AccFed:物联网中基于模型分割的联邦学习加速

随着物联网(IoT)的快速发展,人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限,并且这些设备通常具有隐私保护的需求,那么在保护隐私的同时,如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式,在隐私保护和提升模型性能等方面,具有巨大的潜力,但是通信及本地训练效率低。为了解决上述难题,该文提出一种FL加速框架AccFed。首先,根据网络状态的不同,提出一种基于模型分割的端边云协同训练算法,加速FL本地训练;然后,设计一种多轮迭代再聚合的模型聚合算法,加速FL聚合;最后实验结果表明,AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。     

四旋翼无人机姿态系统复合连续快速非奇异终端滑模控制EI北大核心CSCD

本文针对受多源干扰影响的四旋翼无人机姿态系统,基于复合连续快速非奇异终端滑模算法,研究了姿态指令变化率未知情况下的连续有限时间姿态跟踪控制问题.首先,基于四旋翼无人机姿态回路动力学模型,通过引入虚拟控制量实现姿态跟踪误差动态的三通道解耦;其次,分别针对各通道跟踪误差动态设计高阶滑模观测器,实现跟踪误差变化率和集总干扰的有限时间估计;最后,结合姿态跟踪误差变化率的估计信息,构建动态快速非奇异终端滑模面,并在控制设计中用指数幂函数代替符号函数以保证控制量连续.并且基于Lyapunov分析方法给出了姿态跟踪误差有限时间收敛的严格证明,仿真结果验证了所提方法的有效性.     

面向软件工程的情感分析技术研究

情感分析在软件工程领域具有广泛的应用场景,例如,从代码提交信息中检测开发者的情绪、从程序员问答论坛中识别开发者的观点等.但是,现有的“开箱即用”的情感分析工具无法在软件工程相关的任务中取得可靠的结果.已有研究表明,导致不可靠结果的最主要原因是,这些工具无法理解一些单词和短语在软件工程领域中的特定含义.此后,研究者们开始为软件工程领域定制监督学习和远程监督学习方法.为了验证这些方法的效果,研究者们使用软件工程相关的标注数据集来对它们进行数据集内验证,即,将同一数据集划分为训练集和测试集,分别用于方法的训练和测试.但是,对软件工程领域的某些情感分析任务来说,尚无标注数据集,且人工标注数据集耗时耗力.在此情况下,一种可选的方法就是使用为了相似任务从同一目标平台上提取的数据集或者使用从其他软件工程平台上提取的数据集.为了验证这两种做法的可行性,需要进一步以平台内设置和跨平台设置来验证现有情感分析方法.平台内设置指的是使用提取自同一平台的不同数据集作为训练集和测试集;跨平台设置指的是使用提取自不同平台的数据集作为训练集和测试集.目标旨在数据集内设置、平台内设置、跨平台设置这3种设置下,综合验证现...     

基于序列到序列结构的MOBA游戏局势趋势预测模型

多人在线战术竞技(MOBA)游戏是当前世界最流行的电子游戏类型之一,该类游戏涉及的知识领域相当复杂.随着电子竞技产业的飞速发展,数据分析对MOBA游戏的影响也越来越大,在对该类游戏的实时局势进行评价时,一般是选择过程变量作为指标,例如经济差、经验差,但目前缺少趋势预测的相关研究.针对该问题,提出一种基于序列到序列结构的MOBA游戏趋势预测模型(MOBA-Trend).在预处理阶段,针对该类游戏数据的特点,设计一种数据缩放算法体现数据间的重要度,并使用低通滤波器消除数据噪声;之后将双方阵容与历史战斗信息作为输入特征,构建带有注意力机制的序列模型,同时预测经济差、经验差;最后将模型应用于Dota 2,构建并发布相关数据集.实验结果表明,所提出的模型能够有效地预测序列的变化趋势.     

阻尼累加离散GM(1,1)模型及其应用

基于阻尼累加生成算子和离散灰色预测模型的思想,提出一类新的阻尼累加离散GM (1,1)模型,并详细给出模型的推导过程,从理论上分析与经典GM (1,1)模型、离散GM (1,1)模型以及最近提出的阻尼累加GM (1,1)模型的关系,探讨模型的稳定性和数据适用类型分析,并利用量子粒子群优化算法计算出最优阻尼累加参数.最后将所提出模型应用于两个实际案例,结果表明所提出的阻尼累加离散GM (1,1)模型的拟合和预测误差均优于上述基准模型.     

IXT: Improved searchable encryption for multi-word queries based on PSI

Oblivious Cross-Tags (OXT) [1] is the first efficient searchable encryption (SE) protocol for conjunctive queries in a single-writer single-reader framework. However, it also has a trade-off between security and efficiency by leaking partial database information to the server. Recent attacks on these SE schemes show that the leakages from these SE schemes can be used to recover the content of queried keywords. To solve this problem, Lai et al. [2] propose Hidden Cross-Tags (HXT), which reduces the access pattern leakage from Keyword Pair Result Pattern (KPRP) to Whole Result Pattern (WRP). However, the WRP leakage can also be used to recover some additional contents of queried keywords. This paper proposes Improved Cross-Tags (IXT), an efficient searchable encryption protocol that achieves access and searches pattern hiding based on the labeled private set intersection. We also prove the proposed labeled private set intersection (PSI) protocol is secure against semi-honest adversaries, and IXT is L^{\prime }-semi-honest secure (L^{\prime } is leakage function). Finally, we do experiments to compare IXT with HXT. The experimental results show that the storage overhead and computation overhead of the search phase at the client-side in IXT is much lower than those in HXT. Meanwhile, the experimental results also show that IXT is scalable and can be applied to various sizes of datasets.     

计及Crowbar状态改进识别的双馈风电场等值建模方法

故障过程中双馈风机Crowbar投入与不投入的暂态响应特性差异明显,因而在风电场等值中场内机组Crowbar状态是一个良好的机群划分指标。然而,双馈风电场与单台机组间故障特性的差异性,使得现有采用单机模型来识别场内机组Crowbar状态的方法存在识别不准确的问题,从而降低风电场等值建模精度。为此,该文提出一种计及Crowbar状态改进识别的双馈风电场等值建模方法。通过分析风电场故障特性,构建Crowbar状态特征向量;收集风电场各工况下的样本数据,建立基于支持向量机(support vector machine,SVM)的识别模型。在新工况下,依次以Crowbar状态识别结果和输入风速为分群指标对场内机组进行机群划分,从而建立风电场等值模型。仿真算例结果表明,该文提出的基于SVM的Crowbar状态识别方法在各个故障场景下相较于传统方法均有较好的识别效果,所建立的等值模型与详细模型故障暂态特性十分吻合,等值方法合理有效。     

考虑连锁故障的覆冰灾害下输电线路脆弱性分析模型北大核心CSCD

虽然电网鲁棒性日益增强,但部分输电线路经过区域极易遭受覆冰灾害,导致该地区发生一次故障的概率大幅增加,而一次故障将会导致电网发生二次连锁故障。针对此问题,文中首先通过蒙特卡洛法判断覆冰灾害引发的输电线路一次故障脆弱性,然后通过自组织临界理论判断由一次故障引发的输电线路二次连锁故障脆弱性,从而建立综合考虑覆冰灾害和电网物理特性的输电线路脆弱性分析模型,以潜在事故链的形式展现了电网覆冰灾害下的故障演化进程,为运维人员甄别覆冰灾害下区域电网的输电线路薄弱环节提供重要决策依据。最后通过对IEEE-39节点电力系统实例进行仿真与分析,验证了所提出模型的可行性。     

湿法烟气脱硫浆液氯离子质量浓度模拟计算与优化运行

脱硫浆液氯离子质量浓度一直是电厂脱硫系统的重要控制对象,实验测量浆液氯离子质量浓度不仅耗时费力,而且无法实时测量。根据浆液排出泵启停情况及电厂DCS监测数据,基于传统物料衡算模型及迭代算法,建立了脱硫浆液氯离子质量浓度计算模型,并根据机组实际运行工况模拟计算浆液氯离子质量浓度的变化情况。结果表明:模型计算结果基本与实验测量值吻合,平均误差为4.44%,一定程度上验证了模型的有效性;随后,结合电厂实际运行情况,分析了该机组氯迁移情况,并针对吸收塔氯的来源和去向两个角度进行情景分析,给出了优化运行建议。本模型能够实现吸收塔浆液氯离子质量浓度的实时模拟,对电厂脱硫系统适时补水排污,减少脱硫废水排放量,保证脱硫系统稳定运行。     

基于模型预测控制算法的供热机组负荷控制

为提高对磨煤机故障的事前预知能力,结合深度学习方法的优势,在传统长短时记忆（LSTM）神经网络的基础上,提出基于卷积神经网络-长短时记忆神经网络（CNN-LSTM）的磨煤机故障预警方法。选择与磨煤机堵煤故障相关的测点作为模型的输入量,进行多元时间序列预测。得到模型输出预测值与磨煤机正常工作状态下的运行数据之间的偏离度函数,运用核密度估计方法确定预警阈值,实现磨煤机堵煤故障预警。以某660 MW火电机组的中速磨煤机为研究对象,建立CNN-LSTM模型并进行故障预警试验。试验结果表明,该模型可以精确预测磨煤机多个测点参数的变化趋势,相较于LSTM神经网络模型具有更高的精确度。该方法能够提前对磨煤机堵煤故障做出有效预警。