一种基于触觉信息的脉冲图注意力残差卷积物体检测算法

触觉传感器(柔性电子皮肤)在机器人进行人机交互和工具操作时发挥着重要作用,如何有效利用触觉信息进行物体检测是当前研究的主要瓶颈.鉴于此,提出一种脉冲图残差卷积神经网络SNN-Atten-ResGCN的物体检测算法.首先使用图残差网络ResGCN模型训练触觉时间序列的表征信息,通过引入深度学习模型中的注意力机制拟合触觉数据图形结构的局部特征;然后对重构的触觉图形输入由3个LIF神经元和2个FC全连接层组成的SNN脉冲神经网络训练得到特征向量;最后投票层Vote解码网络特征并检测物体类别.在EvTouch-Objects和EvTouch-Containers两个家庭常见物体触觉数据集上进行对比实验,实验结果表明,所提出方法在保证模型迭代效率的同时,对各种不同的家庭工具对象和容器对象的检测准确率、精度、召回率和$F_1$-score均有提升.     

TDMoIP技术关键问题的研究

对 (TDMoIP(TDM over IP)技术的工作方式,以及信令、延时、同步和丢包等核心问题加以剖析.     

一种低复杂度的近似最大似然MI~/IO检测算法

为保证无线传感器网络协作式V-BLAST传输中,在较高的检测性能的前提下大大降低算法复杂 度,提出一种低复杂度的近似最大似然检测算法．将传统的V-BLAST算法性能最好一层解的邻域作为候选 判决集合,并以此邻域内每一个符号作为初始值进一步采用传统的V-BLAST算法反馈判决其他层的符号, 采用最大似然准则对候选向量进行判断．该方法有效减小了最大似然检测算法检测向量的数目,降低了算法 的复杂度．仿真结果表明该算法具有良好的综合性能     

一种基于无标度局域世界演化网络模型的 无线传感器网络拓扑构建

无标度网络具有场景适应性强,且应对随机性打击效果较好等特点.为提高无线传感器网络的抗毁性能,从网络拓扑演化角度入手,构建具有无标度特性的网络拓扑.结合无线传感器网络中每个节点都有其通讯范围的特点,将无标度网络引入到无线传感器网络,且在择优演化过程中,各节点度不得超过设定值,构建基于无标度局域世界演化网络模型的无线传感器网络拓扑,并对模型进行仿真.从结果可明显看出,优化的模型中连边较短,即优化的模型平均最短路径降低,可有效减少数据收发过程中能量的消耗,延长网络生存周期,提高网络抗毁性.     

高效的V-BLAST迭代算法

理论和实践研究表明贝尔实验室垂直分层空时码(V-BLAST)可显著提高多天线系统的传输容量。传统的V-BLAST译码算法是排序连续干扰抵消算法(OSIC),然而由于数据层间误码传播的影响,OSIC并不能有效地提高整个系统的分集增益。利用最近提出的迭代V-BLAST译码算法,低分集增益数据层通过高分集增益数据层的判决反馈来迭代检测,整个系统的性能得到提高。但这种算法的迭代次数高,迭代的次数与MIMO系统中发射天线的数量相等。为了减少系统实现的复杂性,提出了一种3次迭代的V-BLAST译码算法。仿真结果证明在对称系统中(接收天线和发射天线数相等),新算法与迭代V-BLAST译码算法有几乎相同的性能,但由于其所需的迭代此数少,所以算法复杂性也小。     

鲁棒极点配置概念在单输入系统控制中的应用

利用矩阵特征值一阶摄动理论解释了鲁棒极点配置的原始目标,指出以特征向量广义夹角加权和最大化为目标的一些方法存在认识偏差,并根据控制问题的特点重新规定了适用于评估闭环稳定性的评判数。在MATLAB环境下编制了可直接使用拉格朗日方程的程序,求出了二级倒立摆稳定位置附近局部线性化模型,以该评判数为基础在GIP-300-VPPA-L型倒立摆上实现了对二级倒立摆的稳定控制。建模程序经适应性修改后可用于对任意可用拉格朗日方程描述的系统进行建模。     

工程型智能科学与技术专业知识体系与课程研究

分析智能科学与技术的专业内涵和学科基础,阐述工程型智能专业的人才培养定位、素质能力与知识要求,针对人才培养目标,探讨工程型智能专业人才应具备的知识体系。基于知识体系,结合国外人工智能有关专业的课程设置,规划工程型智能专业的课程方案。     

数据挖掘技术的研究

介绍数据挖掘领域中主要的数据挖掘技术,并且讨论了数据挖掘领域中已经出现的几类重要趋向,最后展望了数据挖掘技术的发展前景。     

基于集成学习的涡扇发动机剩余寿命预测

针对现有基于神经网络的剩余使用寿命预测方法存在训练时间较长的问题,提出一种基于XGBoost(extreme gradient boosting, XGBoost)算法的预测模型。首先,清洗历史数据,重构出涡扇发动机剩余使用寿命的完整退化轨迹数据;其次,分析各个特征与剩余使用寿命之间的相关性,依据零方差标准筛选可用特征;最后,通过XGBoost算法建立剩余使用寿命预测模型,并采用网格搜索法优化模型参数。结果表明,基于XGBoost算法的模型预测性能优于GBDT(gradient boosting decision tree),其中,拟合优度(r²)提升了约5%;均方根误差(RMSE)降低约6.83%;训练时间缩短近4/5。与CNN-LSTM方法相比,虽然XGBoost方法的预测精度略低,但训练时间较短,综合效率更高。     

面向稀疏奖励的机器人操作技能学习

基于深度强化学习的机器人操作技能学习成为研究热点, 但由于任务的稀疏奖励性质, 学习效率较低. 本 文提出了基于元学习的双经验池自适应软更新事后经验回放方法, 并将其应用于稀疏奖励的机器人操作技能学习 问题求解. 首先, 在软更新事后经验回放算法的基础上推导出可以提高算法效率的精简值函数, 并加入温度自适应 调整策略, 动态调整温度参数以适应不同的任务环境; 其次, 结合元学习思想对经验回放进行分割, 训练时动态调整 选取真实采样数据和构建虚拟数的比例, 提出了DAS-HER方法; 然后, 将DAS-HER算法应用到机器人操作技能学 习中, 构建了一个稀疏奖励环境下具有通用性的机器人操作技能学习框架; 最后, 在Mujoco下的Fetch和Hand环境 中, 进行了8项任务的对比实验, 实验结果表明, 无论是在训练效率还是在成功率方面, 本文算法表现均优于其他算 法.