摘要：近年来,无人机群自组网(UAV Swarm Ad Hoc Network,UAVSNet)的单个UAV不断自主化与智能化,但UAV之间的协同通信仍存在挑战。媒体接入控制(Media Access Control,MAC)协议是其关键技术之一,并成为了新的研究热点。通过概述MAC协议的分类及设计要点,对竞争类MAC协议、非竞争类MAC协议以及混合类MAC协议接入机制、性能表现及不足进行详细综述并提出展望。为UAVSNet的MAC协议的研究和应用提供了理论支持。

摘要：针对传统检测方法对于工业金属表面缺陷检测存在效率低,难以适应工业生产的缺点,以及目前YOLOv7-tiny算法中容易造成漏检等问题,该文提出了一种改进YOLOv7-tiny的工业金属表面缺陷检测方法。通过在主干网络中引入注意力机制相关的CBAM模块,并且使用SiLU激活函数对原有的LeakyReLU激活函数进行替换,即替换CBL模块为CBS模块。在多尺度特征融合网络中增加了一个更大尺度的特征图进行特征融合,并增加一个相应尺度的检测头。使用EIoU作为损失函数来提高检测精度。GC10-DET工业金属表面缺陷数据集上的实验结果表明,改进后算法的平均检测精度相比原算法提高了4.29%,有效改善了漏检等情况,提高了检测精度。

摘要：图(网络)是一种常用于抽象现实世界实体之间关系的数据结构,网络嵌入广泛应用于图数据的表征.目前大部分异质网络嵌入方法未考虑网络节点之间的多种边类型和边属性,无法完整刻画网络的结构和语义信息,导致原始网络特征信息丢失和下游任务效果差的问题.为解决该问题,基于注意力机制设计了一种多边属性异质网络嵌入方法,其将注意力机制应用于学习不同边类型下嵌入向量的重要系数,通过有偏序列采样、邻居向量聚合和模型参数更新3个阶段的嵌入学习,将网络节点表示成固定长度的稠密向量.实验表明,提出的嵌入方法能够更好地嵌入网络的特征信息,使之在下游的机器学习任务上有一定的效果提升.

摘要：当今移动通信和计算领域移动边缘计算(Mobile Edge Computing, MEC)已成为提高性能和用户体验的关键技术之一,利用智能超表面(Reconfigurable Intelligent Surface, RIS)和无人机(Unmanned Aerial Vehicle, UAV)技术辅助的MEC系统,在网络性能提升、时延降低、计算和通信资源分配优化以及适应性方面具有显著优势,引起了学术界和工业界的广泛关注。系统地讨论了RIS辅助的UAV MEC(RIS-assisted UAV MEC,RU-MEC)系统中的协作方式,梳理了RU-MEC系统在设计过程中需要考虑的关键问题以及可采取的解决方法,阐述了未来的研究方向,包括RIS和UAV技术的进一步创新、系统安全性和可靠性增强,以及在各种场景中的广泛应用。

摘要：无人机(UAV)协助下非正交多址接入(NOMA)使能的数据采集系统,考虑了地空概率信道模型和服务质量约束,并联合优化UAV三维布局设计和传感器功率分配最大化所有传感器的总能效。针对原混合整数非凸规划问题,提出了一种基于凸优化理论、深度学习理论和哈里斯鹰优化(HHO)算法的能效优化机制。在任意给定的UAV三维布局下,首先将功率分配子问题等价转化为凸优化问题;其次基于最优的功率分配方案,采用深度神经网络(DNN)构建从传感器位置到UAV三维布局的映射,并利用HHO算法离线训练最佳映射对应的模型参数。训练后的机制仅需执行少量代数运算并求解单个凸优化问题。仿真实验结果表明,在传感器数为12的情况下,相较于基于粒子群算法的遍历搜索机制,所提机制在仅损失约4.73%的总能效的情况下将运算时间降低了5个数量级。

摘要：针对无人机与多地面用户通信场景中,易受多地面恶意干扰源攻击的问题,提出了智能反射面辅助的无人机抗干扰通信方法,其中智能反射面可以通过动态地增强用户信号以及削弱恶意干扰信号来提高通信性能。所提方法通过联合设计用户调度、智能反射面相移和无人机三维轨迹最大化抗干扰通信速率。为了解决优化变量深度耦合以及所构建速率最大化问题的非凸性导致的难以直接求解,通过应用交替优化算法、半正定松弛以及连续凸逼近技术,提出有效迭代算法求解出高质量次优解。仿真结果表明,与基准方案相比,优化方案可以显著提高无人机抗干扰通信的性能,保障通信数据传输的可靠性。

摘要：微地震初至拾取是微地震监测中基础且重要的环节,其拾取精度对于后续数据处理起到了至关重要的作用.微地震监测是长期持续的过程,人工拾取效率低下.传统的自动拾取方法依赖算法的相关特征函数,存在无法充分利用数据信息的缺点;而现有基于一维卷积神经网络或长短期记忆网络的微地震初至自动拾取方法只在单通道内进行拾取,并没有考虑相邻通道初至的相关性,从而导致在低信噪比环境下拾取误差较大.针对上述问题,将多道微地震初至前和初至后看作是图像分割问题,应用基于自注意力机制的Swin Transformer作为主干网络提取微地震初至特征,把多道微地震数据沿着道内时间维度展开成一维序列输入至网络中,在不打乱数据时序信息的同时兼顾相邻通道初至的相关性,并以此设计出端到端微地震初至多道拾取网络,实际矿山微地震监测数据中的实验结果表明,该网络在初至拾取精度上相较于传统单道自动拾取法以及现有神经网络单道拾取法有大幅提升,在低信噪比环境下依然可以取得较高的拾取精度,具有良好的工程应用价值.

摘要：对场景目标进行语义级分割与识别是实现车间场景中移动机器人智能导航、智能安防的基础.针对车间场景中目标语义分割存在分割目标种类多、形状差异大等多尺度问题,为满足智能车间目标分割实时性的要求,提出一种融合双路平均池化与三分支注意力机制的轻量级语义分割网络;首先,采用编码器-解码器结构,以轻量级卷积神经网络作为整个网络的编码器,解码器包括双路平均池化模块和三分支注意力机制模块,提取多尺度目标的语义信息和实现高精度的语义分割;然后选取ShuffleNet v2,SqueezeNet和MobileNet v2这3种不同的轻量级卷积神经网络与解码器结合,针对智能车间场景目标语义分割数据集,进行目标语义分割对比实验,并确定MobileNet v2作为编码器.与ENet,ERFNet,BiSeNet v2,Deeplab v3,Deeplab v3+,CFPNet和Fast-SCNN轻量级语义分割网络进行语义分割精度和实时性的实验结果表明,所提网络对车间场景目标分割的MPA为94.25%,MIoU为87.67%,浮点运算数量为10^(9)×1.66,推理速度为66.67帧/s,能够很好地平衡分割精度与实时性,满足智能车间场景目标语义分割的需求.

摘要：现有不少模型着眼于对有限数据通过生成显式特征交互以进行挖掘来提升点击率预测效果,但存在以下问题:对于原特征与新生成的显式特征,直接一起输入到一个统一的神经网络结构进行挖掘然后输出,由于两者参数量差别较大导致在表征上差异巨大;同时如果直接采用多级层数的神经网络结构还会导致低层,如第一、二层信息的丢失,但若直接将各层进行累加以结合,则一些层中有用性有限的信息可能成为噪声以影响预测。为此设计多层权重结合的多阶显式交互的融合推荐模型,通过将原数据与生成的多阶显式特征分别放入各自对应的自注意力层中挖掘,其中各自对应结构的层数不同,同时对各层进行加权后输出以完成多层的结合,以提高点击率预测效果。通过在两个公开数据集上与多个不同模型进行比较分析,并对模型进行消融对比和超参数对比实验,证明了该模型能有效挖掘原特征与显式交互特征信息,平衡各阶特征表征能力。

摘要：近年来,随着无人机(Unmanned Aerial Vehicle, UAV)逐渐自主化和智能化,单UAV已无法满足日益复杂的任务需求,UAV集群技术的提出能够有效提高UAV的生存能力和任务效率,引起了国内外的广泛关注。当前UAV集群技术面临着极具挑战性的通信问题,严重影响到UAV间的协同作业与信息处理能力。基于UAV集群的概念,通过与多UAV系统对比,系统分析了UAV集群的优点及挑战,并结合近年来不同的通信场景,总结了UAV集群通信的架构和路径规划的解决方案。讨论了集群通信仍面临的开放问题,对未来的研究方向进行了展望。