摘要：与非图模型是一种表示电路设计的通用基础形式,同时也是模型检查器的一种通用输入格式.介绍了一种基于与非图结构编码的特征提取方法,并基于该方法实现了一种快速的组合模型检查器Liquid.所提出的结构编码的核心思想:首先罗列出与非图中所有可能的子结构,再将每个子结构出现的次数编码成向量,该向量即作为与非图的特征向量参与之后的机器学习过程.由于各种模型检查算法的性能在不同的与非图上参差不齐, Liquid的设计目标是组合多种模型检查算法,针对不同的与非图使用机器学习模型挑选出合适的算法.收集了目前所有的模型检查器基准测试集作为实验数据集并进行了实验.实验结果表明,Liquid在实验数据集上的表现优于所有组合中的独立模型检查算法,并有着不错的预测准确率.同时,还从多个维度分析了Liquid有效的原因.

摘要：在无线通信网络环境中,分布式客户端节点在用户隐私保护、数据传输效率、能量利用效率之间较难实现平衡。针对该问题,提出一种结合联邦学习与传统集中式学习的能量与信息管理优化策略。以覆盖性强、适用性广的移动信息采集设备作为学习服务器,将分布分散、资源受限的客户端节点作为学习参与者,通过构建马尔科夫决策模型分析客户端节点在移动信息采集过程中的状态变化和行为模式,同时采用值迭代算法和深度强化学习算法对该模型进行近似求解,获得客户端节点最优的信息传输与能量管理组合策略。仿真结果表明,相比MDP、GRE、RAN策略,该策略的长期效用较高且数据延迟较小,可实现客户端节点在信息传输过程中的数据隐私性、数据可用性与能量消耗之间的最优平衡。

摘要：在组合式建筑建模中,针对单幅建筑物图像提供的信息量少、建筑物部件之间的相互遮挡等局限性,提出一种"部件建模-联合优化"的组合式建筑交互建模方法.首先根据输入的单幅建筑物图像,用户标注图像上建筑物单个部件的6个顶点,系统获取顶点坐标并利用其与三维几何体顶点之间的对应关系构建长方体初始部件模型,使得其投影与图像上的部件轮廓相匹配,以实现相机标定;然后对选定的初始部件模型进行交互式编辑以生成相邻的部件,并使得生成的相邻长方体部件投影与图像上的相应部件轮廓相匹配,基于相机内参的成像一致性完成建筑物相邻部件的重建;最后利用组合式建筑建模的投影误差和共面约束误差进行联合优化,生成精确的组合式建筑物模型,并利用建筑物纹理的对称性合成真实的三维组合式建筑.利用.NET平台下的Emgucv库和OpenGL库实现基于单幅图像的建筑物三维建模,实验结果表明,该方法能方便高效地重建单幅图像中的组合式建筑物,且具有较强真实感.

摘要：传统多机器人系统的运动控制主要依赖于机器人的动力学方程或运动学方程,通过求解微分方程组来获得机器人的输入控制信号.随着系统中机器人数量的增加和运行环境的复杂化,动力学方程很难描述多机器人系统的运动行为,且无法很好地解决诸如死锁等逻辑故障.本文简略综述了国内外的研究现状,重点介绍笔者所在研究组开展的关于离散事件系统方法在多机器人运动控制方面的应用性研究工作.其动机在于:1)基于离散事件系统方法的运动控制能够有效地解决系统运行过程中产生的诸如死锁等逻辑故障.首先,利用离散事件系统模型对多机器人系统的运动进行建模,从而降低计算复杂性;其次,基于所得离散事件系统模型,设计分布式安全运动控制算法,使各个机器人可以自主地、无碰撞地、无死锁地运动;设计分布式鲁棒运动控制算法,使得失效的机器人对系统的影响最小.2)基于离散事件系统方法的运动控制策略可以结合传统的基于运动学方程的运动控制方法,从而使系统不但能够避免顶层的逻辑故障,而且能够确定机器人执行器的输入信号.

摘要：针对低照度条件下获取的水上图像亮度和对比度低以及质量差的问题,提出一种基于局部生成对抗网络的图像增强方法。以残差网络作为基本框架设计生成器,通过加入金字塔扩张卷积模块提取与学习图像深层特征和多尺度空间特征,从而减少结构信息丢失。设计一个自编码器作为注意力网络,估计图像中的光照分布并指导图像不同亮度区域的自适应增强。构建具有判别图像局部区域能力的判别器结构,约束生成器输出增强效果更加自然的图像。实验结果表明,该方法能够有效增强水上低照度图像,场景还原和细节保留能力优于SRIE和LIME等方法。

摘要：现有的车载网路由协议通常只利用车载网的单一特性进行路由设计,造成消息投递率过低或延迟过高。为此,提出一种整合专用短程通信与长期演进技术的异构车载网多属性决策路由协议。该协议在整合长期演进技术的基础上,以公交车辆与公交车站作为骨干网络,使用多属性决策的方法进行路由选择。仿真结果表明,与基于位置信息的贪婪边界协调者路由以及基于公交系统的距离向量路由相比,该协议能够有效地提高消息投递率并降低消息延迟。

摘要：基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。

摘要：针对基于委托权益证明(Delegated Proof-of-Stake,DPoS)共识算法的区块链赋能车联网系统中区块验证的安全性与可靠性问题,矿工通过引入轻节点(如智能手机等边缘节点)共同参与区块验证,提高区块验证的安全性和可靠性。为了激励矿工主动引入轻节点,采用了斯坦伯格(Stackelberg)博弈模型对区块链用户与矿工进行建模,实现区块链用户的效用和矿工的个人利润最大化。作为博弈主方的区块链用户设定最优的区块验证的交易费,而作为博弈从方的矿工决定最优的招募验证者(即轻节点)的数量。为了找到所设计Stackelberg博弈的纳什均衡,设计了一种基于多智能体强化学习算法来搜索接近最优的策略。最后对本文方案进行验证,结果表明该方案既能实现区块链用户和矿工效益最大化,也能保证区块验证的安全性与可靠性。