2024, 50(6): 1059-1085.
doi: 10.16383/j.aas.c230336
摘要:
近年来, 人类社会快速步入大数据时代, 数据安全与隐私保护已成为发展大数据生态及相关数字经济的关键问题. 联邦学习(Federated learning)作为分布式机器学习的一种新范式, 致力于在保护数据隐私的同时从分布式本地数据集中训练全局模型, 因而获得了广泛和深入的研究. 然而, 联邦学习体系面临的中心化架构、激励机制设计和系统安全等技术挑战仍有待进一步研究, 而区块链被认为是应对这些挑战的有效解决方案, 并已成功应用于联邦学习的许多研究和实践场景. 在系统性地梳理现阶段区块链与联邦学习集成研究成果的基础上, 提出基于区块链的联邦学习(Blockchain-enabled federated learning, BeFL)概念模型, 阐述其中的若干关键技术、研究问题与当前研究进展, 探讨该领域的应用场景以及有待进一步研究的关键问题, 并讨论未来发展的潜在方向, 致力于为构建去中心化和安全可信的数据生态基础设施、促进数字经济与相关产业的发展提供有益的参考与借鉴.
近年来, 人类社会快速步入大数据时代, 数据安全与隐私保护已成为发展大数据生态及相关数字经济的关键问题. 联邦学习(Federated learning)作为分布式机器学习的一种新范式, 致力于在保护数据隐私的同时从分布式本地数据集中训练全局模型, 因而获得了广泛和深入的研究. 然而, 联邦学习体系面临的中心化架构、激励机制设计和系统安全等技术挑战仍有待进一步研究, 而区块链被认为是应对这些挑战的有效解决方案, 并已成功应用于联邦学习的许多研究和实践场景. 在系统性地梳理现阶段区块链与联邦学习集成研究成果的基础上, 提出基于区块链的联邦学习(Blockchain-enabled federated learning, BeFL)概念模型, 阐述其中的若干关键技术、研究问题与当前研究进展, 探讨该领域的应用场景以及有待进一步研究的关键问题, 并讨论未来发展的潜在方向, 致力于为构建去中心化和安全可信的数据生态基础设施、促进数字经济与相关产业的发展提供有益的参考与借鉴.
2024, 50(6): 1086-1103.
doi: 10.16383/j.aas.c230196
摘要:
分布异构计算资源通过网络连接形成算力网络 (Computing power network, CPN), 其以“连”和“算”为核心. 针对广分布异构性导致可行解空间巨大、强不确定性导致可行解空间易变、高约束复杂性导致可行解孤岛繁多、多目标性导致冲突目标权衡优化难等挑战, 提出一个多层次算力网络体系框架, 包括参数化结构化业务管理、三阶段(计划、调度、执行)闭环调度模式、多模态资源管理三个功能. 提出支持快速、高效、鲁棒的“算法+知识+数据+算力”的算力网络智慧调度框架, 形式化分析可行解空间, 解析调度策略关键参数, 定性分析调度算法性能与效率的内在关系, 详细综述调度算法类型, 综述算力网络调度研究进展与发展方向. 对比已有相关综述研究, 展望算力网络调度未来理论和技术的难点与趋势.
分布异构计算资源通过网络连接形成算力网络 (Computing power network, CPN), 其以“连”和“算”为核心. 针对广分布异构性导致可行解空间巨大、强不确定性导致可行解空间易变、高约束复杂性导致可行解孤岛繁多、多目标性导致冲突目标权衡优化难等挑战, 提出一个多层次算力网络体系框架, 包括参数化结构化业务管理、三阶段(计划、调度、执行)闭环调度模式、多模态资源管理三个功能. 提出支持快速、高效、鲁棒的“算法+知识+数据+算力”的算力网络智慧调度框架, 形式化分析可行解空间, 解析调度策略关键参数, 定性分析调度算法性能与效率的内在关系, 详细综述调度算法类型, 综述算力网络调度研究进展与发展方向. 对比已有相关综述研究, 展望算力网络调度未来理论和技术的难点与趋势.
2024, 50(6): 1104-1128.
doi: 10.16383/j.aas.c230546
摘要:
强化学习(Reinforcement learning, RL)通过智能体与环境在线交互来学习最优策略, 近年来已成为解决复杂环境下感知决策问题的重要手段. 然而, 在线收集数据的方式可能会引发安全、时间或成本等问题, 极大限制了强化学习在实际中的应用. 与此同时, 原始数据的维度高且结构复杂, 解决复杂高维数据输入问题也是强化学习面临的一大挑战. 幸运的是, 基于表征学习的离线强化学习能够仅从历史经验数据中学习策略, 而无需与环境产生交互. 它利用表征学习技术将离线数据集中的特征表示为低维向量, 然后利用这些向量来训练离线强化学习模型. 这种数据驱动的方式为实现通用人工智能提供了新契机. 为此, 对近期基于表征学习的离线强化学习方法进行全面综述. 首先给出离线强化学习的形式化描述, 然后从方法、基准数据集、离线策略评估与超参数选择3个层面对现有技术进行归纳整理, 进一步介绍离线强化学习在工业、推荐系统、智能驾驶等领域中的研究动态. 最后, 对全文进行总结, 并探讨基于表征学习的离线强化学习未来所面临的关键挑战与发展趋势, 以期为后续的研究提供有益参考.
强化学习(Reinforcement learning, RL)通过智能体与环境在线交互来学习最优策略, 近年来已成为解决复杂环境下感知决策问题的重要手段. 然而, 在线收集数据的方式可能会引发安全、时间或成本等问题, 极大限制了强化学习在实际中的应用. 与此同时, 原始数据的维度高且结构复杂, 解决复杂高维数据输入问题也是强化学习面临的一大挑战. 幸运的是, 基于表征学习的离线强化学习能够仅从历史经验数据中学习策略, 而无需与环境产生交互. 它利用表征学习技术将离线数据集中的特征表示为低维向量, 然后利用这些向量来训练离线强化学习模型. 这种数据驱动的方式为实现通用人工智能提供了新契机. 为此, 对近期基于表征学习的离线强化学习方法进行全面综述. 首先给出离线强化学习的形式化描述, 然后从方法、基准数据集、离线策略评估与超参数选择3个层面对现有技术进行归纳整理, 进一步介绍离线强化学习在工业、推荐系统、智能驾驶等领域中的研究动态. 最后, 对全文进行总结, 并探讨基于表征学习的离线强化学习未来所面临的关键挑战与发展趋势, 以期为后续的研究提供有益参考.
2024, 50(6): 1129-1142.
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, 简称单应扩散变换(Homography diffusion warping, HDW)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, 简称单应扩散变换(Homography diffusion warping, HDW)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.
2024, 50(6): 1143-1150.
doi: 10.16383/j.aas.c230612
摘要:
针对一般复杂无向图的同构判定问题, 给出了基于邻接矩阵之和的特征多项式判定条件; 针对复杂无向连通图的同构判定问题, 给出了基于距离矩阵特征多项式和邻接矩阵特征多项式的同构判定条件, 将该条件用于复杂无向不连通图的各个连通子图, 就可解决复杂无向不连通图的同构判定问题. 上述两个判定条件均是充要条件且当复杂无向图退化为简单无向图时仍然适用.
针对一般复杂无向图的同构判定问题, 给出了基于邻接矩阵之和的特征多项式判定条件; 针对复杂无向连通图的同构判定问题, 给出了基于距离矩阵特征多项式和邻接矩阵特征多项式的同构判定条件, 将该条件用于复杂无向不连通图的各个连通子图, 就可解决复杂无向不连通图的同构判定问题. 上述两个判定条件均是充要条件且当复杂无向图退化为简单无向图时仍然适用.
2024, 50(6): 1151-1159.
doi: 10.16383/j.aas.c210895
摘要:
研究了高超声速飞行器控制通道存在未知环境干扰时的指定时间跟踪控制问题. 基于高超声速飞行器的输入输出线性化模型, 借助参量 Lyapunov方程的一些性质, 设计一种光滑、有界的时变高增益控制律. 相比于现有的高超声速飞行器有限/固定时间控制方法, 该算法不会出现抖振现象, 同时收敛时间不依赖于初始状态且可以事先设定. 当高超声速飞行器存在未知的有界环境匹配干扰时, 该控制器能使高度和速度在指定时间跟踪上参考信号. 仿真结果验证了方法的有效性.
研究了高超声速飞行器控制通道存在未知环境干扰时的指定时间跟踪控制问题. 基于高超声速飞行器的输入输出线性化模型, 借助参量 Lyapunov方程的一些性质, 设计一种光滑、有界的时变高增益控制律. 相比于现有的高超声速飞行器有限/固定时间控制方法, 该算法不会出现抖振现象, 同时收敛时间不依赖于初始状态且可以事先设定. 当高超声速飞行器存在未知的有界环境匹配干扰时, 该控制器能使高度和速度在指定时间跟踪上参考信号. 仿真结果验证了方法的有效性.
2024, 50(6): 1160-1170.
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.
2024, 50(6): 1171-1184.
doi: 10.16383/j.aas.c230534
摘要:
风电场数据的完整性会因恶劣天气、输入信号丢失、传感器故障等原因遭到破坏, 而大面积的数据缺失将给风机设备的运行和维护带来严峻考验. 因此, 提出一个多变量时空融合网络(Multivariate spatiotemporal integration network, MSIN)来解决缺失数据问题. 首先, 提出包含缺失值定位−指引机制的MSIN结构, 揭示缺失部分数据的潜在信息, 确保插补数据符合真实分布. 其次, 在网络中设计多视角时空卷积模块, 捕捉同一风机多个变量与多个风机同一变量之间的局部空间和全局时间相关性, 用于提高插补数据的真实性. 接着, 提出网络实时自更新机制, 根据风电场实时变化情况实现在线调整, 能够提升网络泛化能力, 由此弥补重新训练模型的时间和空间成本高的缺陷. 最后, 通过真实的风机数据验证所提网络的有效性和优越性. 相关分析结果表明, 相较于MissForest等传统数据插补方法的插补性能, 平均绝对误差(Mean absolute error, MAE)、平均绝对百分比误差(Mean absolute percentage error, MAPE)和均方根误差(Root mean square error, RMSE)分别下降 18.54%、41.00% 和 3.15% 以上.
风电场数据的完整性会因恶劣天气、输入信号丢失、传感器故障等原因遭到破坏, 而大面积的数据缺失将给风机设备的运行和维护带来严峻考验. 因此, 提出一个多变量时空融合网络(Multivariate spatiotemporal integration network, MSIN)来解决缺失数据问题. 首先, 提出包含缺失值定位−指引机制的MSIN结构, 揭示缺失部分数据的潜在信息, 确保插补数据符合真实分布. 其次, 在网络中设计多视角时空卷积模块, 捕捉同一风机多个变量与多个风机同一变量之间的局部空间和全局时间相关性, 用于提高插补数据的真实性. 接着, 提出网络实时自更新机制, 根据风电场实时变化情况实现在线调整, 能够提升网络泛化能力, 由此弥补重新训练模型的时间和空间成本高的缺陷. 最后, 通过真实的风机数据验证所提网络的有效性和优越性. 相关分析结果表明, 相较于MissForest等传统数据插补方法的插补性能, 平均绝对误差(Mean absolute error, MAE)、平均绝对百分比误差(Mean absolute percentage error, MAPE)和均方根误差(Root mean square error, RMSE)分别下降 18.54%、41.00% 和 3.15% 以上.
2024, 50(6): 1185-1198.
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, 且面临概率估计复杂、计算量大等难题. 针对上述问题, 以典型维纳(Wiener)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. 最后, 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下非线性系统辨识的有效性.
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, 且面临概率估计复杂、计算量大等难题. 针对上述问题, 以典型维纳(Wiener)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. 最后, 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下非线性系统辨识的有效性.
2024, 50(6): 1199-1209.
doi: 10.16383/j.aas.c220679
摘要:
污水处理过程(Wastewater treatment process, WWTP)是一个包含多个生化反应的复杂过程, 具有非线性和动态特性. 因此, 实现污水处理过程的精准控制是一项挑战. 为解决这个问题, 提出一种基于自组织递归小波神经网络(Self-organized recurrent wavelet neural network, SRWNN)的污水处理过程多变量控制. 首先, 针对污水处理过程的动态特性, 根据小波基的激活强度设计一种自组织机制来动态调整递归小波神经网络控制器的结构, 提高控制的性能. 然后, 采用结合自适应学习率的在线学习算法, 实现控制器的参数学习. 此外, 通过李雅普诺夫稳定性定理证明此控制器的稳定性. 最后, 采用基准仿真平台进行仿真验证, 实验结果表明, 此控制方法可以有效提高污水处理过程的控制绝对误差积分(Integral of absolute error, IAE)和积分平方误差(Integral of squared error, ISE)的精度.
污水处理过程(Wastewater treatment process, WWTP)是一个包含多个生化反应的复杂过程, 具有非线性和动态特性. 因此, 实现污水处理过程的精准控制是一项挑战. 为解决这个问题, 提出一种基于自组织递归小波神经网络(Self-organized recurrent wavelet neural network, SRWNN)的污水处理过程多变量控制. 首先, 针对污水处理过程的动态特性, 根据小波基的激活强度设计一种自组织机制来动态调整递归小波神经网络控制器的结构, 提高控制的性能. 然后, 采用结合自适应学习率的在线学习算法, 实现控制器的参数学习. 此外, 通过李雅普诺夫稳定性定理证明此控制器的稳定性. 最后, 采用基准仿真平台进行仿真验证, 实验结果表明, 此控制方法可以有效提高污水处理过程的控制绝对误差积分(Integral of absolute error, IAE)和积分平方误差(Integral of squared error, ISE)的精度.
2024, 50(6): 1210-1220.
doi: 10.16383/j.aas.c230584
摘要:
随着信息物理系统技术的发展, 面向多智能体系统的分布式协同优化问题得到广泛研究. 主要研究面向多智能体系统的受约束分布式聚合博弈问题, 其中局部智能体成本函数受到全局聚合项约束和全局等式耦合约束. 首先, 面向一阶积分型多智能体系统设计一种基于估计梯度下降的纳什均衡求解算法. 其中, 利用多智能体系统平均一致性方法设计一种自适应估计策略, 以实现全局聚合项约束分布式估计, 并据此计算出梯度函数估计值. 其次, 利用状态反馈策略和输出反馈策略将上述算法推广至状态信息可测和状态信息不可测一般线性异构多智能体系统. 最后, 利用拉萨尔不变性原理证实上述算法收敛性, 并提供多组案例仿真用以验证算法有效性.
随着信息物理系统技术的发展, 面向多智能体系统的分布式协同优化问题得到广泛研究. 主要研究面向多智能体系统的受约束分布式聚合博弈问题, 其中局部智能体成本函数受到全局聚合项约束和全局等式耦合约束. 首先, 面向一阶积分型多智能体系统设计一种基于估计梯度下降的纳什均衡求解算法. 其中, 利用多智能体系统平均一致性方法设计一种自适应估计策略, 以实现全局聚合项约束分布式估计, 并据此计算出梯度函数估计值. 其次, 利用状态反馈策略和输出反馈策略将上述算法推广至状态信息可测和状态信息不可测一般线性异构多智能体系统. 最后, 利用拉萨尔不变性原理证实上述算法收敛性, 并提供多组案例仿真用以验证算法有效性.
2024, 50(6): 1221-1233.
doi: 10.16383/j.aas.c230695
摘要:
为有效提升城市污水处理过程的脱氮效果, 提出一种知识和数据驱动的反硝化脱氮过程协同优化控制(Knowledge-data-driven cooperative optimal control, KDDCOC). 所提方法主要有以下两个方面: 首先, 建立一种基于自适应知识核函数的协同优化控制目标模型, 动态描述出水水质(Effluent quality, EQ)以及泵送能耗(Pumping energy consumption, PE)、关键变量的协同关系; 其次, 提出一种知识引导的协同优化算法(Knowledge guide-based cooperative optimization algorithm, KGCO), 快速准确求解硝态氮(Nitrate nitrogen, SNO)优化设定值, 提高KDDCOC的响应速度. KDDCOC利用比例−积分−微分(Proportional-integral-derivative, PID)控制器对硝态氮优化设定值进行跟踪, 将提出的KDDCOC应用于城市污水处理过程基准仿真模型 1 号(Benchmark simulation model No.1, BSM1), 实验结果表明, 该方法能够提高出水水质, 降低运行能耗, 有效改善脱氮效果.
为有效提升城市污水处理过程的脱氮效果, 提出一种知识和数据驱动的反硝化脱氮过程协同优化控制(Knowledge-data-driven cooperative optimal control, KDDCOC). 所提方法主要有以下两个方面: 首先, 建立一种基于自适应知识核函数的协同优化控制目标模型, 动态描述出水水质(Effluent quality, EQ)以及泵送能耗(Pumping energy consumption, PE)、关键变量的协同关系; 其次, 提出一种知识引导的协同优化算法(Knowledge guide-based cooperative optimization algorithm, KGCO), 快速准确求解硝态氮(Nitrate nitrogen, SNO)优化设定值, 提高KDDCOC的响应速度. KDDCOC利用比例−积分−微分(Proportional-integral-derivative, PID)控制器对硝态氮优化设定值进行跟踪, 将提出的KDDCOC应用于城市污水处理过程基准仿真模型 1 号(Benchmark simulation model No.1, BSM1), 实验结果表明, 该方法能够提高出水水质, 降低运行能耗, 有效改善脱氮效果.
2024, 50(6): 1234-1245.
doi: 10.16383/j.aas.c230573
摘要:
为解决多模态命名实体识别(Multimodal named entity recognition, MNER)方法研究中存在的图像特征语义缺失和多模态表示语义约束较弱等问题, 提出多尺度视觉语义增强的多模态命名实体识别方法(Multi-scale visual semantic enhancement for multimodal named entity recognition method, MSVSE). 该方法提取多种视觉特征用于补全图像语义, 挖掘文本特征与多种视觉特征间的语义交互关系, 生成多尺度视觉语义特征并进行融合, 得到多尺度视觉语义增强的多模态文本表示; 使用视觉实体分类器对多尺度视觉语义特征解码, 实现视觉特征的语义一致性约束; 调用多任务标签解码器挖掘多模态文本表示和文本特征的细粒度语义, 通过联合解码解决语义偏差问题, 从而进一步提高命名实体识别准确度. 为验证该方法的有效性, 在Twitter-2015和Twitter-2017数据集上进行实验, 并与其他10种方法进行对比, 该方法的平均F1值得到提升.
为解决多模态命名实体识别(Multimodal named entity recognition, MNER)方法研究中存在的图像特征语义缺失和多模态表示语义约束较弱等问题, 提出多尺度视觉语义增强的多模态命名实体识别方法(Multi-scale visual semantic enhancement for multimodal named entity recognition method, MSVSE). 该方法提取多种视觉特征用于补全图像语义, 挖掘文本特征与多种视觉特征间的语义交互关系, 生成多尺度视觉语义特征并进行融合, 得到多尺度视觉语义增强的多模态文本表示; 使用视觉实体分类器对多尺度视觉语义特征解码, 实现视觉特征的语义一致性约束; 调用多任务标签解码器挖掘多模态文本表示和文本特征的细粒度语义, 通过联合解码解决语义偏差问题, 从而进一步提高命名实体识别准确度. 为验证该方法的有效性, 在Twitter-2015和Twitter-2017数据集上进行实验, 并与其他10种方法进行对比, 该方法的平均F1值得到提升.
2024, 50(6): 1246-1260.
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, 首先构建多层网络和多层异构基因网络. 然后, 提出一种游走于多层网络和多层异构网络的拓扑偏置重启随机游走(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, 首先构建多层网络和多层异构基因网络. 然后, 提出一种游走于多层网络和多层异构网络的拓扑偏置重启随机游走(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.
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.c230567
摘要:
近年来, 基于卷积神经网络(Convolutional neural network, CNN) 的图像去雾方法在合成数据集上取得了显著的进展, 但由于真实场景中存在雾分布不均的问题, 卷积运算的局部感受野难以有效捕获到上下文指导信息, 从而导致全局结构信息丢失. 因此, 真实场景下的图像去雾任务面临着巨大的挑战. 考虑到Transformer具有捕获长距离语义信息依赖关系的优势, 有利于引导全局结构信息重建. 然而, 标准Transformer结构的高计算复杂度阻碍了其在图像恢复中的应用. 针对上述提到的问题, 提出一个由Transformer和卷积神经网络组成的双分支协同非均匀图像去雾网络Dehazeformer. Transformer分支用于提取全局结构信息, 同时设计稀疏自注意力模块(Sparse self-attention modules, SSM) 以降低计算复杂度. 卷积神经网络分支用于获取局部信息, 从而恢复纹理细节. 在真实非均匀有雾场景下的实验结果表明, 该方法不管是在客观评价还是在主观视觉效果方面均达到优异的性能.
近年来, 基于卷积神经网络(Convolutional neural network, CNN) 的图像去雾方法在合成数据集上取得了显著的进展, 但由于真实场景中存在雾分布不均的问题, 卷积运算的局部感受野难以有效捕获到上下文指导信息, 从而导致全局结构信息丢失. 因此, 真实场景下的图像去雾任务面临着巨大的挑战. 考虑到Transformer具有捕获长距离语义信息依赖关系的优势, 有利于引导全局结构信息重建. 然而, 标准Transformer结构的高计算复杂度阻碍了其在图像恢复中的应用. 针对上述提到的问题, 提出一个由Transformer和卷积神经网络组成的双分支协同非均匀图像去雾网络Dehazeformer. Transformer分支用于提取全局结构信息, 同时设计稀疏自注意力模块(Sparse self-attention modules, SSM) 以降低计算复杂度. 卷积神经网络分支用于获取局部信息, 从而恢复纹理细节. 在真实非均匀有雾场景下的实验结果表明, 该方法不管是在客观评价还是在主观视觉效果方面均达到优异的性能.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230297
摘要:
针对无人机降落阶段, 因无人船受海面波浪影响对图像产生运动模糊, 导致获取无人机相对位姿精度低且鲁棒性差的问题, 提出一种基于多模型关键点加权融合的6D目标位姿估计算法, 以提高位姿估计的精度和鲁棒性. 首先基于无人船陀螺仪得到的运动信息设计帧间抖动模型, 通过还原图像信息达到降低图像噪声的目的. 然后设计一种多模型的级联回归特征提取算法, 通过多模型检测舰载视觉系统获取的图像, 以增强特征空间的多样性; 同时, 将检测过程中关键点定位形状增量集作为融合权重对模型进行加权融合, 以提高特征空间的鲁棒性. 利用EPnP (Efficient perspective-n-point) 计算关键点相机坐标系坐标, 将PnP (Perspective-n-point) 问题转化为ICP (Iterative closest point) 问题. 最终基于关键点解集的离散度为关键点赋权, 使用ICP算法求解位姿, 以削弱深度信息对位姿的影响. 仿真结果表明, 该算法能够建立一个精度更高的特征空间, 使得位姿解算时特征映射的损失降低, 最终提高位姿解算的精度.
针对无人机降落阶段, 因无人船受海面波浪影响对图像产生运动模糊, 导致获取无人机相对位姿精度低且鲁棒性差的问题, 提出一种基于多模型关键点加权融合的6D目标位姿估计算法, 以提高位姿估计的精度和鲁棒性. 首先基于无人船陀螺仪得到的运动信息设计帧间抖动模型, 通过还原图像信息达到降低图像噪声的目的. 然后设计一种多模型的级联回归特征提取算法, 通过多模型检测舰载视觉系统获取的图像, 以增强特征空间的多样性; 同时, 将检测过程中关键点定位形状增量集作为融合权重对模型进行加权融合, 以提高特征空间的鲁棒性. 利用EPnP (Efficient perspective-n-point) 计算关键点相机坐标系坐标, 将PnP (Perspective-n-point) 问题转化为ICP (Iterative closest point) 问题. 最终基于关键点解集的离散度为关键点赋权, 使用ICP算法求解位姿, 以削弱深度信息对位姿的影响. 仿真结果表明, 该算法能够建立一个精度更高的特征空间, 使得位姿解算时特征映射的损失降低, 最终提高位姿解算的精度.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210673
摘要:
高速公路无人驾驶轨迹规划面临着实时性强、安全性高的挑战. 为此, 提出一种分层抽样多动态窗口的轨迹规划算法(Stratied sampling based multi-dynamic window trajectory planner, SMWTP). 首先, 用多动态窗口表征可行轨迹的搜索空间, 并基于贝叶斯网络构建车辆轨迹分布模型. 其次, 采用先速度后路径的分层抽样策略生成符合动态场景约束的候选轨迹集合. 最后, 利用引入障碍车辆速度估计不确定性的责任敏感安全模型(Responsibility sensitive safety, RSS)从中选择最优轨迹. 大量仿真实验和实际交通场景测试验证了算法的有效性, 对比实验结果表明, 所提算法性能显著优于人工势场最优轨迹规划算法和多动态窗口模拟退火轨迹规划算法.
高速公路无人驾驶轨迹规划面临着实时性强、安全性高的挑战. 为此, 提出一种分层抽样多动态窗口的轨迹规划算法(Stratied sampling based multi-dynamic window trajectory planner, SMWTP). 首先, 用多动态窗口表征可行轨迹的搜索空间, 并基于贝叶斯网络构建车辆轨迹分布模型. 其次, 采用先速度后路径的分层抽样策略生成符合动态场景约束的候选轨迹集合. 最后, 利用引入障碍车辆速度估计不确定性的责任敏感安全模型(Responsibility sensitive safety, RSS)从中选择最优轨迹. 大量仿真实验和实际交通场景测试验证了算法的有效性, 对比实验结果表明, 所提算法性能显著优于人工势场最优轨迹规划算法和多动态窗口模拟退火轨迹规划算法.
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.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各阶导数, 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方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各阶导数, 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方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.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210009
摘要:
宽度学习系统(Broad learning system, BLS)作为一种基于随机向量函数型网络(Random vector functionallink network, RVFLN)的高效增量学习系统, 具有快速自适应模型结构选择能力和高精度的特点. 但针对目标分类任务中有标签数据匮乏问题, 传统的BLS难以借助相关领域知识来提升目标域的分类效果, 为此提出一种基于流形正则化框架和最大均值差异(Maximum mean discrepancy, MMD)的域适应BLS (Domain adaptive BLS, DABLS)模型, 实现目标域无标签条件下的跨域图像分类. DABLS模型首先构造BLS的特征节点和增强节点, 从源域和目标域数据中有效提取特征; 再利用流形正则化框架构造拉普拉斯矩阵, 以探索目标域数据中的流形特性, 挖掘目标域数据的潜在信息. 然后基于迁移学习方法构建源域数据与目标域数据之间的MMD惩罚项, 以匹配源域和目标域之间的投影均值; 将特征节点、增强节点、MMD惩罚项和拉普拉斯矩阵相结合, 构造目标函数, 并采用岭回归分析法对其求解, 获得输出系数, 从而提高模型的跨域分类性能. 最后在不同图像数据集上进行大量的验证与对比实验, 结果表明DABLS在不同图像数据集上均能获得较好的跨域分类性能, 具有较强的泛化能力和较好的稳定性.
宽度学习系统(Broad learning system, BLS)作为一种基于随机向量函数型网络(Random vector functionallink network, RVFLN)的高效增量学习系统, 具有快速自适应模型结构选择能力和高精度的特点. 但针对目标分类任务中有标签数据匮乏问题, 传统的BLS难以借助相关领域知识来提升目标域的分类效果, 为此提出一种基于流形正则化框架和最大均值差异(Maximum mean discrepancy, MMD)的域适应BLS (Domain adaptive BLS, DABLS)模型, 实现目标域无标签条件下的跨域图像分类. DABLS模型首先构造BLS的特征节点和增强节点, 从源域和目标域数据中有效提取特征; 再利用流形正则化框架构造拉普拉斯矩阵, 以探索目标域数据中的流形特性, 挖掘目标域数据的潜在信息. 然后基于迁移学习方法构建源域数据与目标域数据之间的MMD惩罚项, 以匹配源域和目标域之间的投影均值; 将特征节点、增强节点、MMD惩罚项和拉普拉斯矩阵相结合, 构造目标函数, 并采用岭回归分析法对其求解, 获得输出系数, 从而提高模型的跨域分类性能. 最后在不同图像数据集上进行大量的验证与对比实验, 结果表明DABLS在不同图像数据集上均能获得较好的跨域分类性能, 具有较强的泛化能力和较好的稳定性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210903
摘要:
在小样本分类任务中, 每个类别可供训练的样本数量非常有限. 因此在特征空间中，同类样本分布稀疏, 异类样本间边界模糊. 因此提出一种新的基于特征变换和度量网络(Feature transformation and metric networks, FTMN)的小样本学算法用于小样本分类任务. 算法通过嵌入函数将样本映射到特征空间, 并计算输入该样本与所属类别中心的特征残差. 构造一个特征变换函数对该残差进行学习, 使特征空间内的样本特征经过该函数后向同类样本中心靠拢. 利用变换后的样本特征更新类别中心, 使各类别中心间的距离增大. 算法进一步构造了一种新的度量函数, 对样本特征中每个局部特征点的度量距离进行联合表达, 该函数能够同时对样本特征间的夹角和欧氏距离进行优化. 算法在小样本分类任务常用数据集上的优秀表现证明了算法的有效性和泛化性.
在小样本分类任务中, 每个类别可供训练的样本数量非常有限. 因此在特征空间中，同类样本分布稀疏, 异类样本间边界模糊. 因此提出一种新的基于特征变换和度量网络(Feature transformation and metric networks, FTMN)的小样本学算法用于小样本分类任务. 算法通过嵌入函数将样本映射到特征空间, 并计算输入该样本与所属类别中心的特征残差. 构造一个特征变换函数对该残差进行学习, 使特征空间内的样本特征经过该函数后向同类样本中心靠拢. 利用变换后的样本特征更新类别中心, 使各类别中心间的距离增大. 算法进一步构造了一种新的度量函数, 对样本特征中每个局部特征点的度量距离进行联合表达, 该函数能够同时对样本特征间的夹角和欧氏距离进行优化. 算法在小样本分类任务常用数据集上的优秀表现证明了算法的有效性和泛化性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211233
摘要:
纵向联邦学习(Vertical federated learning, VFL)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诸多领域中, 因此保证其隐私安全性具有重要意义. 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漏风险, 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漏数据隐私. 为了应对上述隐私泄漏风险, 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(Privacy preservation method for vertical federated learning based on max-min strategy, PPVFL), 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%下降到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(Vertical federated learning, VFL)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诸多领域中, 因此保证其隐私安全性具有重要意义. 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漏风险, 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漏数据隐私. 为了应对上述隐私泄漏风险, 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(Privacy preservation method for vertical federated learning based on max-min strategy, PPVFL), 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%下降到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.c220893
摘要:
研究了受到隐蔽攻击的信息物理系统(Cyber-physical system, CPS)安全控制问题. 采用KL (Kullback-Leibler)散度描述攻击的隐蔽性, 并设计动态输出反馈控制器, 使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(Cyber-physical system, CPS)安全控制问题. 采用KL (Kullback-Leibler)散度描述攻击的隐蔽性, 并设计动态输出反馈控制器, 使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.c230557
摘要:
自主着陆技术是制约无人机 (Unmanned aerial vehicle, UAV) 自主性等级提升中极具挑战性的一项技术. 立足于未来基于视觉的无人机自主着陆技术的发展需求, 围绕其中的核心问题——着陆场检测与位姿估计, 对近十年来国内外无人机自主着陆领域中基于视觉的着陆场检测与位姿估计方法研究进展进行总结. 首先, 在分析无人机自主着陆应用需求的基础上, 指出机器视觉在无人机自主着陆领域的应用优势, 并凝练出存在的科学问题; 其次, 按不同应用场景划分对着陆场检测算法进行梳理; 然后, 分别对纯视觉、多源信息融合的位姿估计技术研究成果进行归纳; 最后, 总结该领域有待进一步解决的难点, 并对未来的技术发展趋势进行展望.
自主着陆技术是制约无人机 (Unmanned aerial vehicle, UAV) 自主性等级提升中极具挑战性的一项技术. 立足于未来基于视觉的无人机自主着陆技术的发展需求, 围绕其中的核心问题——着陆场检测与位姿估计, 对近十年来国内外无人机自主着陆领域中基于视觉的着陆场检测与位姿估计方法研究进展进行总结. 首先, 在分析无人机自主着陆应用需求的基础上, 指出机器视觉在无人机自主着陆领域的应用优势, 并凝练出存在的科学问题; 其次, 按不同应用场景划分对着陆场检测算法进行梳理; 然后, 分别对纯视觉、多源信息融合的位姿估计技术研究成果进行归纳; 最后, 总结该领域有待进一步解决的难点, 并对未来的技术发展趋势进行展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c220984
摘要:
本文主要研究网络环境下无人水面船舶 (Unmanned surface vessels, USVs) 遭受虚假数据注入式 (False-data-injection, FDI) 攻击的跟踪控制问题. 其中, 内部和外部不确定以及输入饱和约束等实际因素均考虑在设计中. 在控制设计过程中, 为避免将船舶速度的攻击信号引入闭环系统, 采用分类重构思想, 构造一种新的神经网络 (Neural network, NN) 状态观测器, 同时重构船舶速度和攻击信号. 进一步, 在backstepping 设计框架下, 利用重构的攻击信号补偿USVs 运动学通道因虚假数据注入式攻击引起的非匹配不确定项. 在动力学设计通道中, 利用自适应神经技术和单参数学习法, 重构由内部和外部不确定组成的复合不确定部分, 进而提出自适应神经输出反馈控制方案. 理论分析表明, 即便在FDI 攻击、内外不确定以及执行器饱和约束的情况下, 所提控制方案能迫使USVs 跟踪给定的参考轨迹. 同时, 仿真和比较结果证实了所提控制方案的有效性和优越性.
本文主要研究网络环境下无人水面船舶 (Unmanned surface vessels, USVs) 遭受虚假数据注入式 (False-data-injection, FDI) 攻击的跟踪控制问题. 其中, 内部和外部不确定以及输入饱和约束等实际因素均考虑在设计中. 在控制设计过程中, 为避免将船舶速度的攻击信号引入闭环系统, 采用分类重构思想, 构造一种新的神经网络 (Neural network, NN) 状态观测器, 同时重构船舶速度和攻击信号. 进一步, 在backstepping 设计框架下, 利用重构的攻击信号补偿USVs 运动学通道因虚假数据注入式攻击引起的非匹配不确定项. 在动力学设计通道中, 利用自适应神经技术和单参数学习法, 重构由内部和外部不确定组成的复合不确定部分, 进而提出自适应神经输出反馈控制方案. 理论分析表明, 即便在FDI 攻击、内外不确定以及执行器饱和约束的情况下, 所提控制方案能迫使USVs 跟踪给定的参考轨迹. 同时, 仿真和比较结果证实了所提控制方案的有效性和优越性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230674
摘要:
智能感知、精准识别高炉(Blast furnace, BF)异常状态对指导高炉调控优化、保证高炉稳定运行具有重要意义, 但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态. 新型工业内窥镜可获取大量料面视频图像, 为直接观测炉内运行状态提供了全新的手段. 基于此, 提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法. 首先, 提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means, MST-FCM)聚类的高温煤气流区域提取方法, 准确获取煤气流图像, 并提取煤气流图像纹理、形态和稳定性等浅层特征; 其次, 针对高炉煤气流异常状态感知缺乏相应手段的问题, 提出基于特征编码的高维特征降维方法, 结合自适应K-means++算法, 实现煤气流异常状态的粗粒度感知; 在此基础上, 通过改进雅可比−傅立叶矩(Jacobi-Fourier moments, JFM) 提取煤气流图像深层特征变化趋势, 进而提出细粒度煤气流异常状态感知方法; 最后, 基于煤气流异常状态感知结果, 结合塌料和悬料视频图像, 提出多级残差通道注意力模块(Multi-level residual channel attention module, MRCAM), 建立高炉异常状态识别模型ResVGGNet, 同时实现高炉煤气流异常、塌料和悬料的精准在线识别. 实验结果表明, 所提方法能准确识别不同的高炉异常状态且识别速度快, 可为高炉平稳运行提供重要保障.
智能感知、精准识别高炉(Blast furnace, BF)异常状态对指导高炉调控优化、保证高炉稳定运行具有重要意义, 但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态. 新型工业内窥镜可获取大量料面视频图像, 为直接观测炉内运行状态提供了全新的手段. 基于此, 提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法. 首先, 提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means, MST-FCM)聚类的高温煤气流区域提取方法, 准确获取煤气流图像, 并提取煤气流图像纹理、形态和稳定性等浅层特征; 其次, 针对高炉煤气流异常状态感知缺乏相应手段的问题, 提出基于特征编码的高维特征降维方法, 结合自适应K-means++算法, 实现煤气流异常状态的粗粒度感知; 在此基础上, 通过改进雅可比−傅立叶矩(Jacobi-Fourier moments, JFM) 提取煤气流图像深层特征变化趋势, 进而提出细粒度煤气流异常状态感知方法; 最后, 基于煤气流异常状态感知结果, 结合塌料和悬料视频图像, 提出多级残差通道注意力模块(Multi-level residual channel attention module, MRCAM), 建立高炉异常状态识别模型ResVGGNet, 同时实现高炉煤气流异常、塌料和悬料的精准在线识别. 实验结果表明, 所提方法能准确识别不同的高炉异常状态且识别速度快, 可为高炉平稳运行提供重要保障.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230591
摘要:
针对扩展目标跟踪(Extended target tracking, ETT)优化中的传感器管理问题, 基于随机矩阵模型(Random matrices model, RMM)建模扩展目标, 提出一种基于深度强化学习(Deep reinforcement learning, DRL)的传感器管理方法. 首先, 在部分可观测马尔科夫决策过程(Partially observed Markov decision process, POMDP)理论框架下, 给出基于双延迟深度确定性策略梯度(Twin delayed deep deterministic policy gradient, TD3)算法的扩展目标跟踪传感器管理的基本方法; 其次, 利用高斯瓦瑟斯坦距离(Gaussian Wasserstein distance, GWD)求解扩展目标先验概率密度与后验概率密度之间的信息增益, 对扩展目标多特征估计信息进行综合评价, 进而以信息增益作为TD3算法奖励函数的构建; 然后, 通过推导出的奖励函数, 进行基于深度强化学习的传感器管理方法的最优决策; 最后, 通过构造扩展目标跟踪优化仿真实验, 验证了所提方法的有效性.
针对扩展目标跟踪(Extended target tracking, ETT)优化中的传感器管理问题, 基于随机矩阵模型(Random matrices model, RMM)建模扩展目标, 提出一种基于深度强化学习(Deep reinforcement learning, DRL)的传感器管理方法. 首先, 在部分可观测马尔科夫决策过程(Partially observed Markov decision process, POMDP)理论框架下, 给出基于双延迟深度确定性策略梯度(Twin delayed deep deterministic policy gradient, TD3)算法的扩展目标跟踪传感器管理的基本方法; 其次, 利用高斯瓦瑟斯坦距离(Gaussian Wasserstein distance, GWD)求解扩展目标先验概率密度与后验概率密度之间的信息增益, 对扩展目标多特征估计信息进行综合评价, 进而以信息增益作为TD3算法奖励函数的构建; 然后, 通过推导出的奖励函数, 进行基于深度强化学习的传感器管理方法的最优决策; 最后, 通过构造扩展目标跟踪优化仿真实验, 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.c211246
摘要:
数据流分类是数据流挖掘领域一项重要研究任务, 目标是从实时到达不断变化的海量数据中捕获变化的类结构. 目前, 很少有框架可以同时处理数据流中常见的多类非平衡、概念漂移、异常点和标记样本成本高昂问题. 基于此, 提出一种非平衡数据流在线主动学习方法(Online active learning method for imbalanced data stream, OALM-IDS). AdaBoost是一种将多个弱分类器经过迭代生成强分类器的集成分类方法, AdaBoost.M2引入了弱分类器的置信度, 此类方法常用于静态数据. 定义了基于不平衡比率和自适应遗忘因子的训练样本重要性度量, 从而使AdaBoost.M2方法适用于非平衡数据流, 提升了非平衡数据流集成分类器的性能. 提出了边际阈值矩阵的自适应调整方法, 优化了标签请求策略. 将概念漂移程度融入模型构建过程中, 定义了基于概念漂移指数的自适应遗忘因子, 实现了漂移后的模型重构. 在6个人工数据流和3个真实数据流上的对比实验表明, 提出的非平衡数据流在线主动学习方法的分类性能优于其他5种非平衡数据流学习方法.
数据流分类是数据流挖掘领域一项重要研究任务, 目标是从实时到达不断变化的海量数据中捕获变化的类结构. 目前, 很少有框架可以同时处理数据流中常见的多类非平衡、概念漂移、异常点和标记样本成本高昂问题. 基于此, 提出一种非平衡数据流在线主动学习方法(Online active learning method for imbalanced data stream, OALM-IDS). AdaBoost是一种将多个弱分类器经过迭代生成强分类器的集成分类方法, AdaBoost.M2引入了弱分类器的置信度, 此类方法常用于静态数据. 定义了基于不平衡比率和自适应遗忘因子的训练样本重要性度量, 从而使AdaBoost.M2方法适用于非平衡数据流, 提升了非平衡数据流集成分类器的性能. 提出了边际阈值矩阵的自适应调整方法, 优化了标签请求策略. 将概念漂移程度融入模型构建过程中, 定义了基于概念漂移指数的自适应遗忘因子, 实现了漂移后的模型重构. 在6个人工数据流和3个真实数据流上的对比实验表明, 提出的非平衡数据流在线主动学习方法的分类性能优于其他5种非平衡数据流学习方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230049
摘要:
针对现有深度学习光流估计模型在大位移场景下的准确性和鲁棒性问题, 提出了一种联合深度超参数卷积和交叉关联注意力的图像序列光流估计方法. 首先, 通过联合深层卷积和标准卷积构建深度超参数卷积以替代普通卷积, 提取更多特征并加快光流估计网络训练的收敛速度, 在不增加网络推理量的前提下提高光流估计的准确性; 然后, 设计基于交叉关联注意力的特征提取编码网络, 通过叠加注意力层数获得更大的感受野, 以提取多尺度长距离上下文特征信息, 增强大位移场景下光流估计的鲁棒性; 最后, 采用金字塔残差迭代模型构建联合深度超参数卷积和交叉关联注意力的光流估计网络, 提升光流估计的整体性能. 分别采用MPI-Sintel和KITTI测试图像集对本文方法和现有代表性光流估计方法进行综合对比分析, 实验结果表明本文方法取得了较好的光流估计性能, 尤其在大位移场景下具有更好的估计准确性与鲁棒性.
针对现有深度学习光流估计模型在大位移场景下的准确性和鲁棒性问题, 提出了一种联合深度超参数卷积和交叉关联注意力的图像序列光流估计方法. 首先, 通过联合深层卷积和标准卷积构建深度超参数卷积以替代普通卷积, 提取更多特征并加快光流估计网络训练的收敛速度, 在不增加网络推理量的前提下提高光流估计的准确性; 然后, 设计基于交叉关联注意力的特征提取编码网络, 通过叠加注意力层数获得更大的感受野, 以提取多尺度长距离上下文特征信息, 增强大位移场景下光流估计的鲁棒性; 最后, 采用金字塔残差迭代模型构建联合深度超参数卷积和交叉关联注意力的光流估计网络, 提升光流估计的整体性能. 分别采用MPI-Sintel和KITTI测试图像集对本文方法和现有代表性光流估计方法进行综合对比分析, 实验结果表明本文方法取得了较好的光流估计性能, 尤其在大位移场景下具有更好的估计准确性与鲁棒性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230641
摘要:
微表情是人类情感表达过程中细微且不自主的表情变化, 实现准确和高效的微表情识别, 对于心理疾病的早期诊断和治疗有重要意义. 现有的微表情识别方法大多未考虑面部产生微表情时各个关键部位间的联系, 难以在小样本图像空间上捕捉到微表情的细微变化, 导致识别率不高. 为此, 提出一种基于多层级信息融合网络的微表情识别方法. 该方法包括一个基于频率幅值的视频帧选取策略, 能从微表情视频中, 筛选出包含高强度表情信息的图像帧、一个基于自注意力机制和图卷积网络的多层级信息提取网络和一个引入图像全局信息的融合网络, 能从不同层次捕获人脸微表情的细微变化, 来提高对特定类别的辨识度. 在公开数据集上的实验结果表明, 该方法能有效提高微表情识别的准确率, 与其他先进方法相比, 具有更好的性能.
微表情是人类情感表达过程中细微且不自主的表情变化, 实现准确和高效的微表情识别, 对于心理疾病的早期诊断和治疗有重要意义. 现有的微表情识别方法大多未考虑面部产生微表情时各个关键部位间的联系, 难以在小样本图像空间上捕捉到微表情的细微变化, 导致识别率不高. 为此, 提出一种基于多层级信息融合网络的微表情识别方法. 该方法包括一个基于频率幅值的视频帧选取策略, 能从微表情视频中, 筛选出包含高强度表情信息的图像帧、一个基于自注意力机制和图卷积网络的多层级信息提取网络和一个引入图像全局信息的融合网络, 能从不同层次捕获人脸微表情的细微变化, 来提高对特定类别的辨识度. 在公开数据集上的实验结果表明, 该方法能有效提高微表情识别的准确率, 与其他先进方法相比, 具有更好的性能.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230039
摘要:
针对平面及三维结构金属材料的工业表面缺陷检测, 概述了视觉检测技术的基本原理和研究现状, 并总结出视觉自动检测系统的关键技术包括光学成像技术、图像预处理技术与缺陷检测器. 首先介绍了如何根据检测对象的光学特性选择合适的二维、三维光学成像技术; 其次介绍了图像降噪、特征提取、图像分割和拼接等预处理技术的重要作用; 然后根据缺陷检测器的实现原理将其分为模板匹配、图像分类、图像语义分割、目标检测和图像异常检测五类, 并对其中的经典算法进行了归纳分析. 最后, 探讨了工业场景下金属表面缺陷检测技术实施中的关键问题, 并对该技术的发展趋势进行了展望.
针对平面及三维结构金属材料的工业表面缺陷检测, 概述了视觉检测技术的基本原理和研究现状, 并总结出视觉自动检测系统的关键技术包括光学成像技术、图像预处理技术与缺陷检测器. 首先介绍了如何根据检测对象的光学特性选择合适的二维、三维光学成像技术; 其次介绍了图像降噪、特征提取、图像分割和拼接等预处理技术的重要作用; 然后根据缺陷检测器的实现原理将其分为模板匹配、图像分类、图像语义分割、目标检测和图像异常检测五类, 并对其中的经典算法进行了归纳分析. 最后, 探讨了工业场景下金属表面缺陷检测技术实施中的关键问题, 并对该技术的发展趋势进行了展望.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230381
摘要:
在非圆零件车削过程中, 快速刀具伺服(Fast tool servo, FTS)的运动精度直接影响零件的加工质量. 主轴变速加工使得FTS的参考目标信号周期时变而不确定, 这对实现其渐近跟踪提出了极大的挑战. 本文利用FTS的位置域周期特性, 提出一种基于位置域重复控制和时域速度反馈镇定的FTS系统复合控制设计方法, 并给出位置域改进型重复控制器(Spatial modified repetitive controller, SMRC)的数字实现算法, 实现对时变周期参考目标信号的高精度跟踪. 首先, 建立包含位置相关时变周期参考目标信号内模的SMRC, 并引入位置域相位超前装置对镇定补偿器引起的相位滞后进行补偿, 在此基础上构建复合控制律. 然后应用小增益定理和算子理论, 推导出控制系统的稳定性条件, 在保持系统采样频率不变的条件下, 应用插值法建立SMRC的数字实现算法, 确保位置域重复控制和时域镇定控制器的同步执行. 最后, 通过仿真验证所设计的FTS控制系统具有满意的时变周期跟踪性能和鲁棒性, 并通过与其他位置域重复控制方法的比较, 说明所提方法同时具有更好的暂态和稳态性能.
在非圆零件车削过程中, 快速刀具伺服(Fast tool servo, FTS)的运动精度直接影响零件的加工质量. 主轴变速加工使得FTS的参考目标信号周期时变而不确定, 这对实现其渐近跟踪提出了极大的挑战. 本文利用FTS的位置域周期特性, 提出一种基于位置域重复控制和时域速度反馈镇定的FTS系统复合控制设计方法, 并给出位置域改进型重复控制器(Spatial modified repetitive controller, SMRC)的数字实现算法, 实现对时变周期参考目标信号的高精度跟踪. 首先, 建立包含位置相关时变周期参考目标信号内模的SMRC, 并引入位置域相位超前装置对镇定补偿器引起的相位滞后进行补偿, 在此基础上构建复合控制律. 然后应用小增益定理和算子理论, 推导出控制系统的稳定性条件, 在保持系统采样频率不变的条件下, 应用插值法建立SMRC的数字实现算法, 确保位置域重复控制和时域镇定控制器的同步执行. 最后, 通过仿真验证所设计的FTS控制系统具有满意的时变周期跟踪性能和鲁棒性, 并通过与其他位置域重复控制方法的比较, 说明所提方法同时具有更好的暂态和稳态性能.
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显著的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 location 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 interaction 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, 证明了提出的方法的有效性, 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显著的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 location 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 interaction 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, 证明了提出的方法的有效性, 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.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.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.c230625
摘要:
城市固废焚烧(Municipal solid waste incineration, MSWI)过程已是被称为“世纪之毒”的二噁英(Dioxin, DXN)的重要排放源之一. 截止目前为止, DXN的生成机理和实时检测仍是尚未解决的难题. 现有研究主要基于离线化验数据构建数据驱动模型, 未能有效地结合燃烧过程机理进行DXN检测. 针对该问题, 本文提出基于仿真机理和改进线性回归决策树(Linear regression decision tree, LRDT)的DXN排放建模. 首先, 采用基于床层固废燃烧模拟软件和过程工程先进系统软件耦合的数值仿真模型获取多运行工况下的虚拟机理数据; 接着, 利用虚拟机理数据构建基于改进LRDT的燃烧状态表征变量CO2、CO和O2模型; 最后, 以真实CO2、CO、O2作为输入和以DXN真值作为输出, 构建基于多入单出LRDT 的过程映射模型(Process mapping model, PMM), 再利用该模型进行半监督学习和结构迁移得到机理映射模型(Mechanism mapping models1, MMM1), 进一步通过结构增量学习获得基于半监督迁移学习的MMM2模型. 在实验室的半实物平台和北京某MSWI厂的边缘端验证平台对所提方法进行了工业应用验证.
城市固废焚烧(Municipal solid waste incineration, MSWI)过程已是被称为“世纪之毒”的二噁英(Dioxin, DXN)的重要排放源之一. 截止目前为止, DXN的生成机理和实时检测仍是尚未解决的难题. 现有研究主要基于离线化验数据构建数据驱动模型, 未能有效地结合燃烧过程机理进行DXN检测. 针对该问题, 本文提出基于仿真机理和改进线性回归决策树(Linear regression decision tree, LRDT)的DXN排放建模. 首先, 采用基于床层固废燃烧模拟软件和过程工程先进系统软件耦合的数值仿真模型获取多运行工况下的虚拟机理数据; 接着, 利用虚拟机理数据构建基于改进LRDT的燃烧状态表征变量CO2、CO和O2模型; 最后, 以真实CO2、CO、O2作为输入和以DXN真值作为输出, 构建基于多入单出LRDT 的过程映射模型(Process mapping model, PMM), 再利用该模型进行半监督学习和结构迁移得到机理映射模型(Mechanism mapping models1, MMM1), 进一步通过结构增量学习获得基于半监督迁移学习的MMM2模型. 在实验室的半实物平台和北京某MSWI厂的边缘端验证平台对所提方法进行了工业应用验证.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230637
摘要:
Schnakenberg系统是一类典型的化学反应扩散控制系统. 目前国内外研究仅局限于Schnakenberg系统的Turing不稳定与分岔, 而关于其化学斑图演化机理的报道较少. 斑图机理分析可以准确揭示化学反应中自组织现象的产生和空间模式的演化规律. 本文研究交叉扩散驱动下Schnakenberg系统斑图的结构蜕变、演化速度及时间依赖性, 重点探讨交叉扩散对其动力学与斑图演化的响应机制. 研究发现, 当自扩散诱导的系统稳定时, 交叉扩散可以激发斑图的产生; 当自扩散诱导的系统不稳定时, 交叉扩散可以实现斑图结构的蜕变; 对于环波结构, 不同组分的交叉扩散可以影响其演化速度; 对于时间依赖性, 交叉扩散可以激发随时间周期变化的斑图产生, 并可将此类斑图转换为随时间相对稳定的斑图. 因此, 交叉扩散对于Schnakenberg系统的斑图产生、蜕变、演化速度及时间依赖性都起着至关重要的作用.
Schnakenberg系统是一类典型的化学反应扩散控制系统. 目前国内外研究仅局限于Schnakenberg系统的Turing不稳定与分岔, 而关于其化学斑图演化机理的报道较少. 斑图机理分析可以准确揭示化学反应中自组织现象的产生和空间模式的演化规律. 本文研究交叉扩散驱动下Schnakenberg系统斑图的结构蜕变、演化速度及时间依赖性, 重点探讨交叉扩散对其动力学与斑图演化的响应机制. 研究发现, 当自扩散诱导的系统稳定时, 交叉扩散可以激发斑图的产生; 当自扩散诱导的系统不稳定时, 交叉扩散可以实现斑图结构的蜕变; 对于环波结构, 不同组分的交叉扩散可以影响其演化速度; 对于时间依赖性, 交叉扩散可以激发随时间周期变化的斑图产生, 并可将此类斑图转换为随时间相对稳定的斑图. 因此, 交叉扩散对于Schnakenberg系统的斑图产生、蜕变、演化速度及时间依赖性都起着至关重要的作用.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230777
摘要:
脱机签名验证模型因其判断签名是否伪造的能力而备受关注. 当今大多数脱机签名验证模型可分为深度度量学习方法和双通道判别方法. 大部分深度度量学习方法利用孪生网络生成每张图片的细节特征向量, 采用欧氏距离法判断相似度, 但是欧氏距离仅考虑两个点之间的绝对距离, 而容易忽视点的方向、缩放的信息, 不会考虑数据之间的相关性, 因此无法捕获特征向量内部之间的关系; 而双通道判别方法在网络前就进行特征的判别, 更能判断不同图像的相似性, 但此时图像的细节特征不够清晰, 大量特征丢失. 针对双通道判别方法中特征消失过多的问题, 提出了一种面向独立于书写者场景的手写签名离线验证模型(Multi-channel feature fusion network, MCFFN). 在 CEDAR、BHSig-B、BHSig-H 和 ChiSig 四个不同语言的签名数据集上测试了所提出的方法, 实验证明了所提方法的优势和潜力.
脱机签名验证模型因其判断签名是否伪造的能力而备受关注. 当今大多数脱机签名验证模型可分为深度度量学习方法和双通道判别方法. 大部分深度度量学习方法利用孪生网络生成每张图片的细节特征向量, 采用欧氏距离法判断相似度, 但是欧氏距离仅考虑两个点之间的绝对距离, 而容易忽视点的方向、缩放的信息, 不会考虑数据之间的相关性, 因此无法捕获特征向量内部之间的关系; 而双通道判别方法在网络前就进行特征的判别, 更能判断不同图像的相似性, 但此时图像的细节特征不够清晰, 大量特征丢失. 针对双通道判别方法中特征消失过多的问题, 提出了一种面向独立于书写者场景的手写签名离线验证模型(Multi-channel feature fusion network, MCFFN). 在 CEDAR、BHSig-B、BHSig-H 和 ChiSig 四个不同语言的签名数据集上测试了所提出的方法, 实验证明了所提方法的优势和潜力.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230699
摘要:
本文研究了发生执行器故障的无人机-无人车异构编队系统的层级预设时间最优编队控制问题. 以保容错性能和收敛速度的优化控制为研究主线, 以层级控制、图博弈理论和预设时间控制为技术基础, 构建了一种预设时间最优容错控制算法. 虚拟层设计了基于一致性跟踪误差和能量消耗的二次型性能指标函数, 借助耦合哈密顿−雅克比−贝尔曼(Hanmilton-Jacobi-Bellman, HJB)方程和强化学习求解近似最优控制策略, 实现多智能体的同步最优控制和交互纳什均衡. 实际控制层基于最优信号并利用滑模控制和自适应技术, 设计了预设时间容错跟踪控制器, 实现对最优编队轨迹的有限时间跟踪. 在保证全局收敛时间完全不依赖于系统的初始状态和控制器参数的同时, 也有效实现对执行器故障参数的逼近. 最后, 通过仿真实验验证了所提控制策略的有效性.
本文研究了发生执行器故障的无人机-无人车异构编队系统的层级预设时间最优编队控制问题. 以保容错性能和收敛速度的优化控制为研究主线, 以层级控制、图博弈理论和预设时间控制为技术基础, 构建了一种预设时间最优容错控制算法. 虚拟层设计了基于一致性跟踪误差和能量消耗的二次型性能指标函数, 借助耦合哈密顿−雅克比−贝尔曼(Hanmilton-Jacobi-Bellman, HJB)方程和强化学习求解近似最优控制策略, 实现多智能体的同步最优控制和交互纳什均衡. 实际控制层基于最优信号并利用滑模控制和自适应技术, 设计了预设时间容错跟踪控制器, 实现对最优编队轨迹的有限时间跟踪. 在保证全局收敛时间完全不依赖于系统的初始状态和控制器参数的同时, 也有效实现对执行器故障参数的逼近. 最后, 通过仿真实验验证了所提控制策略的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c211127
摘要:
在现有的系统辨识算法中, 常用的高斯、学生氏t、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, 研究了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了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了详细阐述, 在数学上证明了标准学生氏t分布可以看作是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. 利用数值例子和质量弹簧阻尼机械系统验证了算法的鲁棒性、有效性和稳定性.
在现有的系统辨识算法中, 常用的高斯、学生氏t、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, 研究了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了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了详细阐述, 在数学上证明了标准学生氏t分布可以看作是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. 利用数值例子和质量弹簧阻尼机械系统验证了算法的鲁棒性、有效性和稳定性.
当前状态:
, 最新更新时间: ,
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也是特别耗时的一环, 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. 本文旨在对芯片设计自动化中自动布线的前沿研究进行全面归纳与分析, 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, 本文首先阐述芯片布线的问题背景, 然后分别介绍全局布线和详细布线的任务定义和目标、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也是特别耗时的一环, 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. 本文旨在对芯片设计自动化中自动布线的前沿研究进行全面归纳与分析, 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, 本文首先阐述芯片布线的问题背景, 然后分别介绍全局布线和详细布线的任务定义和目标、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.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c230457
摘要:
当前动态系统呈现大型化、复杂化的趋势, 基于贝叶斯滤波的动态系统状态估计遇到了一系列新的挑战. 随着深度学习在特征提取与模式识别等方面的优势与潜力不断显现, 深度学习与传统贝叶斯滤波相结合的研究也随之兴起. 为此, 本文梳理了不同领域融合深度学习的贝叶斯滤波方法的应用案例, 从中剖析不同类型动态系统下贝叶斯滤波存在的局限性和共性难题. 在此基础上, 总结了当前贝叶斯滤波存在的几类不确定性问题, 以深度学习的视角将这些问题归纳为特征提取和参数辨识两大基本问题, 进而介绍深度学习为贝叶斯滤波所提供的解决方案. 其次, 归纳整理了两类深度学习与贝叶斯滤波结合的具体方法, 着重介绍了深度卡尔曼滤波和融合深度学习的自适应卡尔曼滤波. 最后, 综合考虑深度学习方法和贝叶斯滤波方法的优势, 讨论了融合深度学习的贝叶斯滤波方法的开放问题和未来研究方向.
当前动态系统呈现大型化、复杂化的趋势, 基于贝叶斯滤波的动态系统状态估计遇到了一系列新的挑战. 随着深度学习在特征提取与模式识别等方面的优势与潜力不断显现, 深度学习与传统贝叶斯滤波相结合的研究也随之兴起. 为此, 本文梳理了不同领域融合深度学习的贝叶斯滤波方法的应用案例, 从中剖析不同类型动态系统下贝叶斯滤波存在的局限性和共性难题. 在此基础上, 总结了当前贝叶斯滤波存在的几类不确定性问题, 以深度学习的视角将这些问题归纳为特征提取和参数辨识两大基本问题, 进而介绍深度学习为贝叶斯滤波所提供的解决方案. 其次, 归纳整理了两类深度学习与贝叶斯滤波结合的具体方法, 着重介绍了深度卡尔曼滤波和融合深度学习的自适应卡尔曼滤波. 最后, 综合考虑深度学习方法和贝叶斯滤波方法的优势, 讨论了融合深度学习的贝叶斯滤波方法的开放问题和未来研究方向.
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.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. 具体来说, 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像细节平滑的问题. 大量的实验表明, 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. 具体来说, 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像细节平滑的问题. 大量的实验表明, 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.c230081
摘要:
随着深度强化学习的研究与发展, 强化学习在博弈与优化决策、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新颖且重要的研究课题, 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.
随着深度强化学习的研究与发展, 强化学习在博弈与优化决策、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新颖且重要的研究课题, 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.
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.c220889
摘要:
由8个推进器和6条刀锋腿混合驱动的水下机器人可在水底或壁面上行走. 本文旨在研究这类机器人运动稳定性的评判准则, 即稳定性判据. 现有的稳定性判据多集中于同一机构（腿）驱动的陆地机器人, 未涉及混合驱动的水下刀锋腿机器人. 针对该问题, 提出了基于捕获点理论的混合驱动水下刀锋腿机器人稳定性判据. 首先, 在建立混合驱动水下滚动倒立摆模型的基础上, 利用机器人运动状态预测摆动腿和支撑腿切换瞬间机器人的动能. 然后, 根据推进器所能提供的推力范围, 计算迫使机器人静止的捕获点变化范围, 即获取捕获域. 最后, 根据捕获域与支撑域的空间关系, 判断机器人是否稳定, 并计算稳定裕度. 水下实验表明, 所提出的稳定性判据具有较好的充要性和普适性.
由8个推进器和6条刀锋腿混合驱动的水下机器人可在水底或壁面上行走. 本文旨在研究这类机器人运动稳定性的评判准则, 即稳定性判据. 现有的稳定性判据多集中于同一机构（腿）驱动的陆地机器人, 未涉及混合驱动的水下刀锋腿机器人. 针对该问题, 提出了基于捕获点理论的混合驱动水下刀锋腿机器人稳定性判据. 首先, 在建立混合驱动水下滚动倒立摆模型的基础上, 利用机器人运动状态预测摆动腿和支撑腿切换瞬间机器人的动能. 然后, 根据推进器所能提供的推力范围, 计算迫使机器人静止的捕获点变化范围, 即获取捕获域. 最后, 根据捕获域与支撑域的空间关系, 判断机器人是否稳定, 并计算稳定裕度. 水下实验表明, 所提出的稳定性判据具有较好的充要性和普适性.
当前状态:
, 最新更新时间: ,
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, 还构建了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, 还构建了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.
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, 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的问题, 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. 在主流的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了广泛的对比分析和消融实验. 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, 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的问题, 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. 在主流的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了广泛的对比分析和消融实验. 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.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.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, 数值实验说明所提出的方法是有效的.
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, 数值实验说明所提出的方法是有效的.
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.c220774
摘要:
针对含有输入时滞和低阶非线性项的非线性系统, 提出了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正确性和优越性.
针对含有输入时滞和低阶非线性项的非线性系统, 提出了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正确性和优越性.
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.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的问题, 借鉴剩余使用寿命(Remaining useful life, RUL)概念, 提出基于支持向量(Support vectors, SVs)和高斯函数拟合(Gaussian function fitting, GFF)的老化预测方法(SVs-GFF). 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, 得到支持向量序列数据; 然后, 建立基于密度聚类的高斯函数拟合模型, 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的问题, 借鉴剩余使用寿命(Remaining useful life, RUL)概念, 提出基于支持向量(Support vectors, SVs)和高斯函数拟合(Gaussian function fitting, GFF)的老化预测方法(SVs-GFF). 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, 得到支持向量序列数据; 然后, 建立基于密度聚类的高斯函数拟合模型, 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.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.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.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.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.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.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, 即昂贵多模态优化问题. 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 种经典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, 即昂贵多模态优化问题. 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 种经典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.
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.c210356
摘要:
目标跟踪中基于IoU (Intersection over union, IoU)预测的尺度估计方法, 通过估计视频帧中候选框与真实目标框的重叠度训练尺度回归模型, 推理阶段通过最大化IoU对初始化边界框进行微调, 取得目标的尺度. 本文详细分析了基于IoU预测的尺度估计模型的梯度更新过程, 发现其在训练和推理过程仅将IoU作为度量, 缺乏对预测框和真实目标框中心点距离的约束, 导致外观模型更新过程中模板受到污染, 前景和背景分类时定位出现偏差. 基于此发现, 本文构建了一种结合IoU和中心点距离的新度量NDIoU (Normalization distance IoU), 在此基础上提出一种新的尺度估计方法, 并将其嵌入判别式跟踪框架. 即在训练阶段以NDIoU为标签, 设计了具有中心点距离约束的损失函数监督网络的学习, 在线推理期间通过最大化NDIoU微调目标尺度, 以帮助外观模型更新时获得更加准确的样本. 在七个数据上与相关主流方法进行对比, 本文方法在七个数据集上的综合性能优于所有对比算法. 特别是在GOT-10k数据集上, 本文方法的AO、\begin{document}$ S{R}_{0.5} $\end{document} ![]()
![]()
\begin{document}$ S{R}_{0.75} $\end{document} ![]()
![]()
目标跟踪中基于IoU (Intersection over union, IoU)预测的尺度估计方法, 通过估计视频帧中候选框与真实目标框的重叠度训练尺度回归模型, 推理阶段通过最大化IoU对初始化边界框进行微调, 取得目标的尺度. 本文详细分析了基于IoU预测的尺度估计模型的梯度更新过程, 发现其在训练和推理过程仅将IoU作为度量, 缺乏对预测框和真实目标框中心点距离的约束, 导致外观模型更新过程中模板受到污染, 前景和背景分类时定位出现偏差. 基于此发现, 本文构建了一种结合IoU和中心点距离的新度量NDIoU (Normalization distance IoU), 在此基础上提出一种新的尺度估计方法, 并将其嵌入判别式跟踪框架. 即在训练阶段以NDIoU为标签, 设计了具有中心点距离约束的损失函数监督网络的学习, 在线推理期间通过最大化NDIoU微调目标尺度, 以帮助外观模型更新时获得更加准确的样本. 在七个数据上与相关主流方法进行对比, 本文方法在七个数据集上的综合性能优于所有对比算法. 特别是在GOT-10k数据集上, 本文方法的AO、
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210387
摘要:
This paper investigates an adaptive fuzzy tracking control method for a class of nonlinear systems with external disturbances. Firstly, fuzzy logic systems and the fuzzy state observer are implemented to approximate unknown nonlinear functions and estimate the unmeasured states of systems, respectively. Then, the tracking error can be constrained within the specified range by means of the performance function. Furthermore, an event-triggered adaptive fuzzy controller is designed by employing the backstepping method and Lyapunov functional with logarithm function. The proposed control strategy can ensure that all the signals of the closed-loop system are semiglobally uniformly ultimately bounded based on the Lyapunov stability theory and the properties of\begin{document}$\tanh$\end{document} ![]()
![]()
This paper investigates an adaptive fuzzy tracking control method for a class of nonlinear systems with external disturbances. Firstly, fuzzy logic systems and the fuzzy state observer are implemented to approximate unknown nonlinear functions and estimate the unmeasured states of systems, respectively. Then, the tracking error can be constrained within the specified range by means of the performance function. Furthermore, an event-triggered adaptive fuzzy controller is designed by employing the backstepping method and Lyapunov functional with logarithm function. The proposed control strategy can ensure that all the signals of the closed-loop system are semiglobally uniformly ultimately bounded based on the Lyapunov stability theory and the properties of
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.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, 本文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测试数据集对本文方法与现有的代表性遮挡检测模型进行实验对比与分析. 实验结果表明, 本文方法能够有效提高运动遮挡检测的准确性, 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, 本文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测试数据集对本文方法与现有的代表性遮挡检测模型进行实验对比与分析. 实验结果表明, 本文方法能够有效提高运动遮挡检测的准确性, 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.
当前状态:
, 最新更新时间: ,
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一些, 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, 本文提出了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, 本文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一些, 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, 本文提出了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, 本文提出的方法在定量和定性指标上均优于当前的方法.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c210012
摘要:
本文针对胶囊网络特征提取不充分的问题, 提出了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空间和通道注意力来提取有效特征; 然后提出基于向量方向的注意力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对比实验, 结果表明本文提出的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上也表现良好.
本文针对胶囊网络特征提取不充分的问题, 提出了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空间和通道注意力来提取有效特征; 然后提出基于向量方向的注意力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对比实验, 结果表明本文提出的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上也表现良好.
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.
