摘要：为了解决室内建筑节点不合理与人群逃生路线选择困难的问题,提出面向自组织人群的建筑安全评估算法.基于IndoorGML建立室内空间的水平平面结构和垂直层级结构,形成拓扑空间中的节点关联图,以表示多层建筑物的空间结构.通过对单元空间的风险、通行率的定义,设计基于A^(*)算法的安全疏散路线选择算法.通过分析逃生路线的选择人数、单条逃生路线上节点的最高风险、单条逃生路线的平均逃生时间,找出室内建筑不合理节点并提出优化方案.构建模拟场景进行仿真实验,对比不同路线选择方法的结果,分析并验证所提评估算法的有效性.结果表明,所提出的方法能够找出建筑拥堵的主要因素及其对疏散的影响程度,有助于在建筑设计阶段开展科学的建筑安全评估.

摘要：随着人工智能民主化的发展,深度神经网络已经被广泛地应用于移动嵌入式设备上,例如智能手机和自动驾驶领域等.随机计算作为一种新兴的、有前途的技术在执行机器学习任务时使用简单的逻辑门而不是复杂的二进制算术电路.它具有在资源(如能源、计算单元和存储单元等)受限的边缘设备上执行深度神经网络低能耗、低开销的优势.然而,之前的关于随机计算的工作都仅仅设计一组模型配置并在固定的硬件配置上实现,忽略了实际应用场景中硬件资源(如电池电量)的动态改变,这导致了低硬件效率和短电池使用时间.为了节省电池供电的边缘设备的能源,动态电压和频率调节技术被广泛用于硬件重配置以延长电池的使用时间.针对基于随机计算的深度神经网络,创新性地提出了一个运行时可重配置框架,即RR-SC,这个框架首次尝试将硬件和软件的重配置相结合以满足任务的时间约束并最大限度节省能源.RR-SC利用强化学习技术可以一次性生成多组模型配置,同时满足不同硬件配置(即不同的电压/频率等级)下的准确率要求.RR-SC得到的解具有最好的准确率和硬件效率权衡.同时,多个模型配置运行时在同一个主干网络上进行切换,从而实现轻量级的软件重配置.实验结果表明,RRSC可以在110 ms内进行模型配置的轻量级切换,以保证在不同硬件级别上所需的实时约束.同时,它最高可以实现7.6倍的模型推理次数提升,仅造成1%的准确率损失.

摘要：近年来,基于卷积神经网络(Convolutional neural network,CNN)的图像去雾方法在合成数据集上取得了显著的进展,但由于真实场景中存在雾分布不均的问题,卷积运算的局部感受野难以有效捕获到上下文指导信息,从而导致全局结构信息丢失.因此,真实场景下的图像去雾任务面临着巨大的挑战.考虑到Transformer具有捕获长距离语义信息依赖关系的优势,有利于引导全局结构信息重建.然而,标准Transformer结构的高计算复杂度阻碍了其在图像恢复中的应用.针对上述提到的问题,提出一个由Transformer和卷积神经网络组成的双分支协同非均匀图像去雾网络***分支用于提取全局结构信息,同时设计稀疏自注意力模块(Sparse self-attention modules,SSM)以降低计算复杂度.卷积神经网络分支用于获取局部信息,从而恢复纹理细节.在真实非均匀有雾场景下的实验结果表明,该方法不管是在客观评价还是在主观视觉效果方面均达到优异的性能.

摘要：深度神经网络模型的庞大存储和高计算量的需求限制了其在面积和功耗受限的嵌入式设备上的部署.为了解决这一问题,随机计算将数据表示为一个随机序列,继而通过基本逻辑运算单元实现加法和乘法等算术运算,以减小神经网络的存储空间和降低计算复杂度.然而,当随机序列的长度较短时,网络权重在从浮点数转换到随机序列的过程中存在离散化误差,这会降低随机计算网络模型的推理准确率.尽管使用更长的随机序列可以扩大随机序列的表示范围以缓解这一问题,但也会导致更长的计算时延和更大的能源功耗.本文提出了一种基于傅立叶变换的可微量化函数的设计,可以在网络的训练过程中,通过提高模型对随机序列的匹配度,来减小数据转换过程中的离散化误差,从而保证较短随机序列的随机计算神经网络的准确率.此外,还设计了一种加法器,用于提高运算单元的准确性,并通过将输入分块来并行计算以进一步缩短时延.最后,通过实验表明,本文相较于其他方法可以提高20%的模型推理准确率,并能够达到缩短50%的计算时延.

摘要：受限于嵌入式设备和移动设备的内存和计算能力,深度卷积神经网络(CNN)的部署因较大的参数量和较慢的推理速度受到阻碍,因此轻量化网络研究越来越受到关注。基于ResNet-50构建一个带浅层和深层的双路径架构(SDDP),可以通过调整两个路径的通道维度比例实现模型的压缩。此外,还提出一个特征分离模块,基于通道注意力将特征图分为两组,一组进入深路径,另一组进入浅路径,精确的分组可以让特征提取更加高效。该网络架构在ImageNet数据集上超越了当前最好的剪枝方法和轻量化设计模型。

摘要：针对目前问答模型对文本语义理解能力不足、缺少常识性知识,且无法有效利用现存海量文本信息的现状,研究一种基于图神经网络的问答系统。通过预训练技术和图注意力算法的有效结合,融合来自常识知识库中的结构化知识,通过准确的知识推理获得对文本深层次语义的理解,最终作出正确的回答。在对话文本和抽象语义文本等数据集上进行的一系列对比实验验证了该问答系统的有效性,表明其具备在对话文本及抽象语义概念上的理解能力。

摘要：需求获取和建模是需求工程中的关键步骤,影响后续系统设计与实现.传统的需求获取和建模方法通常由需求提供者、需求分析师等多类干系人共同协作、反复迭代完成,需要耗费大量的人力.如何减轻需求提供者与需求分析师的负担、提高获取和建模的效率有着重要意义.现有工作中有的使用知识库来提供更多知识,以辅助获取或者建模,有的利用自然语言处理等技术对获取或者建模过程进行自动化,但是它们并没有减轻需求提供者的负担.利用大语言模型(large language models,LLMs)的生成能力,提供了一种人机协作的迭代式需求获取和建模框架ChatModeler.具体来说,根据真实世界中需求团队的分工及协作关系,将部分需求提供者、需求分析师等角色的工作由大语言模型承担,而需求提供者只需要进行确认.为大语言模型扮演的各种角色进行了提示词设计,该提示词会随需求的元模型而变化.ChatModeler在7个需求案例上与3种需求模型的自动建模方法进行了14组对比实验,证明了ChatModeler在降低需求提供者的负担和生成高质量需求模型2个方面上的优越性.

摘要：基于评论的推荐系统是一种主要通过挖掘文本信息抽取物品特征和用户偏好,以提高性能的推荐系统方法.现存的大多数方法忽略了撰写评论的陌生人信息,引入陌生人信息可以更准确地衡量用户的相对感受并对目标用户的表达进行补充,从而进行更精细的用户建模.近年来,一些研究尝试整合相似陌生人的信息,但忽略了对其他陌生人信息的利用.提出了基于偏好级别陌生人信息辅助的推荐系统模型CSRR(collaborative stranger review-based recommendation),利用陌生人信息,更加准确地对用户建模并进行适当扩展,提升了推荐性能.具体地,为了准确捕捉用户的偏好,首先,设计了一个基于陌生人信息辅助的注意力模块,该模块不仅考虑了评论文本的相似性,也考虑了目标用户与撰写评论的陌生人之间的偏好交互作用;其次,一个基于陌生人信息过滤的门控模块根据目标用户–物品对的特征,在偏好级别动态整合陌生人信息,有效地过滤了陌生人的偏好信息以及丰富目标用户的建模;最后,应用隐因子模型(latent factor model,LFM)来完成评分预测任务.实验结果说明CSRR模型在多个来源的真实数据集上均具有较高的预测准确度.

摘要：航天用电连接器的有效抓取是完成在轨装配任务的前提,有效抓取点集合受到装配任务的限制。本文提出一种面向在轨装配的电连接器抓取方法,该方法通过机器人在模拟环境中学习抓取经验,在抓取-装配过程中评估抓取位姿与装配任务相关性抓取质量,此外,通过设计抓取点的位置分布初步考虑了电连接器尾端线缆对抓取的影响。利用抓取网络对抓取点云集合进行训练获取抓取编码簿,一方面可以生成有效抓取点,另一方面通过建立的表面接触热图增强有效抓取点的可展示性。同时,提出一种非统一归一化物体坐标空间表示法,在三维空间中建立密集映射关系,将有效抓取点迁移到同类别实例中。仿真结果表明:基于本文提出的方法生成的抓取点集合有94.1%有效用于后续的装配任务。

摘要：随着信息技术的发展以及新的可视化技术的涌现,知识的表征方式和学习方式在不断丰富和革新。增强现实技术可以实现真实场景与虚拟世界的结合和交互,基于增强现实技术的PCR虚拟仿真实验,可以将PCR技术的发展历程和基于真实问题情境的学习融入课堂,实现微观生命过程的三维可视化和交互化,支持学生对PCR技术发展历程的自主探究,实现技术创新本质的深度理解和构建。探究式虚拟仿真实验开发主要包括以下环节:1)选题论证;2)团队组建;3)脚本撰写;4)原型开发;5)测试反馈;6)迭代优化。探究性虚拟仿真学习任务的设计需要聚焦学生核心素养和21世纪技能的发展、创设真实问题情境、设置连贯的阶梯性学习任务、提供即时反馈交互、支持学生主动探究实践。