不确定DoS攻击下的异构多智能体系统异步控制器设计

研究了存在不确定拒绝服务(denial of service, DoS)攻击的异构多智能体系统协同控制问题。网络环境的开放性会导致网络攻击的复杂性不断提高,其中,对于一类不确定网络攻击的研究具有重要的现实意义。由于不确定攻击情况下模态获取困难,将导致控制器模态与系统模态产生不匹配问题。首先,正常情况下所有智能体都是时间同步的并且以固定采样周期相互通信,当攻击发生时采用保持输入机制并且假定攻击持续时间是有界的,通过使用马尔可夫切换系统方法来构建该复杂动态系统模型。其次,通过解耦技术将原高维系统转换为两个低维的闭环误差系统,并通过Lyapunov稳定性理论得到了保证异构多智能体系统输出一致性的充分条件。进一步,应用相关矩阵变换方法给出了通过求解一系列矩阵不等式来获得控制器增益的方法。最后,通过基于移动舞台机器人系统的仿真研究验证了本文所提出方法的有效性。与现有结果相比,本文所考虑的攻击概率可以是不确定甚至完全未知的,所设计的异步控制器具有更好的兼容性,即包含了常见的同步控制器以及模型独立控制器。     

NeuronSup:基于偏见神经元抑制的深度模型去偏方法

随着深度学习的广泛应用，研究者在关注模型分类性能的同时，还需要关注模型的决策是否公平可信。存在决策偏见的深度模型会造成极大的负面影响，因此如何维持深度模型的分类正确率，同时提高模型的决策公平至关重要。目前已有工作提出了较多方法，用于改善模型的个体公平，但是这些方法仍然在去偏效果、去偏后模型可用性、去偏效率等方面存在缺陷。为此，文中分析了深度模型存在个体偏见时神经元异常激活现象，提出了一种基于偏见神经元抑制的模型去偏方法NeuronSup,具有显著降低个体偏见、对主任务性能影响小、时间复杂度低等优势。具体而言，首先根据深度模型部分神经元由于个体偏见而产生异常激活的现象提出了偏见神经元的概念。然后，利用歧视样本对查找深度模型中的偏见神经元，通过抑制偏见神经元的异常激活大幅降低深度模型的个体偏见，并且根据每个神经元的最大权重边确定主任务性能神经元，通过保持深度模型的主任务性能神经元参数不变，来减小去偏操作对深度模型分类性能造成的影响。因为NeuronSup只对深度模型中的特定神经元进行去偏操作，所以时间复杂度更低，效率更高。最后，在3个真实数据集的6种敏感属性上开展去偏实验，与5种对比算法相...     

围绕企业需要开展对口服务

为贯彻实施标准，规范市场。日前。勃利县质量技术监督局依据年度产（商）品监督检查计划对涉及人类健康和安全、动植物生命和健康、以及环境保护和公共安全等实行强制性认证（以下简称3C认证）制度的产品进行专项检查。     

基于ARM与DSP双核控制的数字语音学生终端设计

参考语音学习系统数字化的发展和嵌入式技术在声音数字处理中的运用情况,提出一种基于ARM和DSP双核控制的数字语音学生终端设计方案,对终端硬件电路和软件电路进行详细设计,并确定了终端的通信协议.测试后表明,该终端不仅实现了语音信号中变速不变调的功能,也满足新型数字语音学习系统的应用要求.     

异构多智能体系统耗散性异步控制器设计

为应对因复杂网络攻击、物理限制等因素导致异构多智能体系统的系统模态与控制器模态异步问题，保证多智能体系统的一致性，提高系统运行安全性，提出了一种基于耗散性能的输出反馈控制器设计方法。针对实际工程中状态不可测得的情况，采用了更具实际意义的输出反馈控制，并设计了一个分布式动态补偿器，结合输出调节技术将异构多智能体系统构建为一个闭环误差系统。采用隐马尔可夫模型，对多智能体系统与控制器的异步现象进行刻画，形成一个双链马尔可夫跳变模型。利用Lyapunov稳定性分析方法给出闭环误差系统的随机稳定与严格(D,E,F)-α耗散性条件，实现了异构多智能体系统的输出一致性。进一步，通过将具有耗散性能的异步控制器增益设计转化为一组线性矩阵不等式的可行解问题，得到了增益设计方法。最后通过一个仿真实例验证了本研究所提出控制算法的有效性。结果表明：与现有结果相比，本研究所设计的基于输出反馈的耗散性异步控制器对各类多智能体系统具有良好的兼容性；同时，还有许多技术难题亟需解决，而随着科技的发展，更加通畅的网络通信方式与灵敏的传感器网络可以作为以后多智能体协同控制领域关键问题突破的参考。     

基于深度强化学习的移动机器人动态路径规划算法

为了在复杂舞台环境下使用移动机器人实现物品搬运或者载人演出,提出了一种基于深度强化学习的动态路径规划算法。首先通过构建全局地图获取移动机器人周围的障碍物信息,将演员和舞台道具分别分类成动态障碍物和静态障碍物。然后建立局部地图,通过LSTM网络编码动态障碍物信息,使用社会注意力机制计算每个动态障碍物的重要性来实现更好的避障效果。通过构建新的奖励函数来实现对动静态障碍物的不同躲避情况。最后通过模仿学习和优先级经验回放技术来提高网络的收敛速度,从而实现在舞台复杂环境下的移动机器人的动态路径规划。实验结果表明,该网络的收敛速度明显提高,在不同障碍物环境下都能够表现出好的动态避障效果。