摘要：将研究生计算机类课程教学质量评价归结为模糊多准则群决策问题,提出了一种基于二型模糊集(T2 FSs)的综合评价方法。首先,针对不同评价主体从课程设计、课堂参与及教学方法等5个方面构建评价指标体系;其次,针对评价过程中的不确定性与模糊性使用T2 FSs描述自然语言;最后,利用区间二型模糊加权平均算子集结指标属性值和相应权重,进而使用基于投影的后悔理论方法对评价结果进行排序,并将数据源中的不确定信息集成到最终的评价结果中进行分析,以保证评价结果的精确性和可信性。仿真实验表明,所提方法相较于基于一型模糊集的评价方法能给出更精确、可信的评价结论,证实了该方法的可行性和有效性。

摘要：无人机基站具有快速部署、机动覆盖等特性,使其成为铁路应急通信的一种有效解决方案。然而,无人机组成的低空通信网络既有储能有限的约束又存在数据被窃听或篡改的风险。将区块链技术引入到无人机辅助的铁路无线通信系统中以保障数据安全。在传输时延和数据队列稳定性约束下,提出了一种最小化通信系统能耗和区块链系统时延的联合优化问题。为了求解这个非凸混合整数且时变的随机优化问题,提出基于Lyapunov的drift-plus-penalty方法将长期的随机优化问题转化为多个时隙的子问题,并设计基于D3QN-TD3的深度强化学习算法求解,得到每个时隙内的最优关联策略和功率控制。实验结果表明,所提方法在减少能耗和时延方面取得了显著的效果。

摘要：为了缓解联邦学习中跨不同用户终端数据非独立同分布(non-IID)引起的负面影响,该文提出一种基于谱聚类的傅里叶个性化联邦学习算法。具体地,构建一个面向图像分类识别的云边端协同个性化联邦学习模型,提出在云端协同下通过谱聚类将用户终端划分为多个聚类域,以充分利用相似用户终端学到的知识提升模型性能。其次,设计边端协同的局部联邦学习方法,通过代理模型在用户终端对个性化局部模型执行恢复与再更新的操作,可有效恢复聚合过程中丢失的本地知识。进一步地,设计云边协同的傅里叶个性化联邦学习方法,即云服务器通过傅里叶变换将局部模型参数转换到频域空间上进行聚合,为每个边缘节点定制高质量的个性化局部模型,可使全局模型更适用于各个分布式用户终端。最后,实验结果表明,与现有相关算法相比,所提算法收敛速度更快,准确率提高了3%~13%。

摘要：为解决在IIoT(industrial internet of things)环境下,现有的调度算法调度工作流中通信频繁、数据传输量大的任务所带来的完工时间上升、成本增加等影响的问题,提出一种基于聚类的工作流多雾协同调度算法。通过二分K均值算法对工作流中的任务进行聚类,基于聚类结果,在多个雾服务器之间使用改进的免疫粒子群优化算法进行任务调度。实验结果表明,该算法相比其它一些传统的调度算法在完工时间、成本、负载均衡方面都有一定提升。

摘要：为了缓解联邦学习(FL)中客户端之间由于完全重叠特征偏移所带来的数据异构问题影响,该文提出一种融合通道个性标准化的本地自适应联邦学习算法。具体地,构建了一个面向数据特征偏移的联邦学习模型,在训练开始之前先对客户端中的图像数据集进行一系列随机增强操作。其次,客户端分别按颜色通道单独计算数据集的均值和标准差,实现通道个性标准化。进一步地,设计本地自适应更新联邦学习算法,即自适应地聚合全局模型和本地模型以进行本地初始化,该聚合方法的独特之处在于既保留了客户端模型的个性化特征,同时又能从全局模型中捕获必要信息,以提升模型的泛化性能。最后,实验结果表明,该文所提算法与现有相关算法相比,收敛速度更快,准确率提高了3%~19%。

摘要：当前,图Transformer主要在传统Transformer框架中附加辅助模块达到对图数据进行建模的目的 .然而,此类方法并未改进Transformer原有体系结构,数据建模精度还有待进一步提高.基于此,本文提出一种基于图注意力和改进Transformer的节点分类方法 .该方法构建基于拓扑特征增强的节点嵌入进行图结构强化学习,并且设计基于二级掩码的多头注意力机制对节点特征进行聚合及更新,最后引入归一前置及跳跃连接改进Transformer层间结构,避免节点特征趋同引起的过平滑问题.实验结果表明,相较于6类基线模型,该方法在不同性能指标上均可获得最优评估结果,且能同时兼顾小规模和中规模数据集的节点分类任务,实现分类性能的全面提升.

摘要：设计多分支网络以提取分集特征已成为行人重识别领域的重要方向之一.由于单分支学习到的特征表达能力有限,所以文中提出基于多分支协作的行人重识别网络.在局部分支、全局分支、全局对比池化分支、关联分支这4个相互协作的分支上进行特征提取,获得强大的分集行人特征表达能力.文中网络可应用于不同的主干网络.实验中考虑OSNet、ResNet作为文中网络的主干网络进行验证.实验表明,文中网络在行人重识别数据集上均取得Start-of-the-art结果.

摘要：移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.

摘要：针对嵌入式系统在CPS(网络物理系统)环境下应用存在大量干扰现象,从而导致系统不能正常工作的问题,提出了一种基于监视定时器技术(俗称"看门狗")和/proc文件系统的自监测系统的设计方案。分析了嵌入式系统中软件看门狗实现多线程监测以及运用/proc文件系统实现监测数据采集的原理和方法,讨论了使用UML对自监测系统进行面向对象的分析以及设计,并将该方案应用到TI公司的开发板实验。测试结果表明,它可以有效的实现对被监测进程的每一个线程的监测,并且可以对系统的平均负载、内存剩余量和指定接口收发包情况进行监测,确保系统的长时间的运行。

摘要：针对低成本和小型化低轨卫星的监测角度和方向分辨率相对较低、处理能力和峰值功率受限等因素造成单颗低轨卫星频谱认知能力弱的问题,提出了融合Stackelberg博弈和联邦学习的多星协作频谱认知方法。首先,结合各频谱认知卫星的可用算力、认知性能、处理与传输时延等特性,建立面向多频谱认知任务的协作卫星选择与算力资源分配算法;其次,基于所选择的节点和所分配的算力,设计低复杂度的多星协作频谱认知策略,其可自动辨识频谱空洞、检测干扰和识别调制模式。仿真实验结果表明,相比于单节点认知方法,所设计多星协作频谱认知策略能显著提升认知性能,且相比于对比模型,所设计策略中的模型可在不损失性能时,模型的参数量和浮点运算量降低分别可达96.69%和93.32%。