COVID-19分数阶群体时滞模型的稳定性分析

2020年初春,新冠肺炎疫情席卷中国,虽然现在疫情已经逐渐平息,但是利用数学模型去描述疫情的传播规律可以为今后的公共卫生管理积累相关经验。根据新冠肺炎的传播特性,为更贴近现实,提出一种引入时滞因素变量的分数阶传播模型,在建立模型的基础上,首先计算模型的基本再生数R0,以及分析模型的无病平衡点和地方病平衡点,并对模型在考虑时滞条件下的局部渐进稳定性进行分析,通过模拟证明该模型对疫情防控的指导意义和基本再生数这一指标的重要性,为更好地防控疫情,通常需要采取措施力求将R0保持在1以下。     

一种面向AGV路径规划的改进A*算法

路径规划是AGV(如:自动引导小车)的重要功能,对于复杂环境的路径规划效果,由于其面临着转弯多,角度大,不同场景的路况不同等问题,常常不能达到最佳的效果.本文针对传统A*算法容易陷入局部最优解的问题,从视线处理的角度出发,对路径规划参数进行了改进,提高了算法的效率,并通过某型竞赛用智能小车的路径规划问题进行了验证.     

基于FGSM的对抗样本生成算法

近年来,深度学习算法在各个领域都取得了极大的成功,给人们的生活带来了极大便利。然而深度神经网络由于其固有特性,用于分类任务时,存在不稳定性,很多因素都影响着分类的准确性,尤其是对抗样本的干扰,通过给图片加上肉眼不可见的扰动,影响分类器的准确性,给深度神经网络带来了极大的威胁。通过对相关对抗样本的研究,该文提出一种基于白盒攻击的对抗样本生成算法DCI-FGSM(Dynamic Change Iterative Fast Gradient Sign Method)。通过动态更新梯度及噪声幅值,可以防止模型陷入局部最优,提高了生成对抗样本的效率,使得模型的准确性下降。实验结果表明,在MINIST数据集分类的神经网络攻击上DCI-FGSM取得了显著的效果,与传统的对抗样本生成算法FGSM相比,将攻击成功率提高了25%,具有更高的攻击效率。