摘要：研究了组播会议控制对网络通信的要求 .针对这一背景 ,提出了一个新的基于接收方丢失报文概率分组的可扩展可靠组播通信模型 HSRM,设计了其分层结构的动态构建和维护策略 ,并进行了数值仿真 .HSRM使用全分布方式和一致的组播通信构造与发送者无关的分层结构 ,限制了反馈和修复报文的扩散范围并控制了组内节点的异构性和组播组的规模 .在保持良好鲁棒性、可扩展性和灵活性的前提下 。

摘要：给出了一类折线模糊数间新的模糊算术,对于递增函数σ:　→　得到了一个新的扩展原理,并由此建立了一种新的模糊神经网络模型,该模型在设计学习算法、逼近能力等方面具有优越的性能.最后证明了相应的前向三层网络可以作为连续递增模糊函数的通用逼近器.

摘要：通过分别引入输入与输出空间的合理剖分,定义了一种新的模糊神经网络（FNN）,即选择型FNN,该系统是一种多层前向网络,在最大模意义下构成一类函数泛逼近器.基于一组具有实际意义的模糊推理规则,得出了一个简单实用的推理型FNN.利用选择型FNN与推理型FNN的有机结合,得到FNN滤波器,它不仅结构简单,易于设计参数学习算法,而且能同时有效去除图像信号中的脉冲噪声和保持图像结构.实验结果表明,与其他滤波器（如:中值滤波,自适应加权模糊平均（AWFM）滤波等）相比,FNN滤波器在去除各种噪声,保持图像未污染部分结构等方面性能卓越.

摘要：通过精心设计神经网络结构来学习无穷维函数空间之间的映射,算子学习方法——神经算子,相较于传统方法在求解偏微分方程等复杂问题上展现出极高的效率.为此,本文结合函数值再生核希尔伯特空间,提出一种新型的神经算子——再生核神经算子(RKNO).受到最近优秀的算子学习方法——深度算子网络(DeepONet)的启发,RKNO通过推广希尔伯特-施密特积分算子和表示定理而实现.在Advection,KdV,Burgers和Poisson方程上的数值实验表明,与DeepONet和其他模型相比,RKNO具有更易于表达和高效的结构.此外,RKNO还显示出与离散化无关的性质,可以在低分辨率数据训练后,找到高分辨率输入后的解.

摘要：防御性蒸馏自提出后,由于其对梯度攻击有很好的防御效果,已被广泛用于提高神经网络的鲁棒性.但是原始蒸馏过程需要对教师和学生网络进行共两次训练,即需要双倍的算力.目前许多工作仍然基于原始的防御性蒸馏方法来增强模型的鲁棒性.文章指出,防御性蒸馏应对梯度攻击的鲁棒性仅与最大的两个logits的差值有关,而logits值与温度和损失函数值有关.学生网络向教师网络学习这一蒸馏过程并非防御性蒸馏起作用的根本原因,只需在训练时增大最大两个logits值之差即可达到防御对抗攻击的作用.文章理论推导并实验验证了上述结论,并基于logits值与温度的正相关关系设计了最佳温度的估计算法,该算法可显著减少寻找最佳温度所消耗的算力.在数据集MNIST和CIFAR-10上,文章提出的快速防御性蒸馏对梯度攻击的鲁棒性与原始防御性蒸馏相同,算法时间消耗和测试集成功率均优于原始防御性蒸馏.文章研究对于防御性蒸馏原理的理解具有理论意义,对防御性蒸馏在实际部署中算力的节省具有实际意义.