基于网格技术的多用户多任务模拟训练系统

针对信息化条件下的武器装备模拟训练问题提出了一种多用户多任务模拟训练系统的概念，这种模式的系统能够满足大规模、多人次的装备教学和训练需求。首先，建立了面向大规模训练的两级用户管理体制，以及B/S与HLA结合的系统体系结构；然后，综合利用Web技术、网格技术（Globus Toolkit 4，GT4）和分布仿真技术（HLA/RTI）等解决了HLA联邦资源共享与整合、系统组织与协同等核心问题，实现了在同一套模拟训练系统上多组用户同时进行相同或者不同训练任务的设计目标；最后，面向通用雷达装备设计并实现了一个原型系统，它具有资源利用率高、重用性强、用户容量大等特点，在XX实验室建设的应用中取得了良好的效果。     

结合遗忘特性的多任务多核在线学习算法

对于数据流的处理,多任务多核学习已逐渐成为在线学习算法研究的热点,它在一定程度上可提高数据流预测的准确性。多核方法尽可能使用最少的核函数得到最好的实验效果,当数据量增大、训练模型稳定时,通过阈值限定的方法对核函数进行遗忘,从而减少基本核函数的使用个数,使得计算更加简单;对于算法的优化,通过引入一个遗忘变量,从对偶的角度来进一步优化权重更新过程,这里的权重指多个任务的共有特征权重和每个任务间的特有权重,以提高算法的收敛速度。实验部分对核函数的选取进行了较为详细的分析,通过对UCI数据集和实际的机场客流量数据集进行分析,证明该本算法的合理性和高效性。     

多任务协作、跨学科研究与多学科人才结构匹配——对美国麻省理工辐射实验室雷达研制的历史考察

美国政府基于国家利益组织的"雷达研制"等军事研发工程,有力地促进了大学跨学科研究的发展和繁荣。雷达研制在美国能取得巨大的成功,最根本的原因就是多学科领域的科学家、工程师等人之间进行有效的跨学科研究。从雷达研制的复杂过程可以发现,多任务协作的跨学科研究合作需要合理的多学科人才结构匹配,即:战略决策人才、组织管理人才、科学研究人才与工程技术人才。     

并行多任务环境Agent联盟快速生成算法

并行多任务环境下Agent联盟的生成是多Agent系统Multi-Agent System(MAS）的难点.本文将蚂蚁算法应用到了并行多任务环境下多Agent联盟的生成问题.根据多任务的特性,提出了一种采用多种群蚂蚁的算法MCACO (Multi-Colony Ant Colony Optimization）来解决并行多任务环境下的联盟生产问题。在MCACO中采用新的信息素更新策略提高了算法的全局搜索能力.仿真实验证明了本文方法的有效性.     

四线电话语音信箱

本文主要介绍了一种新型的四线电话语音信箱的系统硬件设计和软件编制.着重介绍在管理四线电话时多任务的处理方法.     

基于过度自信的多任务委托--代理模型扩展研究

在分析现有文献对多任务委托——代理模型拓展研究局限基础上，从行为经济学视角，假定代理人不再是完全理性的经济人，而是遭遇了过度自信心理偏见的“非理性人”，并通过一定方法把过度自信的心理偏见导入到多任务委托——代理模型基本分析框架中，然后沿用标准的委托——代理分析技术，对改变关键假设后的模型进行处理，从而修正了多任务委托——代理模型的分析框架和一些基本的结论。     

基于时频空多维融合特征的脑电情感识别

脑电信号(Electroencephalogram,EEG)包含丰富的时间,空间和频率信息,是最能准确反映情感状态的生理信号,在情感识别领域发挥着重要作用。由于单特征的脑电情感识别研究方法存在缺失信息的问题,因此提出了三维融合特征的脑电信息处理方法,将脑电信号的微分熵频域特征和八种时域特征进行融合,按照电极片位置信息进行空间排布,提取脑电信号的三维混合特征。将注意力机制引入多任务卷积神经网络(Multi Task Attention Convolutional Neural Network,MTA-CNN),并将构造的三维特征作为输入进行测试分析。结果表明,所提出模型方法在DEAP数据集的效价维和唤醒维二分类问题准确率均有显著提升。     

基于多粒度认知的命名实体识别方法

在数据匮乏的领域,命名实体识别效果受限于欠拟合的字词特征表达,引入常规的多任务学习方法可以有所改善,但需要额外的标注成本.针对这一问题,提出了一种基于多粒度认知的命名实体识别方法,在不产生额外标注成本的前提下,增强字特征信息,提高命名实体识别效果.该方法从多粒度认知理论出发,以BiLSTM和CRF为基础模型,将字粒度下的命名实体识别任务与句子全局粒度下的实体数量预测任务相联合,共同优化字嵌入表达.三个不同类型的数据集上的多组实验表明,引入多粒度认知的方法有效地提升了命名实体识别效果.     

多任务学习的稀布线阵方向图综合

提出一种基于多任务学习的线阵阵元位置与激励的联合稀疏优化方法。该方法可以在先验知识不足的情况下,从目标方向图中获得更多的特征信息,并将阵列天线稀疏优化问题转换成为稀疏矩阵的线性回归问题。通过稀疏向量支撑区的识别,将欠定的导向矢量矩阵方程转换为超定的特征矩阵方程的求解,在实现阵列方向图逼近的前提下,对阵元的激励与位置进行联合稀疏优化。仿真结果证明,该方法在优化阵元激励和位置的同时,实现了对天线阵列功能方向图波束的有效赋形。     

基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。