基于边端协同的CNN推理加速框架

基于卷积神经网络(CNN)的移动应用程序通常处理的是计算密集型任务,然而传统的云推理和端推理方式在低时延和高准确率方面仍面临着挑战。针对以上问题,提出了一种基于边端协同的CNN推理框架,它能让一个端设备和多个边缘服务器协同工作以提供CNN推理服务。该方法综合考虑高度动态的网络带宽和设备负载情况,分步决策出模型多个最佳分割位置以优化计算和通信权衡。基于硬件测试平台的实验评估表明,相较于3种流行的CNN推理方法,该方法实现了14.3%～67.5%的推理加速,提升边缘服务器的计算资源利用率100%。     

基于聚类动态面板引力模型的国际贸易网络研究

本文提出一种针对网络型数据的聚类动态面板引力模型,用于国际贸易流量网络的研究.该模型假设各贸易国分属于不同的潜在类别,各国间贸易流量对应的模型系数由出口国和进口国所属的类别决定.提出使用马尔可夫链蒙特卡罗方法对模型参数以及各贸易国所属的潜在类别进行贝叶斯估计.对2001-2015年60个国家间的贸易流量数据进行了实证分析.结果表明,所提出的模型能够对贸易国进行聚类,有效地提高贸易流量预测的精度.所提出的聚类动态面板引力模型可以被广泛的应用于其他动态网络型数据的研究.     

相控阵多址系统中通道间群时延不一致性分析

首先从数学公式分析了多用户相控阵通信系统的通道时延将会引起调制数据过零点出现偏移;再针对多通道时延不一致的情况,通过理论和仿真分析发现,如果空分处理前不进行通道间时延均衡而直接进行数字波束形成处理,会使得输出信号失真,系统误码性能恶化.     

网络控制系统的分析与硬件在线仿真

网络控制系统(NCS)是一种新型计算机控制系统,通过工业网络实现控制单元之间的数据交换,但这也给控制系统带来了时延等问题.在分析两种常见工业网络的时延特点之后,介绍了硬件在线仿真平台的构建,提出了理论与硬件在线仿真相结合的设计方法,即用平均时延对系统进行理论设计,再在硬件在线仿真平台上进行仿真和参数选择.某二阶系统的设计与仿真过程,说明了该设计方法的有效性.     

一种基于天线阵列的相干多径信号接收方法

在密集的城区环境下,多径传播导致接收信号的角度扩展和时延扩展,不同路径的到达信号通常具有不同的入射角度和传播时延.传统的波束形成器只针对期望用户的一条主要路径信号进行处理,而其他路径信号作为干扰被抑制.提出了一种基于天线阵列的相干多径信号接收方法,将天线阵列接收到的各路径信号进行延迟相干合并,使得合并信号的信干噪比优于任何单一路径接收的阵列输出信干噪比,从而极大地改善了系统的比特误码率(BER)性能.仿真结果验证了这种接收的方法的有效性.     

多变量网络控制系统建模与稳定性分析

研究了一类多变量网络控制系统的建模和稳定性问题,基于线性时不变对象,推导了该类网络控制系统的时滞连续时间数学模型,并利用李雅普诺夫第二法,分析了系统的渐近稳定性,得到了系统稳定运行的最大允许时延和全时滞稳定的条件。最后,通过实例仿真分析证实了本文所提理论的有效性,以及稳定判据的可行性。     

力觉临场感时延界限的分析

力觉临场感系统中存在较大的通信时延和力反馈,造成系统的不稳定.本文从建立力觉临场感系统的时延动力学方程出发,利用差分微分方程组,对一维力觉-临场感系统分析一种较简单的情况,即从机械手与环境中的一个弹性体作用,该物体不发生位移而仅产生弹性形变.对力觉临场感系统在弹性环境下的时延稳定性进行分析,讨论了模型中各参数的影响,确定了时延界限的正确性.     

引入突触修饰非对称时窗的神经元感受野自组织模型

视觉通路中一些简单神经元的时空响应特性在动物出生前已基本形成,在缺乏视觉经验的情况下,视觉系统是怎样发育出这些神经元感受野的？以Wimbauer的时延网络为基础,引入神经生物学中最近发现的突触修饰非对称时窗,修改了Hebb学习规则,提出一种4层前馈网络模型。模型能自组织生成时空响应特性更为丰富的神经元感受野,并能对脊椎动物视觉系统中反差极性敏感型神经元的形成机制做出解释。这种网络模型比Linsker网络和Wimbauer的时延网络更具普适性。     

爱因斯坦引力理论中非线性标量场的虫洞解

198 7年霍金首先提出的虫洞是极早期宇宙中联系两个不同拓扑的时空的瞬子解[1 ,2 ] .瞬子把两个不同拓扑的时空通过量子隧道效应联系起来 .这种虫洞在量子宇宙学、弦及量子引力理论中起着很重要的作用 .关于引力理论中弦及Ｂｒａｎｅｓ理论的研究告诉我们 ,Ｂｒａｎｅｓ的低能等效场是非线性Ｂｏｒｎ Ｉｎｆｅｌｄ型的[3 - 7] ,在研究了Ｂｏｒｎ Ｉｎｆｅｌｄ(Ｂ Ｉ)标量场的量子宇宙波函数[8] 以后 ,接着就要研究的是非线性Ｂ Ｉ标量场的虫洞解 ,本研究在标量场变化率 ( φ)很小及很大两个极限条件下求出了虫洞解 .在 φ很小时 ,求得虫洞…     

基于代价敏感系数的混凝土抗压强度预测

针对传统自适应增强学习算法训练过程中只关注预测误差率最小的缺陷,本文提出了一种基于代价敏感系数的改进自适应增强学习算法并应用于混凝土抗压强度预测。首先考虑影响混凝土强度的8种参数作为特征变量,通过自适应增强学习算法集成回归树,依据样本权值抽样建立多个弱回归学习器。同时引入线性敏感系数与指数敏感系数来优化增强学习过程中样本权值的更新问题,采用引力搜索算法对代价敏感系数的基数进行最优选取。最后,根据权重比集成弱学习器得到最终预测模型。通过对所提出的两组不同代价敏感系数组合策略下的预测模型与随机森林、BP神经网络算法等模型的预测结果进行对比分析,验证了所提预测模型具有更好的预测性能。