一种电传飞控系统测试性架构设计与评估技术研究

针对分布式电传飞控系统进行自上而下的测试性需求分解,突破了系统测试性设计完整可追溯性难题,结合系统分布式架构,充分发挥主飞控计算机作为控制调度核心和作动器控制器等部件作为智能节点的作用,创造性地为国内某型运输机电传飞控系统提出一种集中/分散结合的测试性架构,实现了系统由控制核心部件向外分层逐级激励的机内自检测方法,可有效提高故障检测效率、缩短检测时间;针对分布式电传飞控系统采用图形化方式建立基于多信号流的故障传递模型,形象地描述产品的测试性设计,建立体系性的建模方法、原则和流程,突破以往测试性建模使用不规范、模型可信度不高的难题,根据评估结果迭代方案设计,从而使测试性设计满足测试性要求。     

一种分布式多通道微弱电流采集系统的设计

针对多种应用环境下微弱电流信号采集的特殊性,介绍了一种分布式多通道微弱电流采集系统,基于"以数据为中心"的分布式结构,将系统逻辑分层为电流采集节点、数据存储与处理节点及人机界面等功能模块.其中,电流采集节点采用单片智能结构,易于实现信号的本地数字化及传输;数据存储与处理节点负责各采集节点数据流的收集、处理及封装.针对多...     

智能分布式测控网络体系结构设计

结合智能Agent技术、分布式测控和网络技术,提出了一种智能分布式测控网络的体系结构、通信模型和计算模型.该系统具有广泛的适用性和良好的应用前景.     

基于多智能体的多机器人网络控制体系

按照共享控制模式建立基于多智能体的多机器人遥操作系统网络控制体系。设计了具有感知、决策和交互等公共属性的智能体模块化层次结构,给出了各模块的功能描述,阐明了多个智能体之间的交互特性。在此基础上,实现了融合多层分布式黑板模型和智能体节点的多机器人网络遥操作控制体系结构。最后实验测试了状态推理智能体的激活状态,验证了多智能体结构框架下网络遥操作控制体系的有效性。     

群智能在多智能体系统中的应用研究进展

群智能算法是受群居性昆虫群体的集体行为启发而设计的分布式问题求解方法,将它应用到多智能体系统,旨在提高系统的鲁棒性、灵活性和自适应性。以群智能在多智能体系统中的应用为线索,首先介绍群智能的核心机制,然后从多智能体系统通信机制、协作技术、学习问题及体系结构建立这几个方面总结群智能理论在多智能体系统中的已有工作。最后分析和讨论了群智能方法在多智能体系统应用中存在的问题,并提出今后的工作展望。     

面向模型预分层的边缘终端多AI任务调度策略

边缘AI的兴起促进了AI在边缘计算场景中的广泛应用.随着AI任务的多样化、终端设备性能的不断提升,实际应用中亟须设计一种新的模型实现单个终端设备上的多AI任务并行调度.然而目前的研究更关注单个AI任务在单个终端设备上的计算效率,因此本文提出一种基于模型预分层的多AI任务调度策略,以优化多AI任务在终端设备上的计算效率.首先,对多个AI任务进行模型预分层,并记录每种预分层的计算量和参数量;其次,在终端设备上建立资源监控模型,实时检测可用资源情况;最后,结合时间周期要求和实时可用资源的约束,以对边缘终端的计算资源需求最大为目标,从多个AI任务的多个预分层模型集合中选取一组由多个AI任务不同预分层组成的最优解,动态地调整每个AI任务在终端设备上的模型计算层数,在避免固定式模型分层的弊端的同时,充分利用终端设备的计算资源.实验结果显示,本文策略能够有效提高多AI任务的计算效率,计算资源利用率可达到96.97%,调度分配成功率可达到96.45%,数据传输量减小率可达到97.22%.     

立体分层Petri网的对象化专家系统实现

Ｐｅｔｒｉ网是描述分布式系统的强有力工具,立体分层Ｐｅｔｒｉ网是从系统的监控、行为和运行三个侧面分析实时分布式多智能体系的建模和分析工具。将立分层Ｐｅｔｒ８网转化为对象化的高级Ｐｅｔｒｉ网,利用和ＲＥＴＥ算泊结构相似性改善其软件实现方法,提高系统运行效率。     

面向分层联邦学习的传输优化研究

与传统机器学习相比,联邦学习有效解决了用户数据隐私和安全保护等问题,但是海量节点与云服务器间进行大量模型交换,会产生较高的通信成本,因此基于云-边-端的分层联邦学习受到了越来越多的重视。在分层联邦学习中,移动节点之间可采用D2D、机会通信等方式进行模型协作训练,边缘服务器执行局部模型聚合,云服务器执行全局模型聚合。为了提升模型的收敛速率,研究人员对面向分层联邦学习的网络传输优化技术展开了研究。文中介绍了分层联邦学习的概念及算法原理,总结了引起网络通信开销的关键挑战,归纳分析了选择合适节点、增强本地计算、减少本地模型更新上传数、压缩模型更新、分散训练和面向参数聚合传输这6种网络传输优化方法。最后,总结并探讨了未来的研究方向。     

联邦控制: 面向信息安全和权益保护的分布式控制方法

本文提出一种基于联邦智能的分布式控制方法—联邦控制. 作为联邦生态的核心环节, 联邦控制从联邦智能的需求响应出发, 以联邦数据的信息安全和权益保护为目标, 以区块链、平行系统为技术支撑, 为大型复杂系统提供高效、安全、可靠的控制与管理.     

未来的智能信息系统:AI与DB技术的结合

AI-DB结合不仅对于AI技术的有效应用及DB技术的发展,而且对于支持智能信息系统和基于分布式合作网络的下一代计算都是至关重要的。因此,AI-DB结合将对科学技术的基础结构和计算机的商业应用及日常生活应用作出显著贡献。由于这些潜在的贡献,AI-DB结合的意义比仅仅改进AI和DB技术要重要得多。本文展望了未来的计算,提出了AI-DB结合的框架和目标,说明了短期和长期利益,强调了发展之急需。讨论了30年来的进步,描述了现今DB技术对AI系统与AI技术对DB系统的可用性。指出了尚未解决的问题以及有前途和富于挑战的研究方向。为了支持这里的观点,本文公布了对于12个国家400多名AI和DB研究与实践人员的调查结果。这些结果表达了专家们对AI-DB结合和下一代计算之必要性、重要性和现状的看法。     

地质分析专家系统GAES的设计

地质分析是一项复杂的人类劳动,采用人工智能技术模拟人类专家活动,可以大大减轻人类的负担.因此,开发了一个地质分析专家系统GAES.该系统以黑板模型为基础,采用分布式系统结构,在中心节点的协调控制下,各普通节点相互合作,共同进行问题求解.在系统技术特点方面,解决了知识源分配、冲突消解和知识源筛选等问题,该系统具有求解效率高、可靠性强、通讯机制好等特点.     

面向人工智能和大数据的高效能计算

【目的】本文主要分析人工智能和大数据应用随着迅速增大的数据规模,给计算机系统带来的主要挑战,并针对计算机系统的发展趋势给出了一些面向人工智能和大数据亟待解决的高效能计算的若干研究方向。【文献范围】本文广泛查阅国内外在超级计算和高性能计算平台进行大数据和人工智能计算的最新研究成果及解决的挑战性问题。【方法】大数据既为人工智能提供了日益丰富的训练数据集合,但也给计算机系统的算力提出了更高的要求。近年来我国超级计算机处于世界的前列,为大数据和人工智能的大规模应用提供了强有力的计算平台支撑。【结果】而目前以超级计算机为代表的高性能计算平台大多采用CPU+加速器构成的异构并行计算系统,其数量众多的计算核心能够为人工智能和大数据应用提供强大的计算能力。【局限性】由于体系结构复杂,在充分发挥计算能力和提高计算效率方面存在较大挑战。尤其针对有别于科学计算的人工智能和大数据领域,其并行计算效率的提升更为困难。【结论】因此需要从底层的资源管理、任务调度、以及基础算法设计、通信优化,到上层的模型并行化和并行编程等方面展开高效能计算的研究,全面提升人工智能和大数据应用在高性能计算平台上的计算能效。     

新一代人工智能十问十答

新一代人工智能是我国在全球第一个面向2030年提出的国家重大发展战略。如何认识新一代人工智能和传统人工智能的不同,了解其内涵、外延、技术特征以及发展目标,从而更好地凝聚研发队伍,是实现这一战略的重要保证。本文围绕新一代人工智能的技术内核,提出十个主要问题,自问自答,大问小答,指出新一代人工智能将从传统的计算机智能跃升为无意识的类脑智能,是人类智能的体外延伸,不涉及生命和意识,由人赋予意图,通过有指导的传承学习和自主学习,能够与时俱进地解释、解决新的智力问题,形成有感知、有认知、有行为、可交互、会学习、自成长的新一代人工智能—智能机器。     

人工智能技术在矿山智能化建设中的应用初探

介绍了人工智能技术的相关概念、发展概述及其在煤炭行业发展中的应用,指出目前人工智能技术在矿山应用只是点状结合和浅度结合,没有实现人工智能技术和矿山某个生产或管理系统层面的深度融合。概述了智能矿山的发展历程,指出智能矿山是人工智能技术、大数据技术、物联网技术和矿山实体的深度融合体,利用智能通信、智能控制和智能计算技术实现数字化矿山的计算、处理,构建数字孪生矿山,通过数字孪生矿山和物理矿山的智能交互演化,达到对煤矿安全、高效、绿色的生产控制。构建了将人工智能技术和矿山深度融合的包括设备层、智能层、应用层的智能矿山三层构架:应用层处于智能矿山的最高层,其中的数字孪生矿山子层相当于“数字大脑”,实现矿山最高层次的智能控制;智能层中的智能体要求子系统不仅仅是应用人工智能技术处理子系统所产生的数据,而是从架构上就要将智能计算、智能通信、智能控制融为一体。展望了智能矿山建设的发展趋势:智能化矿山需要加强人工智能技术和矿山融合度的深入研究,将现有的基于人工智能的故障检测、诊断及超前干预技术应用到机器人系统中,智能计算、智能通信、智能控制融合的巡检机器人将是最早能推广的井下智能体之一;智能化矿山需要进一步加强复杂巨系统建模技术的研究,只有建立了矿山的复杂巨系统模型,才能实现采矿活动和环境的协同互动,实现采煤活动的精准控制,复杂巨系统模型的缺乏将是未来智能矿山建设亟需解决的问题。     

人工系统中数据–因素–算力–算法作用及相互关系研究

目前的研究认为人工智能的核心是数据、算法和算力,但因素在形成人工智能系统过程中是必不可少的。论文针对人工系统中的数据、算力、算法和因素的各自作用,及其相互关系进行了探讨和论证。从人工系统的内涵出发,描述人工系统的发展过程,认为目前和今后的人工系统必将具有人工智能特征,而实现人工系统要充分考虑上述四方面的相互作用。研究结果表明:数据是人工系统辨识因素的基础,也是形成算法的基础;因素是人工系统控制自然系统的方法及算法所需变量;算法体现了因素与数据关系,可描述人工系统结构;算力是解算算法的能力,也需考虑数据和因素的特征。因此因素在人工系统建立过程中与数据、算法和算力具有相同的重要性。它们具有明显的作用关系,且普遍存在于各个学科,是形成各学科理论基础体系的关键。     

基于Agent人工智能的异构网络多重覆盖节点入侵检测系统设计

异构网络具有结构复杂、多重覆盖面积大等特征,使得网络入侵检测较为隐蔽,为网络安全运行造成威胁,为此,设计基于Agent人工智能的异构网络多重覆盖节点入侵检测系统。通过检测Agent和通信Agent装设主机Agent,以Cisco Stealthwatch流量传感器作为异构网络传感器检测攻击行为,采用STM32L151RDT6 64位微控制器传输批量数据,由MAX3232芯片实现系统电平转化,实现硬件系统设计。软件部分设计入侵检测标准,利用传感器设备捕获网络实时数据,通过Agent技术解析异构网络协议并提取数据运行特征,综合考虑协议解析结果及与检测标准匹配度,实现异构网络多重覆盖节点入侵检测。通过系统测试得出结论:设计的基于Agent人工智能的异构网络多重覆盖节点入侵检测系统入侵行为的漏检率和入侵类型误检率的平均值仅为6%和5%,能够有效提高检测精度,减小检测误差。     

区块链赋能多边缘安全联邦学习模型研究

联邦学习是一种革命性的深度学习模式,可以保护用户不暴露其私有数据,同时合作训练全局模型。然而某些客户端的恶意行为会导致单点故障以及隐私泄露的风险,使得联邦学习的安全性面临极大挑战。为了解决上述安全问题,在现有研究的基础上提出了一种区块链赋能多边缘联邦学习模型。首先,通过融合区块链替代中心服务器来增强模型训练过程的稳定性与可靠性;其次,提出了基于边缘计算的共识机制,以实现更加高效的共识流程;此外,将声誉评估融入到联邦学习训练流程中,能够透明地衡量每一个参与者的贡献值,规范工作节点的行为。最后通过对比实验证明,所提方案在恶意环境下仍然能够保持较高的准确度,与传统的联邦学习算法相比,该方案能够抵抗更高的恶意比例。     

CIMS环境下网络综合管理的研究

本课题主要集WEB技术、分布式计算技术、面向对象技术、DCOM技术、多Agents(代理)技术、人工智能技术等为一体，实现网络系统的智能综合管理。利用WEB技术的多层体系结构和分布式计算技术实现管理站的可移动性和与平台的无关性；将人工智能中基于事件关联的模型推理技术应用在系统的内核及其代理系统中，实现系统管理智能化。     

软计算方法——人工智能发展的新思路

静态的、严格的“物理符号系统”假设曾使传统人工智能一度陷人困境,软计算方法处理问题的灵活性和不确定性为人工智能的发展提供了新思路,作为一种创建计算智能的新颖方法,软计算对于人工智能的发展具有重要的意义。