发现和学习不可复位动态系统的预测状态表示的一种新算法

提出了一种发现和学习不可复位动态系统的预测状态表示的新算法．在证明系统的任意landmark均可作为系统的初始状态的基础上,利用发现的landmark确定系统在任意时间步所处的经历,然后采用蒙特卡罗方法估计任意经历下任意检验发生的概率,解决了在不可复位动态系统中,经历下检验发生的概率难以获取问题,进而发现和学习不可复位动态系统的预测状态表示．实验结果表明,本文算法获得的系统的预测状态表示在预测精度上明显优于suffix-history算法,验证了所提算法的有效性．     

基于确定有穷自动机描述的仿人智能控制记忆

模仿熟练操作者通过记忆多步连续调控系统的方式,将记忆用上下文无关文法表示.根据控制经验和滚动预测优化建立特征状态转换表和构造不确定有穷自动机,给出了转换确定有穷自动机的算法.在任意特征状态下,通过一系列的DFA状态转换函数的复合运算,得到使系统稳定下来的控制模态序列.     

基于动态马尔科夫模型的入侵检测技术研究

本文提出了基于动态马尔科夫模型的入侵检测方法.首先提取特权进程的行为特征,并在此基础上动态构造Markov模型.由动态Markov模型产生的状态序列计算状态概率,根据状态序列概率来评价进程行为的异常情况.利用Markov模型的动态构造充分提取特权进程的局部行为特征的相互关系,因此可以在训练数据集有限的条件下使模型更精确、检测能力大大加强.实验表明该算法准确率高、实时性强、占用系统资源少.本文所提方法算法简单、预测准确,适合于进行实时检测.     

快变信道环境下基于支持向量回归的频谱预测

频谱预测是一种通过分析历史频谱数据获得频谱使用规律,从而预测未来频谱使用状态的技术。为了实现快变信道（本文指信道占用状态快速变化）环境下频谱状态的可靠预测,提出了一种基于支持向量回归的频谱预测算法。比较了在不同训练样本数时,该算法与一个典型的BP神经网络频谱预测算法的性能差异,结果表明所提算法在小样本学习时,预测效果更为理想。并在此基础上,加入正确检测概率和虚警概率,验证了当频谱检测不理想条件下,支持向量回归算法预测的可行性。      

动态网络表示学习研究进展

网络表示学习旨在将网络信息表示为低维稠密的实数向量,解决链接预测、异常检测、推荐系统等任务.近年来,网络表示学习研究取得重大进展,但研究多基于静态网络,而真实世界构成的网络是动态变化的,对动态网络分析的需求日益增加.本文总结了当前动态网络表示学习的方法与研究进展,首先提出网络表示学习的动机,阐述动态网络以及表示学习的发展历史与理论基础;接着,系统概述了大量动态网络嵌入方法,包括基于矩阵分解的动态图嵌入、基于随机游走的动态图嵌入、基于深度学习的动态图嵌入和基于重构概率的动态图嵌入,并分析与比较,给出动态网络表示学习的应用场景;最后,总结未来网络表示学习的研究方向.只有考虑网络的动态性,才能真实反映现实网络的演化,使网络表示学习更具价值.     

嵌入式系统动态电源管理预测算法研究

针对目前在嵌入式系统中动态电源管理普遍采用超时算法节能效率低的缺点,采用预测的方法进行动态电源管理.提出一个动态电源管理预测算法,该算法通过利用设备空闲状态的历史信息对未来的空闲时间进行预测,预测结果作为动态电源管理的依据.实验结果说明该算法对工作状态平稳的系统空闲预测效果比较理想,适用于动态电源管理.     

基于ZigBee技术的RFID空间定位系统

通过ZigBee mote与RFID reader结合的方式应用随机数定位算法展示了一种低能耗的基于Zigbee技术的RFID空间定位系统,使得对佩带了Zigbee mote的人可以实时进行定位.在本系统中,通过使用基于取样的表示方法,定位算法能够表示任意分布.通过将系统实现的算法与算法原型比较,可以发现在Non-Line-Of-Sight(NLOS)场景下,本算法的定位错误(positioning errors)有明显改进.     

虚拟化云无线接入网络下基于在线学习的网络切片虚拟资源分配算法

针对现有研究中缺乏云无线接入网络(C-RAN)场景下对网络切片高效的动态资源分配方案的问题,该文提出一种虚拟化C-RAN网络下的网络切片虚拟资源分配算法。首先基于受限马尔可夫决策过程(CMDP)理论建立了一个虚拟化C-RAN场景下的随机优化模型,该模型以最大化平均切片和速率为目标,同时受限于各切片平均时延约束以及网络平均回传链路带宽消耗约束。其次,为了克服CMDP优化问题中难以准确掌握系统状态转移概率的问题,引入决策后状态(PDS)的概念,将其作为一种“中间状态”描述系统在已知动态发生后,但在未知动态发生前所处的状态,其包含了所有与系统状态转移有关的已知信息。最后,提出一种基于在线学习的网络切片虚拟资源分配算法,其在每个离散的资源调度时隙内会根据当前系统状态为每个网络切片分配合适的资源块数量以及缓存资源。仿真结果表明,该算法能有效地满足各切片的服务质量(QoS)需求,降低网络回传链路带宽消耗的压力并同时提升系统吞吐量。     

状态不可观测的信息物理融合系统运行时验证

确保信息物理融合系统（Cyber-Physical System,CPS）运行时行为正确性是至关重要的,尤其在航空航天、汽车、核电和医疗等安全攸关领域.本文针对具有随机行为且状态不可观测的CPS,提出一种基于隐马尔科夫模型的运行时安全性验证方法.首先构造状态不可观测的CPS运行时安全性验证框架,该框架通过隐马尔科夫模型表示系统,使用确定性有限自动机规约系统安全属性的否定,两者的乘积自动机作为运行时监控器,从而将CPS运行时安全性验证问题约简到监控器上的概率推断问题.然后,提出一种增量迭代安全性验证算法以及反例生成算法.实验结果表明本文算法和粒子滤波算法相比预测错误率下降了近20%,并且当系统违背安全属性时,本文的方法能给出反例.     

不确定性环境下基于进化算法的强化学习

不确定性和隐状态是目前强化学习所要面对的重要难题.本文提出了一种新的算法MA-Q-learning算法来求解带有这种不确定性的POMDP问题近似最优策略.利用Memetic算法来进化策略,而Q学习算法得到预测奖励来指出进化策略的适应度值.针对隐状态问题,通过记忆agent最近经历的确定性的有限步历史信息,与表示所有可能状态上的概率分布的信度状态相结合,共同决策当前的最优策略.利用一种混合搜索方法来提高搜索效率,其中调整因子被用于保持种群的多样性,并且指导组合式交叉操作与变异操作.在POMDP的Benchmark实例上的实验结果证明本文提出的算法性能优于其他的POMDP近似算法.