基于本体的分布式实例推理技术研究

为了克服单一实例库知识的局限性,实现分布式环境下多数据源的知识重用和共享,提出了一个分布式实例推理系统框架.系统通过本体服务器建立和维护实例库之间的本体知识,其中基本本体为知识的表示提供了全局约束和基础,实例推理服务器可以在基本本体框架下定义领域本体来灵活表达各自的领域知识,而本体目录则为知识的检索提供了向导.本体的引入解决了不同实例库之间知识的互理解和互操作性,能够有效地实现多实例库的协同推理.系统采用Web Service技术构建,是一个开放的系统框架,具有很强的可扩展性.     

基于案例的解释研究

解释是专家系统中一个重要环节,优秀的解释技术可以帮助用户增强使用系统的信心,帮助用户进一步理解系统的推理过程和结果.介绍基于案例解释的相关概念,然后从不同角度对近年来国内外研究进展做出综述与评价,并对基于案例的解释技术做出总结与展望.     

SJ—3专家系统的开发技术

本文详细讨论了一个实用专家系统的开发技术,主要包括：ＦＬ知识表示法、定量化模型、知识库的组织与维护方法以及不确定推理方法．     

用于研究专家系统的另一神模型──判别树及其寄生树

本文提出的判别树是一种既系统又直观地描述判别思路的模型,寄生树是一种用来判定判别树中结点的子特征的判别树。在专家系统的研究中,应用本模型有三个优点：①可有条理地描述、整理复杂的分类判别知识;②易于转换出相应的产生式规则或框架形式的知识库;③能清晰直观地指导设计高效的判别推理机。     

SAF-CNN：面向嵌入式FPGA的卷积神经网络稀疏化加速框架

传统的卷积神经网络加速器及推理框架在资源约束的FPGA上部署模型时,往往面临设备种类繁多且资源极端受限、数据带宽利用不充分、算子操作类型复杂难以适配且调度不合理等诸多挑战.提出一种面向嵌入式FPGA的卷积神经网络稀疏化加速框架（sparse acceleration framework of convolutional neural network, SAF-CNN）,通过软硬件协同设计的方法,从硬件加速器与软件推理框架2个角度进行联合优化.首先, SAF-CNN构建并行计算阵列,并且设计并行编解码方案,实现单周期多数据的传输,有效减少通信代价.其次,设计细粒度结构化块划分剪枝算法,于输入通道维度进行块内裁剪来获得稀疏且规则的权重矩阵,借此显著降低计算规模和DSP乘法器等资源占用.然后,提出一种兼容深度可分离卷积的输入通道维度动态拓展及运行时调度策略,实现输入通道参数灵活适配与逐通道卷积和逐点卷积的资源复用.最后,提出一种计算图重构及硬件算子融合优化方法,提升硬件执行效率.实验采用2种资源受限的低端FPGA异构平台Intel CycloneV与Xilinx ZU3EG,结果表明SAF-...     

安全帽佩戴检测网络模型的轻量化设计

现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值（mAP）得到提高。根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5%,帧率提高137.7%,能够满足安全帽佩戴检测的要求。     

基于知识Petri网的确定性和不确定性联合推理

知识推理是人工智能的核心领域,旨在研究如何从已知(知识库和推理规则)推理出未知,以帮助智能体做出科学决策.而智能体所处的环境存在不可观性和不确定性,因此知识库通常不仅包含确定性知识,还包含不确定性知识,而且推理过程需要两类知识紧密协作.然而,目前的推理方法无法将两类知识统一表示,常常将两者对应的推理过程割裂进行.基于此,为了实现在统一的模型架构下完成确定性和不确定性联合推理,给出了一种知识Petri网推理方法.首先,定义了一种新的知识Petri网,使其不仅能够描述确定性的知识规范,也可以描述先验概率知识;其次,根据知识Petri网的网结构,给出了一种知识Petri网概率独立剪枝算法,能够指数级地降低不确定性推理的计算复杂性;最后,利用知识Petri网及其概率独立剪枝算法,给出了一种新型推理算法,实现了确定性和不确定性的联合推理,并利用Wumpus世界进行了演示和验证.     

融合多重实例关系的无监督跨模态哈希检索

大多数跨模态哈希检索方法仅使用余弦相似度进行特征匹配,计算方式过于单一,没有考虑到实例的关系对于性能的影响.为此,提出一种基于多重实例关系图推理的方法,通过构造相似度矩阵,建立全局和局部的实例关系图,充分挖掘实例之间的细粒度关系.在多重实例关系图的基础上进行相似度推理,首先分别进行图像模态和文本模态关系图内部的推理,然后将模态内的关系映射到实例图中进行推理,最后执行实例图内部的推理.此外,为了适应图像和文本两种模态的特点,使用分步训练策略训练神经网络.在MIRFlickr和NUS-WIDE数据集上实验表明,提出的方法在mAP指标上具有很明显的优势,在Top-k-Precision曲线上也获得良好的效果.这也说明所提方法对实例关系进行深入挖掘,从而显著地提升检索性能.     

一种基于双阈值函数的成员推理攻击方法北大核心CSCD

海量数据和强大算力的出现,促进了深度学习的发展,深度学习在智慧交通和医疗诊断等领域得到广泛应用,这给人们的日常生活带来许多便利。然而,机器学习中的隐私泄露问题也不容忽视。成员推理攻击通过推断数据样本是否用于训练机器学习模型,从而暴露用户训练数据的隐私。文章介绍了基于单阈值的成员推理攻击及特点,对不同攻击方法的成员和非成员的数据分布进行可视化,然后对成员推理攻击成功的内在机理进行分析,提出了基于双阈值函数的攻击模型,并通过实验对单阈值和双阈值的成员推理攻击进行系统性的分析对比,分析基于阈值成员推理攻击对不同模型和不同数据集的攻击表现。通过对多组控制变量的对比实验表明,基于双阈值函数的成员推理攻击在某些数据集和模型上,整体表现更加优异和稳定。     

考虑碳排放的综合能源系统“结构-型号-容量”优化模型

综合能源系统能源结构多样,同种设备的不同型号之间价格、性能差异性大,如何在规划阶段确定合理的能源结构、设备型号组合及装机容量是实现运行阶段节约成本的前提。文章在考虑二氧化碳排放量的基础上研究“能源结构-设备型号-装机容量”规划优化模型。首先,构建基于最近邻法(K-nearest-neighbors,KNN)的实例推理技术得出适合拟建设园区的能源结构;其次,构建“外层选型,内层定容”的双层优化框架,考虑碳排放阶梯成本,以全寿命周期总成本最低为优化目标,利用蚁群算法-遗传算法相结合的方式求解最优设备型号组合及最优装机容量。最后,通过算例分析验证所提模型在降低成本上的有效性。