摘要：针对微小软排线装配操作中器件体积小且存在视觉遮挡的问题,提出一种基于电容式阵列触觉传感器的机器人软排线装配状态感知技术。首先,对电容式三维触觉感知机理进行分析,并针对软排线装配的小尺寸空间感知需求,设计了一种基于垂直拓扑网状介质层的高灵敏阵列触觉传感器,实现微小软排线装配状态的高灵敏感知。其次,为突破布线复杂度与阵列扫描周期的限制,基于电容数字芯片拓展实现高动态三维阵列信息扫描系统的设计与微小软排线装配状态的高动态感知,并完成小型化电容式阵列触觉传感器的一体化制备。最后,搭建机器人软排线装配操作系统并实时采集和分析软排线装配过程中的阵列触觉信息特征,以验证所提出技术的准确性和有效性。

摘要：在如今大数据和机器学习应用范围不断扩大的背景下,分布式计算系统成为处理庞大数据的必要工具。对于具有一定规模的计算集群,其性能会不可避免地受到系统噪声的影响,应考虑在分布式计算系统中借助编码技术来增强系统的鲁棒性。现有应用于分布式矩阵计算的编码方案多为固定速率编码,无法适应节点数量动态变化的实际情况。同时,由于部分任务有截止期限制,应在保证任务顺利完成的前提下尽可能地减少平均开销从而降低时延。针对上述问题,提出将LT码应用于雾计算场景下的分布式矩阵计算,设计Remo2算法。依托LT码的无速率特性自适应信道状态变化,通过合适的度分布函数设计以及双向切割、因子化度数的方法达到降低时延、增强分布式计算系统鲁棒性的预期效果。令k_(1)为A矩阵被切分后的子矩阵行值,k_(2)为B矩阵被切分后的子矩阵列值,实验结果表明,在k_(1)值固定的前置条件下,与FLT码及BDC-LT算法相比,Remo2算法的平均开销相对于前者稳定降低了33.3%,相对于后者减少了7.7%的冗余。此外,当k_(1)k_(2)大小的码长固定时,k_(1)、k_(2)的离散化程度越低,即limk_(1)-k_(2)→0,会带来更小的平均开销。

摘要：双碳背景下,零碳园区级综合能源系统(integrated energy system,IES)成为我国节能降碳、提质增效政策的重点。然而,园区级综合能源系统具有源-网-荷-储一体化、多能互补、供需方动态博弈等特点,其优化运行技术面临强不确定性和耦合机理不明等诸多挑战。为此,对零碳园区级IES优化运行的研究现状、关键技术与未来发展趋势等方面进行综述至关重要。该文首先聚焦于多类型能源耦合能效提升,系统阐述了零碳园区级综合能源系统架构;进一步,从零碳园区实施路径入手,对零碳园区级综合能源系统优化运行所涉及的多类型储能技术、碳捕集技术、多能协同规划设计、需求响应、能源监测与优化调度等关键技术进行了归纳分析;最后以实现园区零碳为主要目标,从全方位融入零碳理念、综合探索碳吸收/碳排放等方面分析零碳园区优化运行所面临的核心问题,并从数字化、社会环境因素一体化、全域综合能源化等方向指明零碳园区的发展趋势。

摘要：针对传统缺失值检测方法缺少对多维特性数据全面立体的分析及难以从众多缺失值填补算法中选择合适方法的问题,通过设计缺失值检测方法,在目前常见的数据点缺失度基础上,首次提出数据总体缺失度和加权数据总体缺失度的概念,实现对数据集缺失程度的全面检测,进而通过实验对比分析不同缺失值填补方法性能。实验结果表明,在不同缺失度的情况下,不同缺失值填补算法的性能不同,所提出的方法可为缺失值填补算法的选择提供有效依据。

摘要：本文针对一类带有输入时滞的不确定非线性系统,提出了新型动态面Funnel控制方案.首先设计补偿动态变量将输入时滞系统转换成无时滞的系统,仅需在递归控制的最后一步补偿,从而优化了控制器设计过程.其次,构造Funnel函数,使系统的瞬态和稳态跟踪误差被限制在给定边界内.最后,提出新型非线性动态面控制方法,不仅避免了自适应反推控制中的“微分爆炸”问题,而且消除了边界层误差,使得系统的跟踪误差最终渐近收敛到零.理论分析表明该闭环系统的所有信号一致最终有界,仿真结果验证了该控制方案的有效性.

摘要：猪个体识别技术可以有效提高大规模猪场的管理效率,降低饲养成本,减少养殖场的经济损失。真实养殖场景中猪个体姿态多变,样本采集困难,且很难获取含有全部猪脸信息的端正姿态。为实现真实猪舍环境下的小样本的非接触式猪个体的快速准确识别,提出一种基于迁移学习和改进神经网络模型的猪个体识别方法,在ResNet34网络模型基础上,优化部分卷积层,设计新的全连接层并且引入Dropout方法,再结合迁移学习方法以及参数调优对模型进行训练。试验结果表明改进ResNet34模型对单张图片平均识别耗时为0.0032 s,验证准确率及测试准确率分别为98.7%、97.8%,改进后模型的浮点运算量降低了约25.3%,总参数量降低了约10.3%,识别准确率提高1.9%,平均检测时间和训练时间分别减少15.8%和14.3%,并且,改进后的ResNet34模型综合性能优于AlexNet、GoogleNet、VGG16等模型。本文提出的方法在30头猪的测试试验中,准确率和精确率分别为97.8%和98.1%。因此,本文提出的模型可以较为精准地实现真实复杂猪舍背景下的猪个体实时识别,为生猪智能化养殖以及追根溯源的研究提供参考。

摘要：随着信息技术在社会各领域的深入渗透,人类社会所拥有的数据总量达到了一个前所未有的高度.一方面,海量数据为基于数据驱动的机器学习方法获取有价值的信息提供了充分的空间;另一方面,高维度、过冗余以及高噪声也是上述繁多、复杂数据的固有特性.为消除数据冗余、发现数据结构、提高数据质量,原型学习是一种行之有效的方式.通过寻找一个原型集来表示目标集,以从样本空间进行数据约简,在增强数据可用性的同时,提升机器学习算法的执行效率.其可行性在众多应用领域中已得到证明.因此,原型学习相关理论与方法的研究是当前机器学习领域的一个研究热点与重点.主要介绍了原型学习的研究背景和应用价值,概括介绍了各类原型学习相关方法的基本特性、原型的质量评估以及典型应用;接着,从原型学习的监督方式及模型设计两个视角重点介绍了原型学习的研究进展,其中,前者主要涉及无监督、半监督和全监督方式,后者包括基于相似度、行列式点过程、数据重构和低秩逼近这四大类原型学习方法;最后,对原型学习的未来发展方向进行了展望.

摘要：针对目前主流的模型在视频合成过程中随机性强,缺乏合成复杂场景、多样运动视频的能力的问题,提出基于多条件生成对抗网络的文本生成视频方法,包括文本处理模块、位姿建模与转换模块、视频帧生成与优化模块.文本处理模块将传统生成方法(检索与监督学习方法)与生成模型相结合建立动作检索数据库,提高生成过程的可控性;位姿建模与转换模块实现对位姿信息的提取及三维建模;视频帧生成与优化模块利用多条件生成对抗网络进行视频帧的合成与优化.在iPER,DeepFashion等公开数据集上,采用IS,SSIM,PSNR等指标进行评价的实验结果表明,与现有模型相比,所提方法生成视频的语义一致性及视频质量均具有优势.相较于目前主流的姿势转换模型MonkeyNet,在iPER数据集上的SSIM值提升了16.8%,IS提升了22.7%,PSNR值提升了27.1%.在评价姿势转换方面,在基线数据集DeepFashion进行比较,FreID值提升了26.7%.

摘要：人工智能技术在服务机器人领域的应用将成为缓解人类劳动压力、降低生活成本、弥补服务业人力不足的重要手段,但随之而来的伦理风险不容忽视。本文聚焦服务机器人领域的人工智能伦理风险,首先进行风险识别与风险源分析,进而设计一套通用的人工智能伦理风险评价方法,并在服务机器人这一人工智能技术的重要应用领域进行实践,对服务机器人领域的人工智能决策自主受控风险、隐私侵犯风险、偏见或歧视风险、破坏公平风险、责任归属不清或失当风险这五大伦理风险的大小进行评价,分析各风险的风险源优先级,解决不同伦理风险“轻重缓急”的判断问题,从而验证了该方法的适用性。

摘要：随着深度学习应用的快速发展,神经网络模型的参数量变得越来越大,这意味着训练一个可用的神经网络模型需要更多的算力和更长的计算时间,因此如何提升神经网络训练的效率至关重要.然而训练效率在很大程度上取决于硬件后端和编译器.为了提升神经网络训练的性能,编译器的效率亟待提升,而这主要取决于计算图的优化、算子级别的优化和代码生成.主流的神经网络训练框架(如TensorFlow,PyTorch)使用了供应商特定的、通过手工设计算子获得的算子库.然而,手工设计算子浪费了大量的算子级别的优化空间,因此研究人员提出了TVM.作为一个端到端的编译器,TVM实现了算子级的自动优化,比现有框架进一步提高了性能.此外,TVM支持从多种神经网络框架中导入神经网络模型,并在不同主流硬件后端上部署.然而,TVM的注意力集中于提升神经网络推理任务的性能,并不支持神经网络的训练.本文提出了TVM_(T),第一个基于TVM、支持神经网络训练的端到端编译器.为了支持神经网络训练,本文提出了以下方法.(1)合并损失函数到现有的计算图中,以支持前向和后向传播;(2)在训练过程中采用设备到主机的机制来更新权重参数;(3)集成了最先进的张量程序调优器,以自动优化神经网络训练程序.实验结果表明,与PyTorch相比,TVM_(T)在Intel CPU和NVIDIA GPU上的神经网络训练性能达到了最高4.88倍的提升;与TensorFlow相比,TVM_(T)在Intel CPU和NVIDIA GPU上的神经网络训练性能达到了最高11.5倍的提升.