融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式, 而机器学习方法无法较好地处理非线性和大规模数据集, 并且需要手动设计特征工程. 深度学习方法弥补了传统预测方法需要高计算高人力的弊端, 用自动学习特征工程代替了手动设计特征工程. 但仅使用深度学习的预测方法所作结构假设较少, 通常需要较高的计算资源以及大量的数据来学习得到准确的模型. 针对上述问题, 本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量, 对高频分量使用传统STL序列分解方法进一步对数据做处理, 对高频、低频分量分别进行Prophet预测. 实验结果表明, 相较于传统的LSTM以及Prophet预测模型, 经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.     

基于FPGA的多通道雷达数据回放系统设计

为解决雷达实时信号处理功能及性能有效验证问题,文中设计并实现了一种宽窄带一体化、多通道雷达数据回放系统。该系统按雷达工作的时序和数据率将雷达回波数据发送至实时信号处理系统,从而对目标跟踪场景进行复现,实现雷达实时信号处理功能及性能的有效验证。系统硬件平台由磁盘阵列服务器与两块PCIe光纤板组成。基于Xilinx系列产品,结合系统特点对PCIe DMA控制流程及响应机制做进一步调整,实现了服务器到光纤板的雷达回波数据高速批量传输。根据雷达工作机制及回波数据结构,设计FPGA回放控制状态机及相关功能模块,严格按照雷达工作的时序和数据率使雷达回波数据由光纤板传输至实时处理系统。分别设计软件同步控制方法和硬件同步控制方法,保证多板卡数据回放的同步性。测试结果表明,该系统实现了宽、窄带雷达回波数据的板间同步回放,各数据类型分别支持6路并行数据通道,数据回放峰值速率可达1 920 MB·s^-1。文中系统可依托雷达原有硬件平台实现,无需增设板卡和线缆,具有良好的集成性与通用性,目前已被应用于某多功能相控阵雷达中。     

非默认规则线技术下基于多策略的时延驱动层分配算法

层分配作为超大规模集成电路物理设计中的关键环节,在决定布线方案的时延起到非常重要作用.为了优化集成电路的时延性能,现有的层分配工作通常注重优化互连时延和通孔数量,但要么未考虑到对线网中时序关键段的分配问题,要么对线网段的时序关键性的表示不够合理,最终使得算法的时延优化不够理想.为此,本文提出一种非默认规则线技术下基于多策略的时延驱动层分配算法,主要包含4种关键策略:(1)提出轨道数感知的层选择策略,增强层分配器为线网段选择合适布线层的能力;(2)提出多指标驱动的初始线网排序策略,综合考虑线长、信号接收器数和可布线轨道资源等多个指标为线网确定层分配优先级,从而获得高质量的初始层分配结果;(3)提出线网段调整策略,通过重绕线网,将时序关键段调整至上层布线层,优化线网时延;(4)提出线网段时延优化策略,对存在溢出线网进行拆线重绕,从而可同时优化时延和溢出数.实验结果表明,本文提出的算法相比于现有的层分配算法能够在时延和通孔数两个指标上均取得最佳,并且保证不产生溢出.     

基于元胞自动机的蜂群无人机故障影响模型

基于固定翼无人机飞行特性以及蜂群无人机控制策略,针对无人机控制器遭受恶意攻击的情形,采用时序网络与元胞自动机理论分析蜂群无人机故障影响机理.首先,通过时序网络分析蜂群无人机拓扑网络的变化情况,提出基于跳数的故障传播路径的确定方法;其次,考虑蜂群无人机状态信息,建立符合蜂群无人机特征的元胞对象,同时基于局部信息交互原则,确定元胞自动机的状态演变规则,并依据近邻信息对无人机控制律的影响,提出矢量投影法来确定故障影响权值,辨识出各无人机故障影响程度的动态变化情况;最后,建立仿真模型,利用预测与实际故障影响程度结果,基于DCG算法与模式距离验证所建故障影响模型的有效性.     

特征挖掘与区域增强的弱监督时序动作定位

弱监督时序动作定位旨在定位视频中行为实例的起止边界及识别相应的行为。现有方法尽管取得很大进展,但依然存在动作定位不完整及短动作的漏检问题。为此,提出了特征挖掘与区域增强（FMRE）的定位方法。首先,通过基础分支计算视频片段之间的相似分数,并以此分数聚合上下文信息,得到更具有区别性的段分类分数,实现动作的完整定位;然后,添加增强分支,对基础分支定位中持续时间较短的动作提案沿时间维度进行动态上采样,进而采用多头自注意机制对动作提案间的时间结构显式建模,促进具有时间依赖关系的动作定位且防止短动作的漏检;最后,在两个分支之间构建伪标签互监督,逐步改进在训练过程中生成动作提案的质量。该算法在THUMOS14和ActivityNet1.3数据集上分别取得了70.3%和40.7%的检测性能,证明了所提算法的有效性。     

基于社团多特征融合嵌入表示的时序链路预测方法

时序动态网络在静态网络基础上综合了时间属性的概念,包含了网络结构的复杂性、动态性等内涵,是研究复杂网络链路预测问题的较优思维对象,因在现实世界中具有较高应用价值而备受关注。目前大部分传统方法研究对象仍局限于静态网络,存在对网络时域演化信息利用不充分、时间复杂度较高等问题。结合社会学理论,提出一种基于社团多特征融合嵌入表示的时序链路预测方法,该方法的核心思想是通过分析网络动态演化特性,在社团范围内学习节点的嵌入表示向量,融合多特征以衡量节点间连边的生成概率。利用网络集体影响力的方法对节点和连边的权值进行计算,基于集体影响的连边权值进行社团划分,将网络划分为若干个社团子图,得到基于集体影响的相似性指标。在社团范围内,利用有偏的随机游走,结合梯度优化的Skip-gram方法获取所有节点的嵌入表示向量,得到基于社团范围游走的相似性指标。融合节点的集体影响、社团范围节点的多个中心性特征和学习到的节点表示向量,得到多特征融合的相似性指标,3 种新指标都可以用于衡量节点之间形成连边的概率。对比基于移动平均、嵌入表示、图神经网络等经典时序链路预测方法,在 6 个真实数据集上的实验结果表明,所提基于社团多特征融合的方法在 AUC评价标准下取得更优的预测性能。     

基于条件时序生成对抗网络的楼宇空调负荷场景生成方法

电力系统运行与规划中需重点关注到楼宇空调负荷的不确定性,可将楼宇空调负荷变化的不确性场景转化为多个确定性场景的场景生成问题。提出了楼宇空调负荷场景生成问题的基本分析框架,深入分析了楼宇空调负荷的用能特征,挖掘了楼宇空调负荷用能时序序列数据所蕴含的动静态特征。将楼宇空调负荷数据的动静态特征作为条件监督项,将无监督对抗训练与监督训练相结合,设计了联合训练损失函数与全局优化损失函数,并在此基础上提出了一种基于条件时序生成对抗网络(time series generative adversarial nets,TimeGAN)的楼宇空调负荷场景生成方法。最后,通过算例验证了所提方法的可行性与有效性。研究成果对提高楼宇空调负荷主动参与电力系统的运行规划有积极的意义。     

计及UPFC的主动配电网日前-实时优化策略

针对统一潮流控制器使优化策略模型非线性化,实时阶段计及模型时序耦合特性增加了智能算法求解维度,不利于优化的问题,提出了日前-实时优化策略。日前优化为不考虑统一潮流控制器的线性模型,确定实时优化的微型燃气轮机调节幅度上、下限,以保证模型收敛;针对统一潮流控制器使网损下降及新能源出力、负荷预测偏差,在实时阶段调整日前优化策略,通过消除时序耦合实现计及统一潮流控制器的单时段优化以降低求解维度。最后,通过算例分析验证了所提模型的有效性。     

基于随机森林的网表级时序预测模型

在超大规模集成电路设计中,时序分析的准确性对指导时序优化,保证芯片时序收敛和运行性能至关重要.目前,时序分析绝大多数都是采用商用签核(Sign-off)工具时序报告,作为主要依据.在逻辑综合阶段,由于缺少物理布局布线之后的模块位置和布线结果等信息,因此很难得到准确的电容电阻等寄生参数,用于预测其对应的Sign-off时序.为提高逻辑综合阶段时序预测的准确性,在给定工艺库的情况下,以电路网表作为输入,采用线负载模型对网表的电容电阻等进行估算,并在此基础上利用Elmore Delay模型计算时延作为时序特征.在时序模型训练阶段,提取训练集电路网表的时序特征,以训练模型对应的Sign-off时序结果为标准,采用机器学习中的随机森林算法进行模型训练,包括构建三个模型:互连线时延(Wire delay)、互连线信号转换时延(Wire slew),以及输出负载(Output load).在测试阶段,本文以同工艺库下,新的电路网表作为测试集,输入给训练后的时序模型进行预测.我们的方法与商用工具PrimeTime相比,在Wire delay和Wire slew的Sign-off结果预测上,平均一致性(Correlation)分别提高了49%、37%.此外,我们的方法所预测的Output load与Sign-off结果的一致性在0.99以上.     

基于kd-MDD的时序图紧凑表示

时序图是顶点之间的连通性随时间变化的图,大规模时序图的紧凑表示和高效操作是分析和处理时序图数据的基础.提出了一种基于决策图的时序图数据紧凑表示方法——k^d-MDD.k^d-MDD是对k^d-tree的改进,该方法对时序图的邻接矩阵进行k^d划分,通过引入多值决策图来合并相同子矩阵,即k^d-tree图数据表示中存在的同构子树,存储结构更加紧凑.在k^d-MDD紧凑表示基础上,提供了基于k^d-MDD的时序图的基本操作（如顶点正向/反向邻居的检索、边是否处于活动状态的检查、边的添加和删除等）.在真实的时序图数据集上（Flickr-growth, YouTube-growth, Wikipedia等）的实验结果表明,k^d-MDD表示中的节点数仅为k^d-tree表示中节点数的1.58%～4.65%,与ck^d-tree和bck^d-tree相比,其节点数为ck^...