基于自然梯度Actor-Critic强化学习的卫星边缘网络服务功能链部署方法

鉴于低轨卫星网络的高动态性和空间环境的复杂性,如何提供在线的快速服务功能链(SFC)部署方法,成为低轨卫星边缘网络中亟待解决的问题。综合考虑节点和链路容量等约束以及服务迁移等切换代价,针对部署多接入边缘计算(MEC)服务器的低轨卫星网络,该文提出一种基于自然梯度参与者-评价者(Actor-Critic)强化学习架构的SFC在线部署方法。首先,针对低轨卫星网络的环境高动态性, 对实时容量约束和迁移代价进行建模;其次,引入马尔可夫决策过程(MDP),综合考虑服务迁移和卫星坐标等因素,描述低轨卫星网络的状态转移过程;最后,提出一种基于自然梯度的在线SFC部署强化学习方法,不同于标准梯度,自然梯度法进行模型层面的更新,以避免神经网络的训练陷入局部最优解。仿真结果表明,该文方法可逼近全局最优解,并在端到端时延性能上优于基于标准梯度的强化学习部署方法。     

智能终端深度学习计算卸载决策技术研究

随着AI芯片软硬件架构的迭代升级,智能终端的AI处理能力日益增强。但由于终端自身资源的局限性,使终端AI应用仍存在着严格的计算、内存和能耗成本限制。设备协同计算的概念应运而生。重点研究智能终端深度学习模型计算决策技术,结合智能终端技术栈特性与用户隐私安全深入研究了DNN计算卸载系统管线,并提出一种适合智能终端AI应用落地的模型潜在分割点搜索策略,通过系统仿真对其进行性能评估。     

高效学习的透过未知散射介质的相位恢复方法

透过散射介质对目标进行准确的重建仍然是阻碍人们对深层生物组织成像分析和深空天文观测的主要挑战之一。基于深度学习的散射计算成像方法虽然在成像质量和效率等方面取得了很大的进展,但是针对实际系统中散射介质状态不固定,目标结构具有较高复杂度以及可获取的训练散射数据有限的情况下,单纯利用数据驱动的方法已无法进行准确高效的重建。将散斑相关原理和卷积神经网络强大的数据挖掘和映射能力进行有效的结合,进一步挖掘和利用散斑所包含的冗余信息,实现了仅利用一块薄散射介质对应的散斑数据即可实现透过具有不同统计特性散射介质的复杂目标重构。该方法针对实际散射场景复杂多变和训练样本数据有限的情况,实现了对复杂目标的高质量恢复,有力地推动了基于物理感知的学习方法在实际散射场景中的应用。     

基于无人机影像的电网绝缘子自爆识别

电网因其在电能传输方面的关键性作用,在我国民生项目建设领域一直扮演着至关重要的角色。电网杆塔上的绝缘子一旦发生自爆(也称“缺陷”),绝缘子会自动剥落,输电线路就会产生安全隐患,严重时会降低输电线路的运行寿命,甚至会引发供电中断,发生大范围的停电事故,造成巨大的财产损失。目前,主流的巡检方法为人工巡检,该方法不仅耗时耗力,而且也存在一定主观出错率,已不适用于目前电路巡检的实际情况。本设计采用YOLO V5网络模型,对无人机航拍影像中绝缘子串及绝缘子自爆进行自动识别。首先通过平移、翻转、裁剪等,对航拍绝缘子影像数据集进行数据增广,并对增广后的数据集在LabelImg中进行标注,然后利用YOLO V5网络模型对绝缘子串及绝缘子自爆进行识别,最后采用PyQt5框架在PyCharm中设计了绝缘子自爆识别的系统界面,对模型进行调用,实现了绝缘子串及绝缘子自爆识别。本设计采用从网络上下载、国家电网提供、数据增广所得到的500张无人机航拍影像作为数据集,对所得数据集进行人工标注,再使用YOLO V5网络模型进行训练和测试,结果表明YOLO V5网络模型对绝缘子串具有较高的识别精度,最高识别精度为90.2%,对绝缘子自爆的最高检测精度为80.8%。这说明了YOLO V5网络模型在绝缘子串识别方面有较好的表现,但是由于训练集中绝缘子自爆的样本影像数量有限,所以该网络模型对绝缘子的自爆识别存在一定局限性,本实验能够部分代替人力实现电网绝缘子智能巡检,提高了检测效率。     

基于轻量图卷积增强嵌入学习的点击率预测模型

基于特征交互建模方法的点击率预测问题经广泛探索已经取得较大进展,它能缓解有效信息损失,但在一定程度上依赖于不同特征的共同出现,存在特征稀疏问题.因此,针对交互过程特征出现次数少不能高效学习特征表示的问题,提出了一个基于轻量图卷积增强嵌入层学习的点击率预测模型LGCDFM(LightGCN with DeepFM).在初...     

核电厂地震矢量和自动停堆系统的设计与实现

针对核电站地震停堆系统单轴地震报警的设定阈值偏保守的问题,提出了一种基于矢量和阈值报警的地震自动停堆系统。通过水平矢量和阈值报警,消除单轴报警判别误差。采用纯硬件结构实现地震加速度信号的采集、滤波、绝对值转换,通过模拟乘法器进行矢量和计算。对电路细节进行了分析,给出了电路元器件参数选择和信号转换的传递函数。系统经过性能测试和核安全级设备取证试验验证,达到了核级设备性能指标。     

一种波形可移植性量化评估的模糊综合评判法

要实现高效低成本的波形跨平台移植,需要通过量化评估优选出可移植性强的波形来进行移植。针对波形可移植性量化评估重要性,分析了影响波形可移植性量化评估的重要因素,提出了一种有效的波形可移植性量化评估模糊综合评判法,以软件无线电硬件平台因素为例论述了该方法的实现原理及流程。通过验证表明,该方法合理可行,具有很好的应用价值。     

具有扭曲相位的部分相干矢量光束在海洋湍流中的传输特性北大核心CSCD

基于扩展的惠更斯-菲涅耳原理和维格纳分布函数(Wigner distribution function,WDF)相结合的方法,推导了部分相干扭曲矢量光束(partially coherent twisted vector beam,PCTVB)在海洋湍流中的M^(2)因子和角扩展的解析式。数值模拟表明:通过调控束腰宽度、扭曲因子、初始相干长度和波长能在一定程度上提高光束抗湍流能力。减少光束初始相干长度,增加波长和束腰宽度可使光束有更小的M^(2)因子,而增大扭曲因子的绝对值,使光束的M^(2)因子更小,光束的抗湍流干扰性更强。随着海洋湍流的温度方差耗散率与温度和盐度比率的减小,动能耗散率、各向异性因子的增加,海洋湍流对光束的影响变小,光束将具有更好的传输质量。     

基于改进U-Net的SPECT骨显像病灶分割研究北大核心CSCD

在核医学中,单光子发射计算机断层(single-photon emission computed tomograpy,SPECT)骨显像是辅助医师诊断癌症的重要手段。针对骨显像图像信噪比低、边界模糊、病灶小难以提取和人工勾画病灶耗时等问题,提出一种基于改进U-Net网络的骨显像病灶自动分割算法。该算法在U-Net的原卷积块基础上,采用了多尺度密集连接(multi-scale dense connection,MDC)的方式来提高对小病灶特征的提取能力,同时解决了网络加深后出现的梯度消失问题。其次,为提取病灶的细节特征,在密集连接和跳跃连接处引入了注意力机制结构。最后,针对使用小样本数据集,模型难以收敛的问题,采用迁移学习的方法,优化了模型的初始参数,提升模型的泛化能力和分割效率。此外,为了降低计算量、进一步提高分割效果,对数据集进行了裁剪和去噪。同时,将处理后的图像采用旋转、镜像等方法进行了数据扩充。实验结果表明,改进的U-Net的识别精确率(precision)、平均交并比(mean intersection-over-union,mIoU)分别能达到0.7352、0.4673,效果优于目前主流的分割算法,具有一定实际应用价值。     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。