摘要：在低照度环境下采集的图像,由于光照的不均匀性,存在能见度差、对比度低和颜色失真等问题.现有的大多数低照度图像增强方法存在过增强或欠增强的现象,影响视觉感知和后续目标检测任务.针对上述问题,提出一种基于照度图引导的低照度图像增强网络.首先根据低照度图像的灰度分布特点构造对应的照度图,度量低照度图像不同区域块的明暗程度;然后利用照度图作为网络增强的引导图,与低照度图像一起送入图像增强网络来获得增强后的图像.为了解决训练数据不足的问题,提出一种基于内循环和概率旋转的数据增强方法来扩充训练数据样本的数量和多样性;同时,针对目前图像增强方法中普遍存在照度不均匀的问题,基于直方图匹配的思想构建一种直方图损失函数,约束并指导网络的训练.在合成数据集LOL和真实图像上的实验结果表明,所提网络在低照度图像增强方面获得了更好的主观视觉效果;与经典的RetinexNet方法相比,所提方法在PSNR和SSIM客观定量指标上分别提高了7.905 dB和0.328;该网络对后续目标检测任务的检测率可提高10.17%~17.19%.

摘要：联邦学习是一种不通过中心化的数据训练就能获得机器学习模型的系统,源数据不出本地,降低了隐私泄露的风险,同时本地也获得优化训练模型。但是由于各节点之间的身份、行为、环境等不同,导致不平衡的数据分布可能引起模型在不同设备上的表现出现较大偏差,从而形成数据异构问题。针对上述问题,提出了基于节点优化的数据共享模型参数聚类算法,将聚类和数据共享同时应用到联邦学习系统中,该方法既能够有效地减少数据异构对联邦学习的影响,也加快了本地模型收敛的速度。同时,设计了一种评估全局共享模型收敛程度的方法,用于判断节点聚类的时机。最后,采用数据集EMNIST、CIFAR-10进行了实验和性能分析,验证了共享比例大小对各个节点收敛速度、准确率的影响,并进一步分析了当聚类与数据共享同时应用到联邦学习前后各个节点的准确率。实验结果表明,当引入数据共享后各节点的收敛速度以及准确率都有所提升,而当聚类与数据共享同时引入到联邦学习训练后,与FedAvg算法对比,其准确度提高10%~15%,表明了该方法针对联邦学习数据异构问题上有着良好的效果。

摘要：近年来,自主清扫系统,例如机器人吸尘器,因其能够自主导航和清洁室内空间的能力,越来越受到社会的欢迎。然而,这些系统的应用仍受限于其清洁范围有限、无法适应各种环境等问题。本研究旨在解决这些局限性,通过提出一种基于ROS2框架的面向任务的智能清扫车系统。该系统利用ROS2的模块化、灵活性和进程间通信等优势,以增强清扫系统的性能和适应性。主要目标是开发一种能够高效、有效地清洁室内空间的系统。研究的关键步骤包括对自主清扫系统和ROS2的文献进行分析,设计和开发硬件架构,实现ROS2软件组件,以及对系统的性能进行严格的测试和评估。

摘要：随着功率模块朝着高温、高功率、高密度方向发展,这对模块的封装结构提出了新的要求。较传统的引线键合结构,双面散热结构由于具有高散热能力和低寄生电感等特点受到广泛关注。但是双面散热结构材料间热膨胀系数的差异使之承受较大的热-机械应力,降低了功率模块的可靠性。因此,为设计具有低热-机械应力双面散热双向开关,本研究首先使用仿真分析了芯片布局对模块散热性能以及寄生电感的影响,在此基础上提出了一种具有低杨氏模量的柔性缓冲垫块,综合仿真及试验初步证明其降低热-机械应力、提高模块可靠性的可行性。

摘要：随着人工智能的发展,边缘端设备对智能图像处理的需求急剧增加。目前边缘端设备主要面临能量受限、吞吐率较低等问题。无人机在侦察过程中,根据任务要求需进行复杂的地形分析、物体识别和环境监测等任务,这些任务常常会给设备带来严重的功耗问题,并且严重影响无人机的飞行时间。针对上述问题,提出一种基于卷积神经网络的逐级唤醒存内计算控制器设计方案,控制器内部能够完成分类型网络的前向推理,可根据分类结果唤醒对应的边缘端设备。控制器的模拟部分采用存算一体计算模式,数字部分采用分块的处理方式,在运行过程中可将空闲模块休眠,以降低系统的整体功耗。此外,控制器内部还集成了级联接口,可以将复杂任务分解为多个层级的子任务,并将其部署到级联的控制器上,从而实现多级唤醒,使系统具备提前输出的潜力。实验采用ResNet-14作为神经网络模型,数据集采用CIFAR-10数据集。实验结果表明,在10 MHz的时钟频率下,基于卷积神经网络的逐级唤醒存内计算控制器可以实现60帧/s的检测帧率,并且分类精度达到84.61%,验证了该架构在能量受限应用场景下的可行性和高效性。

摘要：联邦学习通过分布式机器学习训练出一种全局模型,该模型能够泛化所有的本地用户数据,以达到保护用户数据隐私的目的。由于用户间的行为、环境等不同,造成了数据异构问题,进而使得用户局部模型的性能往往远高于全局模型。针对上述问题,该文提出了一种基于用户层次聚类的联邦学习方法。设计了一种联邦学习收敛评估的方法,用于判断全局模型收敛程度;当全局模型收敛时进行聚类用户操作,能够更加准确地找出相似程度较高的用户;通过余弦相似性的层次聚类方法,将具有相似性的用户进行聚类操作,从而减少因数据异构带来的影响。此外该文还采用较大深度的模型WideResNet提高用户本地训练精度。该文采用数据集EMNIST、CIFAR10,调整用户数据之间的角度,分别进行了两类用户和三类用户的聚类联邦学习实验。实验结果显示,与相关经典联邦学习算法FedAvg相比,采用聚类策略后,其训练准确度提高约10%。

摘要：在纺织生产线调度领域,传统的人工调度方式已难以满足当前对高效利用机器和提升生产效率的迫切需求。鉴于此,本文建立了以最小化最大完工时间和机器总负载为优化目标的多目标柔性作业车间调度问题(flexible job shop scheduling problem,FJSP)数学模型,并提出了一种改进的NSGA-II算法(INSGA-II)用于求解。本文的主要特点是:(1)该算法采用基于工序和机器的两层编码方法;(2)采用混合种群初始化策略,目的是提高种群的初始质量;(3)设计了一种基于迭代次数的变领域搜索策略,在减少无效搜索的同时提高了局部搜索能力。本文在MK01-MK09和abz05-abz09的测试集上,将所提出的算法与其他算法(MOEA/D、MOEA/DD和NSGA-II)进行对比,并通过对14个标准算例的分析,证明了改进个NSGA-II算法在求解FJSP问题中的有效性。

摘要：为满足边缘计算场境下用户终端设备对密集型任务处理的低时延和低能耗需求,本文设计了时延模型、能耗模型以及卸载优化模型,给出了一种基于改进型粒子群优化算法的卸载方案,并用实验验证了本文方案的优良性能。首先,对PSO进行了一些改进,提出了改进型的粒子群优化算法(UPSO);其次,将UPSO与遗传算法(Genetic algorithm,GA)结合,提出了一种融合遗传算法的改进型粒子群优化算法(GA-UPSO)求解单用户多任务场景下的卸载决策问题。在Matlab上进行的仿真实验结果表明:本文卸载方案在时延和能耗方面均优于基于遗传算法的卸载方案和基于标准粒子群优化算法的卸载方案。

摘要：移动边缘计算通过将计算资源和存储资源下沉到移动网络的边缘,可以减少移动终端的任务计算时延和能耗,从而有效满足移动互联网、物联网高速发展所需的高回传带宽、低时延的要求。计算卸载作为移动边缘计算的一个主要优势,它通过将繁重的计算任务迁移到边缘服务器来提高移动服务能力。针对移动边缘计算场景下移动终端应用的低时延和低能耗的卸载需求,给出了一种最小化系统响应时延和移动终端能耗的任务卸载方案。首先在对系统响应时延和移动终端能耗进行综合考虑的基础上,构建了移动边缘计算场景下的任务切分模型、时延模型、能耗模型和任务卸载优化模型;然后,设计了一种改进的免疫优化算法,并给出了基于免疫优化的任务卸载方案;最后将文中方案与LOCAL Execution方案和基于遗传算法的卸载方案进行了对比实验。仿真实验表明,文中方案在时延和能耗的综合代价上优于文献方案,可以满足移动终端应用低时延和低能耗的卸载需求。

摘要：针对智慧城市预警系统存在的传感器设备(sensor device,SD)的计算与存储能力不足、预警数据处理实时性差等问题,基于边缘计算技术,提出了云边协同的城市预警系统任务卸载模型。该模型引入了云边协同缓存策略,并依次设计了时延模型、能耗模型和负载失衡度模型;将任务卸载问题转化为多目标优化问题,给出了一种基于MOEA/D算法的卸载决策方案,并通过对比实验进行了验证。实验结果表明:该卸载方案能够在保证总时延与总能耗较小的情况下使负载达到均衡,并且优于其他基准方案。