摘要：MAS(multi agent system)是解决复杂、动态、分布式智能应用问题的重要技术,RoboCup仿真比赛提供了一个测试各种MAS理论的平台.基于Agent个性设计并实现了RoboCup仿真球队.实验结果表明该方法比能力对等的合作更加默契,更能体现MAS的自适应性.

摘要：基于周期结构的布洛赫原理,从电磁场理论出发,用解析和数值的方法系统地研究了基于表面缺陷的半无限一维光子晶体Tamm态的形成条件,模式特征以及与无缺陷Tamm态之间的关系.对TE波,缺陷Tamm态的频率范围向高低两个方向扩大;而对TM波,缺陷Tamm态的频率范围只向高频扩大,而低频范围减小.缺陷折射率较大时,缺陷Tamm态的色散曲线近似直线,其群速度大小也近似等于光在单层缺陷里的传播速度.通过调节缺陷层的折射率或者厚度可以方便地把缺陷Tamm态的频率设计到需要的范围.

摘要：为了实现对不同肝脏肿瘤病变的精确分类,提出了一种基于联合特征学习和多重迁移学习的肝脏肿瘤病变分类方法.首先通过扩充通道的预处理方式对输入网络的图像进行数据增强处理,使得网络能从原始输入图像中提取到更多的特征信息;然后设计了联合特征学习双流卷积神经网络提取特征,避免由于网络深度增加造成部分特征信息丢失的问题;采用了集成分类器实现最终的分类,并通过多重损失约束方法对整个集成分类器进行约束优化;最后在模型的训练过程中结合参数迁移和域适应来减少损耗并提高模型的拟合性能.采用155张腹部平扫CT图像进行试验,设计了特异性、灵敏性、精确度、F1-score、准确率和误差率几种评价指标.结果表明,此方法能够实现对肝细胞癌(HCC)、转移性肝癌(MET)、血管瘤(HEM)以及正常肝脏组织的分类,平均分类准确率达到96%.

摘要：三维虚拟现实漫游技术目前是国内外的研究热点之一。主要研究和探讨了利用五点定位LOD四叉树组织和管理大规模地形数据,并以井地算法实现大规模地形实时渲染,能有效地提升三维场景的渲染速度。提出了一种基于场景投影图矩阵的自动漫游路径生成的钢丝算法,该算法适用于各种复杂的三维虚拟场景并能生成光滑的自动漫游路径。

摘要：为了提高火焰检测精度和减少装置的成本,在Altera公司Cyclone II系列的FPGA实验板上实现了基于视频的火焰检测原型系统设计与开发。该系统在FPGA上建立混合高斯模型,对视频进行前期处理,极大地减少了类火焰区域的提取时间。随后将处理过的视频数据,通过DMA模式送入SOPC系统中的SDRAM存储,并进行后期算法处理。对20多个火灾视频进行测试与研究,实验结果表明,该系统能有效地检测火灾发生,具有较好的实时性,并且降低了成本,利于集成。

摘要：针对传统粮库监控效率不高、检测结果不准确的问题,提出了一种基于深度学习的粮库虫害实时监测预警系统(RMPS).该系统对粮库中常见几种害虫(米象、绣赤扁谷盗、赤拟谷盗)进行较大规模的样本采集,并使用卷积神经网络进行学习和训练,构建神经网络模型;通过新型采集器实时采集粮库内部图像信息,利用已训练的模型进行害虫种类和概率的检测;并将监测结果以web形式发布给手机客户端.在实验室条件下,搭建小型模拟粮仓,部署本系统进行试验.测试结果表明:RMPS从传统的定点定时监测转变成实时监测,并且将虫害检测准确率提升到90%;RMPS采用专门设计的采集器与移动客户端部署简单、方便,具有较高的实用性与扩展性.

摘要：持久性内存(persistent memory,PM)和远程直接内存访问(remote direct memory access,RDMA)具有高带宽、低延迟的硬件性能,这为设计高性能的分布式存储系统提供了新的机遇.然而,它们这些新的特性为高效的数据一致性管理引出了诸多问题:一方面,持久性内存数据一致性依赖于CPU主动执行硬件指令刷写缓存实现,而这类指令开销极高,严重影响CPU处理性能;另一方面,RDMA在服务器端CPU不参与的情况下直接读写服务器端内存,因此服务器端CPU无法主动感知数据写入事件以执行数据刷写操作,一旦系统崩溃会造成数据不一致的问题.针对以上2个问题,提出一种分布式持久性内存文件系统的一致性机制(crash consistency mechanism,CCM):首先设计实现了基于操作日志的一致性保障策略,通过将每次操作的元信息记录至日志,并持久化,以保障系统的一致性状态;其次,设计了一种客户端对服务器端的远程写一致性策略,在完成数据传输的同时使服务器端CPU主动执行数据刷写;最后实现了一种服务器端的数据异步持久化,以提高系统的处理能力.测试结果表明,基于CCM的文件系统写吞吐可达到网络裸带宽的88%.相比于现有系统Octopus,CCM性能下降控制在1%以内.

摘要：传统深度Q网络(DQN)算法通过融合深度神经网络和强化学习方法,解决了Q-learning算法在应对复杂环境时出现的维数灾难问题,被广泛应用于移动机器人的路径规划,但传统DQN算法的网络收敛速度较慢,路径规划效果较差,难以在较少的训练回合内获取最优路径。为了解决上述问题,提出一种改进的ERDQN算法。通过记录重复状态出现的频率,利用该频率重新计算Q值,使得在网络训练的过程中一种状态重复出现的次数越多,下一次出现该状态的概率越低,从而提高机器人对环境的探索能力,在一定程度上降低了网络收敛于局部最优的风险,减少了网络收敛的训练回合。根据机器人移动方向和机器人与目标点的距离,重新设计奖励函数。机器人在靠近目标点时能够获得正奖励,远离目标点时能够获得负奖励,并通过当前机器人的移动方向和机器人与目标点的距离调整奖励的绝对值,从而使机器人能够在避开障碍物的前提下规划出更优路径。实验结果表明,与DQN算法相比,ERDQN算法的平均得分提高了18.9%,规划出的路径长度和回合数减少了约20.1%和500。上述结果证明了ERDQN算法能够有效提高网络收敛速度及路径规划性能。

摘要：针对权重社会网络发布隐私保护中的弱保护问题,提出一种基于差分隐私模型的随机扰动方法可实现边及边权重的强保护。设计了满足差分隐私的查询模型-WSQuery,WSQuery模型可捕获权重社会网络的结构,以有序三元组序列作为查询结果集;依据WSQuery模型设计了满足差分隐私的算法-WSPA,WSPA算法将查询结果集映射为一个实数向量,通过在向量中注入Laplace噪音实现隐私保护;针对WSPA算法误差较高的问题提出了改进算法-LWSPA,LWSPA算法对查询结果集中的三元组序列进行分割,对每个子序列构建满足差分隐私的算法,降低了误差,提高了数据效用。实验结果表明,提出的隐私保护方法在实现隐私信息的强保护同时使发布的权重社会网络仍具有可接受的数据效用。

摘要：精准高效的茶草识别是智能茶园植保机械进行除草工作的关键。针对目前茶园除草智能化程度较低等问题,提出改进YOLOv3网络模型的茶草检测算法。首先,分季节和时间段,在多个茶叶品种的种植园中以自适应的距离和角度采集茶草混合图像并建立试验数据集。接着,使用K均值聚类算法重新设计先验锚框尺度。然后,以YOLOv3网络模型为基础,选取17×17的网格划分图像区域;采用残差网络(ResNet)作为主干网;加入过程提取层,增强草株检测性能。最后在原损失函数中引入广义交并比损失。通过消融试验和不同目标检测算法对比试验验证此改进算法对茶树与杂草的检测效果。试验结果表明,改进YOLOv3网络模型对杂草的检测精确率和召回率分别为85.34%和91.38%,对茶树的检测精确率和召回率最高达到82.56%和90.12%;与原YOLOv3网络模型相比,检测精确率提高8.05%,并且每秒传输帧数达到52.83 Hz,是Faster R-CNN网络模型的16倍。这些数据说明所提算法在茶园复杂环境下,不仅对于茶树和杂草具有更好的识别效果,而且满足实时检测的要求,可以为智能茶园植保机械提供技术支持。