2022年 第48卷 第11期
2022, 48(11): 2611-2633.
doi: 10.16383/j.aas.c200993
摘要:
大容量、高参数、低能耗的百万千瓦超超临界机组是燃煤发电领域的重大装备, 已成为全国电力工业发展的主流方向, 其安全可靠运行对推动发电企业转型升级具有重要意义. 本文从分析以百万千瓦超超临界机组为代表的燃煤发电装备的本质特性出发, 揭示了其变负荷深度调峰导致的非平稳运行特性和全流程复杂耦合特性, 总结了燃煤发电过程区别于一般连续过程的问题, 指出了研究燃煤发电装备运行工况监控算法的必要性. 进而, 基于这些特性, 我们对面向燃煤发电装备工况监控的数据驱动算法近30年的发展进行了回顾和分析, 展示了算法发展的不同阶段. 在此基础上, 梳理了目前燃煤发电装备工况监控中存在的问题, 并进一步介绍了燃煤发电装备工况监控未来可能的发展方向.
大容量、高参数、低能耗的百万千瓦超超临界机组是燃煤发电领域的重大装备, 已成为全国电力工业发展的主流方向, 其安全可靠运行对推动发电企业转型升级具有重要意义. 本文从分析以百万千瓦超超临界机组为代表的燃煤发电装备的本质特性出发, 揭示了其变负荷深度调峰导致的非平稳运行特性和全流程复杂耦合特性, 总结了燃煤发电过程区别于一般连续过程的问题, 指出了研究燃煤发电装备运行工况监控算法的必要性. 进而, 基于这些特性, 我们对面向燃煤发电装备工况监控的数据驱动算法近30年的发展进行了回顾和分析, 展示了算法发展的不同阶段. 在此基础上, 梳理了目前燃煤发电装备工况监控中存在的问题, 并进一步介绍了燃煤发电装备工况监控未来可能的发展方向.
2022, 48(11): 2634-2654.
doi: 10.16383/j.aas.c200777
摘要:
图像分辨率是衡量一幅图像质量的重要标准. 在军事、医学和安防等领域, 高分辨率图像是专业人士分析问题并做出准确判断的前提. 根据成像采集设备、退化因素等条件对低分辨率图像进行超分辨率重建成为一个既具有研究价值又极具挑战性的难点问题. 首先简述了图像超分辨率重建的概念、重建思想和方法分类; 然后重点分析用于单幅图像超分辨率重建的空域方法, 梳理基于插值和基于学习两大类重建方法中的代表性算法及其特点; 之后结合用于超分辨率重建技术的数据集, 重点分析比较了传统超分辨率重建方法和基于深度学习的典型超分辨率重建方法的性能; 最后对图像超分辨率重建未来的发展趋势进行展望.
图像分辨率是衡量一幅图像质量的重要标准. 在军事、医学和安防等领域, 高分辨率图像是专业人士分析问题并做出准确判断的前提. 根据成像采集设备、退化因素等条件对低分辨率图像进行超分辨率重建成为一个既具有研究价值又极具挑战性的难点问题. 首先简述了图像超分辨率重建的概念、重建思想和方法分类; 然后重点分析用于单幅图像超分辨率重建的空域方法, 梳理基于插值和基于学习两大类重建方法中的代表性算法及其特点; 之后结合用于超分辨率重建技术的数据集, 重点分析比较了传统超分辨率重建方法和基于深度学习的典型超分辨率重建方法的性能; 最后对图像超分辨率重建未来的发展趋势进行展望.
2022, 48(11): 2655-2669.
doi: 10.16383/j.aas.c220773
摘要:
本文介绍平行管理的基本原理和框架流程及其核心任务与相应的生态科技: 即利用虚实互动、平行驱动以及智能科学与技术, 使知识工作可以衡量, 并对量化后的知识工作者之社会行为进行以人为本, 基于复杂性科学的引导与管理, 形成可信、可靠、可用、高效益上DAO (全中心化自主组织及其全中心化自主运行)的可编程智慧管理生态, 实现社会可持续性发展. 以此为目标, 我们提出利用基础模型和学科交叉, 融合区块链智能和DeSci及DeSoc等技术, 构建管理科学的新范式, 推动从管理的案例教学到管理的场景工程建设. 我们认为, 管理科学与技术的这一变革, 必将推动社会从工业向智业形态的加速升华, 造福整个人类世界和自然生态.
本文介绍平行管理的基本原理和框架流程及其核心任务与相应的生态科技: 即利用虚实互动、平行驱动以及智能科学与技术, 使知识工作可以衡量, 并对量化后的知识工作者之社会行为进行以人为本, 基于复杂性科学的引导与管理, 形成可信、可靠、可用、高效益上DAO (全中心化自主组织及其全中心化自主运行)的可编程智慧管理生态, 实现社会可持续性发展. 以此为目标, 我们提出利用基础模型和学科交叉, 融合区块链智能和DeSci及DeSoc等技术, 构建管理科学的新范式, 推动从管理的案例教学到管理的场景工程建设. 我们认为, 管理科学与技术的这一变革, 必将推动社会从工业向智业形态的加速升华, 造福整个人类世界和自然生态.
2022, 48(11): 2670-2676.
doi: 10.16383/j.aas.c190865
摘要:
考虑气动、轨迹、约束、指标间的耦合关系, 以多高超声速飞行器同时到达为目标建立了协同规划模型; 设计了一种自动满足终端约束的全新滑翔飞行剖面, 减少了规划算法需要处理的约束数量; 推导了滑翔段高精度解析解, 实现了过程约束和性能指标的快速求解; 提出了一种改进粒子群优化(Particle swarm optimization, PSO)算法, 借助强化学习方法构建协同需求与惯性权重间的动态映射网络, 提高了在线规划效率. 最后通过数学仿真验证了方法的正确性和有效性.
考虑气动、轨迹、约束、指标间的耦合关系, 以多高超声速飞行器同时到达为目标建立了协同规划模型; 设计了一种自动满足终端约束的全新滑翔飞行剖面, 减少了规划算法需要处理的约束数量; 推导了滑翔段高精度解析解, 实现了过程约束和性能指标的快速求解; 提出了一种改进粒子群优化(Particle swarm optimization, PSO)算法, 借助强化学习方法构建协同需求与惯性权重间的动态映射网络, 提高了在线规划效率. 最后通过数学仿真验证了方法的正确性和有效性.
2022, 48(11): 2677-2687.
doi: 10.16383/j.aas.c190529
摘要:
云控制系统(Cloud control system, CCS)是云计算与物理系统的融合, 由于云计算中资源是动态的, 因此云计算的加入使得云控制系统具有很大的不确定性. 本文给出一种典型的云控制系统结构, 通过将不确定性划分为云端不确定性和网络端不确定性, 有效简化了云控制系统不确定特性分析和建模. 针对典型的时延不确定性问题, 将云控制系统时延划分为云端时延和网络端时延, 进行了MapReduce模型下多计算节点云端时延分析, 同时进行了云控制结构下网络端时延分析, 两者结合实现了云控制系统的前向通道和反馈通道的时延建模. 基于所建立的云控制系统时延模型, 应用极点配置方法设计了云控制器算法, 包括观测器的设计和控制律的设计, 从而保证了闭环系统的稳定性. 对本文设计的云控制器算法进行了仿真验证, 结果表明考虑时延特性的控制器设计明显提升了云控制系统的控制性能.
云控制系统(Cloud control system, CCS)是云计算与物理系统的融合, 由于云计算中资源是动态的, 因此云计算的加入使得云控制系统具有很大的不确定性. 本文给出一种典型的云控制系统结构, 通过将不确定性划分为云端不确定性和网络端不确定性, 有效简化了云控制系统不确定特性分析和建模. 针对典型的时延不确定性问题, 将云控制系统时延划分为云端时延和网络端时延, 进行了MapReduce模型下多计算节点云端时延分析, 同时进行了云控制结构下网络端时延分析, 两者结合实现了云控制系统的前向通道和反馈通道的时延建模. 基于所建立的云控制系统时延模型, 应用极点配置方法设计了云控制器算法, 包括观测器的设计和控制律的设计, 从而保证了闭环系统的稳定性. 对本文设计的云控制器算法进行了仿真验证, 结果表明考虑时延特性的控制器设计明显提升了云控制系统的控制性能.
2022, 48(11): 2688-2702.
doi: 10.16383/j.aas.c190857
摘要:
深度神经网络是具有复杂结构和多个非线性处理单元的模型, 通过模块化的方式分层从数据提取代表性特征, 已经在晶圆缺陷识别领域得到了较为广泛的应用. 但是, 深度神经网络在应用过程中本身存在“黑箱”和过度依赖数据的问题, 显著地影响深度神经网络在晶圆缺陷识别的工业可应用性. 提出一种基于堆叠降噪自编码器的神经–符号模型. 首先, 根据堆叠降噪自编码器的网络特点采用了一套符号规则系统, 规则形式和组成结构使其可与深度神经网络有效融合. 其次, 根据 网络和符号规则之间的关联性提出完整的知识抽取与插入算法, 实现了深度网络和规则之间的知识转换. 在实际工业晶圆表面图像数据集WM-811K上的试验结果表明, 基于堆叠降噪自编码器的神经–符号模型不仅取得了较好的缺陷探测与识别性能, 而且可有效提取规则并通过规则有效描述深度神经网络内部计算逻辑, 综合性能优于目前经典的深度神经网络.
深度神经网络是具有复杂结构和多个非线性处理单元的模型, 通过模块化的方式分层从数据提取代表性特征, 已经在晶圆缺陷识别领域得到了较为广泛的应用. 但是, 深度神经网络在应用过程中本身存在“黑箱”和过度依赖数据的问题, 显著地影响深度神经网络在晶圆缺陷识别的工业可应用性. 提出一种基于堆叠降噪自编码器的神经–符号模型. 首先, 根据堆叠降噪自编码器的网络特点采用了一套符号规则系统, 规则形式和组成结构使其可与深度神经网络有效融合. 其次, 根据 网络和符号规则之间的关联性提出完整的知识抽取与插入算法, 实现了深度网络和规则之间的知识转换. 在实际工业晶圆表面图像数据集WM-811K上的试验结果表明, 基于堆叠降噪自编码器的神经–符号模型不仅取得了较好的缺陷探测与识别性能, 而且可有效提取规则并通过规则有效描述深度神经网络内部计算逻辑, 综合性能优于目前经典的深度神经网络.
2022, 48(11): 2703-2717.
doi: 10.16383/j.aas.c210865
摘要:
胰腺的准确分割对于胰腺癌的识别和分析至关重要. 研究者提出通过第一阶段粗分割掩码的位置信息缩小第二阶段细分割网络输入的由粗到细分割方法, 尽管极大地提升了分割精度, 但是在胰腺分割过程中对于上下文信息的利用却存在以下两个问题: 1) 粗分割和细分割阶段分开训练, 细分割阶段缺少粗分割阶段分割掩码信息, 抑制了阶段间上下文信息的流动, 导致部分细分割阶段结果无法比粗分割阶段更准确; 2) 粗分割和细分割阶段单批次相邻预测分割掩码之间缺少信息互监督, 丢失切片上下文信息, 增加了误分割风险. 针对上述问题, 提出了一种基于循环显著性校准网络的胰腺分割方法. 通过循环使用前一阶段输出的胰腺分割掩码作为当前阶段输入的空间权重, 进行两阶段联合训练, 实现阶段间上下文信息的有效利用; 提出卷积自注意力校准模块进行胰腺预测分割掩码切片上下文信息跨顺序互监督, 显著改善了相邻切片误分割现象. 提出的方法在公开的数据集上进行了验证, 实验结果表明其改善误分割结果的同时提升了平均分割精度.
胰腺的准确分割对于胰腺癌的识别和分析至关重要. 研究者提出通过第一阶段粗分割掩码的位置信息缩小第二阶段细分割网络输入的由粗到细分割方法, 尽管极大地提升了分割精度, 但是在胰腺分割过程中对于上下文信息的利用却存在以下两个问题: 1) 粗分割和细分割阶段分开训练, 细分割阶段缺少粗分割阶段分割掩码信息, 抑制了阶段间上下文信息的流动, 导致部分细分割阶段结果无法比粗分割阶段更准确; 2) 粗分割和细分割阶段单批次相邻预测分割掩码之间缺少信息互监督, 丢失切片上下文信息, 增加了误分割风险. 针对上述问题, 提出了一种基于循环显著性校准网络的胰腺分割方法. 通过循环使用前一阶段输出的胰腺分割掩码作为当前阶段输入的空间权重, 进行两阶段联合训练, 实现阶段间上下文信息的有效利用; 提出卷积自注意力校准模块进行胰腺预测分割掩码切片上下文信息跨顺序互监督, 显著改善了相邻切片误分割现象. 提出的方法在公开的数据集上进行了验证, 实验结果表明其改善误分割结果的同时提升了平均分割精度.
2022, 48(11): 2718-2728.
doi: 10.16383/j.aas.c200951
摘要:
机器阅读理解 (Machine reading comprehension, MRC)是自然语言处理领域中一项重要研究任务, 其目标是通过机器理解给定的阅读材料和问题, 最终实现自动答题. 目前联合观点类问题解答和答案依据挖掘的多任务联合学习研究在机器阅读理解应用中受到广泛关注, 它可以同时给出问题答案和支撑答案的相关证据, 然而现有观点类问题的答题方法在答案线索识别上表现还不是太好, 已有答案依据挖掘方法仍不能较好捕获段落中词语之间的依存关系. 基于此, 引入多头自注意力(Multi-head self-attention, MHSA)进一步挖掘阅读材料中观点类问题的文字线索, 改进了观点类问题的自动解答方法; 将句法关系融入到图构建过程中, 提出了基于关联要素关系图的多跳推理方法, 实现了答案支撑句挖掘; 通过联合优化两个子任务, 构建了基于多任务联合学习的阅读理解模型. 在2020中国“法研杯”司法人工智能挑战赛(China AI Law Challenge 2020, CAIL2020)和HotpotQA数据集上的实验结果表明, 本文提出的方法比已有基线模型的效果更好.
机器阅读理解 (Machine reading comprehension, MRC)是自然语言处理领域中一项重要研究任务, 其目标是通过机器理解给定的阅读材料和问题, 最终实现自动答题. 目前联合观点类问题解答和答案依据挖掘的多任务联合学习研究在机器阅读理解应用中受到广泛关注, 它可以同时给出问题答案和支撑答案的相关证据, 然而现有观点类问题的答题方法在答案线索识别上表现还不是太好, 已有答案依据挖掘方法仍不能较好捕获段落中词语之间的依存关系. 基于此, 引入多头自注意力(Multi-head self-attention, MHSA)进一步挖掘阅读材料中观点类问题的文字线索, 改进了观点类问题的自动解答方法; 将句法关系融入到图构建过程中, 提出了基于关联要素关系图的多跳推理方法, 实现了答案支撑句挖掘; 通过联合优化两个子任务, 构建了基于多任务联合学习的阅读理解模型. 在2020中国“法研杯”司法人工智能挑战赛(China AI Law Challenge 2020, CAIL2020)和HotpotQA数据集上的实验结果表明, 本文提出的方法比已有基线模型的效果更好.
2022, 48(11): 2729-2743.
doi: 10.16383/j.aas.c190389
摘要:
针对具有空间依赖耦合系数的分数阶反应扩散系统, 利用反步法设计了基于观测器的边界输出反馈控制器, 证明了观测增益和控制增益核函数矩阵方程的适定性. 针对误差系统和输出反馈的闭环系统, 利用分数阶Lyapunov方法分析了系统的Mittag-Leffler稳定性, 且利用Wirtinger不等式改进了耦合系统稳定的条件. 当系统具有空间依赖的耦合系数时, 难以求得控制增益和观测增益核函数的解析解, 为此, 给出了核函数偏微分方程的数值解方法. 数值仿真验证了理论结果.
针对具有空间依赖耦合系数的分数阶反应扩散系统, 利用反步法设计了基于观测器的边界输出反馈控制器, 证明了观测增益和控制增益核函数矩阵方程的适定性. 针对误差系统和输出反馈的闭环系统, 利用分数阶Lyapunov方法分析了系统的Mittag-Leffler稳定性, 且利用Wirtinger不等式改进了耦合系统稳定的条件. 当系统具有空间依赖的耦合系数时, 难以求得控制增益和观测增益核函数的解析解, 为此, 给出了核函数偏微分方程的数值解方法. 数值仿真验证了理论结果.
2022, 48(11): 2744-2756.
doi: 10.16383/j.aas.c220083
摘要:
无监督跨域的行人重识别旨在将从有标签的源域中学习到的知识迁移到无标签的目标域, 具有实用性和有效性而得到广泛关注. 基于聚类的跨域行人重识别可以生成伪标签并对模型进行优化使得其表现较其他方法更优, 然而这类方法由于过于依赖聚类伪标签的准确性, 忽略了对伪标签噪声的处理, 导致噪声随着网络迭代而不断扩大, 影响模型的鲁棒性. 针对这个问题, 提出了基于自适应融合网络的方法, 利用双网络结构共同学习, 并将学习到的知识进行融合得到融合网络; 为了区分两个网络的学习能力, 设计了自适应融合策略; 同时, 利用细粒度风格转换模块对目标域数据集进行处理, 降低行人图像对相机变换的敏感度. 在行人重识别基准数据集Market1501、DukeMTMC-ReID和MSMT17上, 通过评估指标平均精度均值和Rank-n与主流的方法进行了对比实验, 验证了该方法的有效性.
无监督跨域的行人重识别旨在将从有标签的源域中学习到的知识迁移到无标签的目标域, 具有实用性和有效性而得到广泛关注. 基于聚类的跨域行人重识别可以生成伪标签并对模型进行优化使得其表现较其他方法更优, 然而这类方法由于过于依赖聚类伪标签的准确性, 忽略了对伪标签噪声的处理, 导致噪声随着网络迭代而不断扩大, 影响模型的鲁棒性. 针对这个问题, 提出了基于自适应融合网络的方法, 利用双网络结构共同学习, 并将学习到的知识进行融合得到融合网络; 为了区分两个网络的学习能力, 设计了自适应融合策略; 同时, 利用细粒度风格转换模块对目标域数据集进行处理, 降低行人图像对相机变换的敏感度. 在行人重识别基准数据集Market1501、DukeMTMC-ReID和MSMT17上, 通过评估指标平均精度均值和Rank-n与主流的方法进行了对比实验, 验证了该方法的有效性.
2022, 48(11): 2757-2776.
doi: 10.16383/j.aas.c190617
摘要:
郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.
郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.
2022, 48(11): 2777-2787.
doi: 10.16383/j.aas.c190855
摘要:
针对间歇过程的实时优化问题, 提出了一种基于自优化控制的批内优化方法. 以测量变量的线性组合为被控变量, 在单批次内跟踪控制被控变量实现间歇过程的实时优化. 根据是否在间歇过程的不同阶段切换被控变量, 给出了两种自优化控制策略, 对每种策略又分别提出两种设定轨线选取方案. 为求解这些情形下的最优被控变量(组合矩阵), 以最小化平均经济损失为目标, 推导了组合矩阵和经济损失之间的函数关系, 分别将其描述为相应的非线性规划问题. 在此基础上, 进一步引入了扩张组合矩阵, 将这些非线性规划问题归纳为求解扩张组合矩阵的一致形式(扩张组合矩阵具有不同的结构约束), 并推导得到了其中一种方案的解析解计算方法. 以一个间歇反应器为研究对象, 验证了方法的有效性.
针对间歇过程的实时优化问题, 提出了一种基于自优化控制的批内优化方法. 以测量变量的线性组合为被控变量, 在单批次内跟踪控制被控变量实现间歇过程的实时优化. 根据是否在间歇过程的不同阶段切换被控变量, 给出了两种自优化控制策略, 对每种策略又分别提出两种设定轨线选取方案. 为求解这些情形下的最优被控变量(组合矩阵), 以最小化平均经济损失为目标, 推导了组合矩阵和经济损失之间的函数关系, 分别将其描述为相应的非线性规划问题. 在此基础上, 进一步引入了扩张组合矩阵, 将这些非线性规划问题归纳为求解扩张组合矩阵的一致形式(扩张组合矩阵具有不同的结构约束), 并推导得到了其中一种方案的解析解计算方法. 以一个间歇反应器为研究对象, 验证了方法的有效性.
2022, 48(11): 2788-2796.
doi: 10.16383/j.aas.c220062
摘要:
能效是无线传感网(Wireless sensor networks, WSNs)时间同步机制设计时需考虑的一个关键因素. 近年来, 隐含同步和免时间戳同步两种低功耗同步机制备受关注. 前者利用监听方式节省了发送同步信息所带来的能耗; 后者则通过接收端的定时响应, 无需在交互过程中传递时间戳, 减少了能量开销. 将免时间戳同步与隐含同步相结合, 能够进一步降低无线传感网同步功能实施所导致的额外能耗. 但目前免时间戳交互下的隐含节点只能估计时钟漂移, 无法估计时钟偏移. 针对该问题, 提出了一种基于最大似然估计(Maximum likelihood estimation, MLE)的免时间戳同步参数估计算法, 实现对隐含节点时钟漂移和偏移参数的联合估计, 并推导获得了对应估计器的性能界限. 仿真结果验证了所提估计器的有效性.
能效是无线传感网(Wireless sensor networks, WSNs)时间同步机制设计时需考虑的一个关键因素. 近年来, 隐含同步和免时间戳同步两种低功耗同步机制备受关注. 前者利用监听方式节省了发送同步信息所带来的能耗; 后者则通过接收端的定时响应, 无需在交互过程中传递时间戳, 减少了能量开销. 将免时间戳同步与隐含同步相结合, 能够进一步降低无线传感网同步功能实施所导致的额外能耗. 但目前免时间戳交互下的隐含节点只能估计时钟漂移, 无法估计时钟偏移. 针对该问题, 提出了一种基于最大似然估计(Maximum likelihood estimation, MLE)的免时间戳同步参数估计算法, 实现对隐含节点时钟漂移和偏移参数的联合估计, 并推导获得了对应估计器的性能界限. 仿真结果验证了所提估计器的有效性.
2022, 48(11): 2797-2811.
doi: 10.16383/j.aas.c190736
摘要:
现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合), 以获得更好的降噪效果, 但该优化模型在降噪效果和执行效率方面仍有较大改进空间. 为此, 提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network, MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型. 该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像, 并利用残差学习技术合并完成图像融合和图像质量提升两项任务. 具体使用时, 对于给定的一张噪声图像, 先用多个降噪器对其降噪, 并将降噪后图像输入OCID模型获得残差图像, 然后将多个降噪图像的均值图像与残差图像相减, 所得到图像作为优化组合后的降噪图像. 实验结果表明, 与CsNet组合模型相比, 网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.
现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合), 以获得更好的降噪效果, 但该优化模型在降噪效果和执行效率方面仍有较大改进空间. 为此, 提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network, MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型. 该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像, 并利用残差学习技术合并完成图像融合和图像质量提升两项任务. 具体使用时, 对于给定的一张噪声图像, 先用多个降噪器对其降噪, 并将降噪后图像输入OCID模型获得残差图像, 然后将多个降噪图像的均值图像与残差图像相减, 所得到图像作为优化组合后的降噪图像. 实验结果表明, 与CsNet组合模型相比, 网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.
2022, 48(11): 2812-2822.
doi: 10.16383/j.aas.c190797
摘要:
随着工业4.0的发展, 不同种类的新型工业应用被部署到工厂中, 这对现有工业无线技术提出了实时性和高速率的要求. 为了同时满足这两种需求, 本文在支持高速率的IEEE802.11的基础上, 提出了基于软件定义的动态时分多址(Time division multiple access, TDMA)机制无线接入系统. 首先, 为了提供时延有界的传输服务, 设计并实现了基于MAC (Medium access control)层的动态TDMA接入机制. 然后, 为了满足工业无线网络中的动态变化的带宽需求, 考虑设备数据量的动态变化, 在SDN (Software defined network)控制器上通过基于最小二乘法的线性回归算法预测设备时隙需求, 再将动态时隙分配问题转化为优化问题以最大化网络中所有设备动态时隙需求. 最后, 通过仿真对比TDMA时隙分配算法的性能, 并在实际网络环境中开展系统部署与测试. 结果表明, 相对于其他TDMA接入机制, 动态TDMA机制在保障时延有界的同时能有效提升传输性能.
随着工业4.0的发展, 不同种类的新型工业应用被部署到工厂中, 这对现有工业无线技术提出了实时性和高速率的要求. 为了同时满足这两种需求, 本文在支持高速率的IEEE802.11的基础上, 提出了基于软件定义的动态时分多址(Time division multiple access, TDMA)机制无线接入系统. 首先, 为了提供时延有界的传输服务, 设计并实现了基于MAC (Medium access control)层的动态TDMA接入机制. 然后, 为了满足工业无线网络中的动态变化的带宽需求, 考虑设备数据量的动态变化, 在SDN (Software defined network)控制器上通过基于最小二乘法的线性回归算法预测设备时隙需求, 再将动态时隙分配问题转化为优化问题以最大化网络中所有设备动态时隙需求. 最后, 通过仿真对比TDMA时隙分配算法的性能, 并在实际网络环境中开展系统部署与测试. 结果表明, 相对于其他TDMA接入机制, 动态TDMA机制在保障时延有界的同时能有效提升传输性能.
2022, 48(11): 2823-2835.
doi: 10.16383/j.aas.c190327
摘要:
基于深度序列的人体行为识别, 一般通过提取特征图来提高识别精度, 但这类特征图通常存在时序信息缺失的问题. 针对上述问题, 本文提出了一种新的深度图序列表示方式, 即深度时空图(Depth space time maps, DSTM). DSTM降低了特征图的冗余度, 弥补了时序信息缺失的问题. 本文通过融合空间信息占优的深度运动图(Depth motion maps, DMM) 与时序信息占优的DSTM, 进行高精度的人体行为研究, 并提出了多聚点子空间学习(Multi-center subspace learning, MCSL)的多模态数据融合算法. 该算法为各类数据构建多个投影聚点, 以此增大样本的类间距离, 降低了投影目标区域维度. 本文在MSR-Action3D数据集和UTD-MHAD数据集上进行人体行为识别. 最后实验结果表明, 本文方法相较于现有人体行为识别方法有着较高的识别率.
基于深度序列的人体行为识别, 一般通过提取特征图来提高识别精度, 但这类特征图通常存在时序信息缺失的问题. 针对上述问题, 本文提出了一种新的深度图序列表示方式, 即深度时空图(Depth space time maps, DSTM). DSTM降低了特征图的冗余度, 弥补了时序信息缺失的问题. 本文通过融合空间信息占优的深度运动图(Depth motion maps, DMM) 与时序信息占优的DSTM, 进行高精度的人体行为研究, 并提出了多聚点子空间学习(Multi-center subspace learning, MCSL)的多模态数据融合算法. 该算法为各类数据构建多个投影聚点, 以此增大样本的类间距离, 降低了投影目标区域维度. 本文在MSR-Action3D数据集和UTD-MHAD数据集上进行人体行为识别. 最后实验结果表明, 本文方法相较于现有人体行为识别方法有着较高的识别率.
2022, 48(11): 2836-2851.
doi: 10.16383/j.aas.c190392
摘要:
主成分分析(Principal component analysis, PCA) 是一种广泛应用的特征提取与数据降维方法, 其目标函数采用L2范数距离度量方式, 对离群数据及噪声敏感. 而L1范数虽然能抑制离群数据的影响, 但其重构误差并不能得到有效控制. 针对上述问题, 综合考虑投影距离最大及重构误差较小的目标优化问题, 提出一种广义余弦模型的目标函数. 通过极大化矩阵行向量的投影距离与其可调幂的2范数之间的比值, 使得其在数据降维的同时提高了鲁棒性. 在此基础上提出广义余弦二维主成分分析(Generalized cosine two dimensional PCA, GC2DPCA), 给出了其迭代贪婪的求解算法, 并对其收敛性及正交性进行理论证明. 通过选择不同的可调幂参数, GC2DPCA可应用于广泛的含离群数据的鲁棒降维. 人工数据集及多个人脸数据集的实验结果表明, 本文算法在重构误差、相关性及分类率等性能方面均得到了提升, 具有较强的抗噪能力.
主成分分析(Principal component analysis, PCA) 是一种广泛应用的特征提取与数据降维方法, 其目标函数采用L2范数距离度量方式, 对离群数据及噪声敏感. 而L1范数虽然能抑制离群数据的影响, 但其重构误差并不能得到有效控制. 针对上述问题, 综合考虑投影距离最大及重构误差较小的目标优化问题, 提出一种广义余弦模型的目标函数. 通过极大化矩阵行向量的投影距离与其可调幂的2范数之间的比值, 使得其在数据降维的同时提高了鲁棒性. 在此基础上提出广义余弦二维主成分分析(Generalized cosine two dimensional PCA, GC2DPCA), 给出了其迭代贪婪的求解算法, 并对其收敛性及正交性进行理论证明. 通过选择不同的可调幂参数, GC2DPCA可应用于广泛的含离群数据的鲁棒降维. 人工数据集及多个人脸数据集的实验结果表明, 本文算法在重构误差、相关性及分类率等性能方面均得到了提升, 具有较强的抗噪能力.
2022, 48(11): 2852-2862.
doi: 10.16383/j.aas.c190309
摘要:
研究基于T-S (Takagi-Sugeno)模糊模型的采样控制系统鲁棒耗散控制问题. 利用2阶B-L (Bessel-Legendre)不等式和整个采样间隔\begin{document}$\left[ {{t_k},{t_{k + 1}}} \right)$\end{document} ![]()
![]()
\begin{document}$\mathcal{Q}$\end{document} ![]()
![]()
\begin{document}$\mathcal{S}$\end{document} ![]()
![]()
\begin{document}$\mathcal{R}$\end{document} ![]()
![]()
\begin{document}$\gamma$\end{document} ![]()
![]()
研究基于T-S (Takagi-Sugeno)模糊模型的采样控制系统鲁棒耗散控制问题. 利用2阶B-L (Bessel-Legendre)不等式和整个采样间隔
