摘要：提出了一种简单且高效的轻量级DenseNet模型,优化了原DenseNet模型中存在的参数冗余以及高额浮点运算数(FLOPs)的问题.首先,分析了现有流行的卷积计算单元的细节以及特性,其次,应用具有良好特性的卷积单元组合来设计组多结构卷积单元,构建轻量级DenseNet模型,进一步分析了该模型与原DenseNet模型的复杂度.通过实验结果给出所构建网络结构的最优配置,并得到使用DenseNet-40模型约18.8%的FLOPs以及28.4%的模型参数的情况下,准确率仅下降≤0.4%的结果.

摘要：设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR)方法分别对两种模型进行特征提取,并选用在时间序列预测方面具有优势的回声状态网络(echo state network,ESN)对未来5 min的光伏功率进行仿真预测.仿真结果表明,采用mRMR方法对历史光伏功率数据进行特征提取,确定能够使预测模型达到最优效果的特征子集,并将其作为单变量预测模型的输入,可以得到更准确的预测效果.所构建的新型单变量预测模型能够为光伏电站提供新的光伏预测思路.

摘要：现有的社会化推荐算法大多着眼于用户购买或点击等单一的交互行为,并未同时考虑收藏、浏览等多种不同的交互行为.而且当前的社会化推荐算法重点只关注推荐的准确性,忽略了推荐结果的可解释性.针对以上问题,提出了一种基于图神经网络的社会化推荐算法SRGN,将用户的社交关系和物品间客观存在的语义联系以特定的方式注入到算法架构中,并且利用消息传递的方式实现交互的多行为联合编码,从而提升推荐的准确性.此外,设计了可解释模块为推荐结果提供推荐的理由.在两个真实数据集上与其他8种算法进行对比实验,结果表明提出的算法在推荐性能和用户友好性上具有明显的优势.

摘要：针对导向矢量偏差和转换误差导致传统波束形成器的性能下降及均匀圆阵不具有范德蒙结构的问题,提出了一种基于均匀圆阵的稳健迭代波束形成算法.该算法利用相位模式转换技术推导出虚拟自相关矩阵,并把导向矢量限定于确定的椭圆集合中.从最差性能优化的设计思想出发,构造基于均匀圆阵的二阶凸规划的代价函数,再利用拉格朗日乘子法求得权重矢量的闭式解表达式且能够准确求出优化解中的对角载入值.仿真结果表明:所提算法能够提高系统的稳健性,改善了阵列的输出性能.

摘要：自适应波形优化技术是认知雷达的关键技术之一,通过优化发射波形能够提高雷达系统性能.针对目标检测问题,在杂波环境下,提出一种基于双互信息优化准则的自适应波形优化方法.该方法同时以接收信号与目标冲激响应之间的互信息最大和接收信号与杂波冲激响应之间的互信息最小为优化准则,在发射信号能量有限的约束条件下,建立优化模型,通过最大边缘分配算法求解最优波形.仿真结果表明,相对于固定波形,所提方法优化发射波形能够提高目标检测性能.

摘要：针对不同工作环境中,需要雷达同时具有多种模式和多种任务的问题,提出了一种联合优化准则的雷达波形设计方法,该方法综合考虑了目标与回波之间的互信息与信干噪比。在发射信号能量有限的约束条件下,首先通过最大边缘分配算法求解最优波形,其次讨论互信息与信干噪比的增减率,当改变系数值时,联合准则下的雷达信号模型既可同时提高互信息和信干噪比值,又可根据发射需求分别优化互信息或信干噪比。最终信号模型通过一次或较少次数的观测同时完成目标参数估计、检测或识别任务,为雷达波形优化朝着多功能模型设计提供研究依据。

摘要：重载列车进港安全监测是我国港口信息化建设中的重点和难点问题。实现列车运行过程追踪自动化对于保证安全高效完成列车进港监测具有十分重要的作用。在速度触发的条件下,设计了能够实时感知人员攀车行为的低功耗信息物理系统,并基于时间自动机理论给出了该系统的实时行为模型。应用UppAal工具仿真了系统的运行轨迹,并验证了系统可达性、安全性、活性和实时性等系统关键性质。实验结果表明,系统不仅在逻辑上满足正确性,而且在任何系统状态上都不会对时间约束发生偏移性错误。

摘要：电子战环境中,针对雷达和干扰机的性能会因为对战场博弈环境的不了解以及频谱信息的不精确估计而受到影响,研究了雷达发射波形和干扰波形的能量分配问题,雷达和干扰机在对抗过程中可以通过优化自身发射波形获得更好的性能。在现实中,由于雷达无法获得精准的目标频谱和干扰频谱,并且干扰机也无法获得精准的目标频谱和雷达发射信号频谱,分别以雷达和干扰机为领导者,建立层次博弈模型,提出一种双鲁棒波形设计方法,该方法以互信息为准则,在能量约束下建立双鲁棒发射波形的优化模型,利用拉格朗日乘子法分别求解双鲁棒雷达发射波形和双鲁棒干扰波形。仿真结果表明,在最坏情况下,该方法可以提高雷达参数估计性能和干扰机性能。

摘要：虚拟网络映射是云资源租赁的关键问题,能够为用户的请求合理地分配底层硬件资源。目前多数研究仅关注物理网络的收益目标,忽视了其能耗问题。为此,结合收益和能耗两个目标,提出一种多目标虚拟网络映射VNE-MOPSO算法。针对该问题,提出一种多目标虚拟网络映射VNE-MOPSO算法。通过引入Pareto熵多目标优化模型,计算两次迭代过程的差熵,评估群体进化情况并将其作为反馈信息设计动态自适应的粒子参数策略,以达到近似最优多目标优化映射方案求解的目的。仿真结果表明,与单目标映射算法相比,该算法的映射成本和能耗更低,且平均收益明显提高。

摘要：针对传输控制协议(TCP)网络系统存在不确定参数和非响应流干扰的情况,基于自适应全局滑模控制,设计一种非线性主动队列管理算法.采用全局滑模控制消除了滑模控制的到达阶段,保证了网络系统在整个控制过程的鲁棒性.采用径向基函数(RBF)网络直接逼近系统的总不确定可有效地减小估计误差.由于没有使用符号函数或饱和函数,不仅可以有效抑制系统的抖振,而且系统的响应更加平稳.仿真结果表明,该算法具有较好的鲁棒性和较快的系统响应.