2023, 49(5): 913-928.
doi: 10.16383/j.aas.c210547
摘要:
近年来, 以人机对抗为途径的智能决策技术取得了飞速发展, 人工智能(Artificial intelligence, AI)技术AlphaGo、AlphaStar等分别在围棋、星际争霸等游戏环境中战胜了顶尖人类选手. 兵棋推演作为一种人机对抗策略验证环境, 由于其非对称环境决策、更接近真实环境的随机性与高风险决策等特点, 受到智能决策技术研究者的广泛关注. 通过梳理兵棋推演与目前主流人机对抗环境(如围棋、德州扑克、星际争霸等)的区别, 阐述了兵棋推演智能决策技术的发展现状, 分析了当前主流技术的局限与瓶颈, 对兵棋推演中的智能决策技术研究进行了思考, 期望能对兵棋推演相关问题中的智能决策技术研究带来启发.
近年来, 以人机对抗为途径的智能决策技术取得了飞速发展, 人工智能(Artificial intelligence, AI)技术AlphaGo、AlphaStar等分别在围棋、星际争霸等游戏环境中战胜了顶尖人类选手. 兵棋推演作为一种人机对抗策略验证环境, 由于其非对称环境决策、更接近真实环境的随机性与高风险决策等特点, 受到智能决策技术研究者的广泛关注. 通过梳理兵棋推演与目前主流人机对抗环境(如围棋、德州扑克、星际争霸等)的区别, 阐述了兵棋推演智能决策技术的发展现状, 分析了当前主流技术的局限与瓶颈, 对兵棋推演中的智能决策技术研究进行了思考, 期望能对兵棋推演相关问题中的智能决策技术研究带来启发.
2023, 49(5): 929-948.
doi: 10.16383/j.aas.c210951
摘要:
组合设备是半导体晶圆制造的核心装备, 其调度与控制优化是半导体制造领域极具挑战性的课题. Petri网因其强大的建模能力和简约的图形化表达优势, 被广泛地应用于组合设备的建模与调度. 对基于Petri网的组合设备建模与调度方法进行综述, 归纳总结了组合设备的结构类型、晶圆流模式、调度策略及Petri网建模方法, 并系统阐述组合设备的7类典型调度问题, 包括驻留时间约束、作业时间波动、晶圆重入加工、多品种晶圆加工、加工模块(Process module, PM)故障、PM清洗和组合设备群. 最后, 讨论了当前组合设备调度存在的挑战及后续可能的研究方向.
组合设备是半导体晶圆制造的核心装备, 其调度与控制优化是半导体制造领域极具挑战性的课题. Petri网因其强大的建模能力和简约的图形化表达优势, 被广泛地应用于组合设备的建模与调度. 对基于Petri网的组合设备建模与调度方法进行综述, 归纳总结了组合设备的结构类型、晶圆流模式、调度策略及Petri网建模方法, 并系统阐述组合设备的7类典型调度问题, 包括驻留时间约束、作业时间波动、晶圆重入加工、多品种晶圆加工、加工模块(Process module, PM)故障、PM清洗和组合设备群. 最后, 讨论了当前组合设备调度存在的挑战及后续可能的研究方向.
2023, 49(5): 949-963.
doi: 10.16383/j.aas.c210524
摘要:
铁水硅含量是反映高炉冶炼过程中热状态变化的灵敏指示剂, 但无法实时在线检测, 造成铁水质量调控盲目. 为此, 提出一种基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法. 首先, 针对传统深度网络静态建模思路无法准确描述过程变量与铁水硅含量之间的关系, 提出一种基于注意力机制模块的输入过程变量与输出硅含量之间的动态关系描述方法; 其次, 为降低硅含量预测模型训练时对标签数据的依赖, 考虑到铁水温度与硅含量数据之间的正相关性, 利用小时级硅含量标签数据微调基于分钟级铁水温度数据预训练好的深度模型的结构, 进而提高基于动态注意力深度迁移网络的硅含量预测精度; 同时, 为增强预测网络的可解释性, 实时给出了基于动态注意力机制模块计算的每个样本各过程变量对铁水硅含量的贡献度; 最后, 基于某钢铁厂2号高炉的工业实验, 验证了该方法的准确性、有效性和先进性.
铁水硅含量是反映高炉冶炼过程中热状态变化的灵敏指示剂, 但无法实时在线检测, 造成铁水质量调控盲目. 为此, 提出一种基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法. 首先, 针对传统深度网络静态建模思路无法准确描述过程变量与铁水硅含量之间的关系, 提出一种基于注意力机制模块的输入过程变量与输出硅含量之间的动态关系描述方法; 其次, 为降低硅含量预测模型训练时对标签数据的依赖, 考虑到铁水温度与硅含量数据之间的正相关性, 利用小时级硅含量标签数据微调基于分钟级铁水温度数据预训练好的深度模型的结构, 进而提高基于动态注意力深度迁移网络的硅含量预测精度; 同时, 为增强预测网络的可解释性, 实时给出了基于动态注意力机制模块计算的每个样本各过程变量对铁水硅含量的贡献度; 最后, 基于某钢铁厂2号高炉的工业实验, 验证了该方法的准确性、有效性和先进性.
2023, 49(5): 964-973.
doi: 10.16383/j.aas.c220227
摘要:
苛性碱溶液浓度是氧化铝生产过程中的重要运行指标, 由于苛性碱溶液的温度和浓度频繁波动, 导致目前的浓度检测仪表检测精度低, 只能采用人工化验获得苛性碱浓度值, 化验结果的严重滞后导致无法实现苛性碱浓度的自动控制, 影响氧化铝产品质量. 在分析苛性碱溶液浓度控制过程动态特性的基础上建立了由线性模型和未知非线性动态系统描述的苛性碱浓度预报模型, 将参数辨识与自适应深度学习相结合, 提出端边云协同的氧化铝生产过程苛性碱浓度智能预报方法, 并采用氧化铝生产企业的实际生产数据对本文所提方法进行应用验证. 应用结果表明, 所提的苛性碱浓度智能预报方法可以实时、准确预报苛性碱浓度, 为实现苛性碱浓度的闭环运行优化控制创造了条件.
苛性碱溶液浓度是氧化铝生产过程中的重要运行指标, 由于苛性碱溶液的温度和浓度频繁波动, 导致目前的浓度检测仪表检测精度低, 只能采用人工化验获得苛性碱浓度值, 化验结果的严重滞后导致无法实现苛性碱浓度的自动控制, 影响氧化铝产品质量. 在分析苛性碱溶液浓度控制过程动态特性的基础上建立了由线性模型和未知非线性动态系统描述的苛性碱浓度预报模型, 将参数辨识与自适应深度学习相结合, 提出端边云协同的氧化铝生产过程苛性碱浓度智能预报方法, 并采用氧化铝生产企业的实际生产数据对本文所提方法进行应用验证. 应用结果表明, 所提的苛性碱浓度智能预报方法可以实时、准确预报苛性碱浓度, 为实现苛性碱浓度的闭环运行优化控制创造了条件.
2023, 49(5): 974-984.
doi: 10.16383/j.aas.c220204
摘要:
针对脉冲推力航天器轨道追逃博弈问题, 提出一种基于强化学习的决策方法, 实现追踪星在指定时刻抵近至逃逸星的特定区域, 其中两星都具备自主博弈能力. 首先, 充分考虑追踪星和逃逸星的燃料约束、推力约束、决策周期约束、运动范围约束等实际约束条件, 建立锥形安全接近区及追逃博弈过程的数学模型; 其次, 为了提升航天器面对不确定博弈对抗场景的自主决策能力, 以近端策略优化 (Proximal policy optimization, PPO) 算法框架为基础, 采用左右互搏的方式同时训练追踪星和逃逸星, 交替提升两星的决策能力; 在此基础上, 为了在指定时刻完成追逃任务, 提出一种终端诱导的奖励函数设计方法, 基于CW (Clohessy Wiltshire)方程预测两星在终端时刻的相对误差, 并将该预测误差引入奖励函数中, 有效引导追踪星在指定时刻进入逃逸星的安全接近区. 与现有基于当前误差设计奖励函数的方法相比, 所提方法能够有效提高追击成功率. 最后, 通过与其他学习方法仿真对比, 验证提出的训练方法和奖励函数设计方法的有效性和优越性.
针对脉冲推力航天器轨道追逃博弈问题, 提出一种基于强化学习的决策方法, 实现追踪星在指定时刻抵近至逃逸星的特定区域, 其中两星都具备自主博弈能力. 首先, 充分考虑追踪星和逃逸星的燃料约束、推力约束、决策周期约束、运动范围约束等实际约束条件, 建立锥形安全接近区及追逃博弈过程的数学模型; 其次, 为了提升航天器面对不确定博弈对抗场景的自主决策能力, 以近端策略优化 (Proximal policy optimization, PPO) 算法框架为基础, 采用左右互搏的方式同时训练追踪星和逃逸星, 交替提升两星的决策能力; 在此基础上, 为了在指定时刻完成追逃任务, 提出一种终端诱导的奖励函数设计方法, 基于CW (Clohessy Wiltshire)方程预测两星在终端时刻的相对误差, 并将该预测误差引入奖励函数中, 有效引导追踪星在指定时刻进入逃逸星的安全接近区. 与现有基于当前误差设计奖励函数的方法相比, 所提方法能够有效提高追击成功率. 最后, 通过与其他学习方法仿真对比, 验证提出的训练方法和奖励函数设计方法的有效性和优越性.
2023, 49(5): 985-998.
doi: 10.16383/j.aas.c220753
摘要:
Web3技术催生的去中心化自治组织 (Decentralized autonomous organization, DAO) 正以颠覆性的方式重新定义要素资源、变革生产关系与塑造组织形态. 为了更好地响应DAO研究与应用需求, 本文从组织和运营两个角度重新解析DAO, 认为其应当被更广义而精确地定义为去中心化自治组织与运营 (Decentralized autonomous organization and operation). 在此基础上, 阐述DAO的关键原理与基本要求, 探讨社会物理信息系统、平行智能等基础设施以及数字孪生、元宇宙、Web3等支撑技术, 构建涵盖组织层、协调层以及执行层等的DAO五层智能新架构, 提出DAO的闭环方程以及功能导向的智能新算法, 分析个体、组织与社会视角下的DAO治理机制, 研究面向生物人、机器人与数字人的DAO激励机制, 并介绍DAO的典型与潜在应用场景. 最后, 总结全文并展望DAO未来研究方向.
Web3技术催生的去中心化自治组织 (Decentralized autonomous organization, DAO) 正以颠覆性的方式重新定义要素资源、变革生产关系与塑造组织形态. 为了更好地响应DAO研究与应用需求, 本文从组织和运营两个角度重新解析DAO, 认为其应当被更广义而精确地定义为去中心化自治组织与运营 (Decentralized autonomous organization and operation). 在此基础上, 阐述DAO的关键原理与基本要求, 探讨社会物理信息系统、平行智能等基础设施以及数字孪生、元宇宙、Web3等支撑技术, 构建涵盖组织层、协调层以及执行层等的DAO五层智能新架构, 提出DAO的闭环方程以及功能导向的智能新算法, 分析个体、组织与社会视角下的DAO治理机制, 研究面向生物人、机器人与数字人的DAO激励机制, 并介绍DAO的典型与潜在应用场景. 最后, 总结全文并展望DAO未来研究方向.
2023, 49(5): 999-1009.
doi: 10.16383/j.aas.c210408
摘要:
针对工业过程运行指标反馈校正存在滞后及一步推理校正模型可解释性差的问题, 提出了基于递归注意力生成对抗网络(Recurrent attention generative adversarial networks, RAGAN)的运行指标前馈−反馈多步校正方法. 该方法采用基于负相关正则化的集成随机权神经网络, 建立综合生产指标预报模型, 为校正提供前馈信息补偿反馈校正的滞后性. 提出的RAGAN校正, 采用多步校正实现一次调整的思想, 将当前时刻运行指标映射到低维潜变量空间简化数据复杂度, 利用长短期记忆 (Long short-term memory, LSTM)模型实现数据的分步输入, 提高模型可解释性; 采用分布式注意力(Distributed attention, DA)机制构建数据读入网络, 使校正环节获取任务相关性更高的数据, 降低任务复杂度, 减小噪声干扰, 利用校正后的运行指标, 保证系统的综合指标尽可能地跟随设定值运行. 采用中国西部地区最大选矿厂实际数据的仿真实验, 验证了所提方法的有效性.
针对工业过程运行指标反馈校正存在滞后及一步推理校正模型可解释性差的问题, 提出了基于递归注意力生成对抗网络(Recurrent attention generative adversarial networks, RAGAN)的运行指标前馈−反馈多步校正方法. 该方法采用基于负相关正则化的集成随机权神经网络, 建立综合生产指标预报模型, 为校正提供前馈信息补偿反馈校正的滞后性. 提出的RAGAN校正, 采用多步校正实现一次调整的思想, 将当前时刻运行指标映射到低维潜变量空间简化数据复杂度, 利用长短期记忆 (Long short-term memory, LSTM)模型实现数据的分步输入, 提高模型可解释性; 采用分布式注意力(Distributed attention, DA)机制构建数据读入网络, 使校正环节获取任务相关性更高的数据, 降低任务复杂度, 减小噪声干扰, 利用校正后的运行指标, 保证系统的综合指标尽可能地跟随设定值运行. 采用中国西部地区最大选矿厂实际数据的仿真实验, 验证了所提方法的有效性.
2023, 49(5): 1010-1018.
doi: 10.16383/j.aas.c210798
摘要:
针对城市污水处理过程时滞导致难以稳定控制的问题, 提出一种自适应滑模控制方法(Adaptive sliding mode control, ASMC). 首先, 分析推流时滞对城市污水处理生化反应过程的影响, 建立时滞影响下的城市污水处理运行控制模型; 其次, 设计一种基于模糊神经网络的预估补偿模型, 完成滞后变量的准确预测, 实现控制模型中变量时刻的统一; 最后, 设计一种具有自适应开关增益系数的滑模控制器(Sliding mode control, SMC), 实现溶解氧和硝态氮的稳定控制. 将提出的自适应滑模控制方法应用于城市污水处理过程基准仿真平台, 实验结果显示该方法能够实现城市污水处理运行过程稳定控制.
针对城市污水处理过程时滞导致难以稳定控制的问题, 提出一种自适应滑模控制方法(Adaptive sliding mode control, ASMC). 首先, 分析推流时滞对城市污水处理生化反应过程的影响, 建立时滞影响下的城市污水处理运行控制模型; 其次, 设计一种基于模糊神经网络的预估补偿模型, 完成滞后变量的准确预测, 实现控制模型中变量时刻的统一; 最后, 设计一种具有自适应开关增益系数的滑模控制器(Sliding mode control, SMC), 实现溶解氧和硝态氮的稳定控制. 将提出的自适应滑模控制方法应用于城市污水处理过程基准仿真平台, 实验结果显示该方法能够实现城市污水处理运行过程稳定控制.
2023, 49(5): 1019-1030.
doi: 10.16383/j.aas.c220429
摘要:
在场景文本检测方法中, 文本实例的边缘特征与其他特征在大多数模型中都是以同样的方式进行处理, 而准确检测相邻文本边缘区域是正确识别任意形状文本区域的关键之一. 如果对边缘特征进行增强并使用独立分支进行建模, 必能有效提高模型的标识准确率. 为此, 提出了三个用以增强边缘特征的网络模块. 其中, 浅层特征增强模块可有效增强包含更多边缘特征的浅层特征; 边缘区域检测分支将普通特征和边缘特征进行区分以对目标的边缘特征进行显式建模; 而分支特征融合模块可将两种特征在识别过程进行更好的融合. 在将这三个模块引入渐进尺度扩张网络 (Progressive scale expansion network, PSENet) 之后, 相关消融实验表明这三个模块的单独使用及其组合均可进一步增加网络的预测准确率. 此外, 在三个常用公开数据集上与其他十个最新模型的比较结果表明, 改进后得到边缘特征增强网络 (Edge-oriented feature reinforcing network, EFRNet) 的识别结果具有较高的F1值.
在场景文本检测方法中, 文本实例的边缘特征与其他特征在大多数模型中都是以同样的方式进行处理, 而准确检测相邻文本边缘区域是正确识别任意形状文本区域的关键之一. 如果对边缘特征进行增强并使用独立分支进行建模, 必能有效提高模型的标识准确率. 为此, 提出了三个用以增强边缘特征的网络模块. 其中, 浅层特征增强模块可有效增强包含更多边缘特征的浅层特征; 边缘区域检测分支将普通特征和边缘特征进行区分以对目标的边缘特征进行显式建模; 而分支特征融合模块可将两种特征在识别过程进行更好的融合. 在将这三个模块引入渐进尺度扩张网络 (Progressive scale expansion network, PSENet) 之后, 相关消融实验表明这三个模块的单独使用及其组合均可进一步增加网络的预测准确率. 此外, 在三个常用公开数据集上与其他十个最新模型的比较结果表明, 改进后得到边缘特征增强网络 (Edge-oriented feature reinforcing network, EFRNet) 的识别结果具有较高的F1值.
2023, 49(5): 1031-1049.
doi: 10.16383/j.aas.c211178
摘要:
针对大数据应用中用户共享数据的访问控制由半可信云服务商实施所带来的隐私泄露、策略和访问日志易被篡改等问题, 提出一种基于区块链的策略隐藏大数据访问控制方法 (A policy-hidden big data access control method based on blockchain, PHAC). 该方法采用区块链技术实施访问控制以减少对服务商的信任依赖, 引入属性基加密(Attribute-based encryption, ABE)以及双线性映射技术, 实现在不泄露访问控制策略的前提下, 通过智能合约正确执行访问控制策略. 同时, 解耦访问控制策略, 简化用户策略的发布、更新和执行. 并应用链上和链下存储相结合方式, 解决智能合约和访问控制策略占用区块链节点资源不断增大的问题. 最后, 对该方法进行了理论分析和HyperLedger Fabric环境下的实验评估, 结果表明该方法能在策略隐藏情况下有效实现访问控制, 但不会给数据拥有者、区块链节点增加过多额外计算和存储开销.
针对大数据应用中用户共享数据的访问控制由半可信云服务商实施所带来的隐私泄露、策略和访问日志易被篡改等问题, 提出一种基于区块链的策略隐藏大数据访问控制方法 (A policy-hidden big data access control method based on blockchain, PHAC). 该方法采用区块链技术实施访问控制以减少对服务商的信任依赖, 引入属性基加密(Attribute-based encryption, ABE)以及双线性映射技术, 实现在不泄露访问控制策略的前提下, 通过智能合约正确执行访问控制策略. 同时, 解耦访问控制策略, 简化用户策略的发布、更新和执行. 并应用链上和链下存储相结合方式, 解决智能合约和访问控制策略占用区块链节点资源不断增大的问题. 最后, 对该方法进行了理论分析和HyperLedger Fabric环境下的实验评估, 结果表明该方法能在策略隐藏情况下有效实现访问控制, 但不会给数据拥有者、区块链节点增加过多额外计算和存储开销.
2023, 49(5): 1050-1061.
doi: 10.16383/j.aas.c220482
摘要:
针对含有推进器故障和状态测量不确定的无人艇(Unmanned surface vehicle, USV)系统, 提出一种基于双扰动观测器的固定时间容错跟踪控制(Double disturbance observer-based fixed-time fault-tolerance control, DDO-FxFC)方法. 设计两个固定时间扰动观测器, 分别估计状态测量不确定性产生的非匹配干扰和包含推进器故障的集总非线性, 同时自适应实时补偿未知观测误差; 采用测量位姿跟踪误差及其动态, 设计快速非奇异终端滑模面, 构建DDO-FxFC框架; 理论分析证明DDO-FxFC方法能够确保跟踪误差固定时间收敛, 其中收敛时间的上界独立于系统初始状态; 针对原型USV的仿真结果和综合对比验证所提出DDO-FxFC技术的有效性和优越性.
针对含有推进器故障和状态测量不确定的无人艇(Unmanned surface vehicle, USV)系统, 提出一种基于双扰动观测器的固定时间容错跟踪控制(Double disturbance observer-based fixed-time fault-tolerance control, DDO-FxFC)方法. 设计两个固定时间扰动观测器, 分别估计状态测量不确定性产生的非匹配干扰和包含推进器故障的集总非线性, 同时自适应实时补偿未知观测误差; 采用测量位姿跟踪误差及其动态, 设计快速非奇异终端滑模面, 构建DDO-FxFC框架; 理论分析证明DDO-FxFC方法能够确保跟踪误差固定时间收敛, 其中收敛时间的上界独立于系统初始状态; 针对原型USV的仿真结果和综合对比验证所提出DDO-FxFC技术的有效性和优越性.
2023, 49(5): 1062-1072.
doi: 10.16383/j.aas.c211207
摘要:
卷积混叠环境下的盲源分离(Blind source separation, BSS)是一个极具挑战性和实际意义的问题. 本文在独立分量分析框架下, 建立非负矩阵分解(Nonnegative matrix factorization, NMF)模型, 设计新的优化目标函数, 通过严格的数学理论推导, 得到新的模型参数更新规则; 并对解混叠矩阵进行标准化处理, 避免幅度歧义性问题; 在源信号的重构阶段, 通过实时更新非负矩阵分解模型参数, 避免源信号的排序歧义性问题. 实验结果验证了所提算法在分离中英文语音混叠信号、音乐混叠信号时的有效性和优越性.
卷积混叠环境下的盲源分离(Blind source separation, BSS)是一个极具挑战性和实际意义的问题. 本文在独立分量分析框架下, 建立非负矩阵分解(Nonnegative matrix factorization, NMF)模型, 设计新的优化目标函数, 通过严格的数学理论推导, 得到新的模型参数更新规则; 并对解混叠矩阵进行标准化处理, 避免幅度歧义性问题; 在源信号的重构阶段, 通过实时更新非负矩阵分解模型参数, 避免源信号的排序歧义性问题. 实验结果验证了所提算法在分离中英文语音混叠信号、音乐混叠信号时的有效性和优越性.
2023, 49(5): 1073-1088.
doi: 10.16383/j.aas.c200578
摘要:
针对传统技术难以解决规模化混杂生产线缓冲区容量分配问题(Buffer allocation problem, BAP), 提出了一种规模化生产线递阶分解建模并行寻优技术(Hierarchical decomposition modeling parallel optimizing technique of large-scale production lines, HDMPOT). 该技术结合混杂生产线系统综合方法与分解方法的技术思想, 兼顾生产线平衡性与系统规模, 将原系统递阶分解为包含虚拟生产线在内的n + 1个子生产线系统, 通过求解子系统的最优解构造原系统的渐近最优解, 并在系统递阶建模阶段, 提出了一种设备模糊聚类的辅助方式; 同时, 基于混杂生产线系统综合方法, 提出了一种系统渐次综合的初解改进确定方法; 并提出了一种通过构造动态步长来设计领域结构的改进型禁忌搜索算法(Simple tabu search, STS), 对子系统进行并行寻优. 最后, 对技术算法的收敛性进行了证明. 提出的生产线递阶分解建模并行寻优技术具有一般性, 对受设备随机故障等随机事件影响的生产线, 尤其是规模化生产线系统其他优化、控制问题也具有借鉴和参考价值.
针对传统技术难以解决规模化混杂生产线缓冲区容量分配问题(Buffer allocation problem, BAP), 提出了一种规模化生产线递阶分解建模并行寻优技术(Hierarchical decomposition modeling parallel optimizing technique of large-scale production lines, HDMPOT). 该技术结合混杂生产线系统综合方法与分解方法的技术思想, 兼顾生产线平衡性与系统规模, 将原系统递阶分解为包含虚拟生产线在内的n + 1个子生产线系统, 通过求解子系统的最优解构造原系统的渐近最优解, 并在系统递阶建模阶段, 提出了一种设备模糊聚类的辅助方式; 同时, 基于混杂生产线系统综合方法, 提出了一种系统渐次综合的初解改进确定方法; 并提出了一种通过构造动态步长来设计领域结构的改进型禁忌搜索算法(Simple tabu search, STS), 对子系统进行并行寻优. 最后, 对技术算法的收敛性进行了证明. 提出的生产线递阶分解建模并行寻优技术具有一般性, 对受设备随机故障等随机事件影响的生产线, 尤其是规模化生产线系统其他优化、控制问题也具有借鉴和参考价值.
2023, 49(5): 1089-1098.
doi: 10.16383/j.aas.c200045
摘要:
为了模拟人眼的视觉注意机制, 快速、高效地搜索和定位图像目标, 提出了一种基于循环神经网络(Recurrent neural network, RNN)的联合回归深度强化学习目标定位模型. 该模型将历史观测信息与当前时刻的观测信息融合, 并做出综合分析, 以训练智能体快速定位目标, 并联合回归器对智能体所定位的目标包围框进行精细调整. 实验结果表明, 该模型能够在少数时间步内快速、准确地定位目标.
为了模拟人眼的视觉注意机制, 快速、高效地搜索和定位图像目标, 提出了一种基于循环神经网络(Recurrent neural network, RNN)的联合回归深度强化学习目标定位模型. 该模型将历史观测信息与当前时刻的观测信息融合, 并做出综合分析, 以训练智能体快速定位目标, 并联合回归器对智能体所定位的目标包围框进行精细调整. 实验结果表明, 该模型能够在少数时间步内快速、准确地定位目标.
2023, 49(5): 1099-1115.
doi: 10.16383/j.aas.c210963
摘要:
由于冗余驱动的存在, 冗余驱动并联机器人系统逆动力学模型存在无限组可跟踪期望轨迹的控制力矩解, 这使得机器人在运行过程中具有完成附加任务的能力. 以实现骨科机器人的安全精准操控为目的, 提出了基于变阻抗控制的冗余驱动并联机器人多目标内力优化方法. 首先, 采用支链分解法对冗余驱动并联机器人的动力学进行建模. 其次, 为实现机器人的安全操作, 设计了冗余驱动并联机器人时变阻抗控制器, 利用李雅普诺夫理论分析了系统的稳定性; 在此基础上, 以消除冗余驱动并联机器人运动过程中的传动间隙为附加任务, 提出了一种以力矩传递性能、驱动功率和控制力为优化目标的多目标融合驱动力优化方法. 最后, 通过仿真实验与对比分析, 验证了所提方法的有效性, 实现了机器人系统传动间隙的消除.
由于冗余驱动的存在, 冗余驱动并联机器人系统逆动力学模型存在无限组可跟踪期望轨迹的控制力矩解, 这使得机器人在运行过程中具有完成附加任务的能力. 以实现骨科机器人的安全精准操控为目的, 提出了基于变阻抗控制的冗余驱动并联机器人多目标内力优化方法. 首先, 采用支链分解法对冗余驱动并联机器人的动力学进行建模. 其次, 为实现机器人的安全操作, 设计了冗余驱动并联机器人时变阻抗控制器, 利用李雅普诺夫理论分析了系统的稳定性; 在此基础上, 以消除冗余驱动并联机器人运动过程中的传动间隙为附加任务, 提出了一种以力矩传递性能、驱动功率和控制力为优化目标的多目标融合驱动力优化方法. 最后, 通过仿真实验与对比分析, 验证了所提方法的有效性, 实现了机器人系统传动间隙的消除.
2023, 49(5): 1116-1130.
doi: 10.16383/j.aas.c220544
摘要:
孪生网络跟踪算法在训练阶段多数采用\begin{document}$ {L_2}$\end{document} ![]()
![]()
孪生网络跟踪算法在训练阶段多数采用
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.c200819
摘要:
网络入侵样本数据特征间存在未知的非欧氏空间图结构关系, 深入挖掘并利用该关系可有效提升网络入侵检测方法的检测效能. 对此, 设计了一种元图神经网络(Meta graph neural network, MGNN), MGNN能够对样本数据特征内部隐藏的图结构关系进行挖掘与利用, 在应对入侵检测问题时优势明显. 首先, 设计了元图网络层(Meta graph network layer, MGNL), 挖掘出样本数据特征内部隐藏的图结构关系, 并利用该关系对样本数据的原始特征进行更新; 然后, 针对MGNN存在的图信息传播过程中父代信息湮灭现象提出反信息湮灭策略, 并设计了注意力损失函数, 简化MGNN中实现注意力机制的运算过程. KDD-NSL、UNSW-NB15、CICDoS2019数据集上的实验表明, 与经典深度学习算法DNN (Deep neural network)、CNN (Convolutional neural network)、RNN (Recurrent neural network)、LSTM (Long short-term memory)和传统机器学习算法SVM (Support vector machine)、DT (Decision tree)、RF (Random forest)、KNN (K-nearest neighbor)、LR (Logistic regression)相比，MGNN在准确率、F1值、精确率、召回率评价指标上均具有良好效果.
网络入侵样本数据特征间存在未知的非欧氏空间图结构关系, 深入挖掘并利用该关系可有效提升网络入侵检测方法的检测效能. 对此, 设计了一种元图神经网络(Meta graph neural network, MGNN), MGNN能够对样本数据特征内部隐藏的图结构关系进行挖掘与利用, 在应对入侵检测问题时优势明显. 首先, 设计了元图网络层(Meta graph network layer, MGNL), 挖掘出样本数据特征内部隐藏的图结构关系, 并利用该关系对样本数据的原始特征进行更新; 然后, 针对MGNN存在的图信息传播过程中父代信息湮灭现象提出反信息湮灭策略, 并设计了注意力损失函数, 简化MGNN中实现注意力机制的运算过程. KDD-NSL、UNSW-NB15、CICDoS2019数据集上的实验表明, 与经典深度学习算法DNN (Deep neural network)、CNN (Convolutional neural network)、RNN (Recurrent neural network)、LSTM (Long short-term memory)和传统机器学习算法SVM (Support vector machine)、DT (Decision tree)、RF (Random forest)、KNN (K-nearest neighbor)、LR (Logistic regression)相比，MGNN在准确率、F1值、精确率、召回率评价指标上均具有良好效果.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220810
摘要:
针对全球城市固废(Municipal solid waste, MSW)的高增长率导致城市环境持续恶化以至于“垃圾围城”现象日益增多等问题, MSW焚烧(MSW incineration, MSWI)技术能够通过发酵、燃烧、换热和净化等工艺实现废物变能源. 在当前“双碳战略”和“蓝天净土”的新环保背景下, 作为未来长时期内MSW处理主流方式和生态文明建设与循环经济体系托底工业的MSWI过程正面临着重大机遇. 如何融合人工智能、大数据、云计算等技术实现MSWI的智慧化、低碳化和绿色化可持续性发展是目前具有挑战性的难题. 对此, 本文首先描述MSWI工艺机理, 分析其运行控制特性和实现其智能优化控制存在的难点; 然后, 从燃烧特性分析与建模、燃烧过程控制、指标建模与预测、运行监控与故障识别、操作(控制)变量优化、算法仿真验证平台等6个方面进行综述; 接着, 分析MSWI过程智能优化控制研究的必要性; 最后, 结合工业人工智能的本质给出未来研究方向. 在此基础上, 展望基于数字孪生平台的MSWI智能优化控制系统的框架和愿景, 并总结未来挑战.
针对全球城市固废(Municipal solid waste, MSW)的高增长率导致城市环境持续恶化以至于“垃圾围城”现象日益增多等问题, MSW焚烧(MSW incineration, MSWI)技术能够通过发酵、燃烧、换热和净化等工艺实现废物变能源. 在当前“双碳战略”和“蓝天净土”的新环保背景下, 作为未来长时期内MSW处理主流方式和生态文明建设与循环经济体系托底工业的MSWI过程正面临着重大机遇. 如何融合人工智能、大数据、云计算等技术实现MSWI的智慧化、低碳化和绿色化可持续性发展是目前具有挑战性的难题. 对此, 本文首先描述MSWI工艺机理, 分析其运行控制特性和实现其智能优化控制存在的难点; 然后, 从燃烧特性分析与建模、燃烧过程控制、指标建模与预测、运行监控与故障识别、操作(控制)变量优化、算法仿真验证平台等6个方面进行综述; 接着, 分析MSWI过程智能优化控制研究的必要性; 最后, 结合工业人工智能的本质给出未来研究方向. 在此基础上, 展望基于数字孪生平台的MSWI智能优化控制系统的框架和愿景, 并总结未来挑战.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c201061
摘要:
针对厚尾噪声条件下不规则星凸形多扩展目标跟踪(Multiple extended target tracking, METT)问题, 提出了一种基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪方法. 首先, 采用学生t分布对厚尾过程噪声和量测噪声进行建模, 并基于有限集统计(Finite set statistics, FISST)理论利用随机超曲面模型(Random matrix model, RHM)建立不规则星凸形多扩展目标的跟踪滤波模型. 然后, 利用学生t混合(Student＇s t mixture, STM)模型来表征多伯努利密度, 提出学生t混合多扩展目标多伯努利滤波算法, 并进一步基于鲁棒学生t容积滤波算法提出了非线性鲁棒学生t混合星凸形多扩展目标多伯努利滤波算法. 最后, 通过构造厚尾噪声条件下星凸形多扩展目标和多群目标的跟踪仿真实验验证了所提方法的有效性.
针对厚尾噪声条件下不规则星凸形多扩展目标跟踪(Multiple extended target tracking, METT)问题, 提出了一种基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪方法. 首先, 采用学生t分布对厚尾过程噪声和量测噪声进行建模, 并基于有限集统计(Finite set statistics, FISST)理论利用随机超曲面模型(Random matrix model, RHM)建立不规则星凸形多扩展目标的跟踪滤波模型. 然后, 利用学生t混合(Student＇s t mixture, STM)模型来表征多伯努利密度, 提出学生t混合多扩展目标多伯努利滤波算法, 并进一步基于鲁棒学生t容积滤波算法提出了非线性鲁棒学生t混合星凸形多扩展目标多伯努利滤波算法. 最后, 通过构造厚尾噪声条件下星凸形多扩展目标和多群目标的跟踪仿真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.c220694
摘要:
在三维视觉任务中, 三维目标的未知旋转会给任务带来挑战, 现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难. 针对上述问题, 提出一种基于自监督学习方式的矢量型球面卷积网络, 用于学习三维目标的旋转信息, 以此来提升分类和分割任务的表现. 首先, 对三维点云信号进行球面采样, 映射到单位球上; 然后, 使用矢量球面卷积网络提取旋转特征, 同时将随机旋转后的三维点云信号输入相同结构的矢量球面卷积网络提取旋转特征, 利用自监督网络训练学习旋转信息; 最后, 对随机旋转的三维目标进行目标分类实验和部分分割实验. 实验表明, 所设计的网络在测试数据随机旋转的情况下, 在ModelNet40数据集上分类准确率提升75.75%, 在ShapeNet数据集上分割效果显著, 交并比(Intersection over union, IoU)提升51.48%.
在三维视觉任务中, 三维目标的未知旋转会给任务带来挑战, 现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难. 针对上述问题, 提出一种基于自监督学习方式的矢量型球面卷积网络, 用于学习三维目标的旋转信息, 以此来提升分类和分割任务的表现. 首先, 对三维点云信号进行球面采样, 映射到单位球上; 然后, 使用矢量球面卷积网络提取旋转特征, 同时将随机旋转后的三维点云信号输入相同结构的矢量球面卷积网络提取旋转特征, 利用自监督网络训练学习旋转信息; 最后, 对随机旋转的三维目标进行目标分类实验和部分分割实验. 实验表明, 所设计的网络在测试数据随机旋转的情况下, 在ModelNet40数据集上分类准确率提升75.75%, 在ShapeNet数据集上分割效果显著, 交并比(Intersection over union, IoU)提升51.48%.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220629
摘要:
属性网络的异常检测是从包含属性信息的网络或图数据中识别出偏离大多数模式的异常节点, 在网络安全、电子商务和金融交易等众多领域中具有重要的理论与现实意义, 近年来受到了越来越多的关注. 现有的大多数异常检测方法依靠对网络结构或节点属性的模式挖掘实现决策生成, 然而仅凭有限的属性和结构信息往往难以对异常模式做出可靠的描述. 此外, 网络节点在现实世界中往往关联着丰富的领域知识, 这些知识对于异常的识别具有重要的潜在价值. 针对上述情况, 提出了一种融合知识的多视图网络异常检测模型, 在多视图学习模式下通过数据与知识的互补融合实现了对异常节点的有效识别. 首先, 使用TransR模型由领域知识图谱抽取知识向量表示, 并借助输入网络的拓扑关系构造其孪生网络, 属性网络及其孪生网络在不同视图中形成了对相关复杂系统的互补性描述. 接着, 在多视图学习框架下构建属性编码器和知识编码器, 分别将上述网络嵌入到各自的表示空间. 在此基础上, 通过聚合器将2个视图中的网络表示进行统一, 并利用解码器从结构和属性2个维度进行网络重构. 最后, 综合不同维度上的重构误差进行节点异常分数评价, 并据此识别网络中的异常节点. 在真实网络数据集上的对比实验表明, 提出的模型能够实现对领域知识的有效融合, 并获得优于基线方法的异常检测性能.
属性网络的异常检测是从包含属性信息的网络或图数据中识别出偏离大多数模式的异常节点, 在网络安全、电子商务和金融交易等众多领域中具有重要的理论与现实意义, 近年来受到了越来越多的关注. 现有的大多数异常检测方法依靠对网络结构或节点属性的模式挖掘实现决策生成, 然而仅凭有限的属性和结构信息往往难以对异常模式做出可靠的描述. 此外, 网络节点在现实世界中往往关联着丰富的领域知识, 这些知识对于异常的识别具有重要的潜在价值. 针对上述情况, 提出了一种融合知识的多视图网络异常检测模型, 在多视图学习模式下通过数据与知识的互补融合实现了对异常节点的有效识别. 首先, 使用TransR模型由领域知识图谱抽取知识向量表示, 并借助输入网络的拓扑关系构造其孪生网络, 属性网络及其孪生网络在不同视图中形成了对相关复杂系统的互补性描述. 接着, 在多视图学习框架下构建属性编码器和知识编码器, 分别将上述网络嵌入到各自的表示空间. 在此基础上, 通过聚合器将2个视图中的网络表示进行统一, 并利用解码器从结构和属性2个维度进行网络重构. 最后, 综合不同维度上的重构误差进行节点异常分数评价, 并据此识别网络中的异常节点. 在真实网络数据集上的对比实验表明, 提出的模型能够实现对领域知识的有效融合, 并获得优于基线方法的异常检测性能.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c200388
摘要:
合成孔径成像通(Synthetic aperture imaging, SAI)过多角度获取目标信息来等效大孔径和小景深相机成像. 因此, 该技术可以虚化遮挡物, 实现对被遮挡目标的成像. 然而, 在密集遮挡和极端光照条件下, 由于遮挡物的密集干扰和相机本身较低的动态范围, 基于传统相机的合成孔径成像无法有效地对被遮挡目标进行成像. 利用事件相机低延时、高动态的特性, 提出基于事件相机的合成孔径成像方法. 事件相机产生异步事件数据, 具有极低的延时, 能够以连续视角观测场景, 从而消除密集干扰的影响. 而事件相机的高动态范围使其能够有效处理极端光照条件下的成像问题. 通过分析场景亮度变化与事件相机输出的事件点之间的关系, 从对焦后事件点重建出被遮挡目标, 实现基于事件相机的合成孔径成像. 实验结果表明, 所提出方法与传统方法相比, 在密集遮挡条件下重建图像的对比度、清晰度、峰值信噪比(Peak signal-to-noise ratio, PSNR)和结构相似性(Structural similarity index, SSIM)指数均有较大提升. 同时, 在极端光照条件下, 所提出方法能有效解决过曝/欠曝问题, 重建出清晰的被遮挡目标图像.
合成孔径成像通(Synthetic aperture imaging, SAI)过多角度获取目标信息来等效大孔径和小景深相机成像. 因此, 该技术可以虚化遮挡物, 实现对被遮挡目标的成像. 然而, 在密集遮挡和极端光照条件下, 由于遮挡物的密集干扰和相机本身较低的动态范围, 基于传统相机的合成孔径成像无法有效地对被遮挡目标进行成像. 利用事件相机低延时、高动态的特性, 提出基于事件相机的合成孔径成像方法. 事件相机产生异步事件数据, 具有极低的延时, 能够以连续视角观测场景, 从而消除密集干扰的影响. 而事件相机的高动态范围使其能够有效处理极端光照条件下的成像问题. 通过分析场景亮度变化与事件相机输出的事件点之间的关系, 从对焦后事件点重建出被遮挡目标, 实现基于事件相机的合成孔径成像. 实验结果表明, 所提出方法与传统方法相比, 在密集遮挡条件下重建图像的对比度、清晰度、峰值信噪比(Peak signal-to-noise ratio, PSNR)和结构相似性(Structural similarity index, SSIM)指数均有较大提升. 同时, 在极端光照条件下, 所提出方法能有效解决过曝/欠曝问题, 重建出清晰的被遮挡目标图像.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220387
摘要:
现实世界中存在很多目标函数的计算非常昂贵, 甚至目标函数难以建模的复杂优化问题. 常规优化方法在解决此类问题时要么无从入手, 要么效率低下. 离线数据驱动的进化优化方法不需对真实目标函数进行评估, 跳出了传统优化方法的固铚, 极大推动了昂贵优化问题和不可建模优化问题的求解. 但离线数据驱动进化优化的效果严重依赖于所采用代理模型的质量. 为提升离线数据驱动进化优化的性能, 提出了一个基于剪枝堆栈泛化(Stacked generalization, SG)代理模型构建方法. 具体而言, 一方面基于异构的基学习器建立初级模型池, 再采用学习方式对各初级模型进行组合, 以提升代理模型的通用性和准确率. 另一方面基于等级保护指标对初级模型进行剪枝, 在提高初级模型集成效率的同时进一步提升最终代理模型的准确率, 并更好地指导种群的搜索. 为验证所提方法的有效性, 与7个最新的离线数据驱动的进化优化算法在12个基准测试问题上进行对比, 实验结果表明所提出的方法具有明显的优势.
现实世界中存在很多目标函数的计算非常昂贵, 甚至目标函数难以建模的复杂优化问题. 常规优化方法在解决此类问题时要么无从入手, 要么效率低下. 离线数据驱动的进化优化方法不需对真实目标函数进行评估, 跳出了传统优化方法的固铚, 极大推动了昂贵优化问题和不可建模优化问题的求解. 但离线数据驱动进化优化的效果严重依赖于所采用代理模型的质量. 为提升离线数据驱动进化优化的性能, 提出了一个基于剪枝堆栈泛化(Stacked generalization, SG)代理模型构建方法. 具体而言, 一方面基于异构的基学习器建立初级模型池, 再采用学习方式对各初级模型进行组合, 以提升代理模型的通用性和准确率. 另一方面基于等级保护指标对初级模型进行剪枝, 在提高初级模型集成效率的同时进一步提升最终代理模型的准确率, 并更好地指导种群的搜索. 为验证所提方法的有效性, 与7个最新的离线数据驱动的进化优化算法在12个基准测试问题上进行对比, 实验结果表明所提出的方法具有明显的优势.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c200247
摘要:
优化算法中多种群采样方式可转化为蒙特卡洛对当前函数积分的评估, 针对不同子种群对整体评估的差异性, 提出子种群规模 (个体数) 自适应的改进策略, 并用于多尺度量子谐振子优化算法(Multi-scale quantum harmonic oscillator algorithm, MQHOA) 的改进, 同时阐述多种群策略所具有的量子特性以及量子隧道效应与寻优性能的相关性, 已有的优化算法忽视了动态调节子种群规模对寻优能力的影响, 该策略通过动态调节子种群规模, 提高适应度差的子种群发生量子隧道效应的概率, 增强了算法的寻优能力, 将改进后的算法MQHOA-d (Multi-scale quantum harmonic oscillator algorithm based on dynamic subpopulation) 与 MQHOA 及其他优化算法在 CEC2013 测试集上进行测试, 结果表明原算法 MQHOA“早熟”问题在 MQHOA-d 中得到解决, 且 MQHOA-d 对多峰函数和复合函数优化具有显著优势, 求解误差和计算时间均小于几种经典优化算法.
优化算法中多种群采样方式可转化为蒙特卡洛对当前函数积分的评估, 针对不同子种群对整体评估的差异性, 提出子种群规模 (个体数) 自适应的改进策略, 并用于多尺度量子谐振子优化算法(Multi-scale quantum harmonic oscillator algorithm, MQHOA) 的改进, 同时阐述多种群策略所具有的量子特性以及量子隧道效应与寻优性能的相关性, 已有的优化算法忽视了动态调节子种群规模对寻优能力的影响, 该策略通过动态调节子种群规模, 提高适应度差的子种群发生量子隧道效应的概率, 增强了算法的寻优能力, 将改进后的算法MQHOA-d (Multi-scale quantum harmonic oscillator algorithm based on dynamic subpopulation) 与 MQHOA 及其他优化算法在 CEC2013 测试集上进行测试, 结果表明原算法 MQHOA“早熟”问题在 MQHOA-d 中得到解决, 且 MQHOA-d 对多峰函数和复合函数优化具有显著优势, 求解误差和计算时间均小于几种经典优化算法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220344
摘要:
针对移动机器人在复杂场景中难以稳定跟随目标的问题, 提出基于改进YOLOX的移动机器人目标跟随方法, 主要包括目标检测、目标跟踪以及目标跟随三个部分. 首先, 以 YOLOX 网络为基础, 在其框架下将主干网络采用轻量化网络 MobileNetV2X, 提高复杂场景中目标检测的实时性. 然后, 通过改进的卡尔曼滤波器获取目标跟踪状态并采用数据关联进行目标匹配, 同时通过深度直方图判定目标发生遮挡后, 采用深度概率信息约束及最大后验概率进行匹配跟踪, 确保机器人在遮挡情况下稳定跟踪目标. 再采用基于视觉伺服控制的目标跟随算法, 当跟踪目标丢失时, 引入重识别特征主动搜寻目标实现目标跟随. 最后, 在公开数据集上与具有代表性的目标跟随方法进行了定性和定量实验, 同时在真实场景中完成了移动机器人目标跟随实验, 实验结果均验证了所提方法具有较好的鲁棒性和实时性.
针对移动机器人在复杂场景中难以稳定跟随目标的问题, 提出基于改进YOLOX的移动机器人目标跟随方法, 主要包括目标检测、目标跟踪以及目标跟随三个部分. 首先, 以 YOLOX 网络为基础, 在其框架下将主干网络采用轻量化网络 MobileNetV2X, 提高复杂场景中目标检测的实时性. 然后, 通过改进的卡尔曼滤波器获取目标跟踪状态并采用数据关联进行目标匹配, 同时通过深度直方图判定目标发生遮挡后, 采用深度概率信息约束及最大后验概率进行匹配跟踪, 确保机器人在遮挡情况下稳定跟踪目标. 再采用基于视觉伺服控制的目标跟随算法, 当跟踪目标丢失时, 引入重识别特征主动搜寻目标实现目标跟随. 最后, 在公开数据集上与具有代表性的目标跟随方法进行了定性和定量实验, 同时在真实场景中完成了移动机器人目标跟随实验, 实验结果均验证了所提方法具有较好的鲁棒性和实时性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211123
摘要:
针对有扰动的一阶非线性多智能体系统在切换拓扑下的实际固定时间平均一致性问题, 提出了基于动态事件触发机制的固定时间一致性协议. 该一致性协议在节约更多资源的情况下, 使多智能体系统以更快的速度达到一致. 相对于有限时间一致性控制算法, 固定时间一致性控制算法的收敛时间不依赖于初始状态, 并且可以通过选择合适的控制器参数设定相应的收敛时间上界. 通过设计一个包含双曲正切函数的测量误差, 证明系统不存在Zeno行为. 由于内部动态变量的引入, 大量不必要的触发被取消, 从而节省能量损耗. 最后, 通过仿真实验验证算法的可行性和有效性.
针对有扰动的一阶非线性多智能体系统在切换拓扑下的实际固定时间平均一致性问题, 提出了基于动态事件触发机制的固定时间一致性协议. 该一致性协议在节约更多资源的情况下, 使多智能体系统以更快的速度达到一致. 相对于有限时间一致性控制算法, 固定时间一致性控制算法的收敛时间不依赖于初始状态, 并且可以通过选择合适的控制器参数设定相应的收敛时间上界. 通过设计一个包含双曲正切函数的测量误差, 证明系统不存在Zeno行为. 由于内部动态变量的引入, 大量不必要的触发被取消, 从而节省能量损耗. 最后, 通过仿真实验验证算法的可行性和有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220632
摘要:
现实世界中所获得的信号大部分都是非平稳和非线性的, 将此类复杂信号分解为多个简单的子信号是重要的信号处理方法. 自1998年Huang提出希尔伯特–黄变换(Hilbert-Huang transform, HHT), 历经20余年的发展, 信号分解已经成为信号处理领域相对独立又具有创新性的重要内容. 特别是近10年来, 多元/多变量/多通道信号分解理论方法方兴未艾, 在诸多领域得到了成功应用. 但目前尚未见到相关综述报道, 因此为了填补这个空缺, 从单变量和多变量两个方面系统综述了国内外学者对主要信号分解方法的研究现状, 对这些方法的时频表达性能进行了分析和比较, 指出了这些分解方法的优势和存在的问题. 最后对信号分解研究进行了总结展望.
现实世界中所获得的信号大部分都是非平稳和非线性的, 将此类复杂信号分解为多个简单的子信号是重要的信号处理方法. 自1998年Huang提出希尔伯特–黄变换(Hilbert-Huang transform, HHT), 历经20余年的发展, 信号分解已经成为信号处理领域相对独立又具有创新性的重要内容. 特别是近10年来, 多元/多变量/多通道信号分解理论方法方兴未艾, 在诸多领域得到了成功应用. 但目前尚未见到相关综述报道, 因此为了填补这个空缺, 从单变量和多变量两个方面系统综述了国内外学者对主要信号分解方法的研究现状, 对这些方法的时频表达性能进行了分析和比较, 指出了这些分解方法的优势和存在的问题. 最后对信号分解研究进行了总结展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c200156
摘要:
感兴趣区域(Region of interest, ROI) 提取在生物特征识别中, 常用于减少后续处理的计算消耗, 提高识别模型的准确性, 是生物识别系统中预处理的关键步骤. 针对生物识别数据, 提出了一种鲁棒的ROI提取方法. 方法使用语义分割模型作为基础, 通过增加全局感知模块, 与分割模型形成对抗结构, 为模型提供先验知识, 补充全局视觉模式信息, 解决了语义分割模型的末端收敛困难问题, 提高了模型的鲁棒性和泛化能力. 在传统二维(2D)指纹、人脸、三维(3D)指纹和指纹汗孔数据集中验证了方法的有效性. 实验结果表明, 相比于现有方法, 所提出的ROI提取方法更具鲁棒性和泛化能力, 精度最高.
感兴趣区域(Region of interest, ROI) 提取在生物特征识别中, 常用于减少后续处理的计算消耗, 提高识别模型的准确性, 是生物识别系统中预处理的关键步骤. 针对生物识别数据, 提出了一种鲁棒的ROI提取方法. 方法使用语义分割模型作为基础, 通过增加全局感知模块, 与分割模型形成对抗结构, 为模型提供先验知识, 补充全局视觉模式信息, 解决了语义分割模型的末端收敛困难问题, 提高了模型的鲁棒性和泛化能力. 在传统二维(2D)指纹、人脸、三维(3D)指纹和指纹汗孔数据集中验证了方法的有效性. 实验结果表明, 相比于现有方法, 所提出的ROI提取方法更具鲁棒性和泛化能力, 精度最高.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220230
摘要:
现有多模态机器翻译(Multi-modal machine translation, MMT)方法将图片与待翻译文本进行句子级别的语义融合. 这些方法存在视觉信息作用不明确和模型对视觉信息不敏感等问题, 并进一步造成了视觉信息与文本信息无法在翻译模型中充分融合语义的问题. 针对这些问题, 提出了一种跨模态实体重构(Cross-modal entity reconstruction, CER)方法. 区别于将完整的图片输入到翻译模型中, 该方法显式对齐文本与图像中的实体, 通过文本上下文与一种模态的实体的组合来重构另一种模态的实体, 最终达到实体级的跨模态语义融合的目的, 通过多任务学习方法将CER模型与翻译模型结合, 达到提升翻译质量的目的. 该方法在多模态翻译数据集的两个语言对上取得了最佳的翻译准确率. 进一步的分析实验表明, 该方法能够有效提升模型在翻译过程中对源端文本实体的忠实度.
现有多模态机器翻译(Multi-modal machine translation, MMT)方法将图片与待翻译文本进行句子级别的语义融合. 这些方法存在视觉信息作用不明确和模型对视觉信息不敏感等问题, 并进一步造成了视觉信息与文本信息无法在翻译模型中充分融合语义的问题. 针对这些问题, 提出了一种跨模态实体重构(Cross-modal entity reconstruction, CER)方法. 区别于将完整的图片输入到翻译模型中, 该方法显式对齐文本与图像中的实体, 通过文本上下文与一种模态的实体的组合来重构另一种模态的实体, 最终达到实体级的跨模态语义融合的目的, 通过多任务学习方法将CER模型与翻译模型结合, 达到提升翻译质量的目的. 该方法在多模态翻译数据集的两个语言对上取得了最佳的翻译准确率. 进一步的分析实验表明, 该方法能够有效提升模型在翻译过程中对源端文本实体的忠实度.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220208
摘要:
作为聚类的重要组成部分, 边界点在引导聚类收敛和提升模式识别能力方面起着重要作用, 以BP (Border-peeling clustering)为最新代表的边界剥离聚类借助潜在边界信息来确保簇核心区域的空间隔离, 提高了簇骨架代表性并解决了边界隶属问题. 然而, 现有边界剥离聚类仍存在判别特征不完备、判别模式单一、嵌套迭代等约束. 为此, 提出了基于空间向量分解的边界剥离密度聚类(Density clustering based on the border-peeling using space vector decomposition, CBPVD), 以投影子空间和原始数据空间为基准, 从分布稀疏性(紧密性)和方向偏斜性(对称性)两个视角强化边界的细粒度特征, 进而通过主动边界剥离反向建立簇骨架并指导边界隶属. 与同类算法相比, 40个数据集(人工、UCI、视频图像)上的实验结果以及4个视角的理论分析表明了CBPVD在高维聚类和边界模式识别方面具有良好的综合表现.
作为聚类的重要组成部分, 边界点在引导聚类收敛和提升模式识别能力方面起着重要作用, 以BP (Border-peeling clustering)为最新代表的边界剥离聚类借助潜在边界信息来确保簇核心区域的空间隔离, 提高了簇骨架代表性并解决了边界隶属问题. 然而, 现有边界剥离聚类仍存在判别特征不完备、判别模式单一、嵌套迭代等约束. 为此, 提出了基于空间向量分解的边界剥离密度聚类(Density clustering based on the border-peeling using space vector decomposition, CBPVD), 以投影子空间和原始数据空间为基准, 从分布稀疏性(紧密性)和方向偏斜性(对称性)两个视角强化边界的细粒度特征, 进而通过主动边界剥离反向建立簇骨架并指导边界隶属. 与同类算法相比, 40个数据集(人工、UCI、视频图像)上的实验结果以及4个视角的理论分析表明了CBPVD在高维聚类和边界模式识别方面具有良好的综合表现.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211235
摘要:
针对一类存在周期性扰动的系统, 提出一种新型的基于广义比例积分(Proportional-integral, PI)观测器零点配置的抗扰残差评估框架, 充分利用广义PI观测器的零点可配置性, 通过调整传递函数矩阵在阻塞零点处的相位响应, 并利用该频点处矩阵的零特征向量对残差信号进行滤波, 实现残差信号与周期性扰动的解耦. 此外, 还创新性地提出一种基于矩阵条件数的优化目标函数, 改善了残差信号对故障的敏感性. 最后, 通过两轮自平衡小车的仿真对比实验和实物测试, 验证了所提方法在残差抑扰和故障检测方面的有效性.
针对一类存在周期性扰动的系统, 提出一种新型的基于广义比例积分(Proportional-integral, PI)观测器零点配置的抗扰残差评估框架, 充分利用广义PI观测器的零点可配置性, 通过调整传递函数矩阵在阻塞零点处的相位响应, 并利用该频点处矩阵的零特征向量对残差信号进行滤波, 实现残差信号与周期性扰动的解耦. 此外, 还创新性地提出一种基于矩阵条件数的优化目标函数, 改善了残差信号对故障的敏感性. 最后, 通过两轮自平衡小车的仿真对比实验和实物测试, 验证了所提方法在残差抑扰和故障检测方面的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230020
摘要:
基于虚拟隐含网络的虚假数据注入攻击(False data injection attack, FDIA)防御控制策略, 本文提出了一种基于图论的拓扑优化算法来提高其防御性能. 首先, 提出了一种图的等效变换方法 — 权值分配法, 实现二分图连接拓扑与二分图拉普拉斯矩阵的一一对应; 进而基于网络拓扑的连通度以及连通图的可去边理论, 给出了虚拟隐含网络和二分图连接网络的拓扑选择依据; 在考虑拓扑权值的基础上, 给出了权值拓扑优化的指标评价函数; 通过求解指标评价函数的最小化代价实现拓扑优化选择, 从而改善基于虚拟隐含网络的虚假数据注入攻击防御方法的性能. 最后, 通过在IEEE-14总线电网系统上的仿真验证了所提算法的有效性.
基于虚拟隐含网络的虚假数据注入攻击(False data injection attack, FDIA)防御控制策略, 本文提出了一种基于图论的拓扑优化算法来提高其防御性能. 首先, 提出了一种图的等效变换方法 — 权值分配法, 实现二分图连接拓扑与二分图拉普拉斯矩阵的一一对应; 进而基于网络拓扑的连通度以及连通图的可去边理论, 给出了虚拟隐含网络和二分图连接网络的拓扑选择依据; 在考虑拓扑权值的基础上, 给出了权值拓扑优化的指标评价函数; 通过求解指标评价函数的最小化代价实现拓扑优化选择, 从而改善基于虚拟隐含网络的虚假数据注入攻击防御方法的性能. 最后, 通过在IEEE-14总线电网系统上的仿真验证了所提算法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210004
摘要:
同义词挖掘是自然语言处理中一项重要任务. 为了构建大规模训练语料, 现有研究利用远程监督、点击图筛选等方式抽取同义词种子, 而这几种方式都不可避免地引入了噪声标签, 从而影响高质量同义词挖掘模型的训练. 此外, 由于大量实体词所具有的少样本特性、领域分布差异性和预训练词向量训练目标与同义词挖掘任务的不一致性, 在同义词挖掘任务中, 词级别的预训练词向量很难产生高质量的实体语义表示. 为解决这两个问题, 提出了一种利用成对字向量和噪声鲁棒学习框架的同义词挖掘模型. 模型利用预训练的成对字向量增强实体语义表示, 并利用自动标注的噪声标签通过交替优化的方式, 估计真实标签的分布并产生伪标签, 希望通过这些改进提升模型的表示能力和鲁棒性. 最后, 使用WordNet分析和过滤带噪声数据集, 并在不同规模、不同领域的同义词数据集上进行了实验验证. 实验结果和分析表明, 该同义词挖掘模型在各种数据分布和噪声比例下, 与有竞争力的基准方法相比, 均提升了同义词判别和同义词集合生成的效果.
同义词挖掘是自然语言处理中一项重要任务. 为了构建大规模训练语料, 现有研究利用远程监督、点击图筛选等方式抽取同义词种子, 而这几种方式都不可避免地引入了噪声标签, 从而影响高质量同义词挖掘模型的训练. 此外, 由于大量实体词所具有的少样本特性、领域分布差异性和预训练词向量训练目标与同义词挖掘任务的不一致性, 在同义词挖掘任务中, 词级别的预训练词向量很难产生高质量的实体语义表示. 为解决这两个问题, 提出了一种利用成对字向量和噪声鲁棒学习框架的同义词挖掘模型. 模型利用预训练的成对字向量增强实体语义表示, 并利用自动标注的噪声标签通过交替优化的方式, 估计真实标签的分布并产生伪标签, 希望通过这些改进提升模型的表示能力和鲁棒性. 最后, 使用WordNet分析和过滤带噪声数据集, 并在不同规模、不同领域的同义词数据集上进行了实验验证. 实验结果和分析表明, 该同义词挖掘模型在各种数据分布和噪声比例下, 与有竞争力的基准方法相比, 均提升了同义词判别和同义词集合生成的效果.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230019
摘要:
离线强化学习通过减小分布偏移实现了习得策略向行为策略的逼近, 但离线经验缓存的数据分布往往会直接影响习得策略的质量. 通过优化采样模型来改善强化学习智能体的训练效果, 提出两种离线优先采样模型: 基于时序差分误差的采样模型和基于鞅的采样模型. 基于时序差分误差的采样模型可以使智能体更多地学习值估计不准确的经验数据, 通过估计更准确的值函数来应对可能出现的分布外状态. 基于鞅的采样模型可以使智能体更多地学习对策略优化有利的正样本, 减少负样本对值函数迭代的影响. 进一步, 将所提离线优先采样模型分别与批约束深度Q学习(Batch-constrained deep Q-learning, BCQ)相结合, 提出基于时序差分误差的优先BCQ和基于鞅的优先BCQ. D4RL和Torcs数据集上的实验结果表明: 所提离线优先采样模型可以有针对性地选择有利于值函数估计或策略优化的经验数据, 获得更高的回报.
离线强化学习通过减小分布偏移实现了习得策略向行为策略的逼近, 但离线经验缓存的数据分布往往会直接影响习得策略的质量. 通过优化采样模型来改善强化学习智能体的训练效果, 提出两种离线优先采样模型: 基于时序差分误差的采样模型和基于鞅的采样模型. 基于时序差分误差的采样模型可以使智能体更多地学习值估计不准确的经验数据, 通过估计更准确的值函数来应对可能出现的分布外状态. 基于鞅的采样模型可以使智能体更多地学习对策略优化有利的正样本, 减少负样本对值函数迭代的影响. 进一步, 将所提离线优先采样模型分别与批约束深度Q学习(Batch-constrained deep Q-learning, BCQ)相结合, 提出基于时序差分误差的优先BCQ和基于鞅的优先BCQ. D4RL和Torcs数据集上的实验结果表明: 所提离线优先采样模型可以有针对性地选择有利于值函数估计或策略优化的经验数据, 获得更高的回报.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210498
摘要:
针对飞行目标机动性带来的多传感器协同探测资源调度动态性需求, 提出一种新的基于近端策略优化与全卷积神经网络结合的多传感器协同探测资源调度算法. 首先, 分析影响多传感器协同探测资源调度的复杂约束条件, 形成评价多传感器协同探测资源调度过程指标; 然后, 引入马尔科夫决策过程(Markov decision process, MDP)模拟多传感器协同探测资源调度过程, 并为提高算法稳定性, 将Adam算法与学习率衰减算法结合, 控制学习率调整步长; 最后, 基于改进近端策略优化与全卷积神经网络结合算法求解动态资源调度策略, 并通过对比实验表明该算法的优越性.
针对飞行目标机动性带来的多传感器协同探测资源调度动态性需求, 提出一种新的基于近端策略优化与全卷积神经网络结合的多传感器协同探测资源调度算法. 首先, 分析影响多传感器协同探测资源调度的复杂约束条件, 形成评价多传感器协同探测资源调度过程指标; 然后, 引入马尔科夫决策过程(Markov decision process, MDP)模拟多传感器协同探测资源调度过程, 并为提高算法稳定性, 将Adam算法与学习率衰减算法结合, 控制学习率调整步长; 最后, 基于改进近端策略优化与全卷积神经网络结合算法求解动态资源调度策略, 并通过对比实验表明该算法的优越性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220564
摘要:
具身智能强调智能受脑、身体与环境协同影响,更侧重关注智能体与环境的“交互”. 因此, 在具身智能的研究中, 智能体的物理形态与感知、学习、控制的关系起到至关重要的作用. 当前, 具身智能综合吸收了机构学领域关于形态、结构, 机器学习领域关于感知、学习, 以及机器人领域关于行为、控制等的相关研究成果, 形成了相对完整、独立并仍在蓬勃发展的学科分支. 但是, 目前尚无文献完整地梳理基于形态的具身智能研究进展. 本文从这个角度出发, 重点围绕基于形态计算的行为生成、基于学习的形态控制, 以及基于学习的形态优化这三方面总结重要的研究进展, 凝炼相关的科学问题, 并总结未来的发展方向, 可为具身智能的研究提供参考.
具身智能强调智能受脑、身体与环境协同影响,更侧重关注智能体与环境的“交互”. 因此, 在具身智能的研究中, 智能体的物理形态与感知、学习、控制的关系起到至关重要的作用. 当前, 具身智能综合吸收了机构学领域关于形态、结构, 机器学习领域关于感知、学习, 以及机器人领域关于行为、控制等的相关研究成果, 形成了相对完整、独立并仍在蓬勃发展的学科分支. 但是, 目前尚无文献完整地梳理基于形态的具身智能研究进展. 本文从这个角度出发, 重点围绕基于形态计算的行为生成、基于学习的形态控制, 以及基于学习的形态优化这三方面总结重要的研究进展, 凝炼相关的科学问题, 并总结未来的发展方向, 可为具身智能的研究提供参考.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230018
摘要:
追逃问题的研究在对抗、追踪以及搜查等领域极具现实意义. 借助连续随机博弈与马尔可夫决策过程, 研究使用测量距离求解多对一追逃问题的最优策略. 在此追逃问题中, 追捕群体仅领导者可测量与逃逸者间的相对距离, 而逃逸者具有全局视野. 追逃策略求解被分为追博弈与马尔可夫决策(Markov decision process, MDP)两个过程. 在求解追捕策略时, 通过分割环境引入信念区域状态以估计逃逸者位置, 同时使用测量距离对信念区域状态进行修正, 构建起基于信念区域状态的连续随机追博弈, 并借助不动点定理证明了博弈平稳纳什均衡策略的存在性. 在求解逃逸策略时, 逃逸者根据全局信息建立混合状态下的马尔可夫决策过程及相应的最优贝尔曼方程. 同时给出了基于强化学习的平稳追逃策略求解算法, 并通过案例验证了该算法的有效性.
追逃问题的研究在对抗、追踪以及搜查等领域极具现实意义. 借助连续随机博弈与马尔可夫决策过程, 研究使用测量距离求解多对一追逃问题的最优策略. 在此追逃问题中, 追捕群体仅领导者可测量与逃逸者间的相对距离, 而逃逸者具有全局视野. 追逃策略求解被分为追博弈与马尔可夫决策(Markov decision process, MDP)两个过程. 在求解追捕策略时, 通过分割环境引入信念区域状态以估计逃逸者位置, 同时使用测量距离对信念区域状态进行修正, 构建起基于信念区域状态的连续随机追博弈, 并借助不动点定理证明了博弈平稳纳什均衡策略的存在性. 在求解逃逸策略时, 逃逸者根据全局信息建立混合状态下的马尔可夫决策过程及相应的最优贝尔曼方程. 同时给出了基于强化学习的平稳追逃策略求解算法, 并通过案例验证了该算法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220957
摘要:
飞机蒙皮、船舶舱体、高铁车身等大型复杂部件高效高品质制造是航空航天、海洋舰船、轨道交通等领域重大装备发展的根基, 是国家加快培育及发展的战略性新兴产业, 在服务国家的重大需求及维护国防安全中发挥着举足轻重的作用. 大型复杂部件具有尺寸超大、工序繁多、型面复杂等特点, 其制造过程规模大、任务多、精度高, 作业场景复杂. 与此同时, 传统的人工、单机制造面临着效率低、柔性不足、一致性差、空间有限等问题, 难以满足大型复杂部件制造的需求. 多机器人具有高鲁棒性、高效性等优点, 为大型复杂部件制造提供了良好的制造基础. 任务分配与运动规划是多机器人制造系统的决策中枢, 其性能影响整个系统的运行效率. 考虑到重大装备部件制造任务分配与运动规划过程中任务工序多、冲突干涉多、精度需求高等挑战, 本文首先对复杂环境下多机器人任务分配与运动规划的重要性进行了说明; 然后阐述了目前主要的任务分配与运动规划方法, 包括其在智能制造领域复杂环境下的应用; 在此基础上, 对现阶段复杂场景下任务分配和运动规划存在的问题进行了分析, 并使用强化学习与混合优化算法等方法提出了解决思路; 最后对重大装备大型复杂部件制造过程多机器人任务分配和动态规划技术及应用的发展进行了总结与展望.
飞机蒙皮、船舶舱体、高铁车身等大型复杂部件高效高品质制造是航空航天、海洋舰船、轨道交通等领域重大装备发展的根基, 是国家加快培育及发展的战略性新兴产业, 在服务国家的重大需求及维护国防安全中发挥着举足轻重的作用. 大型复杂部件具有尺寸超大、工序繁多、型面复杂等特点, 其制造过程规模大、任务多、精度高, 作业场景复杂. 与此同时, 传统的人工、单机制造面临着效率低、柔性不足、一致性差、空间有限等问题, 难以满足大型复杂部件制造的需求. 多机器人具有高鲁棒性、高效性等优点, 为大型复杂部件制造提供了良好的制造基础. 任务分配与运动规划是多机器人制造系统的决策中枢, 其性能影响整个系统的运行效率. 考虑到重大装备部件制造任务分配与运动规划过程中任务工序多、冲突干涉多、精度需求高等挑战, 本文首先对复杂环境下多机器人任务分配与运动规划的重要性进行了说明; 然后阐述了目前主要的任务分配与运动规划方法, 包括其在智能制造领域复杂环境下的应用; 在此基础上, 对现阶段复杂场景下任务分配和运动规划存在的问题进行了分析, 并使用强化学习与混合优化算法等方法提出了解决思路; 最后对重大装备大型复杂部件制造过程多机器人任务分配和动态规划技术及应用的发展进行了总结与展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220819
摘要:
提升纯电动汽车整车能效、降低百公里耗电量, 是我国新能源汽车产业发展的重大需求. 智能网联背景下, V2X (Vehicle to everything)网联信息以及激光雷达、毫米波雷达、摄像头、定位及导航装置等各类车载传感器, 为智能网联电动汽车(Connected automated electric vehicle, CAEV)提供了全方位的信息交互、共享和状态感知能力, 赋予了其巨大的节能优化潜力. 针对CAEV节能优化控制问题, 首先从动力电池、电机控制器、驱动电机、传动机构、轮胎和驾驶决策六个环节分析了电动汽车的典型损耗特性, 从决策、控制和执行三个层面分析了CAEV的能量转换过程及耦合关系, 以及网联信息对CAEV 的节能影响; 然后, 从决策层车速优化、控制层驱动/制动转矩优化控制和执行层电流矢量优化控制三个方面, 对各层的节能优化问题进行了阐述, 并重点对国内外研究现状进行了归纳分析; 最后, 对决策层、控制层和执行层CAEV节能优化控制的难点以及现有研究工作进行了总结, 并对下一步发展趋势进行了展望.
提升纯电动汽车整车能效、降低百公里耗电量, 是我国新能源汽车产业发展的重大需求. 智能网联背景下, V2X (Vehicle to everything)网联信息以及激光雷达、毫米波雷达、摄像头、定位及导航装置等各类车载传感器, 为智能网联电动汽车(Connected automated electric vehicle, CAEV)提供了全方位的信息交互、共享和状态感知能力, 赋予了其巨大的节能优化潜力. 针对CAEV节能优化控制问题, 首先从动力电池、电机控制器、驱动电机、传动机构、轮胎和驾驶决策六个环节分析了电动汽车的典型损耗特性, 从决策、控制和执行三个层面分析了CAEV的能量转换过程及耦合关系, 以及网联信息对CAEV 的节能影响; 然后, 从决策层车速优化、控制层驱动/制动转矩优化控制和执行层电流矢量优化控制三个方面, 对各层的节能优化问题进行了阐述, 并重点对国内外研究现状进行了归纳分析; 最后, 对决策层、控制层和执行层CAEV节能优化控制的难点以及现有研究工作进行了总结, 并对下一步发展趋势进行了展望.
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.c220754
摘要:
针对级联非线性切换系统, 提出了基于周期事件驱动机制的H∞输出跟踪控制策略. 首先, 基于提出的周期事件驱动方案, 设计了积分型控制器, 并将闭环系统转化为时滞切换系统. 其次, 考虑子系统与控制器异步切换的情况, 并给出驻留时间与平均驻留时间满足的关系, 从而得到H∞输出跟踪控制问题可解的充分条件. 最后, 给出数值仿真验证主要方法的有效性.
针对级联非线性切换系统, 提出了基于周期事件驱动机制的H∞输出跟踪控制策略. 首先, 基于提出的周期事件驱动方案, 设计了积分型控制器, 并将闭环系统转化为时滞切换系统. 其次, 考虑子系统与控制器异步切换的情况, 并给出驻留时间与平均驻留时间满足的关系, 从而得到H∞输出跟踪控制问题可解的充分条件. 最后, 给出数值仿真验证主要方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220635
摘要:
现有的从图像序列中检测和跟踪低信噪比、时变数量多目标的方法, 将多目标视为一个整体. 因此, 随着目标数量的增加, 会出现算法结构复杂、计算量增大、性能下降等问题. 针对上述问题, 提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRFB-MTBD)算法, 将多目标跟踪问题转换为序贯地检测和估计多个单目标的问题. 首先, 采用代价参考粒子滤波器(Cost-reference particle filter, CRPFB)组序贯地估计所有可能单目标状态序列; 其次, 基于欧氏距离合并或删减多个单目标状态, 确定目标数量; 最后, 根据累积代价判断每个目标出现和消失的具体时刻. 仿真实验验证了CRPFB-MTBD在信噪比低至6dB时的优良性能, 与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-beofre-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态和数量估计结果最佳, 且平均单次运行时间极短.
现有的从图像序列中检测和跟踪低信噪比、时变数量多目标的方法, 将多目标视为一个整体. 因此, 随着目标数量的增加, 会出现算法结构复杂、计算量增大、性能下降等问题. 针对上述问题, 提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRFB-MTBD)算法, 将多目标跟踪问题转换为序贯地检测和估计多个单目标的问题. 首先, 采用代价参考粒子滤波器(Cost-reference particle filter, CRPFB)组序贯地估计所有可能单目标状态序列; 其次, 基于欧氏距离合并或删减多个单目标状态, 确定目标数量; 最后, 根据累积代价判断每个目标出现和消失的具体时刻. 仿真实验验证了CRPFB-MTBD在信噪比低至6dB时的优良性能, 与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-beofre-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态和数量估计结果最佳, 且平均单次运行时间极短.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211041
摘要:
针对随机权神经网络(Random weight neural networks, RWNNs)隐含层节点随机生成过程可解释性不足和节点随机生成而导致的网络结构不紧致等问题, 提出了一种空间几何角度最大化随机增量学习模型(Stochastic incremental learning model with maximizing spatial geometry angle, SGA-SIM). 首先, 以空间几何视角深入分析随机增量学习过程, 建立了具有可解释性的空间几何角度最大化约束, 以改善隐含层节点质量, 并证明该学习模型具有无限逼近特性; 同时, 引入格雷维尔迭代法优化学习模型输出权值计算方法, 提高模型学习效率. 在真实的分类和回归数据集以及数值模拟实例上的实验结果表明, 所提增量学习模型在建模速度、模型精度和模型网络结构等多个方面具有明显优势.
针对随机权神经网络(Random weight neural networks, RWNNs)隐含层节点随机生成过程可解释性不足和节点随机生成而导致的网络结构不紧致等问题, 提出了一种空间几何角度最大化随机增量学习模型(Stochastic incremental learning model with maximizing spatial geometry angle, SGA-SIM). 首先, 以空间几何视角深入分析随机增量学习过程, 建立了具有可解释性的空间几何角度最大化约束, 以改善隐含层节点质量, 并证明该学习模型具有无限逼近特性; 同时, 引入格雷维尔迭代法优化学习模型输出权值计算方法, 提高模型学习效率. 在真实的分类和回归数据集以及数值模拟实例上的实验结果表明, 所提增量学习模型在建模速度、模型精度和模型网络结构等多个方面具有明显优势.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220420
摘要:
针对线性同质多智能体系统, 提出一种新的降阶输出反馈一致性协议. 该协议仅依赖智能体间相对输出信息, 当相对输出信息可直接测量时, 该协议无需在邻居智能体间共享控制器的状态, 降低系统对通讯媒介的依赖. 本文首先给出该协议存在的充要条件, 证明闭环系统的一致性并计算一致性状态. 理论分析表明, 该协议仍然具有类似分离原理的性质, 因此其参数构造过程非常简便. 最后, 通过数值仿真对比实验, 验证该控制协议的有效性.
针对线性同质多智能体系统, 提出一种新的降阶输出反馈一致性协议. 该协议仅依赖智能体间相对输出信息, 当相对输出信息可直接测量时, 该协议无需在邻居智能体间共享控制器的状态, 降低系统对通讯媒介的依赖. 本文首先给出该协议存在的充要条件, 证明闭环系统的一致性并计算一致性状态. 理论分析表明, 该协议仍然具有类似分离原理的性质, 因此其参数构造过程非常简便. 最后, 通过数值仿真对比实验, 验证该控制协议的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220759
摘要:
四旋翼无人机系统姿态角和角速度分别为运行在不同时间尺度上的慢、快动态. 由于输入扰动的上界难以精确估计, 本文提出了一种基于自适应多尺度超螺旋滑模算法的无人机集群一致性控制策略. 首先, 建立了无人机集群系统的姿态角模型, 并通过奇异摄动理论将其化为两时间尺度形式. 基于系统的快慢特性, 本文设计两时间尺度的超螺旋滑模算法, 并采用自适应增益处理无人机集群系统的未知边界非线性. 此外, 还提出了一种改进型自适应多尺度超螺旋滑模算法, 进一步减少了系统的一致性收敛时间, 实现了无人机集群姿态角有限时间内同步. 最后通过仿真分析, 验证了两种自适应多尺度超螺旋滑模算法的正确性和有效性.
四旋翼无人机系统姿态角和角速度分别为运行在不同时间尺度上的慢、快动态. 由于输入扰动的上界难以精确估计, 本文提出了一种基于自适应多尺度超螺旋滑模算法的无人机集群一致性控制策略. 首先, 建立了无人机集群系统的姿态角模型, 并通过奇异摄动理论将其化为两时间尺度形式. 基于系统的快慢特性, 本文设计两时间尺度的超螺旋滑模算法, 并采用自适应增益处理无人机集群系统的未知边界非线性. 此外, 还提出了一种改进型自适应多尺度超螺旋滑模算法, 进一步减少了系统的一致性收敛时间, 实现了无人机集群姿态角有限时间内同步. 最后通过仿真分析, 验证了两种自适应多尺度超螺旋滑模算法的正确性和有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220180
摘要:
本文针对具有未知动态和M个平衡点的连续时间非线性系统, 将线性自适应最优切换控制器和未建模动态补偿器相结合, 基于嵌入转换技术和近似动态规划思想, 提出了一种自适应最优切换控制方法. 首先在非线性系统的M个平衡点建立M个线性化模型, 当模型参数已知时, 提出了由线性最优切换控制器、切换准则、未建模动态补偿器以及非线性系统组成的控制系统结构; 当模型参数未知时, 在每个平衡点附近采集输入和状态数据, 利用黎卡提方程的迭代求解公式、最小二乘方法、极小值原理以及二次规划技术得到非线性系统的自适应最优切换控制器和最优切换序列; 最后进行仿真实验, 实验结果验证了本文所提方法的有效性、优越性和实际可应用性.
本文针对具有未知动态和M个平衡点的连续时间非线性系统, 将线性自适应最优切换控制器和未建模动态补偿器相结合, 基于嵌入转换技术和近似动态规划思想, 提出了一种自适应最优切换控制方法. 首先在非线性系统的M个平衡点建立M个线性化模型, 当模型参数已知时, 提出了由线性最优切换控制器、切换准则、未建模动态补偿器以及非线性系统组成的控制系统结构; 当模型参数未知时, 在每个平衡点附近采集输入和状态数据, 利用黎卡提方程的迭代求解公式、最小二乘方法、极小值原理以及二次规划技术得到非线性系统的自适应最优切换控制器和最优切换序列; 最后进行仿真实验, 实验结果验证了本文所提方法的有效性、优越性和实际可应用性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220555
摘要:
建模与仿真服务化是提升用户体验, 支撑按需访问建模与仿真能力的有效手段. 本文首先从建模与仿真服务的访问、开发以及运行与管理三个层面对建模与仿真服务化的概念进行辨析; 并从服务的分类、抽象层级、基本元素和状态四个角度对建模与仿真服务的特征进行阐述. 然后从基于网页的仿真、基于面向服务架构的仿真系统开发和服务化基础设施三个维度对建模与仿真服务化的发展历程进行梳理. 在此基础之上, 分析了基于云的建模与仿真服务化的构建原则、基本架构和应用模式, 并从访问、开发以及运行与管理三个层面给出建模与仿真服务化相关的支撑技术. 最后, 从理论体系、关键技术和新兴技术三个方面给出进一步发展建模与仿真服务化的建议.
建模与仿真服务化是提升用户体验, 支撑按需访问建模与仿真能力的有效手段. 本文首先从建模与仿真服务的访问、开发以及运行与管理三个层面对建模与仿真服务化的概念进行辨析; 并从服务的分类、抽象层级、基本元素和状态四个角度对建模与仿真服务的特征进行阐述. 然后从基于网页的仿真、基于面向服务架构的仿真系统开发和服务化基础设施三个维度对建模与仿真服务化的发展历程进行梳理. 在此基础之上, 分析了基于云的建模与仿真服务化的构建原则、基本架构和应用模式, 并从访问、开发以及运行与管理三个层面给出建模与仿真服务化相关的支撑技术. 最后, 从理论体系、关键技术和新兴技术三个方面给出进一步发展建模与仿真服务化的建议.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220574
摘要:
基于视网膜对视觉信息的处理方式, 提出了一种视网膜功能启发的边缘检测层级模型. 针对视网膜神经元在周期性光刺激下产生适应的特性, 构建具有自适应阈值的Izhikevich神经元模型; 模拟光感受器中视锥细胞、视杆细胞对亮度的感知能力, 构建亮度感知编码层; 引入双极细胞对给光—撤光刺激的分离能力, 并结合神经节细胞对运动方向敏感的特性, 构建双通路边缘提取层; 另外根据神经节细胞神经元在多特征调控下延迟激活的现象, 构建具有脉冲延时特性的纹理抑制层; 最后将双通路边缘提取的结果与延时抑制量相融合, 得到最终边缘检测的结果. 以150张来自实验室采集和AGAR数据集中的菌落图像为实验对象对本文方法进行验证. 检测结果的重建图像相似度、边缘置信度、边缘连续性和综合指标分别达到0.9629、0.3111、0.9159和0.7870, 表明本文方法能更有效地进行边缘定位、抑制冗余纹理、保持主体边缘完整性. 本文面向边缘检测任务, 构建了模拟视网膜对视觉信息处理方式的边缘检测模型, 也为后续构建由视觉机制启发的图像计算模型提供了新思路.
基于视网膜对视觉信息的处理方式, 提出了一种视网膜功能启发的边缘检测层级模型. 针对视网膜神经元在周期性光刺激下产生适应的特性, 构建具有自适应阈值的Izhikevich神经元模型; 模拟光感受器中视锥细胞、视杆细胞对亮度的感知能力, 构建亮度感知编码层; 引入双极细胞对给光—撤光刺激的分离能力, 并结合神经节细胞对运动方向敏感的特性, 构建双通路边缘提取层; 另外根据神经节细胞神经元在多特征调控下延迟激活的现象, 构建具有脉冲延时特性的纹理抑制层; 最后将双通路边缘提取的结果与延时抑制量相融合, 得到最终边缘检测的结果. 以150张来自实验室采集和AGAR数据集中的菌落图像为实验对象对本文方法进行验证. 检测结果的重建图像相似度、边缘置信度、边缘连续性和综合指标分别达到0.9629、0.3111、0.9159和0.7870, 表明本文方法能更有效地进行边缘定位、抑制冗余纹理、保持主体边缘完整性. 本文面向边缘检测任务, 构建了模拟视网膜对视觉信息处理方式的边缘检测模型, 也为后续构建由视觉机制启发的图像计算模型提供了新思路.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220893
摘要:
研究了受到隐蔽攻击的信息物理系统的安全控制问题. 采用Kullback-Leibler(KL)散度描述攻击的隐蔽性, 并设计动态输出反馈控制器使得系统可达集始终保持在安全区域内, 其中可达集定义为系统状态以一定概率属于的集合. 首先, 给出了隐蔽攻击下检测器残差所在范围的一个外椭球近似集. 其次, 根据该近似集和噪声的范围给出了控制器参数与系统椭球形不变可达集的关系. 然后, 通过设计可逆线性变换并构造凸优化问题, 求解安全动态输出控制器参数和相应的不变可达集. 最后, 使用弹簧-质量-阻尼系统进行仿真, 验证了所提控制方法的有效性.
研究了受到隐蔽攻击的信息物理系统的安全控制问题. 采用Kullback-Leibler(KL)散度描述攻击的隐蔽性, 并设计动态输出反馈控制器使得系统可达集始终保持在安全区域内, 其中可达集定义为系统状态以一定概率属于的集合. 首先, 给出了隐蔽攻击下检测器残差所在范围的一个外椭球近似集. 其次, 根据该近似集和噪声的范围给出了控制器参数与系统椭球形不变可达集的关系. 然后, 通过设计可逆线性变换并构造凸优化问题, 求解安全动态输出控制器参数和相应的不变可达集. 最后, 使用弹簧-质量-阻尼系统进行仿真, 验证了所提控制方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220712
摘要:
青藏地区快速的经济发展使得进入高原的群体数量日益增加, 随之而来的高原健康问题也愈发突出. 间歇性低氧训练(Intermittent hypoxic training, IHT)是急进高原前常使用的预习服方法, 一般针对不同个体均设置固定的开环策略, 存在方案制定无标准、系统化的理论指导缺乏、效果不明显等问题. 针对以上情况, 设计了一种小样本数据驱动的IHT策略贝叶斯闭环学习优化框架, 建立自回归结构的高斯过程血氧饱和度(Pripheral oxygen saturation, SpO2)预测模型, 并考虑高低风险事件对训练的影响, 设计与氧浓度变化方向和速率相关的风险不对称代价函数, 提出具有安全约束的贝叶斯优化方法, 实现IHT最优供氧浓度的优化决策. 考虑到现有仿真器无法反映个体动态变化过程, 依据“最优速率理论”设计了合理的模型自适应变化律. 所提出闭环干预方法通过该仿真器进行了可行性和有效性验证. 说明该学习框架能够指导个体提升高原适应能力, 减轻其在预习服阶段的非适应性不良反应, 为个性化IHT提供精准调控手段.
青藏地区快速的经济发展使得进入高原的群体数量日益增加, 随之而来的高原健康问题也愈发突出. 间歇性低氧训练(Intermittent hypoxic training, IHT)是急进高原前常使用的预习服方法, 一般针对不同个体均设置固定的开环策略, 存在方案制定无标准、系统化的理论指导缺乏、效果不明显等问题. 针对以上情况, 设计了一种小样本数据驱动的IHT策略贝叶斯闭环学习优化框架, 建立自回归结构的高斯过程血氧饱和度(Pripheral oxygen saturation, SpO2)预测模型, 并考虑高低风险事件对训练的影响, 设计与氧浓度变化方向和速率相关的风险不对称代价函数, 提出具有安全约束的贝叶斯优化方法, 实现IHT最优供氧浓度的优化决策. 考虑到现有仿真器无法反映个体动态变化过程, 依据“最优速率理论”设计了合理的模型自适应变化律. 所提出闭环干预方法通过该仿真器进行了可行性和有效性验证. 说明该学习框架能够指导个体提升高原适应能力, 减轻其在预习服阶段的非适应性不良反应, 为个性化IHT提供精准调控手段.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220524
摘要:
液压锚杆钻机摆角系统固有的死区、干扰和时变参数严重影响其动态和稳态性能. 为了解决该问题, 通过融合动态面方法、滑模方法和扩展状态观测器, 提出一种基于改进非线性扩展状态观测器的液压锚杆钻机自适应滑模摆角控制方法. 首先, 引入一种死区补偿方法, 建立了摆角系统的死区补偿模型. 其次, 为了提高系统的抗扰动能力和抑制噪声, 设计了一种改进的非线性扩展状态观测器. 此外, 构造了一种自适应滑模控制律, 这其中, 基于性能函数和动态面方法设计了一种新型的滑模面, 以提高控制精度; 随后, 设计了一种新的滑模趋近律, 以提高系统滑模响应速度和消除滑模抖振. 进一步, 分别设计了估计误差自适应律和参数自适应律以补偿扰动估计误差和抑制时变参数的影响. 最后, 通过将所提出的控制方法与8种控制方法进行比较, 验证其有效性.
液压锚杆钻机摆角系统固有的死区、干扰和时变参数严重影响其动态和稳态性能. 为了解决该问题, 通过融合动态面方法、滑模方法和扩展状态观测器, 提出一种基于改进非线性扩展状态观测器的液压锚杆钻机自适应滑模摆角控制方法. 首先, 引入一种死区补偿方法, 建立了摆角系统的死区补偿模型. 其次, 为了提高系统的抗扰动能力和抑制噪声, 设计了一种改进的非线性扩展状态观测器. 此外, 构造了一种自适应滑模控制律, 这其中, 基于性能函数和动态面方法设计了一种新型的滑模面, 以提高控制精度; 随后, 设计了一种新的滑模趋近律, 以提高系统滑模响应速度和消除滑模抖振. 进一步, 分别设计了估计误差自适应律和参数自适应律以补偿扰动估计误差和抑制时变参数的影响. 最后, 通过将所提出的控制方法与8种控制方法进行比较, 验证其有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220461
摘要:
为了提升高速列车牵引系统的稳定性和可靠性, 针对其牵引电机提出了一种基于未知输入观测器的转子断条和速度传感器故障联合诊断方法. 首先, 通过非奇异坐标变换, 将牵引电机系统解耦为两个分别只包含转子断条故障和速度传感器故障的子系统, 实现转子断条故障和速度传感器故障的解耦, 并进一步利用一阶低通滤波器将含速度传感器故障的子系统转化为增广系统. 其次, 对含转子断条故障的子系统和速度传感器故障增广系统分别设计未知输入区间观测器和未知输入滑模观测器. 在此基础上, 采用未知输入区间观测器上界和下界构建转子断条故障诊断的检测变量和自适应阈值, 利用未知输入滑模观测器的等效输出控制原理实现速度传感器故障估计. 最后, 通过仿真和TDCS-FIB平台实验验证了所提方法的有效性和鲁棒性.
为了提升高速列车牵引系统的稳定性和可靠性, 针对其牵引电机提出了一种基于未知输入观测器的转子断条和速度传感器故障联合诊断方法. 首先, 通过非奇异坐标变换, 将牵引电机系统解耦为两个分别只包含转子断条故障和速度传感器故障的子系统, 实现转子断条故障和速度传感器故障的解耦, 并进一步利用一阶低通滤波器将含速度传感器故障的子系统转化为增广系统. 其次, 对含转子断条故障的子系统和速度传感器故障增广系统分别设计未知输入区间观测器和未知输入滑模观测器. 在此基础上, 采用未知输入区间观测器上界和下界构建转子断条故障诊断的检测变量和自适应阈值, 利用未知输入滑模观测器的等效输出控制原理实现速度传感器故障估计. 最后, 通过仿真和TDCS-FIB平台实验验证了所提方法的有效性和鲁棒性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c200267
摘要:
烧结过程的运行性能是生产效率和能源利用的综合表现. 运行性能评价是保持烧结过程的运行性能处于最优等级的前提. 考虑到时间序列数据的冗余, 提出一种基于粒度聚类的铁矿石烧结过程运行性能评价方法. 首先, 利用单因素方差分析方法选取影响运行性能等级的检测参数; 然后, 采用多粒度区间信息粒化实现检测参数时间序列数据的降维, 并进行粒度聚类, 得到聚类标签; 最后, 以聚类得到的聚类标签为输入, 利用随机森林算法进行运行性能等级评价. 利用实际钢铁企业的运行数据进行实验, 构建两个对比实验, 分别采用基于时间序列数据聚类(Time series data clustering, TSDC)的方法和基于时间序列特征聚类 (Time series feature clustering, TSFC)的方法. 实验结果表明, 该方法为有效评价烧结过程的运行性能提供了一套可行方案, 为操作人员提升烧结过程运行性能提供了有力的指导.
烧结过程的运行性能是生产效率和能源利用的综合表现. 运行性能评价是保持烧结过程的运行性能处于最优等级的前提. 考虑到时间序列数据的冗余, 提出一种基于粒度聚类的铁矿石烧结过程运行性能评价方法. 首先, 利用单因素方差分析方法选取影响运行性能等级的检测参数; 然后, 采用多粒度区间信息粒化实现检测参数时间序列数据的降维, 并进行粒度聚类, 得到聚类标签; 最后, 以聚类得到的聚类标签为输入, 利用随机森林算法进行运行性能等级评价. 利用实际钢铁企业的运行数据进行实验, 构建两个对比实验, 分别采用基于时间序列数据聚类(Time series data clustering, TSDC)的方法和基于时间序列特征聚类 (Time series feature clustering, TSFC)的方法. 实验结果表明, 该方法为有效评价烧结过程的运行性能提供了一套可行方案, 为操作人员提升烧结过程运行性能提供了有力的指导.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220648
摘要:
作为一种不需要事先获得训练数据的机器学习方法, 强化学习(Reinforcement learning, RL)在智能体与环境的不断交互过程中寻找最优策略, 是解决序贯决策问题的一种重要方法. 通过与深度学习(Deep learning, DL)的结合, 深度强化学习(Deep reinforcement learning, DRL)同时具备了强大的感知和决策能力, 被广泛应用于多个领域来解决复杂的决策问题. 异策略强化学习通过将交互经验进行存储和回放, 将探索和利用分离开来, 更易寻找到全局最优解. 如何对经验进行合理高效的利用是提升异策略强化学习方法效率的关键. 本文首先对强化学习的基本理论进行了介绍; 随后对同策略和异策略强化学习算法进行了简要介绍; 接着介绍了经验回放(Experience replay, ER)问题的两种主流解决方案, 包括经验利用和经验增广; 最后对相关的研究工作进行了总结和展望.
作为一种不需要事先获得训练数据的机器学习方法, 强化学习(Reinforcement learning, RL)在智能体与环境的不断交互过程中寻找最优策略, 是解决序贯决策问题的一种重要方法. 通过与深度学习(Deep learning, DL)的结合, 深度强化学习(Deep reinforcement learning, DRL)同时具备了强大的感知和决策能力, 被广泛应用于多个领域来解决复杂的决策问题. 异策略强化学习通过将交互经验进行存储和回放, 将探索和利用分离开来, 更易寻找到全局最优解. 如何对经验进行合理高效的利用是提升异策略强化学习方法效率的关键. 本文首先对强化学习的基本理论进行了介绍; 随后对同策略和异策略强化学习算法进行了简要介绍; 接着介绍了经验回放(Experience replay, ER)问题的两种主流解决方案, 包括经验利用和经验增广; 最后对相关的研究工作进行了总结和展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220767
摘要:
在图像标题生成领域, 交叉注意力机制在建模语义查询与图像区域的关系方面, 已经取得了重要的进展. 然而, 其视觉连贯性仍有待探索. 为了填补这项空白, 提出了一种新颖的语境辅助的交叉注意力(Context-assisted cross attention, CACA)机制, 利用历史语境记忆(Historical context memory, HCM), 来充分考虑先前关注过的视觉线索对当前注意力语境生成的潜在影响. 同时, 提出了一种名为“自适应权重约束(Adaptive weight constraint, AWC)” 的正则化方法, 来限制每个CACA模块分配给历史语境的权重总和. 本文将CACA模块与AWC方法同时应用于转换器(Transformer)模型, 构建了一种语境辅助的转换器(Context-assisted transformer, CAT)模型, 用于解决图像标题生成问题. 基于MS COCO (Microsoft common objects in context)数据集的实验结果证明, 与当前先进的方法相比, 该方法均实现了稳定的提升.
在图像标题生成领域, 交叉注意力机制在建模语义查询与图像区域的关系方面, 已经取得了重要的进展. 然而, 其视觉连贯性仍有待探索. 为了填补这项空白, 提出了一种新颖的语境辅助的交叉注意力(Context-assisted cross attention, CACA)机制, 利用历史语境记忆(Historical context memory, HCM), 来充分考虑先前关注过的视觉线索对当前注意力语境生成的潜在影响. 同时, 提出了一种名为“自适应权重约束(Adaptive weight constraint, AWC)” 的正则化方法, 来限制每个CACA模块分配给历史语境的权重总和. 本文将CACA模块与AWC方法同时应用于转换器(Transformer)模型, 构建了一种语境辅助的转换器(Context-assisted transformer, CAT)模型, 用于解决图像标题生成问题. 基于MS COCO (Microsoft common objects in context)数据集的实验结果证明, 与当前先进的方法相比, 该方法均实现了稳定的提升.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220875
摘要:
针对一类非匹配不确定多输入多输出系统提出了一种分数阶终端滑模控制策略, 使系统输出收敛到零而非其邻域. 该方法解除了传统反步法控制律设计中, 虚拟控制增益右伪逆矩阵必须存在的严苛限制; 对系统不确定性的假设不局限于慢时变和H2范数有界型扰动, 分析了控制增益存在摄动情况下系统的控制问题. 分数阶终端滑模面及其控制律的设计使得虚拟和实际控制信号连续, 削弱了抖振现象, 利用自适应滑模切换增益技术解决了由控制增益矩阵摄动引起的代数环问题. 最后, 仿真分析验证了所提方法的正确性和优越性.
针对一类非匹配不确定多输入多输出系统提出了一种分数阶终端滑模控制策略, 使系统输出收敛到零而非其邻域. 该方法解除了传统反步法控制律设计中, 虚拟控制增益右伪逆矩阵必须存在的严苛限制; 对系统不确定性的假设不局限于慢时变和H2范数有界型扰动, 分析了控制增益存在摄动情况下系统的控制问题. 分数阶终端滑模面及其控制律的设计使得虚拟和实际控制信号连续, 削弱了抖振现象, 利用自适应滑模切换增益技术解决了由控制增益矩阵摄动引起的代数环问题. 最后, 仿真分析验证了所提方法的正确性和优越性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220795
摘要:
针对存在临界点的A类被控对象及不存在临界点的B类被控对象, 分别采用其\begin{document}$-180^\circ$\end{document} ![]()
![]()
\begin{document}$-120^\circ$\end{document} ![]()
![]()
\begin{document}$-180^\circ$\end{document} ![]()
![]()
\begin{document}$-120^\circ$\end{document} ![]()
![]()
\begin{document}$-180^\circ$\end{document} ![]()
![]()
\begin{document}$-120^\circ$\end{document} ![]()
![]()
针对存在临界点的A类被控对象及不存在临界点的B类被控对象, 分别采用其
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220631
摘要:
强化学习(Reinforcement learning, RL)在围棋、视频游戏、导航、推荐系统等领域均取得了巨大成功. 然而, 许多强化学习算法仍然无法直接移植到真实物理环境中. 这是因为在模拟场景下智能体能以不断试错的方式与环境进行交互, 从而学习最优策略. 但考虑到安全因素, 很多现实世界的应用则要求限制智能体的随机探索行为. 因此, 安全问题成为强化学习从模拟到现实的一个重要挑战. 近年来, 许多研究致力于开发安全强化学习(Safe reinforcement learning, SRL)算法, 在确保系统性能的同时满足安全约束. 本文对现有的安全强化学习算法进行全面综述, 将其归为三类: 修改学习过程、修改学习目标、离线强化学习, 并介绍了5大基准测试平台: Safety Gym、safe-control-gym、SafeRL-Kit、D4RL、NeoRL. 最后总结了安全强化学习在自动驾驶、机器人控制、工业过程控制、电力系统优化和医疗健康领域中的应用, 并给出结论与展望.
强化学习(Reinforcement learning, RL)在围棋、视频游戏、导航、推荐系统等领域均取得了巨大成功. 然而, 许多强化学习算法仍然无法直接移植到真实物理环境中. 这是因为在模拟场景下智能体能以不断试错的方式与环境进行交互, 从而学习最优策略. 但考虑到安全因素, 很多现实世界的应用则要求限制智能体的随机探索行为. 因此, 安全问题成为强化学习从模拟到现实的一个重要挑战. 近年来, 许多研究致力于开发安全强化学习(Safe reinforcement learning, SRL)算法, 在确保系统性能的同时满足安全约束. 本文对现有的安全强化学习算法进行全面综述, 将其归为三类: 修改学习过程、修改学习目标、离线强化学习, 并介绍了5大基准测试平台: Safety Gym、safe-control-gym、SafeRL-Kit、D4RL、NeoRL. 最后总结了安全强化学习在自动驾驶、机器人控制、工业过程控制、电力系统优化和医疗健康领域中的应用, 并给出结论与展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220768
摘要:
高炉料面形貌是反映煤气流分布和煤气利用率的关键指标, 研究高炉料面炉料堆积形状数学建模方法对实现高炉精准布料控制和“双碳”战略在钢铁行业落地具有重要意义. 针对高炉多环布料情况下料面堆积形状预测难的问题, 本文提出了一种基于炉料运动轨迹和径向移动距离的高炉料面炉料堆积形状建模方法. 首先, 提出了一种与炉料初始状态和溜槽状态相关的炉料运动轨迹建模方法, 获取炉料从节流阀至料面的炉料运动轨迹, 并确定炉料在炉喉空区的内轨迹曲线和外轨迹曲线. 然后, 基于炉料运动轨迹和初始料面形状, 以体积守恒原则为约束, 提出了一种基于炉料径向移动距离的高炉料面炉料堆积形状数学建模方法, 获取炉料在料面的堆积形状. 最后, 基于某钢铁厂2# 高炉的尺寸建立离散单元法仿真模型, 模型仿真结果验证了所提方法的准确性和有效性.
高炉料面形貌是反映煤气流分布和煤气利用率的关键指标, 研究高炉料面炉料堆积形状数学建模方法对实现高炉精准布料控制和“双碳”战略在钢铁行业落地具有重要意义. 针对高炉多环布料情况下料面堆积形状预测难的问题, 本文提出了一种基于炉料运动轨迹和径向移动距离的高炉料面炉料堆积形状建模方法. 首先, 提出了一种与炉料初始状态和溜槽状态相关的炉料运动轨迹建模方法, 获取炉料从节流阀至料面的炉料运动轨迹, 并确定炉料在炉喉空区的内轨迹曲线和外轨迹曲线. 然后, 基于炉料运动轨迹和初始料面形状, 以体积守恒原则为约束, 提出了一种基于炉料径向移动距离的高炉料面炉料堆积形状数学建模方法, 获取炉料在料面的堆积形状. 最后, 基于某钢铁厂2# 高炉的尺寸建立离散单元法仿真模型, 模型仿真结果验证了所提方法的准确性和有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220659
摘要:
电熔镁砂生产 (Fused magnesia smelting process, FMSP)用电需量会出现先升后降的尖峰现象, 当峰值达到用电需量限幅值, 会将电熔镁炉拉闸断电. 为避免尖峰时刻的不必要拉闸需要对需量尖峰进行识别, 因此需要进行需量多步预报. 利用电熔镁砂生产过程熔化电流闭环控制系统方程建立了由线性模型和未知非线性动态系统组成的需量多步预报模型, 将系统辨识与深度学习相结合提出了端边云协同的电熔镁砂生产用电需量多步智能预报方法. 采用电熔镁砂生产过程的工业大数据的实验结果验证了所提的预报方法可以准确预报需量的变化趋势.
电熔镁砂生产 (Fused magnesia smelting process, FMSP)用电需量会出现先升后降的尖峰现象, 当峰值达到用电需量限幅值, 会将电熔镁炉拉闸断电. 为避免尖峰时刻的不必要拉闸需要对需量尖峰进行识别, 因此需要进行需量多步预报. 利用电熔镁砂生产过程熔化电流闭环控制系统方程建立了由线性模型和未知非线性动态系统组成的需量多步预报模型, 将系统辨识与深度学习相结合提出了端边云协同的电熔镁砂生产用电需量多步智能预报方法. 采用电熔镁砂生产过程的工业大数据的实验结果验证了所提的预报方法可以准确预报需量的变化趋势.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c201031
摘要:
针对经验模态分解(Empirical mode decomposition, EMD)系列方法存在的模态分裂(Mode splitting, MS)问题, 提出中值互补集合经验模态分解(Median complementary ensemble EMD, MCEEMD)算法. 通过概率模型量化互补集合经验模态分解(Complementary ensemble EMD, CEEMD)的MS问题, 证明了使用中值算子替代算术平均算子对抑制MS的有效性. MCEEMD算法首先添加N对互补的白噪声至原信号中, 并经过EMD分解得到2N组固有模态函数(Intrinsic mode functions, IMFs), 然后分别对其中互补相关的IMFs两两取平均得到N组IMFs, 最后使用中值算子处理上述N组IMFs得到输出结果. 对仿真信号与实测信号的分析结果表明, 本文提出的MCEEMD方法不仅有效抑制了CEEMD的MS问题, 而且避免了单一使用中值算子的两个缺点分解完备性差和IMFs中存在毛刺现象.
针对经验模态分解(Empirical mode decomposition, EMD)系列方法存在的模态分裂(Mode splitting, MS)问题, 提出中值互补集合经验模态分解(Median complementary ensemble EMD, MCEEMD)算法. 通过概率模型量化互补集合经验模态分解(Complementary ensemble EMD, CEEMD)的MS问题, 证明了使用中值算子替代算术平均算子对抑制MS的有效性. MCEEMD算法首先添加N对互补的白噪声至原信号中, 并经过EMD分解得到2N组固有模态函数(Intrinsic mode functions, IMFs), 然后分别对其中互补相关的IMFs两两取平均得到N组IMFs, 最后使用中值算子处理上述N组IMFs得到输出结果. 对仿真信号与实测信号的分析结果表明, 本文提出的MCEEMD方法不仅有效抑制了CEEMD的MS问题, 而且避免了单一使用中值算子的两个缺点分解完备性差和IMFs中存在毛刺现象.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210467
摘要:
针对热轧带钢表面缺陷检测存在的智能化水平低、检测精度低和检测速度慢等问题, 本文提出了一种基于自适应全局定位网络(Adaptive global localization network, AGLNet)的深度学习缺陷检测算法. 首先, 引入了一种残差网络(Residual network, ResNet)与特征金字塔网络(Feature pyramid network, FPN)集成的特征提取结构, 减少缺陷语义信息在层级传递间的消失; 其次, 提出基于Tree-structure parzen estimation的自适应树型候选框提取网络(Adaptive tree-structure region proposal network, AT-RPN), 无需先验知识的测试积累, 避免了人为调参的训练模; 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复杂的缺陷检测中实现缺陷更精确定位.本文实现一种快速、准确、更智能化、更适用于实际工业应用的热轧带钢表面缺陷的算法.实验结果表明, AGLNet在NEU-DET热轧带钢表面缺陷数据集上的检测速度保持在11.8fps, 平均精度达到了79.90 %, 优于目前其他深度学习带钢表面缺陷检测算法; 另外该算法还具备较强的泛化能力.
针对热轧带钢表面缺陷检测存在的智能化水平低、检测精度低和检测速度慢等问题, 本文提出了一种基于自适应全局定位网络(Adaptive global localization network, AGLNet)的深度学习缺陷检测算法. 首先, 引入了一种残差网络(Residual network, ResNet)与特征金字塔网络(Feature pyramid network, FPN)集成的特征提取结构, 减少缺陷语义信息在层级传递间的消失; 其次, 提出基于Tree-structure parzen estimation的自适应树型候选框提取网络(Adaptive tree-structure region proposal network, AT-RPN), 无需先验知识的测试积累, 避免了人为调参的训练模; 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复杂的缺陷检测中实现缺陷更精确定位.本文实现一种快速、准确、更智能化、更适用于实际工业应用的热轧带钢表面缺陷的算法.实验结果表明, AGLNet在NEU-DET热轧带钢表面缺陷数据集上的检测速度保持在11.8fps, 平均精度达到了79.90 %, 优于目前其他深度学习带钢表面缺陷检测算法; 另外该算法还具备较强的泛化能力.
当前状态:
, 最新更新时间: ,
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. 本文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. 本文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.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210646
摘要:
微型扑翼飞行器(Flapping wing micro aerial vehicle, FWMAV)因飞行效率高、质量轻、耗能低、机动性强等显著优点, 在飞行器研究和应用中占据重要地位. 目前, FWMAV姿态控制成为飞行器控制研究领域的研究热点. 针对FWMAV姿态控制问题, 基于平行智能理论框架提出了一种FWMAV抗扰动姿态控制器. 通过建立人工系统(Artificial systems, A)、计算实验(Computational experiments, C)、平行执行(Parallel execution, P)三个过程, 得到一个能够有效解决FWMAV姿态控制过程中扰动问题的控制器, 并通过理论分析和数值仿真证明了该控制器的有效性.
微型扑翼飞行器(Flapping wing micro aerial vehicle, FWMAV)因飞行效率高、质量轻、耗能低、机动性强等显著优点, 在飞行器研究和应用中占据重要地位. 目前, FWMAV姿态控制成为飞行器控制研究领域的研究热点. 针对FWMAV姿态控制问题, 基于平行智能理论框架提出了一种FWMAV抗扰动姿态控制器. 通过建立人工系统(Artificial systems, A)、计算实验(Computational experiments, C)、平行执行(Parallel execution, P)三个过程, 得到一个能够有效解决FWMAV姿态控制过程中扰动问题的控制器, 并通过理论分析和数值仿真证明了该控制器的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220115
摘要:
基于深度学习的目标检测方法是目前计算机视觉领域的热点, 在目标识别、跟踪等领域发挥了重要的作用. 随着研究的深入开展, 基于深度学习的目标检测方法主要分为有锚框的目标检测方法和无锚框的目标检测方法, 其中无锚框的目标检测方法无需预定义大量锚框, 具有更低的模型复杂度和更稳定的检测性能, 是目前目标检测领域中较前沿的方法. 在调研国内外相关文献的基础上, 梳理基于无锚框的目标检测方法及各场景下的常用数据集, 根据样本分配方式不同, 分别从基于关键点组合、中心点回归、Transformer、锚框和无锚框融合等4个方面进行整体结构分析和总结, 并结合COCO数据集上的性能指标进一步对比. 在此基础上, 介绍了无锚框目标检测方法在重叠目标、小目标和旋转目标等复杂场景情况下的应用, 聚焦目标遮挡、尺寸过小、角度多等关键问题, 综述现有方法的优缺点及难点. 最后对无锚框目标检测方法中仍存在的问题进行总结并对未来发展的应用趋势进行展望.
基于深度学习的目标检测方法是目前计算机视觉领域的热点, 在目标识别、跟踪等领域发挥了重要的作用. 随着研究的深入开展, 基于深度学习的目标检测方法主要分为有锚框的目标检测方法和无锚框的目标检测方法, 其中无锚框的目标检测方法无需预定义大量锚框, 具有更低的模型复杂度和更稳定的检测性能, 是目前目标检测领域中较前沿的方法. 在调研国内外相关文献的基础上, 梳理基于无锚框的目标检测方法及各场景下的常用数据集, 根据样本分配方式不同, 分别从基于关键点组合、中心点回归、Transformer、锚框和无锚框融合等4个方面进行整体结构分析和总结, 并结合COCO数据集上的性能指标进一步对比. 在此基础上, 介绍了无锚框目标检测方法在重叠目标、小目标和旋转目标等复杂场景情况下的应用, 聚焦目标遮挡、尺寸过小、角度多等关键问题, 综述现有方法的优缺点及难点. 最后对无锚框目标检测方法中仍存在的问题进行总结并对未来发展的应用趋势进行展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c200189
摘要:
针对具有未知扰动与测量噪声的线性离散时间系统, 提出了一种传感器故障检测方法. 首先, 将传感器故障视为增广状态, 将原始系统转化为一个等效的新线性动态系统. 然后, 基于鲁棒观测器设计和极点配置方法构造了一个故障检测观测器, 使得生成的残差能够同时满足对扰动与噪声的鲁棒性和对故障的敏感性. 此外, 本文设计了一种基于椭球分析的残差评价方法, 该方法可通过判断残差是否被无故障残差椭球包含来检测故障. 最后, 通过一个二阶RC电路模型的仿真算例验证了所提出方法的有效性与优越性.
针对具有未知扰动与测量噪声的线性离散时间系统, 提出了一种传感器故障检测方法. 首先, 将传感器故障视为增广状态, 将原始系统转化为一个等效的新线性动态系统. 然后, 基于鲁棒观测器设计和极点配置方法构造了一个故障检测观测器, 使得生成的残差能够同时满足对扰动与噪声的鲁棒性和对故障的敏感性. 此外, 本文设计了一种基于椭球分析的残差评价方法, 该方法可通过判断残差是否被无故障残差椭球包含来检测故障. 最后, 通过一个二阶RC电路模型的仿真算例验证了所提出方法的有效性与优越性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220638
摘要:
小世界神经网络具有较快的收敛速度和优越的容错性, 近年来得到广泛关注. 然而, 在网络构造过程中, 随机重连可能造成重要信息丢失, 进而导致网络精度下降. 针对该问题, 基于Watts-Strogatz (WS) 型小世界神经网络, 提出了一种基于突触巩固机制的前馈小世界神经网络(Feedforward small-world neural network based on synaptic consolidation, FSWNN-SC). 首先, 使用网络正则化方法对规则前馈神经网络进行预训练, 基于突触巩固机制, 断开网络不重要的权值连接, 保留重要的连接权值; 其次, 设计重连规则构造小世界神经网络, 在保证网络小世界属性的同时实现网络稀疏化, 并使用梯度下降算法训练网络; 最后, 通过4个UCI基准数据集和2个真实数据集进行模型性能测试, 并使用Wilcoxon符号秩检验对对比模型进行显著性差异检验. 实验结果表明: 所提出的FSWNN-SC模型在获得紧凑的网络结构的同时, 其精度显著优于规则前馈神经网络及其它WS型小世界神经网络.
小世界神经网络具有较快的收敛速度和优越的容错性, 近年来得到广泛关注. 然而, 在网络构造过程中, 随机重连可能造成重要信息丢失, 进而导致网络精度下降. 针对该问题, 基于Watts-Strogatz (WS) 型小世界神经网络, 提出了一种基于突触巩固机制的前馈小世界神经网络(Feedforward small-world neural network based on synaptic consolidation, FSWNN-SC). 首先, 使用网络正则化方法对规则前馈神经网络进行预训练, 基于突触巩固机制, 断开网络不重要的权值连接, 保留重要的连接权值; 其次, 设计重连规则构造小世界神经网络, 在保证网络小世界属性的同时实现网络稀疏化, 并使用梯度下降算法训练网络; 最后, 通过4个UCI基准数据集和2个真实数据集进行模型性能测试, 并使用Wilcoxon符号秩检验对对比模型进行显著性差异检验. 实验结果表明: 所提出的FSWNN-SC模型在获得紧凑的网络结构的同时, 其精度显著优于规则前馈神经网络及其它WS型小世界神经网络.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220531
摘要:
大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢、空间复杂度高以致无法扩展到大规模数据的问题.其中, 基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者对于前者的重构矩阵, 利用重构矩阵进行聚类, 有效地降低了算法的时间和空间复杂度.然而, 现有的方法忽视了锚点之间的差异, 均等地看待所有锚点, 导致聚类结果受到低质量锚点的限制.为了定位更具有判别性的锚点, 加强高质量锚点对聚类的影响, 提出了一种基于加权锚点的大规模多视图聚类算法(Multi-view Clustering With Weighted Anchors, MVC-WA).通过引入自适应锚点加权机制, 所提方法在统一框架下确定锚点的权重, 进行锚图的构建.同时, 为了增加锚点的多样性, 根据锚点之间的相似度进一步调整锚点的权重.在9个基准数据集上与现有最先进的大规模多视图聚类算法的对比实验结果验证了所提方法的高效性与有效性.
大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢、空间复杂度高以致无法扩展到大规模数据的问题.其中, 基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者对于前者的重构矩阵, 利用重构矩阵进行聚类, 有效地降低了算法的时间和空间复杂度.然而, 现有的方法忽视了锚点之间的差异, 均等地看待所有锚点, 导致聚类结果受到低质量锚点的限制.为了定位更具有判别性的锚点, 加强高质量锚点对聚类的影响, 提出了一种基于加权锚点的大规模多视图聚类算法(Multi-view Clustering With Weighted Anchors, MVC-WA).通过引入自适应锚点加权机制, 所提方法在统一框架下确定锚点的权重, 进行锚图的构建.同时, 为了增加锚点的多样性, 根据锚点之间的相似度进一步调整锚点的权重.在9个基准数据集上与现有最先进的大规模多视图聚类算法的对比实验结果验证了所提方法的高效性与有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210921
摘要:
研究了一类存在一步随机时滞的复杂网络分布式状态估计问题, 采用伯努利随机变量刻画测量值的随机时滞情况. 基于复杂网络模型和不可靠测量值, 分别设计了复杂网络的状态预测器和分布式状态估计器, 基于杨氏不等式消除了节点之间的耦合项, 通过优化杨氏不等式引进的参数, 优化了状态预测协方差. 通过设计估计器增益, 获得了状态估计误差协方差, 同时结合预测误差协方差, 获得了状态估计误差协方差的迭代公式, 并给出了估计误差协方差稳定的充分条件. 最后, 对由小车组成的耦合系统进行数值仿真, 验证了所设计估计器的有效性.
研究了一类存在一步随机时滞的复杂网络分布式状态估计问题, 采用伯努利随机变量刻画测量值的随机时滞情况. 基于复杂网络模型和不可靠测量值, 分别设计了复杂网络的状态预测器和分布式状态估计器, 基于杨氏不等式消除了节点之间的耦合项, 通过优化杨氏不等式引进的参数, 优化了状态预测协方差. 通过设计估计器增益, 获得了状态估计误差协方差, 同时结合预测误差协方差, 获得了状态估计误差协方差的迭代公式, 并给出了估计误差协方差稳定的充分条件. 最后, 对由小车组成的耦合系统进行数值仿真, 验证了所设计估计器的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211230
摘要:
针对移动机器人视觉伺服跟踪控制问题, 提出了一种基于自适应动态规划(Adaptive dynamic programming, ADP) 的控制方法. 通过移动机器人上的相机拍摄共面特征点的当前图像、期望图像以及参考图像, 利用单应性技术得到移动机器人当前的位姿信息与期望的位姿信息(即平移量与旋转角度), 从而通过当前与期望的平移旋转之间差值得到系统的开环误差模型. 进而, 针对此系统设计最优控制器, 同时做合适的控制输入变换. 在此基础上设计一个基于ADP的视觉伺服控制方法以保证移动机器人完成轨迹跟踪任务. 为求出最优控制输入, 采用一个评价神经网络近似值函数, 通过不断学习逼近哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman, HJB)方程的解. 与以往不同的是, 由于系统存在时变项, 导致HJB方程也含有时变项, 因此需要设计具有时变权值结构的神经网络近似值函数. 最终证明在所设计的控制方法作用下, 闭环系统是一致最终有界的.
针对移动机器人视觉伺服跟踪控制问题, 提出了一种基于自适应动态规划(Adaptive dynamic programming, ADP) 的控制方法. 通过移动机器人上的相机拍摄共面特征点的当前图像、期望图像以及参考图像, 利用单应性技术得到移动机器人当前的位姿信息与期望的位姿信息(即平移量与旋转角度), 从而通过当前与期望的平移旋转之间差值得到系统的开环误差模型. 进而, 针对此系统设计最优控制器, 同时做合适的控制输入变换. 在此基础上设计一个基于ADP的视觉伺服控制方法以保证移动机器人完成轨迹跟踪任务. 为求出最优控制输入, 采用一个评价神经网络近似值函数, 通过不断学习逼近哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman, HJB)方程的解. 与以往不同的是, 由于系统存在时变项, 导致HJB方程也含有时变项, 因此需要设计具有时变权值结构的神经网络近似值函数. 最终证明在所设计的控制方法作用下, 闭环系统是一致最终有界的.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220065
摘要:
针对密集场景中大规模冲突导致多机器人路径规划(Multi-agent path finding, MAPF) 成功率低的问题, 引入讨价还价博弈机制并以层级协作A* (Hierarchical cooperative A*, HCA*) 算法为内核, 提出一种基于讨价还价博弈机制的改进层级协作A* (Bargaining game based improving HCA*, B-IHCA*) 算法. 首先, 在HCA*算法基础上, 对导致路径无解的冲突双方或多方进行讨价还价博弈. 由高优先级机器人先出价, 当低优先级机器人在该条件下无法求解时, 则其将不接受该出价, 并通过降约束求解方式进行还价. 再由其他冲突方对此做进一步还价, 直至各冲突方都能协调得到可接受的路径方案. 其次, 为避免原始HCA*算法由于高优先级的阻碍陷于过长或反复无效搜索状态, 在底层A*搜索环节加入了熔断机制. 通过熔断机制与讨价还价博弈相配合可在提升路径求解成功率的同时兼顾路径代价. 研究结果表明, 所提算法在密集场景大规模机器人路径规划问题上较现有算法求解成功率更高, 求解时间更短, 路径代价得到改善, 验证了算法的有效性.
针对密集场景中大规模冲突导致多机器人路径规划(Multi-agent path finding, MAPF) 成功率低的问题, 引入讨价还价博弈机制并以层级协作A* (Hierarchical cooperative A*, HCA*) 算法为内核, 提出一种基于讨价还价博弈机制的改进层级协作A* (Bargaining game based improving HCA*, B-IHCA*) 算法. 首先, 在HCA*算法基础上, 对导致路径无解的冲突双方或多方进行讨价还价博弈. 由高优先级机器人先出价, 当低优先级机器人在该条件下无法求解时, 则其将不接受该出价, 并通过降约束求解方式进行还价. 再由其他冲突方对此做进一步还价, 直至各冲突方都能协调得到可接受的路径方案. 其次, 为避免原始HCA*算法由于高优先级的阻碍陷于过长或反复无效搜索状态, 在底层A*搜索环节加入了熔断机制. 通过熔断机制与讨价还价博弈相配合可在提升路径求解成功率的同时兼顾路径代价. 研究结果表明, 所提算法在密集场景大规模机器人路径规划问题上较现有算法求解成功率更高, 求解时间更短, 路径代价得到改善, 验证了算法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220341
摘要:
基于脑电(Electroencephalogram, EEG)的谎言预测技术依赖于对事件相关电位(Event-related potential, ERP)的有效解码, 当前主要采用手工设计特征进行脑电分析. 近年, 单试次脑电分类方法取得了长足进步, 其中端到端的脑电分类方法能够实现对脑电的自动特征提取和分类, 但在谎言预测中缺乏研究和应用, 同时存在无法在测谎场景下直接应用的问题. 本研究设计基于复合反应范式(Complex trial protocol, CTP)进行自我面孔信息识别任务的实验, 采集了18 名被试的脑电数据. 研究了不同端到端的单试次ERP分类方法在谎言预测中的应用, 同时针对单试次脑电解码方法无法直接实际应用的问题, 提出了一种类自举算法. 算法基于数据分布假设, 通过对比各类刺激图像被视为探针刺激时所训练模型的性能, 来推断真正的探针刺激. 实验结果表明, 在基于自我面孔信息的CTP的谎言预测中, 所提出的类自举法性能优于传统探针预测方法, 在仅使用少量脑电数据情况下, 可实现准确的谎言预测.
基于脑电(Electroencephalogram, EEG)的谎言预测技术依赖于对事件相关电位(Event-related potential, ERP)的有效解码, 当前主要采用手工设计特征进行脑电分析. 近年, 单试次脑电分类方法取得了长足进步, 其中端到端的脑电分类方法能够实现对脑电的自动特征提取和分类, 但在谎言预测中缺乏研究和应用, 同时存在无法在测谎场景下直接应用的问题. 本研究设计基于复合反应范式(Complex trial protocol, CTP)进行自我面孔信息识别任务的实验, 采集了18 名被试的脑电数据. 研究了不同端到端的单试次ERP分类方法在谎言预测中的应用, 同时针对单试次脑电解码方法无法直接实际应用的问题, 提出了一种类自举算法. 算法基于数据分布假设, 通过对比各类刺激图像被视为探针刺激时所训练模型的性能, 来推断真正的探针刺激. 实验结果表明, 在基于自我面孔信息的CTP的谎言预测中, 所提出的类自举法性能优于传统探针预测方法, 在仅使用少量脑电数据情况下, 可实现准确的谎言预测.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210518
摘要:
多模态数据间交互式任务的涌现对综合利用不同模态的知识提出了高要求, 多模态知识图谱应运而生, 其通过融合不同模态的知识来满足这类任务的需求. 然而, 现有多模态知识图谱存在图谱知识不完整的问题, 严重阻碍对信息的有效利用. 缓解此问题关键是通过实体对齐方法对图谱进行补全. 当前多模态实体对齐方法以固定权重融合多种模态信息, 在融合过程中忽略了不同模态信息贡献的差异性. 为解决上述问题, 本文设计一套自适应特征融合机制, 根据不同模态数据质量动态融合实体结构信息和视觉信息. 此外, 考虑到视觉信息质量不高、知识图谱之间的结构差异也影响实体对齐的效果, 本文分别设计提升视觉信息有效利用率的视觉特征处理模块以及缓和结构差异性的三元组筛选模块. 在多模态实体对齐任务上的实验结果表明, 本文提出的多模态实体对齐方法的性能优于当前最好的方法.
多模态数据间交互式任务的涌现对综合利用不同模态的知识提出了高要求, 多模态知识图谱应运而生, 其通过融合不同模态的知识来满足这类任务的需求. 然而, 现有多模态知识图谱存在图谱知识不完整的问题, 严重阻碍对信息的有效利用. 缓解此问题关键是通过实体对齐方法对图谱进行补全. 当前多模态实体对齐方法以固定权重融合多种模态信息, 在融合过程中忽略了不同模态信息贡献的差异性. 为解决上述问题, 本文设计一套自适应特征融合机制, 根据不同模态数据质量动态融合实体结构信息和视觉信息. 此外, 考虑到视觉信息质量不高、知识图谱之间的结构差异也影响实体对齐的效果, 本文分别设计提升视觉信息有效利用率的视觉特征处理模块以及缓和结构差异性的三元组筛选模块. 在多模态实体对齐任务上的实验结果表明, 本文提出的多模态实体对齐方法的性能优于当前最好的方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210783
摘要:
无人驾驶汽车行驶是连续时空的三维运动, 汽车周围的目标不可能突然消失或者出现, 因此, 对于感知层而言, 稳定可靠的多目标跟踪(Multi-object tracking, MOT)意义重大. 针对传统的目标关联和固定生存周期管理的不足, 提出了基于边界交并比(Border intersection over union, BIoU)度量的目标关联和自适应生存周期管理策略. BIoU综合了欧氏距离和交并比(Intersection over union, IoU)的优点, 提高了目标关联的精度. 自适应生存周期管理将目标轨迹置信度与生存周期相联系, 显著减少了目标丢失和误检. 在KITTI多目标跟踪数据集上的实验验证了该方法的有效性.
无人驾驶汽车行驶是连续时空的三维运动, 汽车周围的目标不可能突然消失或者出现, 因此, 对于感知层而言, 稳定可靠的多目标跟踪(Multi-object tracking, MOT)意义重大. 针对传统的目标关联和固定生存周期管理的不足, 提出了基于边界交并比(Border intersection over union, BIoU)度量的目标关联和自适应生存周期管理策略. BIoU综合了欧氏距离和交并比(Intersection over union, IoU)的优点, 提高了目标关联的精度. 自适应生存周期管理将目标轨迹置信度与生存周期相联系, 显著减少了目标丢失和误检. 在KITTI多目标跟踪数据集上的实验验证了该方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220371
摘要:
药物相互作用(Drug-drug interaction, DDI)是指不同药物存在抑制或促进等作用. 现有DDI预测方法往往直接利用药物分子特征表示预测DDI, 而忽略药物分子中不同原子对DDI的影响. 为此, 提出基于多层次注意力机制和消息传递神经网络的DDI预测方法. 该方法将DDI建模为通过学习基于序列表示的药物分子特征实现DDI预测的链接预测问题. 首先, 建立基于注意力机制和消息传递神经网络的原子特征网络, 结合提出的基于分子质心的位置编码, 学习不同原子及其相关联化学键的特征, 构建基于图结构的药物分子特征表示; 然后, 设计基于注意力机制的分子特征网络, 并通过监督和对比损失学习, 实现DDI预测; 最后, 通过实验证明该方法的有效性和优越性.
药物相互作用(Drug-drug interaction, DDI)是指不同药物存在抑制或促进等作用. 现有DDI预测方法往往直接利用药物分子特征表示预测DDI, 而忽略药物分子中不同原子对DDI的影响. 为此, 提出基于多层次注意力机制和消息传递神经网络的DDI预测方法. 该方法将DDI建模为通过学习基于序列表示的药物分子特征实现DDI预测的链接预测问题. 首先, 建立基于注意力机制和消息传递神经网络的原子特征网络, 结合提出的基于分子质心的位置编码, 学习不同原子及其相关联化学键的特征, 构建基于图结构的药物分子特征表示; 然后, 设计基于注意力机制的分子特征网络, 并通过监督和对比损失学习, 实现DDI预测; 最后, 通过实验证明该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.c220312
摘要:
连续学习多个任务的能力对于通用人工智能的发展至关重要. 现有人工神经网络在单一任务上具有出色表现, 但在开放环境中依次面对不同任务时非常容易发生灾难性遗忘现象, 即联结主义模型在学习新任务时会迅速地忘记旧任务. 为了解决这个问题, 本文将随机权神经网络与生物大脑的相关工作机制联系起来, 提出了一种新的再可塑性启发的随机化网络(Metaplasticity-inspired randomized network, MRNet)用于类增量学习场景, 使得单一模型在不访问旧任务数据的情况下能够从未知的任务序列中学习与记忆融合. 首先, 以前馈方式构造了具有解析解的通用连续学习框架, 用于有效兼容新任务中出现的新类别; 然后, 基于突触可塑性设计了具备记忆功能的权值重要性矩阵, 自适应地调整网络参数以避免发生遗忘; 最后, 所提方法的有效性和高效性通过5个评价指标, 5个基准任务序列和10个比较方法在类增量学习场景中得到验证.
连续学习多个任务的能力对于通用人工智能的发展至关重要. 现有人工神经网络在单一任务上具有出色表现, 但在开放环境中依次面对不同任务时非常容易发生灾难性遗忘现象, 即联结主义模型在学习新任务时会迅速地忘记旧任务. 为了解决这个问题, 本文将随机权神经网络与生物大脑的相关工作机制联系起来, 提出了一种新的再可塑性启发的随机化网络(Metaplasticity-inspired randomized network, MRNet)用于类增量学习场景, 使得单一模型在不访问旧任务数据的情况下能够从未知的任务序列中学习与记忆融合. 首先, 以前馈方式构造了具有解析解的通用连续学习框架, 用于有效兼容新任务中出现的新类别; 然后, 基于突触可塑性设计了具备记忆功能的权值重要性矩阵, 自适应地调整网络参数以避免发生遗忘; 最后, 所提方法的有效性和高效性通过5个评价指标, 5个基准任务序列和10个比较方法在类增量学习场景中得到验证.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210808
摘要:
本文研究了一类分布式优化问题, 其目标是在满足耦合不等式约束和局部可行集约束的情况下使非光滑全局代价函数值最小. 首先, 对原有的分布式连续时间投影算法进行拓展, 结合线性代数理论分析, 我们设计一个适用于强连通加权平衡有向通信网络拓扑图的算法. 其次, 在局部代价函数和耦合不等式约束函数是非光滑凸函数的假设条件下, 利用Moreau-Yosida函数正则化使目标函数和约束函数近似光滑可微. 然后, 根据强连通加权平衡有向图的分布式连续时间投影算法构造李雅普诺夫函数, 证明该算法下的平衡解是分布式优化问题最优解, 并对算法进行收敛性分析. 最后, 通过数值仿真验证了算法的有效性.
本文研究了一类分布式优化问题, 其目标是在满足耦合不等式约束和局部可行集约束的情况下使非光滑全局代价函数值最小. 首先, 对原有的分布式连续时间投影算法进行拓展, 结合线性代数理论分析, 我们设计一个适用于强连通加权平衡有向通信网络拓扑图的算法. 其次, 在局部代价函数和耦合不等式约束函数是非光滑凸函数的假设条件下, 利用Moreau-Yosida函数正则化使目标函数和约束函数近似光滑可微. 然后, 根据强连通加权平衡有向图的分布式连续时间投影算法构造李雅普诺夫函数, 证明该算法下的平衡解是分布式优化问题最优解, 并对算法进行收敛性分析. 最后, 通过数值仿真验证了算法的有效性.
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.c220347
摘要:
序列推荐(Sequential recommendation, SR)旨在建模用户序列中的动态兴趣, 预测下一个行为. 现有基于知识蒸馏的多模型集成方法通常将教师模型预测的概率分布作为学生模型样本学习的软标签, 不利于关注低置信度序列样本中的动态兴趣. 提出了一种同伴知识互增强下的序列推荐方法(Sequential recommendation enhanced by peer knowledge, PeerRec), 使多个具有差异的同伴网络按照人类由易到难的认知过程进行两阶段的相互学习. 在第一阶段知识蒸馏的基础上, 第二阶段的刻意训练通过动态最小组策略协调多个同伴从低置信度样本中挖掘出可被加强训练的潜在样本. 然后, 受训的网络利用同伴对潜在样本预测的概率分布调节自身对该样本学习的权重, 从解空间中探索更优的兴趣表示. 三个公开数据集上的实验结果表明, 提出的PeerRec方法相比于最新的基线方法在基于Top-k的指标上不仅获得了更佳的推荐精度, 且具有良好的在线推荐效率.
序列推荐(Sequential recommendation, SR)旨在建模用户序列中的动态兴趣, 预测下一个行为. 现有基于知识蒸馏的多模型集成方法通常将教师模型预测的概率分布作为学生模型样本学习的软标签, 不利于关注低置信度序列样本中的动态兴趣. 提出了一种同伴知识互增强下的序列推荐方法(Sequential recommendation enhanced by peer knowledge, PeerRec), 使多个具有差异的同伴网络按照人类由易到难的认知过程进行两阶段的相互学习. 在第一阶段知识蒸馏的基础上, 第二阶段的刻意训练通过动态最小组策略协调多个同伴从低置信度样本中挖掘出可被加强训练的潜在样本. 然后, 受训的网络利用同伴对潜在样本预测的概率分布调节自身对该样本学习的权重, 从解空间中探索更优的兴趣表示. 三个公开数据集上的实验结果表明, 提出的PeerRec方法相比于最新的基线方法在基于Top-k的指标上不仅获得了更佳的推荐精度, 且具有良好的在线推荐效率.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220326
摘要:
六轮野外机器人通常体积庞大, 难以建立其动力学模型. 采用传统的速度控制方法很难保证机器人的横向稳定性. 为了解决这一问题, 研究了基于分层控制策略的六轮滑移机器人横向稳定性控制问题. 首先分析整车受力情况, 建立六轮滑移机器人的动力学模型. 其次, 设计基于分层控制策略的动力学控制器, 其中上层为基于改进趋近律的滑模控制器, 实现对期望横摆角速度的跟踪; 下层为基于附着率最优的转矩分配控制器, 该控制器可以保证机器人行驶的横向稳定性. 最后, 在不同工况下进行仿真实验, 并搭建实验平台进行实物测试. 结果表明设计的控制器可以有效提高机器人的横向稳定性.
六轮野外机器人通常体积庞大, 难以建立其动力学模型. 采用传统的速度控制方法很难保证机器人的横向稳定性. 为了解决这一问题, 研究了基于分层控制策略的六轮滑移机器人横向稳定性控制问题. 首先分析整车受力情况, 建立六轮滑移机器人的动力学模型. 其次, 设计基于分层控制策略的动力学控制器, 其中上层为基于改进趋近律的滑模控制器, 实现对期望横摆角速度的跟踪; 下层为基于附着率最优的转矩分配控制器, 该控制器可以保证机器人行驶的横向稳定性. 最后, 在不同工况下进行仿真实验, 并搭建实验平台进行实物测试. 结果表明设计的控制器可以有效提高机器人的横向稳定性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211233
摘要:
纵向联邦学习是一种新兴的分布式机器学习技术, 在保障隐私性的前提下利用分散在各个机构的数据实现机器学习模型的联合训练. 纵向联邦学习被广泛应用于工业互联网金融借贷和医疗诊断等众多领域中, 因此保证其隐私安全性具有重要意义. 本文首先针对纵向联邦学习协议中由于参与方交换的嵌入表示造成的隐私泄露风险, 研究由协作者发起的通用的属性推断攻击. 攻击者利用辅助数据和嵌入表示训练一个攻击模型, 然后利用训练完成的攻击模型窃取参与方的隐私属性. 实验结果表明: 纵向联邦学习在训练、推理阶段产生的嵌入表示容易泄露数据隐私. 为了应对上述隐私泄露风险, 进一步提出一种基于最大最小策略的纵向联邦学习隐私保护方法, 其引入梯度正则组件保证训练过程主任务的预测性能, 同时引入重构组件掩藏参与方嵌入表示中包含的隐私属性信息. 最后, 在钢板缺陷诊断工业场景的实验结果表明: 相比于没有任何防御方法的VFL, 隐私保护方法将攻击推断准确度从95%降到55%以下, 接近于随机猜测的水平, 同时主任务预测准确率仅下降2%.
纵向联邦学习是一种新兴的分布式机器学习技术, 在保障隐私性的前提下利用分散在各个机构的数据实现机器学习模型的联合训练. 纵向联邦学习被广泛应用于工业互联网金融借贷和医疗诊断等众多领域中, 因此保证其隐私安全性具有重要意义. 本文首先针对纵向联邦学习协议中由于参与方交换的嵌入表示造成的隐私泄露风险, 研究由协作者发起的通用的属性推断攻击. 攻击者利用辅助数据和嵌入表示训练一个攻击模型, 然后利用训练完成的攻击模型窃取参与方的隐私属性. 实验结果表明: 纵向联邦学习在训练、推理阶段产生的嵌入表示容易泄露数据隐私. 为了应对上述隐私泄露风险, 进一步提出一种基于最大最小策略的纵向联邦学习隐私保护方法, 其引入梯度正则组件保证训练过程主任务的预测性能, 同时引入重构组件掩藏参与方嵌入表示中包含的隐私属性信息. 最后, 在钢板缺陷诊断工业场景的实验结果表明: 相比于没有任何防御方法的VFL, 隐私保护方法将攻击推断准确度从95%降到55%以下, 接近于随机猜测的水平, 同时主任务预测准确率仅下降2%.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220090
摘要:
实际工业场景中, 需要在生产过程中收集大量测点的数据, 从而掌握生产过程运行状态. 传统的过程监测方法通常仅评估运行状态整体的异常与否, 或对运行状态进行分级评估, 这种方式并不会直接定位故障部位, 不利于故障的高效检修. 为此, 提出了一种基于全量测点估计的监测模型, 根据全量测点估计值与实际值的偏差定义监测指标, 从而实现全量测点的分别精准监测. 为了克服原有的基于工况估计的监测方法监测不全面且对测点间耦合关系建模不充分的问题, 提出了多核图卷积网络(Multi-kernel graph convolution network, MKGCN), 通过将全量传感器测点视为一张全量测点图, 显式地对测点间耦合关系进行建模, 从而实现了全量传感器测点的同步工况估计. 此外, 面向在线监测场景, 设计了基于特征逼近的自迭代方法, 从而克服了在异常情况下由于测点间强耦合导致的部分测点估计值异常的问题. 所提出的方法在电厂百万千瓦超超临界机组中引风机的实际数据上进行了验证, 结果显示, 提出的监测方法与其他典型方法相比能够更精准地检测出发生故障的测点.
实际工业场景中, 需要在生产过程中收集大量测点的数据, 从而掌握生产过程运行状态. 传统的过程监测方法通常仅评估运行状态整体的异常与否, 或对运行状态进行分级评估, 这种方式并不会直接定位故障部位, 不利于故障的高效检修. 为此, 提出了一种基于全量测点估计的监测模型, 根据全量测点估计值与实际值的偏差定义监测指标, 从而实现全量测点的分别精准监测. 为了克服原有的基于工况估计的监测方法监测不全面且对测点间耦合关系建模不充分的问题, 提出了多核图卷积网络(Multi-kernel graph convolution network, MKGCN), 通过将全量传感器测点视为一张全量测点图, 显式地对测点间耦合关系进行建模, 从而实现了全量传感器测点的同步工况估计. 此外, 面向在线监测场景, 设计了基于特征逼近的自迭代方法, 从而克服了在异常情况下由于测点间强耦合导致的部分测点估计值异常的问题. 所提出的方法在电厂百万千瓦超超临界机组中引风机的实际数据上进行了验证, 结果显示, 提出的监测方法与其他典型方法相比能够更精准地检测出发生故障的测点.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211146
摘要:
如今智能优化算法已广泛应用于工程优化中,在当前多能耦合与互补的能源发展趋势下,以仅考虑系统经济指标的单目标优化模式已经不再适用于目前区域综合能源系统的运行优化调度,需要研究一种多目标运行策略来解决区域综合能源系统的运行优化调度问题.首先综合考虑经济与能源利用两个指标并结合商业住宅区域的特性,以系统日运行收益和一次能源利用率为优化目标构建了商业住宅区域综合能源系统多目标运行优化调度模型.其次由于传统多目标智能优化算法缺乏一种最优解综合评价方法,基于非支配排序以及拥挤度计算的多目标算法框架,提出了一种利用模糊一致矩阵选取全局最优解的多目标鲸鱼优化算法(AMOWOA),并将提出算法对商住区域综合能源系统多目标运行优化调度模型进行求解.最后以华东某商业住宅区域综合能源系统为例进行仿真,验证了该方法的有效性和可行性.
如今智能优化算法已广泛应用于工程优化中,在当前多能耦合与互补的能源发展趋势下,以仅考虑系统经济指标的单目标优化模式已经不再适用于目前区域综合能源系统的运行优化调度,需要研究一种多目标运行策略来解决区域综合能源系统的运行优化调度问题.首先综合考虑经济与能源利用两个指标并结合商业住宅区域的特性,以系统日运行收益和一次能源利用率为优化目标构建了商业住宅区域综合能源系统多目标运行优化调度模型.其次由于传统多目标智能优化算法缺乏一种最优解综合评价方法,基于非支配排序以及拥挤度计算的多目标算法框架,提出了一种利用模糊一致矩阵选取全局最优解的多目标鲸鱼优化算法(AMOWOA),并将提出算法对商住区域综合能源系统多目标运行优化调度模型进行求解.最后以华东某商业住宅区域综合能源系统为例进行仿真,验证了该方法的有效性和可行性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211163
摘要:
针对考虑外部海洋环境扰动和内部模型不确定性的多个欠驱动自主水下航行器, 研究了其在通信资源受限和机载能量受限下的协同路径跟踪控制问题. 首先, 针对水声通信信道窄造成的通信资源受限问题, 设计了一种基于事件触发机制的协同通信策略; 其次, 针对模型不确定性和海洋环境扰动问题, 设计了一种基于事件触发机制的线性扩张状态观测器来逼近水下航行器的未知动力学, 并降低了系统采样次数; 最后, 针对机载能量受限问题, 设计了一种基于事件触发机制的动力学控制律, 在保证控制精度的前提下降低了执行机构的动作频次, 从而节省了能量消耗. 应用级联系统稳定性分析方法, 分别证明了闭环系统是输入状态稳定的, 且系统不存在Zeno行为. 仿真结果验证了所提基于事件触发机制的多自主水下航行器协同路径跟踪控制方法的有效性.
针对考虑外部海洋环境扰动和内部模型不确定性的多个欠驱动自主水下航行器, 研究了其在通信资源受限和机载能量受限下的协同路径跟踪控制问题. 首先, 针对水声通信信道窄造成的通信资源受限问题, 设计了一种基于事件触发机制的协同通信策略; 其次, 针对模型不确定性和海洋环境扰动问题, 设计了一种基于事件触发机制的线性扩张状态观测器来逼近水下航行器的未知动力学, 并降低了系统采样次数; 最后, 针对机载能量受限问题, 设计了一种基于事件触发机制的动力学控制律, 在保证控制精度的前提下降低了执行机构的动作频次, 从而节省了能量消耗. 应用级联系统稳定性分析方法, 分别证明了闭环系统是输入状态稳定的, 且系统不存在Zeno行为. 仿真结果验证了所提基于事件触发机制的多自主水下航行器协同路径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.c211091
摘要:
产品质量与污染排放浓度等难测参数的实时检测是实现复杂工业过程优化控制的关键因素之一. 受限于检测技术难度、高时间与经济成本等原因, 难测参数的软测量模型建模样本存在数量少、分布稀疏与不平衡等问题, 严重制约了数据驱动模型的泛化性能. 针对以上问题, 提出一种基于多目标粒子群优化混合优化的虚拟样本生成方法, 首先, 设计综合学习粒子群优化算法的种群表征机制, 使其能够同时编码用于映射模型超参数优化的连续变量和用于虚拟样本选择的离散变量; 然后, 定义具有多阶段多目标特性的综合学习粒子群优化算法适应度函数, 使其能够在确保模型泛化性能的同时最小化虚拟样本数量; 最后, 向虚拟样本生成多目标混合优化任务对综合学习粒子群优化算法进行改进, 使其能够适应虚拟样本优选过程的变维特性并提高优化过程的收敛速度. 同时, 首次借鉴度量学习的指标提出用于评价虚拟样本质量的综合评价指标和分布相似指标. 本文采用混凝土抗压强度和超导临界温度基准数据集验证了所提算法的合理性及有效性, 基于工业数据集构建了面向城市固废焚烧过程的二噁英排放浓度的软测量模型, 进一步验证了所提方法.
产品质量与污染排放浓度等难测参数的实时检测是实现复杂工业过程优化控制的关键因素之一. 受限于检测技术难度、高时间与经济成本等原因, 难测参数的软测量模型建模样本存在数量少、分布稀疏与不平衡等问题, 严重制约了数据驱动模型的泛化性能. 针对以上问题, 提出一种基于多目标粒子群优化混合优化的虚拟样本生成方法, 首先, 设计综合学习粒子群优化算法的种群表征机制, 使其能够同时编码用于映射模型超参数优化的连续变量和用于虚拟样本选择的离散变量; 然后, 定义具有多阶段多目标特性的综合学习粒子群优化算法适应度函数, 使其能够在确保模型泛化性能的同时最小化虚拟样本数量; 最后, 向虚拟样本生成多目标混合优化任务对综合学习粒子群优化算法进行改进, 使其能够适应虚拟样本优选过程的变维特性并提高优化过程的收敛速度. 同时, 首次借鉴度量学习的指标提出用于评价虚拟样本质量的综合评价指标和分布相似指标. 本文采用混凝土抗压强度和超导临界温度基准数据集验证了所提算法的合理性及有效性, 基于工业数据集构建了面向城市固废焚烧过程的二噁英排放浓度的软测量模型, 进一步验证了所提方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210966
摘要:
目前, 在带有视差场景的图像对齐中, 主要难点在某些无法找到足够匹配特征的区域, 这些区域称为匹配特征缺失区域. 现有算法往往忽略匹配特征缺失区域的对齐建模, 而只将有足够匹配特征区域中的部分单应变换系数(如相似性变换系数)传递给匹配特征缺失区域, 或者采用将匹配特征缺失区域转化为有足够匹配特征区域的间接方式, 因此对齐效果仍不理想. 在客观事实上, 位于相同平面的区域应该拥有相同的完整单应变换而非部分变换参数. 由此出发, 利用单应变换系数扩散的思想设计了一个二步网格优化的图像对齐算法. 该方法在第一步网格优化时获得有足够匹配特征区域的单应变换, 再基于提出的单应性扩散约束将这些单应变换系数扩散到邻域网格, 进行第二步网格优化, 在保证优化任务简洁高效的前提下实现单应变换系数的传播与图像对齐. 相较于现有的针对视差场景图像对齐算法, 所提方法在各项指标上都获得了更好的效果.
目前, 在带有视差场景的图像对齐中, 主要难点在某些无法找到足够匹配特征的区域, 这些区域称为匹配特征缺失区域. 现有算法往往忽略匹配特征缺失区域的对齐建模, 而只将有足够匹配特征区域中的部分单应变换系数(如相似性变换系数)传递给匹配特征缺失区域, 或者采用将匹配特征缺失区域转化为有足够匹配特征区域的间接方式, 因此对齐效果仍不理想. 在客观事实上, 位于相同平面的区域应该拥有相同的完整单应变换而非部分变换参数. 由此出发, 利用单应变换系数扩散的思想设计了一个二步网格优化的图像对齐算法. 该方法在第一步网格优化时获得有足够匹配特征区域的单应变换, 再基于提出的单应性扩散约束将这些单应变换系数扩散到邻域网格, 进行第二步网格优化, 在保证优化任务简洁高效的前提下实现单应变换系数的传播与图像对齐. 相较于现有的针对视差场景图像对齐算法, 所提方法在各项指标上都获得了更好的效果.
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的性能. 但是这些方法通常具有较大的内存消耗和较高的计算复杂度, 很难应用到低算力或便携式设备上. 为了解决这一问题, 设计了一种轻量级的组－信息蒸馏残差网络用于快速且精确的单图像超分辨率. 具体来说, 提出一个更加有效的组－信息蒸馏模块, 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, 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, 进一步提升超分的性能. 最后, 设计一个高频损失函数去解决像素损失带来图片细节平滑的问题. 大量的实验证明了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的平衡, 其在公开测试数据集B100上4倍超分速率达到56FPS, 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的性能. 但是这些方法通常具有较大的内存消耗和较高的计算复杂度, 很难应用到低算力或便携式设备上. 为了解决这一问题, 设计了一种轻量级的组－信息蒸馏残差网络用于快速且精确的单图像超分辨率. 具体来说, 提出一个更加有效的组－信息蒸馏模块, 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, 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, 进一步提升超分的性能. 最后, 设计一个高频损失函数去解决像素损失带来图片细节平滑的问题. 大量的实验证明了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的平衡, 其在公开测试数据集B100上4倍超分速率达到56FPS, 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.c211244
摘要:
分布式电力市场交易模式可以有效缓解传统集中模式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, 考虑电网线路传输约束, 首先以社会福利最大化为目标构建了集中式交易模型, 并采用拉格朗日乘子法和对偶理论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, 设计了两种适用于不同场景的分布式交易方法, 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两种方法的有效性.
分布式电力市场交易模式可以有效缓解传统集中模式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, 考虑电网线路传输约束, 首先以社会福利最大化为目标构建了集中式交易模型, 并采用拉格朗日乘子法和对偶理论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, 设计了两种适用于不同场景的分布式交易方法, 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两种方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210916
摘要:
对于连续弱测量过程存在高斯噪声的情况, 基于在线交替方向乘子法推导出一种适用于n比特随机量子系统实时状态估计的算法QSE-OADM; 运用李雅普诺夫方法设计控制律, 实现基于实时量子状态估计的反馈控制, 并证明所提控制律的收敛性. 以2比特随机量子系统为例进行数值仿真实验, 通过与基于QST-OADM算法和OPG-ADMM算法的实时量子状态估计及其反馈控制方案的性能对比, 显示出所提控制方案的优越性.
对于连续弱测量过程存在高斯噪声的情况, 基于在线交替方向乘子法推导出一种适用于n比特随机量子系统实时状态估计的算法QSE-OADM; 运用李雅普诺夫方法设计控制律, 实现基于实时量子状态估计的反馈控制, 并证明所提控制律的收敛性. 以2比特随机量子系统为例进行数值仿真实验, 通过与基于QST-OADM算法和OPG-ADMM算法的实时量子状态估计及其反馈控制方案的性能对比, 显示出所提控制方案的优越性.
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, 本文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, 本文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.c201018
摘要:
近些年, 联邦学习由于能够打破数据壁垒, 实现孤岛数据价值变现, 受到了工业界和学术界的广泛关注. 然而, 在实际工程应用中, 联邦学习存在着数据隐私泄露和模型性能损失的问题. 对此, 首先对这两个问题进行了数学描述与分析. 然后, 提出了一种自适应模型聚合方案, 该方案能够设定各参与者的mini-batch值和自适应调整全局模型聚合间隔, 旨在保证模型精度的同时, 提高联邦学习训练效率. 并且, 混沌系统被首次引入联邦学习领域中, 用于构建一种基于混沌系统和同态加密的混合隐私保护方案, 从而进一步提升系统的隐私保护水平. 理论分析与实验结果表明, 提出的联邦学习算法能够保证参与者的数据隐私安全. 并且, 在非独立同分布数据的场景下, 该算法够在保证模型精度的前提下提高训练效率, 降低系统通信成本, 具备实际工业场景应用的可行性.
近些年, 联邦学习由于能够打破数据壁垒, 实现孤岛数据价值变现, 受到了工业界和学术界的广泛关注. 然而, 在实际工程应用中, 联邦学习存在着数据隐私泄露和模型性能损失的问题. 对此, 首先对这两个问题进行了数学描述与分析. 然后, 提出了一种自适应模型聚合方案, 该方案能够设定各参与者的mini-batch值和自适应调整全局模型聚合间隔, 旨在保证模型精度的同时, 提高联邦学习训练效率. 并且, 混沌系统被首次引入联邦学习领域中, 用于构建一种基于混沌系统和同态加密的混合隐私保护方案, 从而进一步提升系统的隐私保护水平. 理论分析与实验结果表明, 提出的联邦学习算法能够保证参与者的数据隐私安全. 并且, 在非独立同分布数据的场景下, 该算法够在保证模型精度的前提下提高训练效率, 降低系统通信成本, 具备实际工业场景应用的可行性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211134
摘要:
在社会网络中, Hegselmann-Krause模型描述了置信阈值内不同邻居对个体的观点影响权重都是相同的, 且邻居对个体的吸引力与他们的观点差值成正比, 这是不切实际的. 为了克服经典Hegselmann-Krause模型的不足, 提出了具有类万有引力的有界置信观点动力学模型, 描述个体观点的更新依赖于观点之间的差值和邻居的权威性, 且不同邻居对个体的观点影响权重不同. 根据置信矩阵的性质证明观点的收敛性, 并分析具有衰减置信阈值的观点动力学行为, 给出观点收敛速率的显式解. 最后, 利用本文提出的观点动力学模型研究社会心理学中的“权威效应”和“非零和效应”. 仿真分析表明, 邻居的权威性有利于观点达成一致.
在社会网络中, Hegselmann-Krause模型描述了置信阈值内不同邻居对个体的观点影响权重都是相同的, 且邻居对个体的吸引力与他们的观点差值成正比, 这是不切实际的. 为了克服经典Hegselmann-Krause模型的不足, 提出了具有类万有引力的有界置信观点动力学模型, 描述个体观点的更新依赖于观点之间的差值和邻居的权威性, 且不同邻居对个体的观点影响权重不同. 根据置信矩阵的性质证明观点的收敛性, 并分析具有衰减置信阈值的观点动力学行为, 给出观点收敛速率的显式解. 最后, 利用本文提出的观点动力学模型研究社会心理学中的“权威效应”和“非零和效应”. 仿真分析表明, 邻居的权威性有利于观点达成一致.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211195
摘要:
针对轴承全寿命周期数据获取困难、训练样本少的问题, 提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life,RUL)预测方法. 关系网络是一种基于度量的元学习方法, 在少量训练样本下, 具有快速学习新任务的优点. 设计了一种基于关系网络的轴承健康评估模型, 利用关系网络的嵌入模块提取轴承状态特征, 利用关系模块度量轴承状态特征之间的相似性, 基于相似性构建轴承健康指标;对健康指标进行Savitzky-golay滤波平滑处理, 降低振荡对预测结果的影响;最后利用线性函数对健康指标进行拟合, 得到轴承RUL预测值. 为验证所提方法的有效性, 在PHM2012轴承实测数据集上进行实验. 结果表明所得健康指标能够反映轴承的退化趋势, 所得RUL预测结果与ConvLSTM、Transformer、RNN、LSTM、Attention mechanism方法相比, 误差百分比分别减少了1.68%、3.41%、9.03%、13.72%、30.49%. 方法在少量训练样本的基础上可以取得较好的预测结果, 具有一定的应用价值.
针对轴承全寿命周期数据获取困难、训练样本少的问题, 提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life,RUL)预测方法. 关系网络是一种基于度量的元学习方法, 在少量训练样本下, 具有快速学习新任务的优点. 设计了一种基于关系网络的轴承健康评估模型, 利用关系网络的嵌入模块提取轴承状态特征, 利用关系模块度量轴承状态特征之间的相似性, 基于相似性构建轴承健康指标;对健康指标进行Savitzky-golay滤波平滑处理, 降低振荡对预测结果的影响;最后利用线性函数对健康指标进行拟合, 得到轴承RUL预测值. 为验证所提方法的有效性, 在PHM2012轴承实测数据集上进行实验. 结果表明所得健康指标能够反映轴承的退化趋势, 所得RUL预测结果与ConvLSTM、Transformer、RNN、LSTM、Attention mechanism方法相比, 误差百分比分别减少了1.68%、3.41%、9.03%、13.72%、30.49%. 方法在少量训练样本的基础上可以取得较好的预测结果, 具有一定的应用价值.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210577
摘要:
现有大多数用于识别候选疾病基因的随机游走方法通常优先访问高度连接的基因, 而可能与已知疾病有关的不知名或连接性差的基因易被忽略或难以识别. 此外, 这些方法仅访问单个基因网络或各种基因数据的聚合网络, 导致偏差和不完整性. 因此, 设计一种能控制随机游走运动方向和整合多种数据源的候选疾病基因识别方法将是一个迫切需要解决的问题. 为此, 本文首先构建多层网络和多层异构基因网络. 然后, 提出了一种游走于多层和多层异构网络的拓扑偏置随机游走(Biased random walk with restart, BRWR)算法来识别疾病基因. 实验结果表明, 游走于不同类型网络上的识别候选疾病基因的BRWR算法优于现有的算法. 最后, 应用于多层异构网络上的BRWR算法能预测未诊断的新生儿类早衰综合征中涉及的疾病基因.
现有大多数用于识别候选疾病基因的随机游走方法通常优先访问高度连接的基因, 而可能与已知疾病有关的不知名或连接性差的基因易被忽略或难以识别. 此外, 这些方法仅访问单个基因网络或各种基因数据的聚合网络, 导致偏差和不完整性. 因此, 设计一种能控制随机游走运动方向和整合多种数据源的候选疾病基因识别方法将是一个迫切需要解决的问题. 为此, 本文首先构建多层网络和多层异构基因网络. 然后, 提出了一种游走于多层和多层异构网络的拓扑偏置随机游走(Biased random walk with restart, BRWR)算法来识别疾病基因. 实验结果表明, 游走于不同类型网络上的识别候选疾病基因的BRWR算法优于现有的算法. 最后, 应用于多层异构网络上的BRWR算法能预测未诊断的新生儿类早衰综合征中涉及的疾病基因.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210925
摘要:
多重不确定性环境下的非线性系统辨识是一个开放问题.贝叶斯学习在描述、处理不确定性方面具有显著优势, 已在线性系统辨识方面得到广泛应用, 但在非线性系统辨识的应用较少, 面临概率估计复杂、计算量大等困难.本文针对上述问题, 以典型维纳非线性过程为对象, 提出基于随机变分贝叶斯的非线性系统辨识方法.首先对过程噪声、测量噪声以及参数不确定性进行概率描述;然后利用随机变分贝叶斯方法对模型参数进行后验估计.在估计过程中, 利用随机优化思想, 仅利用部分中间变量概率信息估计模型参数分布的自然梯度期望, 与利用所有中间变量概率信息估计模型参数比较, 显著降低了计算复杂性.该方法是首次在系统辨识领域中的应用.本文利用一个仿真实例和一个维纳模型的Benchmark问题, 证明了该方法在对大规模数据系统辨识时的有效性.
多重不确定性环境下的非线性系统辨识是一个开放问题.贝叶斯学习在描述、处理不确定性方面具有显著优势, 已在线性系统辨识方面得到广泛应用, 但在非线性系统辨识的应用较少, 面临概率估计复杂、计算量大等困难.本文针对上述问题, 以典型维纳非线性过程为对象, 提出基于随机变分贝叶斯的非线性系统辨识方法.首先对过程噪声、测量噪声以及参数不确定性进行概率描述;然后利用随机变分贝叶斯方法对模型参数进行后验估计.在估计过程中, 利用随机优化思想, 仅利用部分中间变量概率信息估计模型参数分布的自然梯度期望, 与利用所有中间变量概率信息估计模型参数比较, 显著降低了计算复杂性.该方法是首次在系统辨识领域中的应用.本文利用一个仿真实例和一个维纳模型的Benchmark问题, 证明了该方法在对大规模数据系统辨识时的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210935
摘要:
在城市固废焚烧过程中, 烟气含氧量是影响焚烧效果的重要工艺参数. 由于固废焚烧过程的复杂性, 实际应用过程中难以实现烟气含氧量的有效控制. 面向城市固废焚烧过程烟气含氧量控制的实际需求, 文中提出了一种基于数据驱动的烟气含氧量自适应预测控制方法. 首先, 采用自适应模糊C均值 (Fuzzy C-means, FCM) 算法辅助确定径向基函数 (Radial basis function, RBF) 神经网
在城市固废焚烧过程中, 烟气含氧量是影响焚烧效果的重要工艺参数. 由于固废焚烧过程的复杂性, 实际应用过程中难以实现烟气含氧量的有效控制. 面向城市固废焚烧过程烟气含氧量控制的实际需求, 文中提出了一种基于数据驱动的烟气含氧量自适应预测控制方法. 首先, 采用自适应模糊C均值 (Fuzzy C-means, FCM) 算法辅助确定径向基函数 (Radial basis function, RBF) 神经网