考虑源荷侧灵活性资源的风光消纳互动调控

针对大规模新能源并网导致电网调控的灵活性不足问题,考虑电网灵活性供需平衡,提出灵活性资源（FR）参与风光消纳的互动调控方法,建立规划—运行双层模型对风光消纳进行调控优化。规划层考虑FR改造成本与电压稳定性初步分配新能源安装位置与灵活性资源改造容量,运行层综合经济成本、灵活性缺失度及峰谷差值等指标协同调控源荷资源,通过混合种群迁徙算法进行多目标优化,筛选求解后的多样性方案反馈规划层,得到最优调控结果。最后,结合东北某实际电网进行仿真分析,结果表明合理配置多元化FR能改善电网的风光消纳能力及其调控灵活性,验证了所提方法的合理性和有效性。     

基于定频MPC的飞跨电容储能双向直流变换器低频波动功率抑制策略

为抑制直流母线低频波动功率对储能系统的影响,以飞跨电容双向直流变换器为研究对象,提出基于单目标定频模型预测控制(model predictive control, MPC)低频波动功率抑制策略。为降低传统MPC算法的运算负荷,通过对变换器数学模型进行分析,提出一种单目标定频MPC控制算法。该算法仅需通过电感电流单目标约束函数,即可实现对系统电流及双端飞跨电容电压的控制,无须对两端飞跨电容电压进行独立寻优,极大地降低了计算量。为实现对储能系统低频波动功率的抑制,引入低频波动功率抑制算法,通过与所提MPC算法的融合,使最终控制方案能够在实现储能控制目标的前提下,具备低频波动功率抑制能力,且保持良好的动态性能。通过搭建小功率实验平台对所提控制策略的有效性进行了验证。     

基于改进的CKF低轨卫星多普勒定位解算

针对低轨卫星多普勒定位中最小二乘法(the least squar method, LSM)和扩展卡尔曼滤波(extended Kalman filter, EKF)带来的解算误差,采用容积卡尔曼滤波(cubature Kalmanfilter, CKF)算法的思想来进行定位解算。首先设计了一种基于GeoSOT剖分网格的初值搜索方法进行粗定位,避免迭代发散;在解算过程中,对CKF进行改进,用QR分解代替其中的Cholesky分解,防止误差协方差矩阵非正定导致计算终止;最后以铱星星座对地面站的静态定位为例,通过STK 进行仿真验证算法的有效性。结果表明,改进的CKF(improvedCKF, ICKF)算法对于目标的定位误差在百米以内;且相较于LSM 和EKF,定位精度大约可以提高17%。     

联邦学习中的隐私保护技术研究综述

近年来,联邦学习成为解决机器学习中数据孤岛与隐私泄露问题的新思路。联邦学习架构不需要多方共享数据资源,只要参与方在本地数据上训练局部模型,并周期性地将参数上传至服务器来更新全局模型,就可以获得在大规模全局数据上建立的机器学习模型。联邦学习架构具有数据隐私保护的特质,是未来大规模数据机器学习的新方案。然而,该架构的参数交互方式可能导致数据隐私泄露。目前,研究如何加强联邦学习架构中的隐私保护机制已经成为新的热点。从联邦学习中存在的隐私泄露问题出发,探讨了联邦学习中的攻击模型与敏感信息泄露途径,并重点综述了联邦学习中的几类隐私保护技术：以差分隐私为基础的隐私保护技术、以同态加密为基础的隐私保护技术、以安全多方计算（SMC）为基础的隐私保护技术。最后,探讨了联邦学习中隐私保护中的若干关键问题,并展望了未来研究方向。     

基于神经网络的机器人学习与控制：回顾与展望

机器人因其高效的感知、决策和执行能力,在人工智能、信息技术和智能制造等领域中具有巨大的应用价值。目前,机器人学习与控制已成为机器人研究领域的重要前沿技术之一。各种基于神经网络的智能算法被设计,从而为机器人系统提供同步学习与控制的规划框架。首先从神经动力学(ND)算法、前馈神经网络(FNNs)、递归神经网络(RNNs)和强化学习(RL)四个方面介绍了基于神经网络的机器人学习与控制的研究现状,回顾了近30年来面向机器人学习与控制的智能算法和相关应用技术。最后展望了该领域存在的问题和发展趋势,以期促进机器人学习与控制理论的推广及应用场景的拓展。     

基于系统调用序列学习的内核模糊测试

操作系统内核是计算机系统中最基本的软件组件, 它控制和管理计算机硬件资源, 并提供访问和管理其他应用程序所需的接口和服务. 操作系统内核的安全性直接影响整个计算机系统的稳定性和可靠性. 内核模糊测试是一种高效、准确的安全漏洞检测方法. 然而目前内核模糊测试工作中, 存在系统调用间关系的计算开销过大且容易误判, 以及系统调用序列构造方式缺乏合理能量分配以至于很难探索低频系统调用的问题. 本文提出以N-gram模型学习系统调用间关系, 根据系统调用的出现频次信息和TF-IDF信息优先探索出现频次低或者TF-IDF值高的系统调用. 我们以极低的开销, 在Linux 4.19和5.19版本的24 h实验中分别提升了15.8%、14.7%的覆盖率. 此外, 我们挖掘到了一个已知CVE (CVE-2022-3524)、8个新崩溃, 其中一个获得了CNNVD编号(CNNVD-2023-84723975).     

人工智能在新型冠状病毒肺炎中的研究综述

新型冠状病毒肺炎（corona virus disease,COVID-19）的暴发对全球人类的生命财产安全造成了巨大威胁。人工智能（artificial intelligence,AI）为助力打赢这场疫情攻坚战发挥了不可替代的作用。由于AI的助力,医疗资源紧张的问题得到大幅度缓解,并提高了医疗诊断效率,同时也避免接触感染的风险。阐述了COVID-19和AI的背景知识,从疫情趋势预测、疫情溯源追踪、检测诊断、药物开发、疫苗研制、药物再利用、网络舆论管控以及基因组测序这8个疫情防控的环节讨论了AI在本次COVID-19中的研究进展,并列举本次疫情中AI所面临的挑战,浅谈本次疫情对我国AI产业影响以及两者的辩证关系,对全文进行总结。     

多智能体强化学习的机械臂运动控制决策研究

针对传统运动控算法存在环境适应性较差,效率低的问题。可以利用强化学习在环境中不断去探索试错,并通过奖励函数对神经网络参数进行调节的方法对机械臂的运动进行控制。但是在现实中无法提供机械臂试错的环境,采用Unity引擎平台来构建机械臂的数字孪生仿真环境,设置观察状态变量和设置奖励函数机制,并提出在该模型环境中对PPO(proximal policy optimization)与多智能体（agents）结合的M-PPO算法来加快训练速度,实现通过强化学习算法对机械臂进行智能运动控制,完成机械臂执行末端有效避障快速到达目标物体位置,并通过该算法与M-SAC（多智能体与Soft Actor-Critic结合）和PPO算法的实验结果进行分析,验证M-PPO算法在不同环境下机械臂运动控制决策调试上的有效性与先进性。实现孪生体自主规划决策,反向控制物理体同步运动的目的。     

多源基因学习的微种群教与学优化及应用

由于微种群教与学优化算法的种群规模较小, 故其种群多样性很难维持. 为提高微种群教与学优化算法的搜索性能, 提出了一种基于多源基因学习的微种群教与学优化算法(micro-population teaching-learning-based optimization based on multi-source gene learning, MTLBO-MGL). 在MTLBO-MGL算法中, 将教阶段和学阶段根据随机选择策略来对个体进行基因水平上的进化操作; 并从基因层面上对种群多样性进行检测和使用稀疏谱聚类方法对种群的每个维度进行聚类. 然后, 根据多样性检测和聚类结果, 选择不同的进化策略来提高所提算法的搜索性能. 在28个测试函数上, 通过将所提算法与其他4种微种群进化算法作对比, 证明了所提算法的整体性能要显著好于所对比的4种算法. 本文还将所提算法应用于无人机三维路径规划问题, 结果表明MTLBO-MGL算法能够在该问题上取得较好结果.     

改善误码性能的索引调制正交频分复用混合映射方案

为进一步提升索引调制正交频分复用(OFDM-IM)系统在高信噪比(SNR)条件下的误比特率(BER),该文提出一种混合映射方案。该方案利用高信噪比时索引比特比数据比特错误率更低的特性,混合使用两种不同位数的索引比特分配策略,提高了索引比特的占比。相应地,将子载波激活模式(SAPs)分为超级SAPs和普通SAPs,相比于普通SAPs,超级SAPs对应的索引比特和数据比特分别增加1 bit和减少1 bit。将超级SAP对应的数据比特采用奇偶校验的方式补齐,然后映射为数据符号,提高了系统的分集度,增大了数据符号间的最小欧氏距离。仿真结果表明,相比于以往的映射方案,混合映射方案在误比特率为10–4时可取得1～3 dB的性能增益,有效改善索引调制OFDM系统的误码性能。