一种基于持久化栈的返回地址预测器

分支预测允许处理器并行执行分支之后的指令,由于其高准确率具有性能和功耗方面的双重好处,是一项重要的处理器优化技术.根据分而治之的策略,返回地址栈(return-address stack,RAS)将过程返回类分支单独分出并予以预测.其中,RAS利用过程调用和返回的后入先出规则,可通过猜测执行中调用栈的模拟准确预测返回地址.但是,由于实际处理器猜测执行带来的错误路径污染,该结构需要通过恢复机制来保障所存储数据的准确性.尤其在对面积资源敏感的嵌入式领域,设计者需要在准确率和恢复机制的开销间进行细致的权衡.针对RAS存储中的冗余,通过溢出检测结合传统栈、持久化栈和后备预测3种预测方式,提出一种基于持久化栈的返回地址预测器——混合返回地址栈(hybrid return-address stack,HRAS),避免错误路径污染和对返回地址的冗余存储,从而有效降低返回误预测率.与此同时,设计解耦传统栈和持久化栈,进一步降低其面积需求.根据SPEC CPU 2000基准测试以及设计编译器的评估结果,HRAS可利用仅1.1×10⁴μm²的设计面积将过程返回的...     

面向时间感知的知识超图链接预测

知识超图是一种使用多元关系表示现实世界的异构图,但无论在通用领域还是垂直领域,现有的知识超图普遍存在不完整的情况.因此,如何通过知识超图中已有的链接推理缺失的链接是一个具有挑战性的问题.目前大多数研究使用基于多元关系的知识表示学习方法完成知识超图的链接预测任务,但这些方法仅从时间未知的超边中学习实体与关系的嵌入向量,没有考虑时间因素对事实动态演变的影响,导致在动态环境中的预测性能较差.首先,根据本文首次提出的时序知识超图定义,提出时序知识超图链接预测模型,同时从实体角色、位置和时序超边的时间戳中学习实体的静态表征和动态表征,以一定比例融合后作为实体嵌入向量用于链接预测任务,实现对超边时序信息的充分利用.同时,从理论上证明模型具有完全表达性和线性空间复杂度.此外,通过上市公司的公开经营数据构建时序知识超图数据集CB67,并在该数据集上进行了大量实验评估.实验结果表明:模型能够在时序知识超图数据集上有效地执行链接预测任务.     

软件缺陷预测模型间的比较实验: 问题、进展与挑战

近年来,研究者提出了大量的软件缺陷预测模型,新模型往往通过与过往模型进行比较实验来表明其有效性.然而,研究者在设计新旧模型间的比较实验时并没有达成共识,不同的工作往往采用不完全一致的比较实验设置,这可能致使在对比模型时得到误导性结论,最终错失提升缺陷预测能力的机会.对近年来国内外学者所做的缺陷预测模型间的比较实验进行系统性的总结:首先,阐述缺陷预测模型间的比较实验的研究问题;然后,分别从缺陷数据集、数据集划分、基线模型、性能指标、分类阈值这5个方面对现有的比较实验进行总结;最后,指出目前在进行缺陷预测模型间比较实验时面临的挑战,并给出建议的研究方向.     

基于模糊强化学习的空气压缩机群组协调预测控制

空气压缩机在提供动力的同时消耗着大量的电力能源,其节能增效备受关注.空气负荷需求受生产节奏、计划排程等影响呈现阶段性、间歇性的特点,导致空气压缩机组在大范围内变工况运行,人工调节速度慢,机组能耗高.针对此问题,以国内工业园区空气压缩机群组系统为背景,提出一种基于模糊强化学习的空气压缩机群组协调预测控制方法.首先利用工业现场的历史数据和设备运行机理建立基于模糊辨识的空气压缩机群组多工况模型;在此基础上,以最小化生产过程能耗为目标,结合生产工艺条件、设备安全等约束条件,建立基于模糊强化学习的空气压缩机组变负荷协调预测控制方法,保证系统在复杂工况下安全稳定运行;最后,将所提出方法应用于工业园区空气压缩仿真系统进行性能测试,取得较好的控制效果.     

基于One-Shot聚合自编码器的图表示学习

自编码器（AE）是一种高效的图数据表示学习模型,但大多数图自编码器（GAE）为浅层模型,其效率会随着隐藏层的增加而降低。针对上述问题,提出基于One-Shot聚合（OSA）和指数线性（ELU）函数的GAE模型OSA-GAE和图变分自编码器模型OSA-VGAE。首先,利用多层图卷积网络（GCN）构建编码器,并引入OSA和ELU函数;然后,在解码阶段使用内积解码器恢复图的拓扑结构;此外,为了防止模型训练过程中的参数过拟合,在损失函数中引入正则化项。实验结果表明,OSA和ELU函数可以有效提高深层GAE的性能,改善模型的梯度信息传递。在使用6层GCN时,基准引文数据集PubMed的链接预测任务中,深层OSA-VGAE相较于原始的VGAE在ROC曲线下的面积（AUC）和平均精度（AP）上分别提升了8.67和6.85个百分点,深层OSA-GAE相较于原始的GAE在AP和AUC上分别提升了6.82和4.39个百分点。     

基于图动态注意力网络的多站点风速预测

时空序列预测任务在交通、气象、智慧城市等领域有着广泛应用。站点风速预测作为气象预测中的主要任务之一,需要结合降水、气温等外部因素,学习不同数据的时空特征。气象站点的不规则分布和风本身的固有间歇性成为实现高精度风速预测的挑战。为考虑多站点空间分布对风速的影响以获得准确可靠的预测结果,提出一种基于图的动态转换注意力网络（Graph-DSAN）风速预测模型。首先,利用不同站点之间的距离重新构建它们的连接;其次,使用局部采样的过程建模不同采样大小的邻接矩阵,实现图卷积过程中邻居节点信息的聚合与传递;接着,将时空位置编码（STPE）处理后的图卷积结果加入动态注意力编码器（DAE）和转换注意力解码器（SAD）以实现动态注意力计算,从而提取时空相关性;最后,利用自回归的方式形成多步预测。在纽约州15个站点的风速预测实验中,将所设计模型与ConvLSTM、图多注意力网络（GMAN）、时空图卷积网络（STGCN）、动态转换注意力网络（DSAN）和时空动态网络（STDN）进行比较,Graph-DSAN的12 h预测均方根误差（RMSE）分别降低了28.2%、6.9%、27.7%、14.4%和8.9%,验证...     

基于模型预测—中枢模式发生器的六足机器人轨迹跟踪控制

为了模仿动物卓越的运动能力和环境适应能力,提出了六足仿生机器人的轨迹跟踪控制方法。首先建立了机器人的运动学模型,接着通过转向参数将机器人的速度和角速度与中枢模式发生器（CPG）参数结合起来,设计了转换函数。然后通过转换函数将模型预测控制器和CPG网络结合起来,提出了基于CPG的模型预测控制器（MPC-CPG）,并证明了其稳定性。最后对机器人跟踪圆周轨迹和直线轨迹进行了仿真和实验。实验表明,在有初始误差的条件下,机器人在MPC-CPG控制器的作用下能够快速地消除位置误差和航向角误差,跟踪上参考轨迹。轨迹跟踪的位置误差始终保持在-0.1～0.1 m,航向角误差保持在-27?～20?。在MPC-CPG控制器的作用下,机器人不仅具有较高的轨迹跟踪精度,同时还表现出良好的运动平滑性和协调性,进一步验证了所提出的MPC-CPG控制器的有效性。     

基于双精英进化樽海鞘群算法优化ELM的焦炭价格预测

焦炭是焦化企业生产的重要工业原料之一,准确地预测其未来价格趋势对焦化企业制定排产计划具有重要意义。极限学习机(ELM)泛化能力强,计算速度快,适合作为焦炭价格预测的模型,但ELM的预测性能受模型关键参数影响较大,故需对其参数进行优化。基于此,文中提出了基于双精英进化樽海鞘群算法的ELM焦炭价格预测方法。首先,采用Logistic混沌映射、改进的收敛因子、自适应惯性权重和双精英进化机制来改进樽海鞘群算法,提出了双精英进化樽海鞘群算法(MDSSA),提高算法的搜索能力;其次,运用MDSSA优化ELM的连接权值与阈值,找到ELM的最优参数组合,构建MDSSA-ELM焦炭价格预测模型;最后,在8个基准测试函数上测试MDSSA的收敛性能,在实际焦炭价格数据集上对MDSSA-ELM模型的预测性能进行实验,实验结果表明,MDSSA-ELM相比其他方法预测能力更优,MDSSA相比其他群智能算法搜索能力更强,为焦化企业实现焦炭智慧排产提供了有效的预测工具。     

智能化雷达故障预测及检测技术综述

雷达故障预测和故障检测技术是雷达装备维护从传统化定期检修向智能化视情维修转变的关键技术。为保障雷达作战效能的发挥,需及时对雷达故障进行预测、检测并实时告警。随着微波测量和人工智能技术的日趋成熟,智能化雷达故障预测及检测技术也不断发展。文中详细阐述了当前故障预测与健康管理以及故障检测技术的国内外研究现状,分析了现有智能化雷达故障预测和检测技术的优缺点,梳理了该技术在雷达维修保障领域的研究进展,提出了雷达故障预测和检测过程中可能存在的问题和限制条件。针对实际问题和限制条件,对未来智能化雷达故障预测和检测技术的研究方向进行了展望,为智能化故障预测及故障检测技术在雷达维修保障领域的深入研究提供参考。     

用于行人轨迹预测的场景限制时空图卷积网络

目的 针对行人轨迹预测问题,已有的几种结合场景信息的方法基于合并操作通过神经网络隐式学习场景与行人运动的关联,无法直观地解释场景对单个行人运动的调节作用。除此之外,基于图注意力机制的时空图神经网络旨在学习全局模式下行人之间的社会交互,在人群拥挤场景下精度不佳。鉴于此,本文提出一种场景限制时空图卷积神经网络（scene-constrained spatial-temporal graph convolutional neural network,Scene-STGCNN）。方法 Scene-STGCNN由运动模块、基于场景的微调模块、时空卷积和时空外推卷积组成。运动模块以时空图卷积提取局部行人时空特征,避免了时空图神经网络在全局模式下学习交互的局限性。基于场景的微调模块将场景信息嵌入为掩模矩阵,用来调节运动模块生成的中间运动特征,具备实际场景下的物理解释性。通过最小化核密度估计下真实轨迹的负对数似然,增强Scene-STGCNN输出的多模态性,减少预测误差。结果 实验在公开数据集ETH （包含ETH和HOTEL）和UCY （包含UNIV、ZARA1和ZARA2）上与其他7种主流方法进行比较,就平均值而言,相对于性能第2的模型,平均位移误差（average displacement error,ADE）值减少了12%,最终位移误差（final displacement error,FDE）值减少了9%。在同样的数据集上进行了消融实验以验证基于场景的微调模块的有效性,结果表明基于场景的微调模块能有效建模场景对行人轨迹的调节作用,从而减小算法的预测误差。结论 本文提出的场景限制时空图卷积网络能有效融合场景和行人运动,在学习局部模式下行人交互的同时基于场景特征对轨迹特征做实时性调节,相比于其他主流方法,具有更优的性能。