摘要：精确描述复杂分子体系的自由能地貌图是理解和操控其行为,并进一步实现分子设计制造工业化的重要基础.刻画高维空间自由能地貌图的主要挑战是其往往在不同时空间尺度上具有多个层次,每个层次都可能有不止一个亚稳态被相应的自由能垒分开,且跨越路径有可能不止一条.另外很多体系涉及非线性行为,这使得理论解析和直接使用分子模拟都有很大困难.针对这些挑战,多年来研究者们发展了多种多样的增强采样方法,但往往需要很多经验选择和操作,从而一方面使得研究进程较为缓慢,另一方面也让误差控制成为困难.变分虽然在物理、统计和工程中已经被广泛应用并取得巨大成功,但在复杂分子体系中的应用却随着神经网络的发展刚刚开始.本文将对这些探索性工作的主要方向、进展和局限进行简要总结,也对将来的可能发展给出展望,希望能够激发更多对基于变分的分子体系自由能地貌图人工智能算法的关注和努力,促进大分子药物、分子生物机器等实践应用的发展.

摘要：针对质子交换膜燃料电池阴极流量控制的问题,考虑到现有基于模型的控制方案对系统动力学的依赖性以及未建模动态对系统控制性能的影响,设计了一种新的基于数据驱动的无模型自适应控制方案。首先,采用非参数动态线性化技术得到阴极流量动态线性化数据模型,可实现对被控系统内部参数摄动和外部扰动的自适应性和鲁棒性。在该数据模型的基础上,设计了自适应二阶滑模控制器来改善系统的暂态品质和稳态精度。此外,在李雅普诺夫稳定性框架下证明了阴极流量系统在所提控制律驱动下进入到收敛的准滑动模态。最后,对于无模型自适应滑模算法中的参数,通过量子粒子群算法进行优化整定,多工况下验证了所提控制系统的有效性。

摘要：近几年,图神经网络(Graph Neural Network)由于能够较好地提取网络结构信息以获得网络表示,逐渐成为网络节点分类的主流算法。然而,与广泛研究的同质信息网络相比,真实世界中网络往往是由不同类型的对象通过复杂关系相互连接所构成的异质信息网络。异质信息网络包含复杂的结构信息和丰富的语义信息,这也给网络节点分类提供了新的机遇与挑战。在异质信息网络中,网络模体(Motif)能够用于理解和探索复杂网络,其既能描述复杂的语义信息,又能保存网络中高阶近邻结构信息.因此,提出基于网络模体的异质超图卷积网络模型MHGCN(Motif-based HyperGraph Convolutional Network).首先,将重复出现的高阶网络模体建模为多个相关节点所构成的超边(hyperedge),进而将整个异质信息网络转换成由不同超边构成的超图,以克服同质网络中只能描述节点之间(pair-wise)关系的缺点;然后,利用超图的基本性质和谱理论设计超图上的卷积操作,同时引入超边自注意力机制聚合超图内部不同类型的节点,并通过在超图网络中加入自环解决在模型的前向传播过程中对异质信息网络覆盖不足的问题;最后,通过注意力机制对于不同语义的超图表示进行聚合,从而使最终的节点表示可以有效保持高阶近邻关系和复杂的语义信息.由于MHGCN是端到端的,最终模型直接学习得到节点的分类标签,并通过半监督节点分类任务进行验证,与其它方法相比,MHGCN在DBLP-P、DBLP-A数据集上比最好的基准方法micro-F1提高了0.56%~3.51%,macro-F1提高了0.54%~4.37%,验证了MHGCN模型的有效性.

摘要：联邦学习技术是一种新型多机构协同训练模型范式,广泛应用于多领域,其中模型参数隐私保护是一个关键问题.针对CT影像综合性病灶检测任务,提出隐私保护的联邦学习算法.首先部署松散耦合的客户端-服务器架构;其次在各客户端使用改进的RetinaNet检测器,引入上下文卷积和后向注意力机制;最后完成联邦训练.各客户端使用局部更新策略,采用自适应训练周期,局部目标函数中加入了限制项;服务器使用自适应梯度裁剪策略和高斯噪声差分隐私算法更新全局模型参数.在DeepLesion数据集上的消融分析说明了算法各部分的重要性.实验结果表明,改进的RetinaNet检测器有效地提升了多尺度病灶的检测精度.与集中数据训练模型范式相比,联邦学习所得模型性能略低(mAP分别为75.33%和72.80%),但训练用时缩短近38%,有效地实现了隐私保护、通信效率和模型性能的良好权衡.

摘要：针对高光谱图像中存在混合噪声的问题,提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声.子空间表示利用光谱频带之间的相关性,选取合适的正交矩阵,将高光谱图像投影到低维子空间中,使提出的算法具有较低的复杂度,简化去噪过程的同时去除图像中的部分噪声.去噪过程基于从简化图像中提取的低秩张量进行,引入加权低秩张量正则化项表征简化图像子空间的先验信息,基于Tucker分解中核范数的物理意义构建合理的加权机制,保留高光谱图像的内在结构相关性.并且设计了一种基于迭代最小化的方法,用于求解提出的非凸去噪模型.在模拟和真实数据集上的实验结果表明,该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.

摘要：针对新时代下我国矿区智能化发展诉求与矿山无人化进程中遇到的复现难、协同难的技术问题,本文融合智慧矿山理念、ACP(Artificial societies+computational experiments+parallel execution)平行智能理论和新一代智能技术,设计并实现了智慧矿山操作系统(Intelligent mine operation system,IMOS),为平行矿山智能管理与控制一体化提出了解决方案.本文首先分析露天煤矿产业发展趋势;国内外露天矿山智能化发展情况;面向露天矿山无人化与智能化需求,深度融合数字四胞胎理论,设计了虚实融合的IMOS架构;详细阐述了IMOS子系统架构与功能,包括:单车作业系统、多车协同系统、车路协同系统、无人驾驶智能系统、调度管理系统、平行系统、监管系统、远程接管系统和通信系统;并探讨了IMOS关键技术,即平行矿山仿真建模技术、无人驾驶技术、矿区通信技术和协同作业技术.该操作系统是国内首套露天矿山无人化与智能化的一体化解决方案,并能够迁移到不同矿区不同作业场景,推动矿区智能化无人化发展,减少人工干预从而降低安全风险,大幅度降低人工成本,提高生产作业效率,并可结合社会发展要素为实现绿色可持续发展矿区提供支撑.

摘要：针对高校大数据实践课程体系的云课堂构建,分析云实践课堂的社会需求和教学现状,提出以Hadoop生态环境作为大数据实践课程建设框架依据,实现教学过程全覆盖、实践过程全交互的云课堂建设,兼顾大数据技术实践任务与科研项目驱动的云教学模式,探讨大数据实践课程体系的云课堂设计与实施,并对学生实践能力进行评测和指导。

摘要：针对传统的目标分配算法未考虑作战过程的实时变化情况,只按分配时刻的作战态势对多目标进行分配,导致火力单元分配过多或过少的问题。本文提出一种基于强化学习与深度神经网络的动态目标分配算法,根据不同想定剧情中的敌我目标状态,采用强化学习方式完成多步动态推演,利用专家经验和评估算法对分配数据进行评判,根据最优回报确立确定分配方案,通过利用训练好的深度神经网络为态势中的敌方目标分配我方武器进行的仿真实验结果可看出,与传统算法相比,本文算法在显著提升拦截成功率同时节省了分配时间。

摘要：空战通常是一个连续且包含多回合导弹攻防对抗的过程,UCAV在规避来袭空空导弹的过程中应综合考虑机动对整个空战对抗任务的影响,而不是仅关注安全性因素。对此,提出了脱靶量、耗能以及终端态势优势等多战术需求条件下的UCAV空战自主规避机动方法。建立了UCAV-导弹三维追逃模型以及UCAV自主规避的状态空间、动作空间和奖励函数模型,针对该模型提出了LSTM-Dueling DDQN算法,该算法融合Double DQN和Dueling DQN网络模型,并使用LSTM网络提取时序特征。基于探索课程学习思想,对稠密与稀疏奖励函数进行时序融合,促进人工经验和策略探索对学习过程的共同引导。此外,引入切比雪夫方法求解面向不同战术需求偏重程度的Pareto策略解集,以反映多种战术需求的矛盾性与耦合性。仿真实验与结果分析表明:所提方法具有良好的收敛速度和学习效果,对解决多战术需求条件下空战自主规避机动问题的可行性与有效性显著,所得的规避机动策略能够在保证UCAV自身安全性的同时反应出不同的规避战术需求。