<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[《控制与决策》编辑部 -->“边缘智能前沿与进展”专栏]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[边缘智能与协同计算: 前沿与进展]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240730]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着万物互联时代的到来,边缘设备规模急剧增加,海量数据在网络边缘产生,人工智能技术的飞速发展为分析和处理这些数据提供了强大的支撑.然而,传统云计算的集中处理模式难以满足用户对任务低时延和设备低功耗的需求,并带来数据隐私泄露的潜在隐患.与此同时,嵌入式高性能芯片的发展显著提升了边缘设备的计算能力,使其能够在边缘侧实时处理部分计算密集型任务.在此背景下,边缘计算和人工智能有机融合,孕育了一种新的计算范式:边缘智能.鉴于此,聚焦边缘智能与协同计算的前沿与进展,首先概述边缘计算、人工智能和边缘智能的相关背景、基本原理与发展趋势;然后从训练、推理和缓存3个方面回顾面向单个设备的边缘智能方法;接着从架构、技术和功能3个维度介绍多个设备合作实现边缘智能协同的相关工作;最后总结边缘智能在工业物联网、智慧城市和虚拟现实等领域的广泛应用.]]></description>
<pubDate>2024/6/6 8:38:28</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[侯祥鹏，兰兰，陶长乐，寇小勇，丛佩金，邓庆绪，周俊龙]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240730]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[不确定性感知的边缘计算任务调度算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240731]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[任务执行时长的不确定性是设计任务调度算法时的一个重要问题,关系到调度方案能否满足任务的截止时间要求.鉴于此,研究不确定性感知的边缘计算任务调度问题,以最小化边缘提供商开销为优化目标建立任务调度问题的优化模型.该模型将任务执行时长建模为随机变量并推导出任务完成时间的完整概率分布,引入关于任务截止时间的概率约束,以可调节的概率阈值保证任务按时完成.为求解该问题,进一步提出基于蝙蝠算法搜索策略的元启发式算法,包含两个关键的算法组件,映射算子实现蝙蝠空间与调度解空间的关联,评估算子实现候选解可行性的判定和优化目标值的计算.基于对比实验的仿真结果表明,所提出算法能够得到高质量的任务调度方案.]]></description>
<pubDate>2024/6/6 8:38:28</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[尹璐，周俊龙，孙晋，吴泽彬]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240731]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于SSVEP-BCI的可穿戴疲劳检测系统]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240732]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[由于稳态视觉诱发电位的脑机接口(SSVEP-BCI)具有高准确性、高传输速率且无需训练,用户需要花费大量精力专注于视觉刺激以产生足够强的SSVEP,其中高亮度、频繁的低频刺激和单一任务十分容易使用户产生疲劳.针对用户疲劳问题,提出一种针对SSVEP-BCI的实时疲劳检测系统,该系统包括一个可穿戴式脑电设备的硬件设计和实现以及基于支持向量机的分类算法.基于该系统,对用于疲劳检测准确性的熵进行研究,并发现模糊熵与近似熵在检测中具有一致性,在疲劳变化微弱的情况下模糊熵变化更突出,而在疲劳变化明显的情况下近似熵的变化更显著.此外,对前额和枕叶信号进行比较,发现前额信号的分类准确性通常高于枕叶信号,同时复合准确性高于任何一种单独使用时的准确性.]]></description>
<pubDate>2024/6/6 8:38:28</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[欧阳元兵，罗亦鸣，李宇诗，王皓，潘昱杉]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240732]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于感知融合的自适应无创呼吸机技术研究]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240733]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着全球老龄化和呼吸系统疾病增加,无创呼吸机使用场景逐渐从医院转向日常家庭,因此迫切需要呼吸机具备更强的自主适应能力,以针对不同病症进行个性化治疗.然而,目前呼吸机产品智能化程度较低,并主要受制于呼吸机对患者呼吸状态的识别能力与针对性调节呼吸机参数的自适应能力.针对以上现状,结合感知融合、深度学习等相关技术,设计并实现一套基于感知融合的无创呼吸机自适应算法.算法包括两个部分:基于深度学习的参数初始化算法和基于深度学习的逐步滴定算法.参数初始化算法根据患者历史呼吸数据,对呼吸机通气模式和参数进行初始化;逐步滴定算法在参数初始化的基础上,通过多种传感器实时检测患者状态参数变化,并根据状态参数对呼吸机进行调节,直至整个治疗环节结束.最后在仿真平台上对所提出的自适应算法进行不同呼吸症状、漏气情况的仿真实验,结果表明所提出算法在分类准确率与回归精度等多个指标上均优于现有同类型工作,有望加快呼吸机智能化进程,为患者提供个性化治疗的可能性.]]></description>
<pubDate>2024/6/6 0:00:00</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[邓子亨，李敏希，沈大伟，邹建伟，邓庆绪]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240733]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[一种基于模特征的增量式张量Tucker分解方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240734]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着数据量的爆炸式增长,边缘计算在大数据处理中的作用愈加重要.现实应用中产生的数据通常建模表示成高阶增量式张量的形式,增量式张量Tucker分解是一种高效挖掘高阶海量数据中隐藏信息的方法.针对传统增量式张量分解忽视张量模特征对分解过程的影响、分解结果不能较好保留原始数据特征的问题,提出一种基于模特征的增量式张量Tucker分解方法ITTDMC(incremental tensor tucker decomposition based on mode characteristics).首先,用模长增量决定增量因子矩阵更新顺序,以此降低更新顺序带来的重构误差;其次,根据模熵变化比决定增量因子矩阵更新权重,使分解结果更准确保留各模特征;然后,将过往时刻的模特征和更新参数记录在指导张量中,遇到模特征相似的增量数据时直接使用来指导张量中参数的更新,避免重复计算,降低时间开销;最后,在合成和真实数据集上进行大量的实验,实验结果表明ITTDMC在模特征明显的数据集上能显著降低(最高可达29%)增量式张量的重构误差.]]></description>
<pubDate>2024/6/6 8:38:28</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[渠超洋，韩建军]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240734]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[边缘计算环境中基于规划图的服务组合修复方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240735]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在云计算和边缘计算环境中,通过提取和组合可用的服务以满足用户需求已成为常见的做法.然而,当前的方法难以应对由于用户需求变化或外部环境变动导致的组合失效问题.为了应对这一挑战,提出一种边缘计算环境中基于规划图的服务组合及其修复方法.首先,结合移动路径模型和规划图方法完成服务组合过程,通过规划图的构建可以有效地评估和选择适合用户需求的服务组合.当服务集合发生变化或用户目标更改时,能够在现有的规划图基础上生成新的解决方案,以满足用户的需求.这种修复方法能够实时适应云边环境中的变化,提高系统的灵活性和可靠性.经过实验测试发现,所提出的修复方法相较于重新规划具有更好的性能表现,并验证了修复方法在组合失效问题上的有效性和实用性.]]></description>
<pubDate>2024/6/6 8:38:28</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[高志浩，李静，祝铭，刘彤阳，鲁瑞]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240735]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于端边云协同和MIRF_WPSO的流程工艺参数自适应实时优化模型]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240736]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对流程工业生产过程中因工序间相互耦合、工艺数据量庞大且处理时延高而导致的工艺参数优化实时性难以保证的问题,提出一种基于端边云协同和MIRF_WPSO的流程工艺参数自适应实时优化模型.首先,基于边缘计算技术搭建多源异构流程工艺参数端边云协同实时优化架构;其次,构建基于互信息随机森林MIRF和自适应惯性权重粒子群WPSO的工艺参数优化算法MIRF_WPSO,并将MIRF_WPSO算法部署在边缘端以实现工艺参数的实时优化,同时通过在云端部署自更新机制来实现边缘端算法模型的自感知更新,从而形成集算法训练-更新-调用的端边云高效协同自动化闭环网络;最后,搭建实验平台,实验结果表明,“端-边-云”协同模式可以有效缓解云端计算压力,能够实时、高效地对流程工艺参数进行自优化调控,将质量指标平均标偏从1.86%降到1.25%,优化速度提高11.4%,为流程工业生产过程智能化进一步发展提供新的思路.]]></description>
<pubDate>2024/6/6 8:38:28</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[刘孝保，李佳炜，刘鑫，易斌，顾文娟，阴艳超，姚廷强]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240736]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于李雅普诺夫优化和深度强化学习的多任务端边迁移]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240737]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对多终端、多边缘服务器场景下异构工业任务的端边协同处理问题,提出一种基于李雅普诺夫优化和深度强化学习的多任务端边迁移算法.首先,以联合优化任务迁移决策、迁移比例和传输功率为目标,充分考虑计算频率、传输功率、长期能耗和任务截止期等约束,构建系统长期平均开销最小化问题;由于问题中长期目标及约束中变量在不同时隙相互耦合,难以求解,基于李雅普诺夫优化理论,将长期平均开销最小化问题解耦为独立时隙的策略优化问题;通过马尔可夫决策过程建模,并采用双层竞争深度神经网络架构,提出基于深度强化学习的多任务迁移算法.实验结果表明,所提算法能够稳定收敛,并在长期能耗约束和任务截止期要求下有效降低系统长期平均开销.]]></description>
<pubDate>2024/6/6 8:38:28</pubDate>
<category><![CDATA[“边缘智能前沿与进展”专栏]]></category>
<author><![CDATA[许驰，唐紫萱，金曦，夏长清]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/20240737]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>