中节点状态隐私保护问题, 提出一种基于隐写术的分布式一致性控制策略. 首先, 建立网络窃听者攻击模型, 提出面向隐私保护的分布式平均一致性控制算法. 理论分析表明, 所提算法不仅有效保护节点初始状态的隐私, 而且可以通过隐写载体信息主动诱导窃听者推测得出错误结论. 其次, 通过引入概率指标, 提出一种用于量化MAN隐私泄露指标模型, 实现了对网络隐私泄露程度的准确描述. 并基于该模型, 从窃听者视角, 通过权衡对网络隐私泄露的影响与付出代价成本建立一个优化问题, 据此寻找最优效益攻击策略. 最后, 通过数值仿真分析, 对比现有算法验证了所提方法的有效性和优越性.
多智能体网络(Multi-agent network, MAN)协同执行任务中需要个体之间频繁交换并共享信息, 这对网络安全带来了巨大风险. 考虑网络中节点状态隐私保护问题, 提出一种基于隐写术的分布式一致性控制策略. 首先, 建立网络窃听者攻击模型, 提出面向隐私保护的分布式平均一致性控制算法. 理论分析表明, 所提算法不仅有效保护节点初始状态的隐私, 而且可以通过隐写载体信息主动诱导窃听者推测得出错误结论. 其次, 通过引入概率指标, 提出一种用于量化MAN隐私泄露指标模型, 实现了对网络隐私泄露程度的准确描述. 并基于该模型, 从窃听者视角, 通过权衡对网络隐私泄露的影响与付出代价成本建立一个优化问题, 据此寻找最优效益攻击策略. 最后, 通过数值仿真分析, 对比现有算法验证了所提方法的有效性和优越性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240151
摘要:
针对工业过程中故障发生源与故障信息在传播过程中的差异性问题, 提出了一种基于不同故障传播路径差异化的故障诊断方法. 该方法分别从故障源邻域信息关系和故障信息传播两个角度出发, 设计了基于k近邻筛选和基于剪枝的k跳可达路径选择的两种故障源图的构建方式, 构建“故障源图”. 从故障在变量间的差异化表现着手, 将基于特征的分类问题转换为基于结构关系的图匹配问题, 利用该结构化信息优化过程特征, 提升模型故障诊断性能. 最后, 通过田纳西-伊斯曼过程和某海底盾构掘进施工过程进行仿真验证, 实验结果证明了所提方法的有效性.
针对工业过程中故障发生源与故障信息在传播过程中的差异性问题, 提出了一种基于不同故障传播路径差异化的故障诊断方法. 该方法分别从故障源邻域信息关系和故障信息传播两个角度出发, 设计了基于k近邻筛选和基于剪枝的k跳可达路径选择的两种故障源图的构建方式, 构建“故障源图”. 从故障在变量间的差异化表现着手, 将基于特征的分类问题转换为基于结构关系的图匹配问题, 利用该结构化信息优化过程特征, 提升模型故障诊断性能. 最后, 通过田纳西-伊斯曼过程和某海底盾构掘进施工过程进行仿真验证, 实验结果证明了所提方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240223
摘要:
针对介电弹性体驱动器(Dielectric elastomer actuator, DEA)建模与控制的挑战性问题, 提出基于神经网络常微分方程(Ordinary differential equation, ODE)和非线性模型预测控制(Model predictive control, MPC)的DEA动力学建模与跟踪控制方法. 首先, 基于神经网络ODE建立DEA的动力学模型以描述其复杂的动态行为. 然后, 基于所建立的DEA动力学模型, 设计非线性模型预测控制器实现其跟踪控制目标. 最后, 在所搭建的实验平台上进行一系列跟踪控制实验. 在所有实验结果中, DEA的运动均能很好地跟踪目标轨迹, 且相对均方根误差均不超过3.30%, 说明了所提动力学建模与跟踪控制方法的有效性.
针对介电弹性体驱动器(Dielectric elastomer actuator, DEA)建模与控制的挑战性问题, 提出基于神经网络常微分方程(Ordinary differential equation, ODE)和非线性模型预测控制(Model predictive control, MPC)的DEA动力学建模与跟踪控制方法. 首先, 基于神经网络ODE建立DEA的动力学模型以描述其复杂的动态行为. 然后, 基于所建立的DEA动力学模型, 设计非线性模型预测控制器实现其跟踪控制目标. 最后, 在所搭建的实验平台上进行一系列跟踪控制实验. 在所有实验结果中, DEA的运动均能很好地跟踪目标轨迹, 且相对均方根误差均不超过3.30%, 说明了所提动力学建模与跟踪控制方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230545
摘要:
开放集文字识别 (Open-set text recognition, OSTR) 是一项新任务, 旨在解决开放环境下文字识别应用中的语言模型偏差及新字符识别与拒识问题. 最近的 OSTR 方法通过将上下文信息与视觉信息分离来解决语言模型偏差问题. 然而, 这些方法往往忽视了字符视觉细节的重要性. 考虑到上下文信息的偏差, 局部细节信息在区分视觉上接近的字符时变得更加重要. 本文提出一种基于自适应字符部件表示的开放集文字识别框架, 构建基于文字局部结构相似度量的开放集文字识别方法, 通过对不同字符部件进行显式建模来改进对局部细节特征的建模能力. 与基于字根 (Radical) 的方法不同, 所提出的框架采用数据驱动的部件设计, 具有语言无关的特性和跨语言泛化识别的能力. 此外, 还提出一种局部性约束正则项来使模型训练更加稳定. 大量的对比实验表明, 本文方法在开放集, 传统闭集文字识别任务上均具有良好的性能.
开放集文字识别 (Open-set text recognition, OSTR) 是一项新任务, 旨在解决开放环境下文字识别应用中的语言模型偏差及新字符识别与拒识问题. 最近的 OSTR 方法通过将上下文信息与视觉信息分离来解决语言模型偏差问题. 然而, 这些方法往往忽视了字符视觉细节的重要性. 考虑到上下文信息的偏差, 局部细节信息在区分视觉上接近的字符时变得更加重要. 本文提出一种基于自适应字符部件表示的开放集文字识别框架, 构建基于文字局部结构相似度量的开放集文字识别方法, 通过对不同字符部件进行显式建模来改进对局部细节特征的建模能力. 与基于字根 (Radical) 的方法不同, 所提出的框架采用数据驱动的部件设计, 具有语言无关的特性和跨语言泛化识别的能力. 此外, 还提出一种局部性约束正则项来使模型训练更加稳定. 大量的对比实验表明, 本文方法在开放集, 传统闭集文字识别任务上均具有良好的性能.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230762
摘要:
城市固废焚烧(Municipal solid waste incineration, MSWI) 过程因工业现场的安全要求和控制系统的封闭特性导致离线研究的各类智能算法难以在线验证. 此外, 已有的实验室仿真平台难以模拟领域专家基于多模态数据进行智能感知、认知、决策和控制的工业实际. 针对上述问题, 首先, 在综述现有面向工业过程的仿真平台研究现状和所面临挑战的基础上, 描述面向MSWI过程智能算法测试与验证平台的需求, 提出并构建了由多模态历史数据驱动系统、安全隔离与优化控制系统和多入多出回路控制系统组成的模块化半实物平台. 然后, 在实验室环境中完成平台硬件搭建、工业软件开发、仿真功能实现和典型场景验证, 并移植部分模块至现场进行应用. 最后, 总结与展望所构建模块化半实物平台的研究方向.
城市固废焚烧(Municipal solid waste incineration, MSWI) 过程因工业现场的安全要求和控制系统的封闭特性导致离线研究的各类智能算法难以在线验证. 此外, 已有的实验室仿真平台难以模拟领域专家基于多模态数据进行智能感知、认知、决策和控制的工业实际. 针对上述问题, 首先, 在综述现有面向工业过程的仿真平台研究现状和所面临挑战的基础上, 描述面向MSWI过程智能算法测试与验证平台的需求, 提出并构建了由多模态历史数据驱动系统、安全隔离与优化控制系统和多入多出回路控制系统组成的模块化半实物平台. 然后, 在实验室环境中完成平台硬件搭建、工业软件开发、仿真功能实现和典型场景验证, 并移植部分模块至现场进行应用. 最后, 总结与展望所构建模块化半实物平台的研究方向.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240096
摘要:
动态系统的实时安全性评估在防止潜在安全事故导致重大损失方面发挥着关键作用. 随着系统功能和复杂性的日益增加, 实时安全性评估技术面临着更大的挑战. 该文阐述了动态系统实时安全性评估的概念定义, 从环境的平稳性及评估模型的构建方式两个维度出发提出了一种分类框架, 给出了相应的问题描述, 较系统地回顾了动态系统实时安全性评估技术的现有进展, 讨论了针对不同实际系统的部署策略, 分析了现有技术的发展趋势, 探讨了实时安全性评估中亟待解决的问题与未来的发展方向.
动态系统的实时安全性评估在防止潜在安全事故导致重大损失方面发挥着关键作用. 随着系统功能和复杂性的日益增加, 实时安全性评估技术面临着更大的挑战. 该文阐述了动态系统实时安全性评估的概念定义, 从环境的平稳性及评估模型的构建方式两个维度出发提出了一种分类框架, 给出了相应的问题描述, 较系统地回顾了动态系统实时安全性评估技术的现有进展, 讨论了针对不同实际系统的部署策略, 分析了现有技术的发展趋势, 探讨了实时安全性评估中亟待解决的问题与未来的发展方向.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230691
摘要:
面向空间攻防等任务的航天器通常安装微波、激光等大功率对抗载荷, 未来航天器需要装备大型挠性太阳能帆板. 针对挠性航天器姿态机动过程中存在外部干扰、执行机构饱和及挠性附件振动且挠性模态不易直接测量等问题, 提出带挠性附件航天器的全驱姿态控制方法. 首先, 建立挠性航天器全驱姿态控制模型, 其次基于扩展非线性观测器与努斯鲍姆增益调节设计一种抗饱和的姿态控制鲁棒算法. 将外部扰动、挠性振动和输入饱和函数饱和估计误差作为复合干扰, 采用非线性干扰观测器对其进行有效补偿. 在直接参数设计线性控制参数基础上, 扩张非线性观测器负责对挠性航天器产生的挠性振动进行实时估计和补偿, 努斯鲍姆函数辅助控制器输出力矩避免饱和, 并利用李雅普诺夫方法严格证明闭环系统的稳定性. 最后通过数学仿真验证该方法不仅能够实现执行机构饱和约束条件下的姿态控制, 还能有效抑制挠性结构的振动, 为探索未来带有大型挠性附件航天器姿态控制新的方法提供参考.
面向空间攻防等任务的航天器通常安装微波、激光等大功率对抗载荷, 未来航天器需要装备大型挠性太阳能帆板. 针对挠性航天器姿态机动过程中存在外部干扰、执行机构饱和及挠性附件振动且挠性模态不易直接测量等问题, 提出带挠性附件航天器的全驱姿态控制方法. 首先, 建立挠性航天器全驱姿态控制模型, 其次基于扩展非线性观测器与努斯鲍姆增益调节设计一种抗饱和的姿态控制鲁棒算法. 将外部扰动、挠性振动和输入饱和函数饱和估计误差作为复合干扰, 采用非线性干扰观测器对其进行有效补偿. 在直接参数设计线性控制参数基础上, 扩张非线性观测器负责对挠性航天器产生的挠性振动进行实时估计和补偿, 努斯鲍姆函数辅助控制器输出力矩避免饱和, 并利用李雅普诺夫方法严格证明闭环系统的稳定性. 最后通过数学仿真验证该方法不仅能够实现执行机构饱和约束条件下的姿态控制, 还能有效抑制挠性结构的振动, 为探索未来带有大型挠性附件航天器姿态控制新的方法提供参考.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240295
摘要:
针对持续扰动下的分布式状态耦合非线性系统, 提出一种新的多耦合分布式经济模型预测控制 (Economic model predictive control, EMPC) 策略. 由于耦合非线性系统的经济性能函数的非凸性和非正定性, 首先引入关于经济最优平衡点的正定辅助函数和相应的辅助优化问题. 接着, 利用辅助函数的最优值函数构造原始分布式 EMPC 的一类隐式收缩约束. 然后建立状态耦合分布式 EMPC 的递推可行性和闭环系统关于最优经济平衡点的输入到状态稳定性结论. 最后, 以耦合的四个连续搅拌釜反应器为例, 验证本文所提策略的有效性.
针对持续扰动下的分布式状态耦合非线性系统, 提出一种新的多耦合分布式经济模型预测控制 (Economic model predictive control, EMPC) 策略. 由于耦合非线性系统的经济性能函数的非凸性和非正定性, 首先引入关于经济最优平衡点的正定辅助函数和相应的辅助优化问题. 接着, 利用辅助函数的最优值函数构造原始分布式 EMPC 的一类隐式收缩约束. 然后建立状态耦合分布式 EMPC 的递推可行性和闭环系统关于最优经济平衡点的输入到状态稳定性结论. 最后, 以耦合的四个连续搅拌釜反应器为例, 验证本文所提策略的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240044
摘要:
城市固废焚烧技术因兼具减量化、无害化、资源化等特点, 已成为治理固废污染的主要方式. 由于城市固废成分复杂, 含水率、热值动态波动, 固废燃烧、余热利用、烟气净化等环节耦合冲突, 实际工业过程难以高效运行. 为此, 文中提出了一种基于多目标粒子群算法的城市固废焚烧过程智能操作优化方法, 以期实现燃烧效率和烟气净化效率的协同优化. 首先, 设计自组织径向基函数神经网络建立运行指标模型, 实现城市固废焚烧过程运行性能的在线评价; 其次, 引入区域拥挤度指标提出了一种改进的多目标粒子群优化算法, 以获取操作变量的Pareto解集; 然后, 利用熵权法确定操作变量最佳设定值, 实现城市固废焚烧过程高效运行; 最后, 通过北京某城市固废焚烧厂的实际运行数据对所提方法进行验证, 实验结果表明基于多目标粒子群算法的智能操作优化方法可以实现燃烧效率与脱硝效率的协同提升.
城市固废焚烧技术因兼具减量化、无害化、资源化等特点, 已成为治理固废污染的主要方式. 由于城市固废成分复杂, 含水率、热值动态波动, 固废燃烧、余热利用、烟气净化等环节耦合冲突, 实际工业过程难以高效运行. 为此, 文中提出了一种基于多目标粒子群算法的城市固废焚烧过程智能操作优化方法, 以期实现燃烧效率和烟气净化效率的协同优化. 首先, 设计自组织径向基函数神经网络建立运行指标模型, 实现城市固废焚烧过程运行性能的在线评价; 其次, 引入区域拥挤度指标提出了一种改进的多目标粒子群优化算法, 以获取操作变量的Pareto解集; 然后, 利用熵权法确定操作变量最佳设定值, 实现城市固废焚烧过程高效运行; 最后, 通过北京某城市固废焚烧厂的实际运行数据对所提方法进行验证, 实验结果表明基于多目标粒子群算法的智能操作优化方法可以实现燃烧效率与脱硝效率的协同提升.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220705
摘要:
决策蕴涵分析是形式概念分析研究的重要方面, 基于形式背景获取决策蕴涵、概念规则等知识是数据分析、机器学习的重要研究内容之一. 首先, 利用属性逻辑语义对决策蕴涵的特性进行刻画. 其次, 在经典二值逻辑框架下分析决策蕴涵、概念规则的基于全蕴涵三I推理思想及分离规则(Modus ponens, MP)和逆分离规则(Modus tonens, MT)的近似推理模式的特征, 证明决策蕴涵的MP、MT近似推理结论是决策蕴涵, 概念规则的MP、MT近似推理结论是概念规则等结论. 引进属性逻辑公式的伪距离, 在属性逻辑伪距离空间中分析推理对象范围参数变化对决策蕴涵MP、MT近似推理结论的影响. 最后, 提出若干通过MP、MT近似推理生成决策蕴涵、概念规则及拟决策蕴涵的模式和方法, 数值实验验证了所提方法的有效性.
决策蕴涵分析是形式概念分析研究的重要方面, 基于形式背景获取决策蕴涵、概念规则等知识是数据分析、机器学习的重要研究内容之一. 首先, 利用属性逻辑语义对决策蕴涵的特性进行刻画. 其次, 在经典二值逻辑框架下分析决策蕴涵、概念规则的基于全蕴涵三I推理思想及分离规则(Modus ponens, MP)和逆分离规则(Modus tonens, MT)的近似推理模式的特征, 证明决策蕴涵的MP、MT近似推理结论是决策蕴涵, 概念规则的MP、MT近似推理结论是概念规则等结论. 引进属性逻辑公式的伪距离, 在属性逻辑伪距离空间中分析推理对象范围参数变化对决策蕴涵MP、MT近似推理结论的影响. 最后, 提出若干通过MP、MT近似推理生成决策蕴涵、概念规则及拟决策蕴涵的模式和方法, 数值实验验证了所提方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240259
摘要:
原油移动路径规划是原油调度中至关重要的子任务, 直接影响到生产过程中原油供给的稳定性和付油的高效性. 由于此任务需要考虑大规模罐区内复杂的设备条件, 并受到严格的工业生产约束, 同时需要兼顾途径阀门数量与泵机组运力, 导致目前依然倚重调度人员的人工经验来制定路径规划方案, 对传统算法和进化算法的应用提出了挑战. 据此, 本研究基于有向图结构对大规模原油罐区进行细致数学建模, 并提出了一种基于偏好的原油移动路径多目标优化算法, 突破了过去高度依赖人工方法的局限性, 为原油移动路径规划提供智能化解决方案, 实验证明该算法能够在满足实际约束的条件下, 找到复杂任务的高质量候选解, 验证了其在此领域的可行性和有效性.
原油移动路径规划是原油调度中至关重要的子任务, 直接影响到生产过程中原油供给的稳定性和付油的高效性. 由于此任务需要考虑大规模罐区内复杂的设备条件, 并受到严格的工业生产约束, 同时需要兼顾途径阀门数量与泵机组运力, 导致目前依然倚重调度人员的人工经验来制定路径规划方案, 对传统算法和进化算法的应用提出了挑战. 据此, 本研究基于有向图结构对大规模原油罐区进行细致数学建模, 并提出了一种基于偏好的原油移动路径多目标优化算法, 突破了过去高度依赖人工方法的局限性, 为原油移动路径规划提供智能化解决方案, 实验证明该算法能够在满足实际约束的条件下, 找到复杂任务的高质量候选解, 验证了其在此领域的可行性和有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230575
摘要:
随着感知技术的不断发展以及智能交通基础设施的完善, 智能网联汽车应用在自动驾驶领域的地位逐渐提升, 自动驾驶感知从单车智能向车路协同迈进, 近年来涌现了一批新的协同感知技术与方法. 本文旨在全面阐述面向智能网联汽车的车路协同感知技术, 并总结相关可利用数据及该方向发展趋势. 首先对智能网联汽车的协同感知策略进行划分, 并总结了不同感知策略具备的优势与不足；其次, 对智能网联汽车协同感知的关键技术进行阐述, 包括车路协同感知过程中的感知技术与通信技术；然后对车路协同感知方法进行归纳, 总结了近年来解决协同感知中感知融合、感知信息选择与压缩等问题相关研究；最后对车路协同感知的大规模数据集进行了整理, 并对智能网联汽车协同感知的发展趋势进行了分析.
随着感知技术的不断发展以及智能交通基础设施的完善, 智能网联汽车应用在自动驾驶领域的地位逐渐提升, 自动驾驶感知从单车智能向车路协同迈进, 近年来涌现了一批新的协同感知技术与方法. 本文旨在全面阐述面向智能网联汽车的车路协同感知技术, 并总结相关可利用数据及该方向发展趋势. 首先对智能网联汽车的协同感知策略进行划分, 并总结了不同感知策略具备的优势与不足；其次, 对智能网联汽车协同感知的关键技术进行阐述, 包括车路协同感知过程中的感知技术与通信技术；然后对车路协同感知方法进行归纳, 总结了近年来解决协同感知中感知融合、感知信息选择与压缩等问题相关研究；最后对车路协同感知的大规模数据集进行了整理, 并对智能网联汽车协同感知的发展趋势进行了分析.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240066
摘要:
本文研究了柔性关节机械臂信息物理融合系统在传感器测量和执行器输入受到网络攻击时的安全控制问题. 首先, 用T-S 模糊模型描述柔性关节机械臂系统, 描述后的模型可能存在不可测量或可测量但受传感器攻击影响的前件变量, 这些前件变量直接用于构建模糊控制器会影响控制器的控制效果. 因此, 提出一类模糊协同交互观测器来构造新的、可靠的、可利用的前件变量. 同时, 该观测器能够与包含攻击估计误差信息的辅助系统进行协同交互. 与已有结果相比, 所提出的观测器通过协同交互结构, 充分利用了攻击估计误差信息, 提高攻击信号的重构精度. 在此基础上, 提出了一种具有攻击补偿结构的安全控制方案, 从而消除了传感器和执行器攻击对柔性关节机械臂信息物理融合系统性能的影响. 仿真结果验证了所提出的安全控制方案的有效性.
本文研究了柔性关节机械臂信息物理融合系统在传感器测量和执行器输入受到网络攻击时的安全控制问题. 首先, 用T-S 模糊模型描述柔性关节机械臂系统, 描述后的模型可能存在不可测量或可测量但受传感器攻击影响的前件变量, 这些前件变量直接用于构建模糊控制器会影响控制器的控制效果. 因此, 提出一类模糊协同交互观测器来构造新的、可靠的、可利用的前件变量. 同时, 该观测器能够与包含攻击估计误差信息的辅助系统进行协同交互. 与已有结果相比, 所提出的观测器通过协同交互结构, 充分利用了攻击估计误差信息, 提高攻击信号的重构精度. 在此基础上, 提出了一种具有攻击补偿结构的安全控制方案, 从而消除了传感器和执行器攻击对柔性关节机械臂信息物理融合系统性能的影响. 仿真结果验证了所提出的安全控制方案的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240307
摘要:
现有视觉缺陷检测技术通常基于传统电荷耦合器件(Charge-coupled device, CCD)或互补金属氧化物半导体(Complementary metal-oxide-semiconductor, CMOS)相机进行缺陷成像和后端检测算法开发. 然而, 现有技术存在成像速度慢、动态范围小、背景干扰大等问题, 难以实现对高反光产品表面弱小瑕疵的快速检测. 针对上述挑战, 创新性地提出了一套基于动态视觉传感器(Dynamic vision sensor, DVS)的缺陷检测新模式, 以实现对具有高反光特性的铝基盘片表面缺陷的高效检测. DVS是一种新型的仿生视觉传感器, 具有成像速度快、动态范围大、运动目标捕捉能力强等优势. 首先开展了面向铝基盘片高反光表面弱小瑕疵的DVS成像实验, 并分析总结了DVS缺陷成像的特性与优势. 随后, 构建了第一个基于DVS的缺陷检测数据集(Event-based defect detection dataset, EDD-10k), 包含划痕、点痕、污渍三类常见缺陷类型. 最后, 针对缺陷形态多变、纹理稀疏、噪声干扰等问题, 提出了一个基于时序不规则特征聚合框架的DVS缺陷检测算法(Temporal irregular feature aggregation framework for event-based defect detection, TIFF-EDD), 实现对缺陷目标的有效检测.
现有视觉缺陷检测技术通常基于传统电荷耦合器件(Charge-coupled device, CCD)或互补金属氧化物半导体(Complementary metal-oxide-semiconductor, CMOS)相机进行缺陷成像和后端检测算法开发. 然而, 现有技术存在成像速度慢、动态范围小、背景干扰大等问题, 难以实现对高反光产品表面弱小瑕疵的快速检测. 针对上述挑战, 创新性地提出了一套基于动态视觉传感器(Dynamic vision sensor, DVS)的缺陷检测新模式, 以实现对具有高反光特性的铝基盘片表面缺陷的高效检测. DVS是一种新型的仿生视觉传感器, 具有成像速度快、动态范围大、运动目标捕捉能力强等优势. 首先开展了面向铝基盘片高反光表面弱小瑕疵的DVS成像实验, 并分析总结了DVS缺陷成像的特性与优势. 随后, 构建了第一个基于DVS的缺陷检测数据集(Event-based defect detection dataset, EDD-10k), 包含划痕、点痕、污渍三类常见缺陷类型. 最后, 针对缺陷形态多变、纹理稀疏、噪声干扰等问题, 提出了一个基于时序不规则特征聚合框架的DVS缺陷检测算法(Temporal irregular feature aggregation framework for event-based defect detection, TIFF-EDD), 实现对缺陷目标的有效检测.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230741
摘要:
动态多目标优化问题广泛存在于科学研究和工程实践中, 其主要考虑在动态环境下同时联合优化多个冲突目标. 现有方法往往关注于目标空间的时域特征, 忽视了对单个决策变量变化特性的探索与利用, 从而在处理更复杂的问题时不能有效引导种群收敛. 为此, 提出一种基于决策变量时域变化特征分类的动态多目标进化算法. 所提算法在环境动态变化时, 首先基于决策变量时域变化特征分类方法将当前时刻决策变量划分为线性变化和非线性变化两种类型; 然后分别采用拉格朗日外插法和傅里叶预测模型对线性和非线性变化决策变量进行下一时刻的初始化操作. 为了更有效地识别非线性决策变量变化模式, 傅里叶预测模型通过傅里叶变换将历史种群数据从时域转换到频域, 在分析周期性频率特征后, 使用自回归模型进行频谱估计后再反变换至时域. 我们在多个基准数据集上和当前算法进行了广泛的对比. 实验结果表明, 所提算法是有效的, 在大多数实验设置下优于其他对比方法.
动态多目标优化问题广泛存在于科学研究和工程实践中, 其主要考虑在动态环境下同时联合优化多个冲突目标. 现有方法往往关注于目标空间的时域特征, 忽视了对单个决策变量变化特性的探索与利用, 从而在处理更复杂的问题时不能有效引导种群收敛. 为此, 提出一种基于决策变量时域变化特征分类的动态多目标进化算法. 所提算法在环境动态变化时, 首先基于决策变量时域变化特征分类方法将当前时刻决策变量划分为线性变化和非线性变化两种类型; 然后分别采用拉格朗日外插法和傅里叶预测模型对线性和非线性变化决策变量进行下一时刻的初始化操作. 为了更有效地识别非线性决策变量变化模式, 傅里叶预测模型通过傅里叶变换将历史种群数据从时域转换到频域, 在分析周期性频率特征后, 使用自回归模型进行频谱估计后再反变换至时域. 我们在多个基准数据集上和当前算法进行了广泛的对比. 实验结果表明, 所提算法是有效的, 在大多数实验设置下优于其他对比方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230728
摘要:
针对虚拟管道下的无人机自主避障问题, 提出一种基于视觉传感器的自主学习架构. 通过引入新颖的奖励函数, 设计了一种端到端的深度强化学习控制策略. 融合卷积神经网络和循环神经网络的优点构建双网络, 降低了网络复杂度，对无人机深度图像进行有效处理. 进一步通过Airsim 模拟器搭建三维实验环境, 采用连续动作空间优化无人机飞行轨迹的平滑性. 仿真结果表明, 与现有的方法对比, 该模型在面对静态和动态障碍时, 训练收敛速度快, 平均奖励高, 任务完成率分别增加9.4%和19.98%, 有效实现无人机的精细化避障和自主安全导航.
针对虚拟管道下的无人机自主避障问题, 提出一种基于视觉传感器的自主学习架构. 通过引入新颖的奖励函数, 设计了一种端到端的深度强化学习控制策略. 融合卷积神经网络和循环神经网络的优点构建双网络, 降低了网络复杂度，对无人机深度图像进行有效处理. 进一步通过Airsim 模拟器搭建三维实验环境, 采用连续动作空间优化无人机飞行轨迹的平滑性. 仿真结果表明, 与现有的方法对比, 该模型在面对静态和动态障碍时, 训练收敛速度快, 平均奖励高, 任务完成率分别增加9.4%和19.98%, 有效实现无人机的精细化避障和自主安全导航.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c240203
摘要:
提出并解决一种饱和脉冲多智能体系统在拒绝服务(Denial of service, DOS)攻击环境中的安全定制化一致性控制问题. 首先引入微分机制和加权策略, 构建一种带可调参数一致性模式项的系统模型, 以满足复杂场景对一致性的定制化需求. 其次结合饱和效应和脉冲机制, 为系统设计了一种满足执行器功率受限约束的饱和脉冲控制协议. 再次采用切换拓扑分析DOS攻击下系统的网络拓扑结构, 并采用李雅普洛夫稳定性和矩阵测度理论分析方法, 得到了系统实现安全定制化一致性的充分条件. 最后通过仿真实验和对比分析, 验证了所提理论的有效性和优越性.
提出并解决一种饱和脉冲多智能体系统在拒绝服务(Denial of service, DOS)攻击环境中的安全定制化一致性控制问题. 首先引入微分机制和加权策略, 构建一种带可调参数一致性模式项的系统模型, 以满足复杂场景对一致性的定制化需求. 其次结合饱和效应和脉冲机制, 为系统设计了一种满足执行器功率受限约束的饱和脉冲控制协议. 再次采用切换拓扑分析DOS攻击下系统的网络拓扑结构, 并采用李雅普洛夫稳定性和矩阵测度理论分析方法, 得到了系统实现安全定制化一致性的充分条件. 最后通过仿真实验和对比分析, 验证了所提理论的有效性和优越性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230507
摘要:
由于细粒度图像之间存在小的类间方差和大的类内差异, 现有分类算法仅仅聚焦于单张图像的显著局部特征的提取与表示学习, 忽视了多张图像之间局部的异构语义判别信息, 较难关注到区分不同类别的微小细节, 导致学习到的特征缺乏足够区分度. 本文提出了一种渐进式网络以弱监督的方式学习图像不同粒度层级的信息, 首先构建一个注意力累计目标定位模块(Attention accumulation object localization module, AAOLM), 在单张图像上从不同的训练轮次和特征提取阶段对注意力信息进行语义目标集成定位. 其次, 设计一个多张图像异构局部交互图模块(Heterogeneous local interactive graph module, HLIGM), 提取每张图像的显著性局部区域特征, 在类别标签引导下构建多张图像的局部区域特征之间的图网络, 聚合局部特征增强表示的判别力. 最后, 利用知识蒸馏将异构局部交互图模块产生的优化信息反馈给主干网络, 从而能够直接提取具有较强区分度的特征, 避免了在测试阶段建图的计算开销. 通过在多个数据集上进行的实验, 证明了提出方法的有效性, 能够提高细粒度分类的精度.
由于细粒度图像之间存在小的类间方差和大的类内差异, 现有分类算法仅仅聚焦于单张图像的显著局部特征的提取与表示学习, 忽视了多张图像之间局部的异构语义判别信息, 较难关注到区分不同类别的微小细节, 导致学习到的特征缺乏足够区分度. 本文提出了一种渐进式网络以弱监督的方式学习图像不同粒度层级的信息, 首先构建一个注意力累计目标定位模块(Attention accumulation object localization module, AAOLM), 在单张图像上从不同的训练轮次和特征提取阶段对注意力信息进行语义目标集成定位. 其次, 设计一个多张图像异构局部交互图模块(Heterogeneous local interactive graph module, HLIGM), 提取每张图像的显著性局部区域特征, 在类别标签引导下构建多张图像的局部区域特征之间的图网络, 聚合局部特征增强表示的判别力. 最后, 利用知识蒸馏将异构局部交互图模块产生的优化信息反馈给主干网络, 从而能够直接提取具有较强区分度的特征, 避免了在测试阶段建图的计算开销. 通过在多个数据集上进行的实验, 证明了提出方法的有效性, 能够提高细粒度分类的精度.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230789
摘要:
自1982年著名的Hopfield神经网络问世以来, 神经网络的分岔动力学受到了学术界的广泛关注. 本文回顾了四类经典神经网络的数学模型和它们在各个领域的应用. 接着, 综述了近三十年来关于整数阶神经网络、分数阶神经网络、超数域神经网络以及反应扩散神经网络分岔动力学的相关研究成果. 分析了诸多组合因素, 包括节点规模、耦合情形、拓扑结构、系统阶次、复值、四元数、八元数、扩散、时滞、随机性、脉冲、忆阻、激活函数等对神经网络分岔动力学的影响, 并展示了神经网络在多个领域的广泛应用. 最后, 在人工智能、大数据、深度学习等新技术的冲击下, 对神经网络分岔动力学所面临的挑战以及未来的研究方向进行了总结和展望.
自1982年著名的Hopfield神经网络问世以来, 神经网络的分岔动力学受到了学术界的广泛关注. 本文回顾了四类经典神经网络的数学模型和它们在各个领域的应用. 接着, 综述了近三十年来关于整数阶神经网络、分数阶神经网络、超数域神经网络以及反应扩散神经网络分岔动力学的相关研究成果. 分析了诸多组合因素, 包括节点规模、耦合情形、拓扑结构、系统阶次、复值、四元数、八元数、扩散、时滞、随机性、脉冲、忆阻、激活函数等对神经网络分岔动力学的影响, 并展示了神经网络在多个领域的广泛应用. 最后, 在人工智能、大数据、深度学习等新技术的冲击下, 对神经网络分岔动力学所面临的挑战以及未来的研究方向进行了总结和展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230359
摘要:
在统计流形空间中, 从信息几何角度考虑非线性状态后验分布近似的实质是后验分布与相应参数化变分分布之间的Kullback-Leibler散度最小化问题, 同时也可以转化为变分置信下界的最大化问题. 为了提升非线性系统状态估计的精度, 在高斯系统假设条件下结合变分贝叶斯推断和Fisher信息矩阵推导出置信下界的自然梯度, 并通过分析其信息几何意义, 阐述在统计流形空间中置信下界沿其方向不断迭代增大, 实现变分分布与后验分布的 “紧密” 近似; 在此基础上, 以状态估计及其误差协方差作为变分超参数, 结合最优估计理论给出一种基于自然梯度的非线性变分贝叶斯滤波算法; 最后, 通过天基光学传感器量测条件下近地轨道卫星跟踪定轨仿真实验验证: 与对比算法相比, 所提算法具有更高的精度.
在统计流形空间中, 从信息几何角度考虑非线性状态后验分布近似的实质是后验分布与相应参数化变分分布之间的Kullback-Leibler散度最小化问题, 同时也可以转化为变分置信下界的最大化问题. 为了提升非线性系统状态估计的精度, 在高斯系统假设条件下结合变分贝叶斯推断和Fisher信息矩阵推导出置信下界的自然梯度, 并通过分析其信息几何意义, 阐述在统计流形空间中置信下界沿其方向不断迭代增大, 实现变分分布与后验分布的 “紧密” 近似; 在此基础上, 以状态估计及其误差协方差作为变分超参数, 结合最优估计理论给出一种基于自然梯度的非线性变分贝叶斯滤波算法; 最后, 通过天基光学传感器量测条件下近地轨道卫星跟踪定轨仿真实验验证: 与对比算法相比, 所提算法具有更高的精度.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230210
摘要:
增加可再生能源在电网中的占比, 使能源结构更合理, 是加快能源转型实现低碳可持续发展的有效途径. 电网中占主导地位的火电, 辅助消纳可再生能源的能力, 对提高可再生能源在电网中的占比起到重要作用. 为了提高火电机组辅助可再生能源的消纳能力, 本文根据当前系统控制方案, 分析了影响机组灵活性与调峰深度的因素, 包括机炉协调、局部反馈策略下的锅炉控制、系统稳态工作点的规划等. 基于补偿方案的协调策略限制了机组对具有随机性和间歇性的可再生能源的补偿能力; 局部反馈策略下的锅炉控制只是实现了等效热效应的反馈; 非额定工况下的稳态工作点关系到辅助可再生能源消纳的能耗和排放指标. 根据以上分析分别给出了进一步的研究内容.
增加可再生能源在电网中的占比, 使能源结构更合理, 是加快能源转型实现低碳可持续发展的有效途径. 电网中占主导地位的火电, 辅助消纳可再生能源的能力, 对提高可再生能源在电网中的占比起到重要作用. 为了提高火电机组辅助可再生能源的消纳能力, 本文根据当前系统控制方案, 分析了影响机组灵活性与调峰深度的因素, 包括机炉协调、局部反馈策略下的锅炉控制、系统稳态工作点的规划等. 基于补偿方案的协调策略限制了机组对具有随机性和间歇性的可再生能源的补偿能力; 局部反馈策略下的锅炉控制只是实现了等效热效应的反馈; 非额定工况下的稳态工作点关系到辅助可再生能源消纳的能耗和排放指标. 根据以上分析分别给出了进一步的研究内容.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210979
摘要:
长距离带式输送机是矿山、港口等领域运输散装物料的主要工具. 针对长距离带式输送机的安全节能运行问题, 研究数字孪生驱动的运行优化方法. 首先, 构建由数字孪生模型、模型同步算法、控制策略和现实带式输送机组成的数字孪生驱动运行优化框架; 然后, 建立数字孪生模型, 包括基于变质量牛顿第二定律和有限元分析法的输送带动力学模型、物料流动态模型和动态能耗模型; 最后, 提出数字孪生驱动的计算决策−仿真评估−优化校正(Decision-simulation-correction, DSC)优化决策方法, 优化带式输送机的稳态和暂态运行带速, 形成可行带速设定曲线. 实验结果表明, 数字孪生驱动的带式输送机运行优化方法可以实现带式输送机安全节能运行. 与传统控制方法相比, 能够根据运行工况实时调速, 提高输送带填充率, 节能13.87%.
长距离带式输送机是矿山、港口等领域运输散装物料的主要工具. 针对长距离带式输送机的安全节能运行问题, 研究数字孪生驱动的运行优化方法. 首先, 构建由数字孪生模型、模型同步算法、控制策略和现实带式输送机组成的数字孪生驱动运行优化框架; 然后, 建立数字孪生模型, 包括基于变质量牛顿第二定律和有限元分析法的输送带动力学模型、物料流动态模型和动态能耗模型; 最后, 提出数字孪生驱动的计算决策−仿真评估−优化校正(Decision-simulation-correction, DSC)优化决策方法, 优化带式输送机的稳态和暂态运行带速, 形成可行带速设定曲线. 实验结果表明, 数字孪生驱动的带式输送机运行优化方法可以实现带式输送机安全节能运行. 与传统控制方法相比, 能够根据运行工况实时调速, 提高输送带填充率, 节能13.87%.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210598
摘要:
前沿的自然场景文本检测方法大多基于全卷积语义分割网络, 利用像素级分类结果有效检测任意形状的文本, 其缺点是模型大、推理时间长、内存占用高, 这在实际应用中限制了其部署. 提出一种基于信息熵迁移的自蒸馏训练方法(Self-distillation via entropy transfer, SDET), 利用文本检测网络深层网络输出的分割图(Segmentation map, SM)信息熵作为待迁移知识, 通过辅助网络将信息熵反馈给浅层网络. 与依赖教师网络的知识蒸馏 (Knowledge distillation, KD)不同, 自蒸馏训练方法仅在训练阶段增加一个辅助网络, 以微小的额外训练代价实现无需教师网络的自蒸馏(Self-distillation, SD). 在多个自然场景文本检测的标准数据集上的实验结果表明, SDET在基线文本检测网络的召回率和F1得分上, 能显著优于其他蒸馏方法.
前沿的自然场景文本检测方法大多基于全卷积语义分割网络, 利用像素级分类结果有效检测任意形状的文本, 其缺点是模型大、推理时间长、内存占用高, 这在实际应用中限制了其部署. 提出一种基于信息熵迁移的自蒸馏训练方法(Self-distillation via entropy transfer, SDET), 利用文本检测网络深层网络输出的分割图(Segmentation map, SM)信息熵作为待迁移知识, 通过辅助网络将信息熵反馈给浅层网络. 与依赖教师网络的知识蒸馏 (Knowledge distillation, KD)不同, 自蒸馏训练方法仅在训练阶段增加一个辅助网络, 以微小的额外训练代价实现无需教师网络的自蒸馏(Self-distillation, SD). 在多个自然场景文本检测的标准数据集上的实验结果表明, SDET在基线文本检测网络的召回率和F1得分上, 能显著优于其他蒸馏方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230184
摘要:
事件抽取是一个历史悠久且极具挑战的研究任务, 取得了大量优异的成果. 由于事件抽取涉及的研究内容较多, 它们的目标和重心各不相同, 使得读者难以全面地了解事件抽取包含的研究任务、研究问题以及未来的热点趋势. 尽管现有的少量事件抽取综述梳理了相关成果, 但存在以下局限: 1)研究任务及其研究进展的梳理不清晰; 2)仅从技术路线的角度进行梳理. 由于不同研究任务下的不同研究问题的解决技术不宜一起对比, 因此这样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进展情况. 为此, 面向研究问题对基于深度学习的事件抽取研究成果重新回顾整理. 首先, 界定事件的相关概念, 论述事件抽取的研究任务, 明确各研究任务的目标, 再梳理各任务上的代表性研究成果; 然后, 总结现有事件抽取成果主要致力于解决哪些方面的研究问题, 分析为什么会存在这些问题、为什么需要解决这些问题的原因; 紧接着对每个方面的研究问题进行技术路线梳理, 分析各自的大体研究方案以及研究推进的过程. 最后, 讨论事件抽取可能的发展趋势.
事件抽取是一个历史悠久且极具挑战的研究任务, 取得了大量优异的成果. 由于事件抽取涉及的研究内容较多, 它们的目标和重心各不相同, 使得读者难以全面地了解事件抽取包含的研究任务、研究问题以及未来的热点趋势. 尽管现有的少量事件抽取综述梳理了相关成果, 但存在以下局限: 1)研究任务及其研究进展的梳理不清晰; 2)仅从技术路线的角度进行梳理. 由于不同研究任务下的不同研究问题的解决技术不宜一起对比, 因此这样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进展情况. 为此, 面向研究问题对基于深度学习的事件抽取研究成果重新回顾整理. 首先, 界定事件的相关概念, 论述事件抽取的研究任务, 明确各研究任务的目标, 再梳理各任务上的代表性研究成果; 然后, 总结现有事件抽取成果主要致力于解决哪些方面的研究问题, 分析为什么会存在这些问题、为什么需要解决这些问题的原因; 紧接着对每个方面的研究问题进行技术路线梳理, 分析各自的大体研究方案以及研究推进的过程. 最后, 讨论事件抽取可能的发展趋势.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220966
摘要:
篇章关系抽取是识别篇章中实体对之间的关系. 相较于传统的句子级别关系抽取, 篇章级别关系抽取任务更加贴近实际应用, 但是它对实体对的跨句子推理和上下文信息感知等问题提出了新的挑战. 本文提出融合实体和上下文信息(Fuse entity and context information, FECI)的篇章关系抽取方法, 它包含两个模块, 分别是实体信息抽取模块和上下文信息抽取模块. 实体信息抽取模块从两个实体中自动地抽取出能够表示实体对关系的特征. 上下文信息抽取模块根据实体对的提及位置信息, 从篇章中抽取不同的上下文关系特征. 本文在三个篇章级别的关系抽取数据集上进行实验, 效果得到显著地提升.
篇章关系抽取是识别篇章中实体对之间的关系. 相较于传统的句子级别关系抽取, 篇章级别关系抽取任务更加贴近实际应用, 但是它对实体对的跨句子推理和上下文信息感知等问题提出了新的挑战. 本文提出融合实体和上下文信息(Fuse entity and context information, FECI)的篇章关系抽取方法, 它包含两个模块, 分别是实体信息抽取模块和上下文信息抽取模块. 实体信息抽取模块从两个实体中自动地抽取出能够表示实体对关系的特征. 上下文信息抽取模块根据实体对的提及位置信息, 从篇章中抽取不同的上下文关系特征. 本文在三个篇章级别的关系抽取数据集上进行实验, 效果得到显著地提升.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220938
摘要:
目前大多数深度学习算法都依赖于大量的标注数据并欠缺一定的泛化能力. 无监督域适应算法能提取到已标注数据和未标注数据间隐式共同特征, 从而提高算法在未标注数据上的性能. 目前域适应目标检测算法主要为两阶段目标检测器设计. 针对单阶段检测器中无法直接进行实例级特征对齐导致一定数量域不变特征的缺失, 提出结合通道注意力机制的图像级域分类器加强域不变特征提取. 此外对于域适应目标检测中存在类别特征的错误对齐引起的精度下降问题, 通过原型学习构建类别中心, 设计了一种基于原型的循环域三元损失函数, 从而实现原型引导的精细类别特征对齐. 以单阶段目标检测算法作为检测器, 在多种域适应目标检测公共数据集上进行实验. 实验结果证明该方法能有效提升原检测器在目标域的泛化能力达到更高的检测精度, 并且对于单阶段目标检测网络具有一定的通用性.
目前大多数深度学习算法都依赖于大量的标注数据并欠缺一定的泛化能力. 无监督域适应算法能提取到已标注数据和未标注数据间隐式共同特征, 从而提高算法在未标注数据上的性能. 目前域适应目标检测算法主要为两阶段目标检测器设计. 针对单阶段检测器中无法直接进行实例级特征对齐导致一定数量域不变特征的缺失, 提出结合通道注意力机制的图像级域分类器加强域不变特征提取. 此外对于域适应目标检测中存在类别特征的错误对齐引起的精度下降问题, 通过原型学习构建类别中心, 设计了一种基于原型的循环域三元损失函数, 从而实现原型引导的精细类别特征对齐. 以单阶段目标检测算法作为检测器, 在多种域适应目标检测公共数据集上进行实验. 实验结果证明该方法能有效提升原检测器在目标域的泛化能力达到更高的检测精度, 并且对于单阶段目标检测网络具有一定的通用性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220939
摘要:
无线网络是工业物联网中的一种具有良好前景的网络互联技术. 它的应用为工业现场设备的部署提供了极大的便利, 使设备摆脱了线缆的束缚从而在空间上的选点更为灵活, 同时能够节省线材和人力等方面的成本. 然而, 无线通信易受环境噪声的影响, 尤其是在复杂电磁干扰的工业环境中, 易导致无线传输的时延增大和数据丢失. 这些问题对于传输实时性要求较高的工业控制系统而言是非常不利的因素. 为了提高无线网络在工业环境中数据传输的实时性, 业界设计了多种传输调度算法以提高无线通信的实时性和可靠性从而满足工业应用的需求. 综述了工业无线网络传输调度算法的研究现状, 对其发展历程、问题定义、评价指标、分类方法和现有标准等方面进行了全面的总结, 详细阐述了具有代表性的调度算法的工作原理, 并指出了未来的研究方向.
无线网络是工业物联网中的一种具有良好前景的网络互联技术. 它的应用为工业现场设备的部署提供了极大的便利, 使设备摆脱了线缆的束缚从而在空间上的选点更为灵活, 同时能够节省线材和人力等方面的成本. 然而, 无线通信易受环境噪声的影响, 尤其是在复杂电磁干扰的工业环境中, 易导致无线传输的时延增大和数据丢失. 这些问题对于传输实时性要求较高的工业控制系统而言是非常不利的因素. 为了提高无线网络在工业环境中数据传输的实时性, 业界设计了多种传输调度算法以提高无线通信的实时性和可靠性从而满足工业应用的需求. 综述了工业无线网络传输调度算法的研究现状, 对其发展历程、问题定义、评价指标、分类方法和现有标准等方面进行了全面的总结, 详细阐述了具有代表性的调度算法的工作原理, 并指出了未来的研究方向.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220914
摘要:
为降低无人机(Unmanned aerial vehicle, UAV)使能的无线传感网的能量消耗, 延长网络生命周期, 该文提出一种在地面节点能量预算下系统总能耗优化方法. 首先, 提出地面节点聚类方法, 利用目标函数确定最优簇数, 改进模糊C均值算法构建能量均衡的集群, 采用退避定时器机制根据隶属度和能量值选择各集群的最优簇头, 减少地面节点的能耗. 其次, 根据已选簇头位置, 利用遗传算法规划UAV的飞行轨迹, 减小UAV能耗. 最后, 通过单纯形搜索算法和连续凸逼近算法联合优化簇头发射功率和UAV悬停位置, 减小数据采集时系统的总能耗. 仿真结果表明, 所提方法优于所比较的方案.
为降低无人机(Unmanned aerial vehicle, UAV)使能的无线传感网的能量消耗, 延长网络生命周期, 该文提出一种在地面节点能量预算下系统总能耗优化方法. 首先, 提出地面节点聚类方法, 利用目标函数确定最优簇数, 改进模糊C均值算法构建能量均衡的集群, 采用退避定时器机制根据隶属度和能量值选择各集群的最优簇头, 减少地面节点的能耗. 其次, 根据已选簇头位置, 利用遗传算法规划UAV的飞行轨迹, 减小UAV能耗. 最后, 通过单纯形搜索算法和连续凸逼近算法联合优化簇头发射功率和UAV悬停位置, 减小数据采集时系统的总能耗. 仿真结果表明, 所提方法优于所比较的方案.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210303
摘要:
染色体的分类识别是核型分析的重要任务之一. 因其柔软易弯曲, 且类间差异小、类内差异大等特点, 其精准分类已成为挑战性难题. 本文提出基于网格重构学习(GRid reConstruction learning, GRiCoL)的染色体分类模型. 该模型首先将染色体图像网格化, 提取局部分类特征; 再通过重构网络对全局特征进行二次提取, 最后完成分类. 相比于现有几种方法, GRiCoL同时兼顾局部和全局特征提取更有效的分类特征, 有效改善染色体弯曲导致的分类性能下降, 参数规模合理. 通过基于G带、荧光原位杂交、Q带染色体公开数据集的实验表明: GRiCoL能够更好地弱化染色体弯曲带来的影响, 在不同数据集上的分类准确度均优于现有分类方法.
染色体的分类识别是核型分析的重要任务之一. 因其柔软易弯曲, 且类间差异小、类内差异大等特点, 其精准分类已成为挑战性难题. 本文提出基于网格重构学习(GRid reConstruction learning, GRiCoL)的染色体分类模型. 该模型首先将染色体图像网格化, 提取局部分类特征; 再通过重构网络对全局特征进行二次提取, 最后完成分类. 相比于现有几种方法, GRiCoL同时兼顾局部和全局特征提取更有效的分类特征, 有效改善染色体弯曲导致的分类性能下降, 参数规模合理. 通过基于G带、荧光原位杂交、Q带染色体公开数据集的实验表明: GRiCoL能够更好地弱化染色体弯曲带来的影响, 在不同数据集上的分类准确度均优于现有分类方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210654
摘要:
本文研究了节点状态为高维的多层复杂网络系统的能控性问题. 讨论了节点的异质性、层间耦合、层内耦合对网络能控性的影响. 发现当节点状态由同质变为异质, 内耦合矩阵由相同变为不同, 对网络能控性均有影响(网络既可由能控变为不能控, 又可由不能控变为能控); 对层间耦合模式为驱动响应模式和相互依赖模式, 分别给出了网络系统能控的充分条件或必要条件. 相比于直接应用经典的能控性判据, 这些条件更易于验证, 且驱动响应模式比相互依赖模式实现系统完全能控所需的条件更弱.
本文研究了节点状态为高维的多层复杂网络系统的能控性问题. 讨论了节点的异质性、层间耦合、层内耦合对网络能控性的影响. 发现当节点状态由同质变为异质, 内耦合矩阵由相同变为不同, 对网络能控性均有影响(网络既可由能控变为不能控, 又可由不能控变为能控); 对层间耦合模式为驱动响应模式和相互依赖模式, 分别给出了网络系统能控的充分条件或必要条件. 相比于直接应用经典的能控性判据, 这些条件更易于验证, 且驱动响应模式比相互依赖模式实现系统完全能控所需的条件更弱.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210457
摘要:
已有推荐系统主要基于用户-项目交互矩阵来学习用户和项目的向量表示, 而当交互矩阵稀疏时, 推荐系统的精度较低, 推荐的结果缺乏可解释性. 本文考虑了用户-项目交互行为中的评分标签信息, 提出了一种融合属性偏好和多阶交互信息的可解释评分预测方法, 并根据属性偏好对推荐结果进行了解释. 首先, 基于注意力机制分析了用户和项目属性信息与评分标签的关系, 建模了节点的属性偏好特征表示; 然后, 聚合了用户-项目交互矩阵中节点自身、交互邻居和评分标签信息, 通过图神经网络学习了节点的多阶交互行为特征表示; 最后, 融合了节点的属性偏好特征和交互行为特征, 在异质类型信息空间下学习了用户和项目的语义特征表示, 利用多层感知机实现了评分预测, 并在MovieLens和Douban数据集上验证了方法的有效性. 实验结果表明, 本文方法在MAE和RMSE指标上有效提高了推荐系统的精度, 缓解了数据稀疏场景下推荐模型性能较低的问题, 提升了推荐结果的可解释性.
已有推荐系统主要基于用户-项目交互矩阵来学习用户和项目的向量表示, 而当交互矩阵稀疏时, 推荐系统的精度较低, 推荐的结果缺乏可解释性. 本文考虑了用户-项目交互行为中的评分标签信息, 提出了一种融合属性偏好和多阶交互信息的可解释评分预测方法, 并根据属性偏好对推荐结果进行了解释. 首先, 基于注意力机制分析了用户和项目属性信息与评分标签的关系, 建模了节点的属性偏好特征表示; 然后, 聚合了用户-项目交互矩阵中节点自身、交互邻居和评分标签信息, 通过图神经网络学习了节点的多阶交互行为特征表示; 最后, 融合了节点的属性偏好特征和交互行为特征, 在异质类型信息空间下学习了用户和项目的语义特征表示, 利用多层感知机实现了评分预测, 并在MovieLens和Douban数据集上验证了方法的有效性. 实验结果表明, 本文方法在MAE和RMSE指标上有效提高了推荐系统的精度, 缓解了数据稀疏场景下推荐模型性能较低的问题, 提升了推荐结果的可解释性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c190277
摘要:
首先, 通过分析黑体温度控制系统的物理模型, 推演出黑体传递函数的表达式.推演过程中得知黑体易受环境温度和空气散热的影响, 所以黑体温度控制系统是个非线性时变系统.结合实验黑体的阶跃响应数据, 采用阶跃响应法对传递函数进行近似计算, 得出黑体温控系统的传递函数是极点在左半轴的二阶系统, 该系统等效于二阶低通滤波器.经过低通滤波器的信号, 会滤除高频部分, 当用继电器法进行参数自整定时, 仅需计算能量较大的基波信号.通过对基波信号进行比较, 得出继电器法的整定公式, 并参照Ziegler-Nichols整定法则计算出PID参数.同时, 本文针对黑体加热器具有双路输出的特点, 提出了一种双路动态输出法, 通过理论分析了该方法可以消除环境对黑体温度的影响.对于环境温度变化较大的, 采用继电器法PID参数自整定的方式来消除; 对于黑体运行过程中环境温度变化较小的, 采用双路动态输出法来减少影响.最后, 结合实验数据, 引入性能指标, 验证了本文所述方法对黑体的温度控制性能有一定的提升.
首先, 通过分析黑体温度控制系统的物理模型, 推演出黑体传递函数的表达式.推演过程中得知黑体易受环境温度和空气散热的影响, 所以黑体温度控制系统是个非线性时变系统.结合实验黑体的阶跃响应数据, 采用阶跃响应法对传递函数进行近似计算, 得出黑体温控系统的传递函数是极点在左半轴的二阶系统, 该系统等效于二阶低通滤波器.经过低通滤波器的信号, 会滤除高频部分, 当用继电器法进行参数自整定时, 仅需计算能量较大的基波信号.通过对基波信号进行比较, 得出继电器法的整定公式, 并参照Ziegler-Nichols整定法则计算出PID参数.同时, 本文针对黑体加热器具有双路输出的特点, 提出了一种双路动态输出法, 通过理论分析了该方法可以消除环境对黑体温度的影响.对于环境温度变化较大的, 采用继电器法PID参数自整定的方式来消除; 对于黑体运行过程中环境温度变化较小的, 采用双路动态输出法来减少影响.最后, 结合实验数据, 引入性能指标, 验证了本文所述方法对黑体的温度控制性能有一定的提升.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c200007
摘要:
仿人智能控制是现代智能控制理论之一, 利用分层递阶的控制结构与多控制模态为强非线性、大迟滞、难建模问题提供了切实可行的解决方案, 近些年来发展迅速并且得到学术界的持续关注, 但缺乏对该理论研究进展系统性的总结. 本文通过系统的梳理仿人智能控制的理论基础和发展脉络, 将其划分为三代控制模型, 分别从每一代控制模型的算法描述、研究进展与应用进展三个角度进行综述, 同时, 结合当前的研究进展讨论仿人智能控制在控制模型、结构功能、参数校正方面进一步研究的方向.
仿人智能控制是现代智能控制理论之一, 利用分层递阶的控制结构与多控制模态为强非线性、大迟滞、难建模问题提供了切实可行的解决方案, 近些年来发展迅速并且得到学术界的持续关注, 但缺乏对该理论研究进展系统性的总结. 本文通过系统的梳理仿人智能控制的理论基础和发展脉络, 将其划分为三代控制模型, 分别从每一代控制模型的算法描述、研究进展与应用进展三个角度进行综述, 同时, 结合当前的研究进展讨论仿人智能控制在控制模型、结构功能、参数校正方面进一步研究的方向.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.2020.c200033
摘要:
深度神经网络在解决复杂问题方面取得了惊人的成功, 广泛应用于生活中各个领域, 但是最近的研究表明, 深度神经网络容易受到精心设计的对抗样本的攻击, 导致网络模型输出错误的预测结果, 这对于深度学习网络的安全性是一种极大的挑战. 对抗攻击是深度神经网络发展过程中必须克服的一大障碍, 设计一种高效且能够防御多种对抗攻击算法, 且具有强鲁棒性的防御模型是有效推动对抗攻击防御的方向之一, 探究能否利用对抗性攻击来训练网络分类器从而提高其鲁棒性具有重要意义. 本文将生成对抗网络(Generative adversarial networks, GAN)和现有的攻击算法结合, 提出一种基于生成对抗网络的对抗攻击防御模型(AC-DefGAN), 利用对抗攻击算法生成攻击样本作为GAN的训练样本, 同时在网络中加入条件约束来稳定模型的训练过程, 利用分类器对生成器所生成样本的分类来指导GAN的训练过程, 通过自定义分类器需要防御的攻击算法来生成对抗样本以完成判别器的训练, 从而得到能够防御多种对抗攻击的分类器. 通过在MNIST、CIFAR-10和ImageNet数据集上进行实验, 证明训练完成后, AC-DefGAN可以直接对原始样本和对抗样本进行正确分类, 对各类对抗攻击算法达到很好的防御效果, 且比已有方法防御效果好、鲁棒性强.
深度神经网络在解决复杂问题方面取得了惊人的成功, 广泛应用于生活中各个领域, 但是最近的研究表明, 深度神经网络容易受到精心设计的对抗样本的攻击, 导致网络模型输出错误的预测结果, 这对于深度学习网络的安全性是一种极大的挑战. 对抗攻击是深度神经网络发展过程中必须克服的一大障碍, 设计一种高效且能够防御多种对抗攻击算法, 且具有强鲁棒性的防御模型是有效推动对抗攻击防御的方向之一, 探究能否利用对抗性攻击来训练网络分类器从而提高其鲁棒性具有重要意义. 本文将生成对抗网络(Generative adversarial networks, GAN)和现有的攻击算法结合, 提出一种基于生成对抗网络的对抗攻击防御模型(AC-DefGAN), 利用对抗攻击算法生成攻击样本作为GAN的训练样本, 同时在网络中加入条件约束来稳定模型的训练过程, 利用分类器对生成器所生成样本的分类来指导GAN的训练过程, 通过自定义分类器需要防御的攻击算法来生成对抗样本以完成判别器的训练, 从而得到能够防御多种对抗攻击的分类器. 通过在MNIST、CIFAR-10和ImageNet数据集上进行实验, 证明训练完成后, AC-DefGAN可以直接对原始样本和对抗样本进行正确分类, 对各类对抗攻击算法达到很好的防御效果, 且比已有方法防御效果好、鲁棒性强.
