摘要：工业生产中含有时滞环节的高阶过程对象,由于控制器结构复杂,采用直接设计控制器和传统模型降阶的方法实现起来比较困难,同时噪声会对控制器产生干扰,可能导致这些方法得不到满意的结果。针对这一问题,提出了一种高阶加时滞模型的频域辨识方法,通过对控制回路中过程对象的输入和输出信号进行频谱分析和拉普拉斯变换,得出过程对象在重要频率段上的频率响应特性,采用最小二乘法从幅值和相位两方面拟合成一个一阶或二阶加纯滞后传递函数,最终获得对象模型。通过MATLAB仿真结果验证了所提方法的有效性和精确性。

摘要：眼底图像中的OD和OC分割精度不高,且没有充分考虑二者空间信息的问题,为实现联合分割OC/OD,更加准确地测量杯盘比,实现青光眼筛查,提出了一种端到端的基于区域的深度卷积神经网络(region-based deep convolutional neural network,R-DCNN)。首先,在主干网络Res Net34中引入密集原子卷积以提取更密集的特征图。然后,设计了DPN和CPN模块产生OD和OC的候选边界框。之后,考虑到OD和OC之间位置的关系,使用盘注意力模块连接DPN模块和CPN模块,在精确获得OD和OC边界后,计算CDR作为青光眼筛查的指标。最后,将所提出的网络在公开的DRISHIT-GS和RIM-ONE r3数据集进行训练测试。通过与目前主流的先进方法对比,验证了所提网络在OD和OC分割以及青光眼筛查方面的性能,具有广大的应用前景。

摘要：针对现有任务分配策略的不足,研究了在工人数量有限的移动群智感知系统中任务分配策略,借助社交网络来分配任务并获得高收益。首先,建立了社交网络的动态不确定环境,利用社交网络完成任务,传播任务。然后考虑到不同社交网络对任务的偏好不同,设置任务偏好度这一不确定指标,借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程,设计基于知识梯度的采样算法选择蒙特卡罗采样点,从而实现高收益的任务分配方案。为了验证所提策略的性能,将其与四种基准的采样算法进行比较。实验结果表明,所提任务分配策略在提高收益方面是有效的。

摘要：在多处理器系统中已经证明了比例公平(proportion fair,Pfair)算法是调度周期任务最优的全局调度算法。然而在该算法的最坏执行情况下,任务在每个调度时刻均产生切换或迁移,导致系统开销过大。针对这一问题,对Pfair算法进行深入研究后发现,任务的分配过程是一个重要原因。基于此,提出基于启发式算法的模拟退火比例公平(simulated annealing-proportion fair,SA-Pfair)调度算法,即在Pfair算法做出调度决策后,用启发式算法将任务分配给处理器,以弥补原算法的不足。最后,采用LITMUS-RT平台对SA-Pfair算法和以此为基础设计的调度器进行仿真。结果表明,新算法在一定程度上减少了任务的切换次数以及50%以上的任务迁移总量,且能够有效地降低调度过程中的系统开销。

摘要：主要描述了面向对象建模技术在监控系统中的设计和应用过程，包括介绍了对象建模技术的３类模型：对象模型、动态模型和功能模型的分析、建模和设计方法。

摘要：现主流的混合关键级调度算法在系统高关键级状态下主要通过抛弃低关键级任务来保证高关键级任务的执行,进而保证系统的正确性。此方法常常导致低关键级任务无法执行但系统资源却过剩的问题发生,故基于该问题提出复合型SDU(schedule depend on utilization)调度算法。该方法根据任务集对系统资源需求情况的不同进行利用率区间的划分,通过对各个区间实际使用情况的分析,设计相应的子算法进行调度,并提出了SDU算法对应的可调度性判据。仿真实验结果表明,相较于混合关键级任务调度领域主流的EDF-VD(earliest deadline first-virtual deadline)算法,所提SDU算法可将系统对任务集的调度率提升30%,并在相同情况下将系统对低关键级任务的执行率提升165%,证明了该算法可以极大地提高系统资源使用率,并保证系统服务完整性。

摘要：近年来,对于具有未知动态的非零和微分博弈系统的跟踪问题,已经得到了讨论,然而这些方法是时间触发的,在传输带宽和计算资源有限的环境下并不适用.针对具有未知动态的连续时间非线性非零和微分博弈系统,本文提出了一种基于积分强化学习的事件触发自适应动态规划方法.该策略受梯度下降法和经验重放技术的启发,利用历史和当前数据更新神经网络权值.该方法提高了神经网络权值的收敛速度,消除了一般文献设计中常用的初始容许控制假设.同时,该算法提出了一种易于在线检查的持续激励条件(通常称为PE),避免了传统的不容易检查的持续激励条件.基于李亚普诺夫理论,证明了跟踪误差和评价神经网络估计误差的一致最终有界性.最后,通过一个数值仿真实例验证了该方法的可行性.

摘要：传统轻量级图像语义分割网络中的跨步下采样卷积导致感受野呈现刺状分布,使得像素点利用率出现系统偏差,影响分割精度的提升。为此,针对传统的轻量级图像语义分割网络设计一种奇偶交叉卷积的下采样模块,在跨步奇数卷积模块前增加单步偶数卷积模块,在一定程度上缓解了刺状分布带来的不良影响,消除了分割网络中不同空间位置上像素利用率的偏差,最终提高了模型对像素点的分割精度。通过7种不同轻量级图像语义分割网络的对比可以看出,所提模型可以明显消除刺状分布,使分割网络的精度进一步提高,同时也证明了该模型适用于不同的轻量级网络,具有普适性。

摘要：虽然Wi-Fi是一项广受欢迎的技术,但是如何让Wi-Fi盈利至今还是一个值得探讨的话题。本文探讨了Wi-Fi一种新的商业应用——广告模式,即利用WiFi的一些特征来进行广告发布的活动,同时探索了一些创新的广告表现形式,为Wi-Fi的进一步发展提供思路。

摘要：为了解决显著性检测中图像的低对比度区域和边缘区域存在误检测的问题.提出包含边缘检测子网络和显著性检测子网络的双分支网络模型.在自顶向下的信息流传递过程中,边缘检测子网络和显著性检测子网络分别独立学习边缘信息和显著性信息.设计信息交互模块和特征聚合模块,使得两个子网络将各自学到的特征信息逐层融合.边缘检测子网络,由真值图通过距离变换生成的边缘真值图进行监督,边缘检测子网络仅用于训练阶段.在5个经典数据集上进行的实验结果表明:相比于其他12种主流的检测方法,在F度量,平均绝对误差,结构化度量,精确率-召回率等指标中,本文方法均有明显的提升.基于边缘检测子网络提供的边缘信息能有效引导模型区分出低对比度图片中的边缘部分,得到边缘轮廓完整的显著图.该方法生成的显著图边缘轮廓连续性更好,空间结构细节信息更清晰,对低对比度区域更敏感.