基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络,分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合,充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

基于模糊强化学习的双轮机器人姿态平衡控制

针对单轨双轮机器人在静止情况下存在的固有静态不稳定问题, 提出一种基于模糊强化学习(简称为Fuzzy-Q)的控制方法。首先,运用拉格朗日法建立带控制力矩陀螺的系统动力学模型。然后, 在此基础上设计表格型强化学习算法, 实现机器人的稳定平衡控制。最后,针对算法存在的控制精度不高和控制器输出离散等问题, 采用模糊理论泛化动作空间, 改善控制精度, 并使控制输出连续。仿真实验表明, 相较于传统强化学习方法, 所提方法能够显著提高控制精度, 且可以有效抑制外界干扰力矩对系统的影响, 保证系统具有一定的抗干扰能力。     

知识牵引与数据驱动的兵棋AI设计及关键技术

在分析知识推理型与数据学习型兵棋人工智能(artifical intelligence, AI)优缺点的基础上, 提出了基于知识牵引与数据驱动的AI设计框架。针对框架中涉及的基于数据补全的战场态势感知,基于遗传模糊系统的关键点推理,基于层次任务网的任务规划、计划修复与重规划,基于深度强化学习的算子动作策略优化等关键技术进行深入探讨。结果表明,所提框架具有较强的适应性, 不仅能够满足分队、群队、人机混合等兵棋推演的应用需求, 而且适用于解决一般回合制或即时策略性的博弈对抗问题。     

基于卷积神经网络感知功能的极端场景生成方法

近年来,基于卷积神经网络深度学习的感知算法在自动驾驶车辆环境感知系统中发挥着越来越重要的作用。由于在神经网络训练过程中,训练数据无法覆盖所有极端场景,因此如何保证基于深度学习的感知算法在极端场景下的安全性和可靠性,仍是一个亟待解决的问题。传统的基于真实行驶里程的验证方法,在获取极端场景数据上危险性高,经济性差,因此很难检验驾驶功能在极端场景下的性能。基于虚拟场景的仿真验证方法,虽然可以通过设置场景参数来生成大量测试场景,但是通过简单的参数组合并不能有效的生成极端场景。本文展示了一种在虚拟环境中生成极端场景的方法,用于训练和测试基于深度卷积神经网络的车道线识别算法。首先将场景特征用参数进行表示,然后使用deep Q-learning强化学习的方法,来生成极端场景的参数组合。通过与随机组合以及成对组合场景参数的方法进行对比,可以看出该基于强化学习的场景生成方法可以更有效地生成极端场景,因此可提高自动驾驶感知功能的测试效率,同时可为卷积神经网络提供更多的极端场景训练数据。     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

线性流形上广义反次对称矩阵的最佳逼近

讨论了线性流形上广义反次对称矩阵的最小二乘解,得到了解的一般表达式,对于任意给定的实矩阵A,在最小二乘解集中得到了A的最佳逼近解.     

大学生英语自主学习能力培养策略

学生自主学习能力的培养是当今教学改革的主要内容之一。为全面提高学生英语的综合应用能力,教师必须帮助学生确立学习目标,正确引寻学习策略,培养良好的学习习惯,从而提高他们的自主学习能力。     

基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning, LMKL)和一类超限学习机(one-class extreme learning machine, OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明,在训练时间可控的前提下,与4种常见的一类分类(one-class classification, OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve, AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection, LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。