摘要:多智能体系统分布式优化由于其高效性、灵活性和可靠性等特点吸引了大量学者的关注,在多机器人协同控制、无线传感器网络、能源系统等领域具有广泛的应用前景.分布式优化的基本目标是利用智能体的个体目标函数梯度、自身及其邻居状态信息设计分布式控制协议,驱动所有智能体的状态或输出到全局目标函数的最优解,系统动力学是影响智能体状态演化的重要因素.鉴于此,在回顾现有连续时间分布式优化算法的基础上,根据系统动力学分类,尽可能全面地评述具有复杂动力学的多智能体系统分布式优化问题的最新研究进展,并对未来发展方向进行展望.

摘要:无人机已广泛用于物流配送,具有快速投递和低成本的优势.针对远离仓库中心、交通受限制客户的需求,在车机并行配送模式上引入车载无人机以服务该类客户,提出多模式下的车辆和无人机联合配送模型及其路径优化问题.该模型融合了车机协同配送模型和并行配送模型,包括搭载无人机的卡车和独立的无人机舰队.在此基础上建立以最小化交付时间为优化目标的混合整数规划模型,并设计基于知识学习策略的多算子遗传算法来提高搜索效率.实验结果表明,与传统交付方式相比,车辆与无人机联合配送模型可显著减少交付时间.在大规模数据集上,改进的遗传算法表现出更好的性能.该研究成果可为解决物流配送中的复杂动态的“最后一公里”问题提供指导和参考.

摘要:模型预测控制(model predictive control,MPC)已成功地应用于无人机集群的路径规划.但其存在计算量大及单步运算时间长等不足,在实时运行中往往难以获得较高的控制频率.而离线的MPC需要准确的地图信息,难以处理地图中无法预测的动态障碍物.对此,提出一种结合离线MPC全局规划与在线改进人工势场法局部规划的方法.在利用MPC方法生成安全、平滑轨迹的同时,提高无人机在动态障碍物影响下的避障能力.通过引入调节力来处理传统人工势场法的局部极小值问题,并将目标与无人机的相对距离引入斥力函数,同时改进引力函数,以改善无人机在目标点处低速徘徊的问题.此外,设计一种事件触发的无人机轨迹变更与轨迹恢复策略,使无人机仅在必要时实施动态避障行为.在此基础上,最大化利用原来的规划轨迹.仿真验证结果表明,所提出的路径规划方法能够使无人机集群安全飞行至目标点,并且具有良好的动态避障能力.

摘要:针对多个出退勤车场的城市轨道交通线路,研究乘务任务配对问题的数学模型和算法,在满足各车场出退勤任务守恒的前提下,尽可能提高整体值乘效率.首先,考虑出退勤约束、轮换约束、用餐约束和工作量约束,构建任务段衔接网络有向图,并设计广度搜索算法搜寻满足各班种要求的候选任务池.然后,在此基础上,以乘务总值乘费用最小为目标,构建乘务任务配对问题的集覆盖模型.接着,为了提高大规模问题的求解效率,设计基于列生成思想的启发式求解算法.最后,以南昌地铁1号线为例,通过实例验证发现:所提出方法能够合理安排早班和夜班任务的出、回场方式,很好地满足了各车场夜、早任务守恒需求;相对于现行方案,有效减少了两个乘务任务,且任务段平均衔接时间减少了1分17秒;所提出模型和算法能够满足多车场出退勤需求,且保证了值乘效率,能够为实际运营提供决策支持.

摘要:卷积神经网络的表征与预测能力往往依赖结构合理性,但其主流结构均由人工设计,存在设计难度高、算力要求强、时间开销大等问题.如何让神经网络自主搜索合理结构并节约计算资源是当前的研究重点.目前,基于部分通道连接的可微分结构搜索算法,以其高效的显存利用率在搜索速度和分类性能上表现良好.然而,其针对通道的随机采样策略易造成重要信息丢失,当通道连接不足时性能明显下降.为此,提出一种基于通道性能度量的神经网络结构搜索算法,利用注意力机制提取通道重要性系数,并以此对通道进行排序采样.此外,考虑到预热阶段导致搜索不充分,产生较大离散化误差,在结构权重连续化的过程中设计温度正则化系数,提升权重差异.实验表明,所提算法能够在节约计算资源的基础上搜索出更优的卷积神经网络结构.

摘要:随着航天航空技术的发展,空间目标视觉检测技术作为航天器智能在轨服务的重要技术支撑,获得了国内外研究学者的广泛关注.考虑到太空中恶劣的光照条件以及未知的动态场景,空间目标视觉检测的鲁棒性问题亟待深入研究.首先,提出一种黑盒迁移实例攻击方法,将图像识别领域的对抗样本攻击方法应用于空间目标检测任务,实现对EfficientDet目标检测模型的欺骗攻击;同时,提出一种协同防御策略,将对抗训练和SRMNet去噪器相结合,有效增强目标检测模型的鲁棒性.实验结果表明,所提出防御策略不仅能够成功抵御对抗样本攻击,还能取得高于原始空间目标检测模型的检测精度.

摘要:哈里斯鹰优化算法(Harris Hawks optimization,HHO)存在探索能力和开发能力平衡性不足等问题,导致算法收敛速度较慢,寻优精度较低,容易陷入局部最优.针对这些问题,引入多种群策略解决初始化种群单一的问题,提出基于多种群的多能量策略模拟两只体能不同的猎物的逃跑过程,使两个种群向不同的方向进化,以提高探索阶段与开发阶段的搜索能力.此外,协同量子化策略的加入在迭代前期可避免算法陷入局部极值,在迭代后期可提高算法的寻优精度.最后,通过对测试函数的优化结果进行分析可以得出,与其他一些经典或最新的算法相比,改进后的算法可大大提高最优解的收敛速度和寻优精度,同时具有更强的跳出局部最优的能力.

摘要:基于视觉的行人检测是目标检测中的重要研究方向.如今主流的基于锚框的行人检测器输出的结果是大量冗余的,在结果输出之前需要对冗余预测进行非极大值抑制,因而非极大值抑制的效果将直接影响检测器的性能.行人检测任务中最大的挑战在于目标之间互相遮挡的现象,而严重重叠的目标使得传统的基于固定阈值的非极大值抑制方法难以在高召回率与低虚警率之间取得平衡.针对以上问题,提出一种根据重叠度自适应收缩预测框的非极大值抑制方法.根据对应目标的重叠度将预测框进行自适应的收缩,以降低预测框之间的重叠度.对收缩后的预测框进行非极大值抑制,可避免高重叠预测框对处理结果的影响.此外,指向性不明确的预测框将影响本算法的性能,为此提出一种中心点排斥损失函数,通过在重叠框的中心点之间施加排斥力来减少介于两目标之间的指向性不明确的模糊预测框数量,增强自适应收缩非极大值抑制算法的效果.仿真实验结果表明,所提算法可以有效提升基于锚框的检测器对重叠行人目标的检测性能.

摘要:针对一类复杂非线性系统,提出一种新型自适应快速非奇异终端滑模控制(IAFNTSMC)方法,用以解决其在输出时变约束及量化输入情形下的轨迹跟踪问题;利用鲁棒自适应方法处理扰动不确定性,并结合反演策略和终端滑模策略设计控制器;构造一种新型的时变约束障碍Lyapunov函数,用于实现对系统的输出误差进行随时间变化的幅值约束;为提高闭环系统的误差收敛速度,提出一种新型的滑模面构造方案.所提控制方法能够保证闭环系统的输出跟踪误差快速收敛到约束边界内,并确保闭环系统所有信号有界.数值仿真验证了所提方法的有效性.

摘要:针对复杂环境下无人机集群队形变换与编队控制问题,提出一种可抑制外部干扰的无人机集群队形变换策略,设计基于滑模的编队控制方法.首先,考虑无人机集群中存在多个领导者,提出一种“双层领导者-跟随者”无人机集群协同队形变换控制策略,实现障碍环境下的编队队形变换;然后,基于图论、一致性理论和滑模控制理论设计针对无人机集群存在外部干扰条件下的从机时变编队控制律,能够实现无人机编队按几何参数和几何图案连续变化;其次,通过构造Lyapunov函数证明在扰动条件下多领导者无人机集群系统队形变换的稳定性;最后,利用数值仿真验证所提出队形变换控制方法的有效性.

摘要:研究欺骗攻击影响下的区间二型T-S模糊系统的高效模型预测控制(efficient model predictive control, EMPC)问题.考虑到数据从传感器节点传输到控制器节点受到欺骗攻击的影响,设计一种EMPC框架下基于状态观测器的输出反馈控制器.首先,针对能量有界的欺骗攻击,构建辅助优化问题,离线求解终端约束集以及满足系统$H_2$安全的固定反馈控制增益和观测器增益;其次,引入摄动量提供控制自由度,离线求解增广系统的不变集,通过最大化该不变集在原状态空间的投影得到初始可行域;然后,在线优化摄动量得到满意的控制律,确保系统在欺骗攻击影响下的安全性;最后,给出所提出的EMPC算法理论可行性和系统安全性的证明,并通过仿真实例验证所提出算法的有效性.

摘要:研究一类具有外部扰动的非线性系统在初始跟踪条件未知情况下的预设性能有限时间有界$H_\infty$控制问题.针对预设性能控制设计,提出一个新的误差转换思想,并据此设计新的预设性能函数,解决预设性能控制依赖于系统被约束量初始条件的问题.基于所提出预设性能函数、有限时间控制理论以及有界$H_\infty$的设计方法,获得系统无需初始跟踪条件的预设性能有限时间有界$H_\infty$控制器,同时解决非线性系统在有界稳定情况下难以设计$H_\infty$控制器的问题,保证跟踪误差以预先设定的动态性能在有限时间内收敛至平衡点附近的小邻域内,并对外部干扰有较强的鲁棒性能.

摘要:针对现有传统相关积分优化算法在求解实时优化时存在的问题,如考虑实时约束不足、算法参数较为单 一且参数难以凑试等,提出一种将鲁棒预测控制与相关积分相结合的实时优化算法,采用传统相关积分优化算法计算优化目标函数和调优变量的梯度,将调优变量实时梯度作为表征系统是否还有优化裕度的中间变量,利用基于多胞体模型的鲁棒预测控制方法对调优变量增量进行实时求解,并将调优变量的增量作为调优变量的设定值. 所提出改进算法继承了传统相关积分优化的优点,同时也提升了原有算法的约束处理能力,保证了其优化解的实时可行性.仿真研究以及二甲苯加热炉热效率实时优化的工业应用测试结果验证了所提出方法的可行性和有效性.

摘要:研究高速公路匝道车辆序列合并编队的优化协调问题,根据环境参数优化设置合并阈值,减少排放、节约编队成员时间成本和燃油资源.首先,针对合流中自由车辆与已有车队同时存在的复杂场景给出阈值编队方案,结合车辆运动学和全期望公式,计算与编队阈值相关的特征值:1)队列规模概率;2)时间增量期望;3)队列间距期望.然后,根据特征值分析各经济成本增量,并利用连续动力学状态方程的转换推导行驶约束安全集,建立基于阈值的优化编队模型,在安全性前提下最大化车辆队列的全程综合经济效益.最后,通过仿真对比所提出策略与直接编队策略,验证所提出策略能够提升综合经济效益并满足计算实时性要求.仿真结果表明了巡航距离以及车辆密度对编队的综合经济效益影响较大.

摘要:故障预测技术有力地保证了生产过程的平稳有序和人员安全.但在实际操作过程中,过程数据的定性与定量信息并存,模型较为复杂.此外,在生产过程中,利用在线收集的数据进行故障预测时存在时序延迟问题.对此,建立一种基于时间动态因果图(TDCD)的故障预测模型.在模型建立过程中,提出参数的延迟时间间隔学习算法,即移动搜索最大信息系数(MIC)算法,充分考虑了时序方面的延迟问题.在推理过程中,加入趋势分析和延时信息排序以优化推理过程,减少因延迟时间造成的故障误报率.最后,使用某浮选过程因果图网络进行算法验证,并将所提出的策略应用于湿法冶金浸出过程,与单值/多值不确定动态因果图进行对比,以表明故障预测策略的先进性和有效性.

摘要:针对传统自编码器以无监督方式学习特征、缺乏监督信息的指导造成特征判别性弱的问题,提出一种簇紧凑自编码器(cluster compact auto-encoder,CCAE).首先,利用模糊C均值算法对样本进行聚类得到伪标签,并通过PBMF指标确定最佳聚类数;然后,利用伪标签构建簇紧凑正则项,嵌入样本所属类别的判别性信息;最后,将簇紧凑正则项与标准自编码器的损失函数相结合作为CCAE的损失函数,所提出的CCAE通过伪标签的方式嵌入区分类别的判别性信息,可增强特征的判别性,从而显著提升诊断性能;最后,在旋转机械齿轮和轴承数据集上验证所提出方法的有效性,结果表明,CCAE可广泛用于旋转机械故障诊断的特征提取阶段,为工程人员实现判别性特征的自动提取提供一种解决方案.

摘要:针对有色噪声干扰下的随机系统,利用数据滤波技术,对输入输出数据进行滤波,将具有滑动平均噪声的原始系统转换为白噪声干扰下的系统,提出有限脉冲响应滑动平均系统的滤波增广随机梯度算法,并对该算法进行收敛性分析.此外,为了提高参数估计的精度和加快算法的收敛速度,使用多新息辨识理论提出滤波多新息增广随机梯度算法,并分析其收敛性.与增广随机梯度算法相比,所提出的滤波增广随机梯度算法和滤波多新息增广随机梯度算法可以得到更高精度的参数估计.最后,通过仿真实例表明了所提出算法的有效性.

摘要:在固定有向拓扑下,研究由一阶与二阶动力学智能体组成的异质多智能体系统的合围控制问题.首先,分别针对系统内同时包含一阶动力学领航者和二阶动力学跟随者、二阶动力学领航者和一阶动力学跟随者的两种情况,共给出4种有效的控制协议;其次,综合利用代数图论、矩阵理论和稳定性分析工具,通过系统变换方法或构建误差向量法得到上述两类异质多智能体系统能够实现合围控制的判据条件;最后,通过仿真进一步验证所提出协议的有效性.

摘要:红外与可见光图像融合的目的是通过将不同模态的互补信息融合来增强源图像中的细节场景信息,然而,现有的深度学习方法存在融合性能与计算资源消耗不平衡的问题,并且会忽略红外图像存在噪声的问题.对此,提出一种基于结构重参数化的红外与可见光图像融合算法.首先,通过带权重共享的双分支残差连接型网络分别对两种源图像进行特征提取,分别得到的特征级联后图像重建;然后,用结构相似性损失与双边滤波去噪的内容损失联合指导网络的训练;最后,在训练完成后进行结构重参数化将训练网络优化成直连型网络.在多个公共数据集上与7种领先的深度学习融合算法进行了定性与定量的实验对比,所提出的融合算法在更低的资源耗费下能够实现多个评价指标的提升,融合结果具有更丰富的场景信息、更强的对比度以及更符合人眼的视觉效果.

摘要:智能车间生产数据的多工序、跨流程、异构多态的特性加剧了生产过程中工艺数据关联融合问题的复杂性.面向复杂时空域下多维多尺度车间数据,提出一种基于时序聚类-关联挖掘-复杂网络的深度融合建模方法.首先,通过高斯核函数与一维卷积运算描述车间数据的聚类特征,采用欧氏距离度量车间时序数据特征向量间的相似性,并将处理后的时序特征引入聚类分析中;其次,通过时序数据关联规则提取各工艺参数之间蕴含的内在规律和关联关系,采用支持度与置信度完成关联规则的深度挖掘;然后,依据车间跨流程多工序协同运行特点,构建以多工序的工艺参数为节点、关联关系为边的带时间窗的生产工艺过程双权重有向多层网络模型,为车间跨流程、多工序、异构多态的工艺指标间的复杂关联关系的描述提供依据;最后,以某制丝生产线质量调控为例,对所提出方法的有效性和适用性进行验证.

摘要:针对多目标回归中的特征选择问题,提出一种基于自适应图学习的多目标特征选择算法,在单个框架中同时考虑3种关系结构:输入特征与目标输出、不同目标输出以及样本间的相关结构,并基于上述结构信息进行特征选择.首先,在传统稀疏回归模型中对系数矩阵施加低秩约束,利用低秩学习对特征间相关性以及目标间的依赖关系进行解耦学习;然后,构建基于样本局部结构信息的自适应图学习项,充分利用样本间的相似结构进行特征选择;进一步地,引入基于输出相关性的结构矩阵优化项,使模型能够更加充分地考虑目标间的相关性;最后,提出一种交替优化算法求解目标函数,并从理论上证明算法的收敛性.在公开数据集上的实验表明,所提方法相较于现有主流的多目标特征选择方法具有更好的性能和适用性.

摘要:诸如夜间等低光场景下的行为识别对于安防、自动驾驶等领域具有重要意义,针对现有方法在低光环境下识别效果不佳、鲁棒性较差等问题,提出一种基于特征引导的多模态聚合低光环境行为识别方法(MALNFG). 首先,设计分层骨架特征融合网络(HSFIE),利用光照增强算法提升低光场景的骨架提取能力,采用层次化时空特征融合策略获取侧重于人体行为本身表达的动作特征,改善低光场景下因骨架缺失造成的精度下降问题;其次,设计高效表观特征提取模块(EAFEM),采用零参数时间位移模块在2D特征提取网络上高效捕捉包含丰富场景信息的时空特征;接着,设计特征引导多模态聚合网络(MNF),利用特征引导策略执行骨架特征与RGB表观特征的深层信息交互,实现行为特征的全面性表征;最后,采用全连接层进行特征分类,完成行为识别.实验结果表明,所提出方法可以较好地适用于低光环境下的人体行为识别任务.

摘要:时间序列数据广泛存在于工业、医疗等应用领域,由于其时序相关性强、特征空间维度大,使得传统的时间序列分类方法普遍存在精度不足和需要复杂特征工程等问题.充分考虑深度神经网络在处理复杂时序数据上的优越性以及决策树方法拟合数据能力强的优势,提出一种基于残差网络和概率决策树的端到端统一深度学习模型.该模型利用残差网络从原始时间序列中提取高级特征,为了更好地建立时序数据特征与类别标签间的映射关系,将概率决策树融入至残差网络的分类层.同时,设计随机子空间的集成策略,缓解由于残差网络的深层结构产生的过度拟合现象,并给出联合优化模型分裂参数和预测参数的迭代优化方案.在大量的基准数据集和工业案例上进行实验和分析,实验结果表明,所提出模型的分类性能优于传统方法与其他深度学习方法,且可有效提高残差网络的泛化能力.

摘要:针对领域知识图谱具有严格的模式层和丰富的属性信息的特点,提出一种融合概念和属性信息的领域知识图谱补全方法.首先对领域知识图谱模式层中的概念使用可建模语义分层结构的HAKE模型进行嵌入表示,建立基于概念的实例向量表示;其次对数据层的实例三元组和属性三元组进行区分,通过注意力机制对实例的属性和概念进行融合,建立基于属性的实例向量表示;最后对基于概念和基于属性的实例向量表示进行联合训练以实现对实例三元组的评分.使用基于DWY100K数据集构建的知识图谱、MED-BBK-9K 医疗知识图谱和根据某钢铁企业设备故障诊断数据构建的知识图谱进行实验,结果表明所提出方法在领域知识图谱补全中的性能优于现有知识图谱补全方法.

摘要:为解决由区域配送中心和不同地点前置仓构成的多地点库存系统的动态调拨问题,建立以最小化总成本为目标,考虑紧急和预防纵向调拨、紧急横向转运的多地点库存动态集成调拨模型.由于模型的非线性特征,设计一种嵌入贪婪紧急横向转运修复策略的鲸鱼优化算法(whale optimization algorithm embedding greedy emergency lateral transshipment repair strategy,GELTR-WOA).通过基于现实场景产生的不同规模算例的数值实验,验证算法的有效性.最后,探究加入紧急横向转运对系统运作成本的影响,并分析单位缺货损失、单位运输成本等因素对调拨策略的影响,从而为电商企业提供库存管理建议.

摘要:行人轨迹预测在自动驾驶和社交机器人等领域有着广泛的应用.对行人间复杂的交互关系进行有效建模是提高轨迹预测准确性的关键问题.然而,基于图神经网络的方法建模行人间的复杂交互时,存在行人间交互关系不会随着时间推移而改变,并且图模型无法自适应地调整网络参数,导致预测轨迹与真实轨迹偏差较大.为此,提出基于动态进化图的行人轨迹预测方法,设计动态特征更新(DFU)以定义行人间的动态特性,对行人间动态交互进行建模以构建时间域的网络动态性,提升对行人间复杂交互关系建模的能力.采用进化图卷积单元优化编码器,灵活进化图模型网络参数,增强图模型的自适应能力.研究结果表明,在预测8个时间步长下,与STGAT模型相比,所提出模型在两个公开数据集(ETH和UCY)上取得了更好的性能,平均位移误差降低12.26%,最终位移误差降低14.10%.

摘要:行人轨迹预测是实现在城市内完全自动驾驶的重要支撑,并且广泛应用于机器人路径规划、自主巡航等领域.驾驶视角下交通场景复杂多变、行人未来位置不确定性大,只考虑观测轨迹信息预测行人轨迹会有较大位移误差.针对这个问题,提出一种多信息融合网络(multi-information fusion network,MIFNet)来预测驾驶视角下未来行人轨迹的多种可能.MIFNet在观测轨迹信息的基础上引入姿态信息和光流信息,分别采用骨架序列重组和划分局部光流的方法避免遮挡造成的信息失真.为了更有效地融合这些信息,提出一种基于信息评价的跨信息融合注意力机制,综合考虑了预测过程中不同信息间的重要程度和同一信息间不同特征的重要程度.MIFNet在PIE数据集上预测1.5s的平均位移误差取得了最佳成绩,在JAAD数据集1.5s的长时轨迹预测任务中预测误差最小,并且模型参数量、推理时间较最新模型大幅度下降.

摘要:循环经济作为应对资源短缺威胁和绿色低碳转型需求的新型经济发展模式,正受到越来越广泛的关注.为了推动这一计划的实践进程,众多举措被提出并付诸行动,废旧物资循环利用体系建设是其中之一.考虑到与此类问题相关的决策过程中通常涉及多方面的制约因素且需要平衡各方意见,提出一种基于语言偏好序和拓展TOPSIS的多属性群决策方法.首先,利用数据挖掘和自然语言处理等技术,对相关新闻网站进行爬虫并获得大量的公共数据,再通过关键词提取和聚类确定决策属性及其权重;然后,采用基于多准则相互评估矩阵的专家互评方式,对参与决策的专家完成赋权;接着,运用语言偏好序、拓展的TOPSIS方法以及最小-最大优化模型依次实现决策信息表征、个体排序和集体排序的完整决策过程;最后,为了验证所提出方法的适用性,将其应用于废旧物资回收站点设置方案选择的实例,并进一步通过比较分析对其优势和特点展开具体说明.

摘要:针对仿冒商进入市场引起的消费者权益难以保证,正品市场份额被抢占,正常的市场秩序受到破坏等问题,在考虑同时受欺骗型和非欺骗型仿冒商威胁的情形下,正品制造商通过零售商进行转售或自有渠道直销的两种销售模式,建立Stackelberg博弈对比研究正品制造商的两种销售模式的均衡结果,分析正品制造商的销售模式选择策略,探讨其销售模式选择策略对两类仿冒商的打击效果以及对消费者剩余和社会福利的影响.研究结果表明:正品制造商可能不会为了维护消费者利益而选择直销模式;正品制造商选择直销模式的意愿随消费者在转售模式下对正品和欺骗型仿冒品的感知质量及欺骗型仿冒品质量的提高而减小,随非欺骗型仿冒品质量的提高而增大;正品制造商选择直销模式总能有效打击非欺骗型仿冒商,然而,对欺骗型仿冒商而言,在一定条件下,正品制造商会选择转售模式并容忍欺骗型仿冒商的存在;正品制造商选择直销模式能够提高消费者剩余和社会福利.

摘要: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.

摘要: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.

摘要: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.

摘要: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.

摘要: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.

摘要: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.

摘要: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.

摘要: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.