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：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：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：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%。

摘要：卫星互联网具备全球广域无缝覆盖能力,是未来陆海空天一体化网络的重要组成部分。首先,讨论了卫星互联网体系架构,包括系统一般组成、组网方式、工作过程等,研究了卫星互联网场景下的宽带和窄带业务模型建模方法,以提取业务的空时分布不均特征;然后,分析了频谱共享中的星间同频干扰问题,初步分析表明未来非地球同步轨道(NGSO)星座间会存在较严重的同频干扰,探讨了低轨卫星波束成形设计和高轨卫星跳波束设计方案,通过高效挖掘空间域资源,可显著提升系统容量;最后,对卫星互联网领域的几个技术发展方向进行了展望。

摘要：针对一类控制方向未知的非线性切换多智能体系统,本文研究了在不确定网络攻击下的安全控制问题.网络攻击破坏传感器真实数据,导致系统真实信息无法获取且不能直接用于控制设计.为此,通过受攻击状态构建一组新颖辅助变量来消除网络攻击造成的影响.此外,所研究的系统包含更一般的不确定性,即未知控制方向,未知常值参数以及不确定攻击.这些不确定性在设计过程中相互耦合.利用Nussbaum型函数并设计自适应律补偿耦合后的不确定性,极大降低了系统复杂性.通过系统性地迭代构造出共同Lyapunov函数,提出了一套安全自适应控制方法,保证了受攻击系统在任意切换下达到渐近输出一致性.最后,数值仿真验证了该方法的有效性.

摘要：在基于深度卷积神经网络的目标检测方法中,模型的参数量动辄数十兆字节,在计算资源有限的移动终端等边缘设备中部署这样的大模型比较困难。为了解决这个问题,本文在Single Shot MultiBox Detector(SSD)的基础上联合轻量化网络设计和参数量化两种技术来实现网络模型的轻量化。首先,基于ResNet50和MobileNet我们重新设计了SSD目标检测框架,并训练了一个全精度参数模型。然后,在全精度参数模型的基础上,采取逐块量化的策略将特征提取层中卷积层的参数精度降低到三值(零和正负一)。实验结果表明,本文提出的联合方案在Pascal VOC2007数据集上测试能够达到72.54%的mAP,和其他业界领先的轻量级目标检测方法相比检测精度更高且能使模型占用的内存空间更小。

摘要：鉴于ResNet的强大表达能力,其在行人重识别领域获得了广泛的应用。虽然基于ResNet50构建的行人重识别网络取得了优异的性能,但流行的ResNet50仍存在模型体积大、效率低等局限性。与之相比,EfficientNet作为一种新兴的深度模型,具有设计合理、运行高效等特点,并在ImageNet数据集上有着更出色的性能表现。为此,本文尝试将EfficientNet系列网络引入到行人重识别领域,替代比较流行的ResNet50主干网络,提供了一个全新的骨干网基线。本文重点根据EfficientNet系列网络给出一种二分支行人重识别网络构造。相比于ResNet50,基于EfficientNet构造的二分支行人重识别网络具有网络参数规模小、性能提升明显的特点。实验结果表明:所构造的网络在行人重识别流行数据集上均有良好的表现。

摘要：文中在用户信道状态信息已知的前提下设计了一种基于等效频谱带宽的SCMA资源分配方法。建立了用户业务传输速率要求与SCMA系统基站端频谱带宽的映射关系,该映射关系称为等效频谱带宽,然后以等效频谱带宽为单位进行资源分配。该方案不仅保证了SCMA系统上行链路的吞吐量最大,而且满足了各用户业务的QoS。