摘要：针对车联网中车辆的动态移动以及信号的随机散射所导致的信道快速变化问题,研究了智能反射面(intelligent reflecting surface,IRS)辅助的车联网通信并提出了联合相移设计和信道对齐策略,以削减车联网中多普勒频移的影响并提升通信性能。提出的策略由两个阶段构成。在第一阶段设计IRS的相移以改善级联信道的衰落状态,在策略的第二阶段进行修正函数的设计,实现了直接信道和级联信道的信道对齐,从而减少直接信道快衰落状态对通信性能的影响。通过联合相移设计和信道对齐策略中设计的反射相移以及修正函数,实现了通信性能的提升。仿真结果表明,所提策略相比于相移优化策略可以提升8.8%的频谱效率。

摘要：在多无人机超可靠低时延通信(ultra-reliable low-latency communications,URLLC)网络中,为满足超可靠低时延要求,引入空中智能反射面(intelligent reflecting surface,IRS)辅助通信,提出一种多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)方法.首先,建立URLLC多无人机系统模型,其中,多架主无人机作为空中基站为多个地面用户提供服务,一架辅无人机携带IRS作为空中无源中继,辅助主无人机与地面用户通信;然后,考虑多种信道条件和能耗,分别建立复合信道模型和总能耗模型;接着,对问题进行分析,在满足有限块长、无人机能量以及IRS相移的约束下,通过联合优化通信调度、IRS相移以及块长,达到总解码错误率最小化的目标;最后,考虑集中式训练在URLLC场景下的时延敏感限制以及分布式训练在无人机资源限制下的能量限制,设计集中式训练、分布式执行的MADDPG框架.研究结果表明:总解码错误率随着IRS反射单元的增加而急剧下降;同时,总解码错误率随着块长和发射功率的增大而减小,具体来说,块长每增加20个符号,总解码错误率减小91.1%.

摘要：针对当前边缘缓存场景中普遍存在的用户偏好未知与高度异质问题,该文提出一种用户请求感知的边端缓存与用户推荐联合优化策略。首先,建立点击率(CTR)预测基本模型,引入对比学习方法生成高质量的特征表示,辅助因子分解机(FM)预测用户偏好;然后,基于用户偏好设计一种动态推荐机制,重塑不同用户的内容请求概率,从而影响缓存决策;最后,以用户平均内容获取时延最小化为目标建立边端缓存与用户推荐联合优化问题,将其解耦为边端缓存子问题和用户推荐子问题,分别基于区域贪婪算法和一对一交换匹配算法求解,并通过迭代更新获得收敛优化结果。仿真结果表明,相较于基准模型,引入对比学习方法的预测模型在曲线下面积(AUC)和准确率(ACC)上分别提升1.65%和1.30%,且联合优化算法能够有效降低用户平均内容获取时延,提升系统缓存性能。

摘要：针对人员交互行为识别存在的多模态数据融合方法导致的识别准确率与模型性能无法同时满足的问题,提出一种基于改进时空图卷积网络的人员交互行为识别方法。将单模态骨架数据引入级联的密集时空图卷积块网络中获得丰富的时空特征信息,提高特征复用率;设计一种增强时空图卷积网络(EST-GCN)单元提高网络对关节点之间的信息表征能力;引入一种运动特征因子衡量肢体不同关节的重要程度,提高模型识别效果。在Kinetics数据集和办案区场景数据集上的实验结果表明,所提出方法在识别效果上具有一定优势,且该方法在模型复杂度及运行效率上具有很好的竞争力。

摘要：针对在数据异构和资源异构的无线网络中联邦学习训练效率低及训练能耗高的问题,面向图像识别任务,提出了基于优化引导的异步联邦学习算法AFedGuide。利用较高样本多样性的客户端模型的引导作用,提高单轮聚合有效性。采用基于训练状态的模型增量异步更新机制,提高模型更新实时性以及信息整合能力。设计基于模型差异性的训练决策,修正优化方向。仿真结果显示,相较于对比算法,AFedGuide的训练时长平均减少67.78%,系统能耗平均节省65.49%,客户端的准确率方差平均减少25.5%,说明在客户端数据异构和资源异构的无线网络下,AFedGuide可以在较短的训练时间内以较小的训练能耗完成训练目标,并维持较高的训练公平性和模型适用性。

摘要：针对正交频分复用系统,提出了一种基于深度强化学习的自适应导频设计算法。将导频设计问题映射为马尔可夫决策过程,导频位置的索引定义为动作,用基于减少均方误差的策略定义奖励函数,使用深度强化学习来更新导频位置。根据信道条件自适应地动态分配导频,从而利用信道特性对抗信道衰落。仿真结果表明,所提算法在3GPP的3种典型多径信道下相较于传统导频均匀分配方案信道估计性能有显著的提升。

摘要：物联网(IoT)设备资源存在高度异构性,严重影响联邦学习(FL)的训练时间和精度。已有研究未充分考虑物联网设备资源的异构性,且缺乏异构设备间协同训练机制的设计,导致训练效果有限且设备的资源利用率较低。为此,该文提出资源高效的分层协同联邦学习方法(HCFL),设计了端边云分层混合聚合机制,考虑边缘服务器的差异化参数聚合频率,提出自适应异步加权聚合方法,提高模型参数聚合效率。提出资源重均衡的客户端选择算法,考虑模型精度与数据分布特征动态选取客户端,缓解资源异构性对联邦学习性能的影响。设计自组织联邦协同训练算法,充分利用空闲物联网设备资源加速联邦学习训练进程。仿真结果表明,在不同资源异构状态下,与基线方法相比,模型训练时间平均降低15%,模型精度平均提高6%,设备平均资源利用率提高52%。

摘要：时空覆盖类感知任务对参与者的时间与空间约束使得传统单参与者模式难以适用。为此,该文提出群组协作的移动群智感知任务分配方法,以群组模式替代传统单参与者模式。设计层次化群组协作的任务分配框架,提出偏好感知的社交群组生成方法,引入社交关系生成社交群组,提高任务完成率。提出效用优化的任务群组匹配方法,采用网络流理论进行群组-任务匹配,保证平台效用最大化。仿真结果表明所提方法在任务完成率与平台效用方面均有较大提升。

摘要：针对目前深度学习单阶段检测算法综合性能不平衡以及在嵌入式设备难以部署等问题,该文提出一种面向嵌入式平台的高性能目标检测算法。基于只看1次5代(YOLOv5)网络,改进算法首先在主干网络部分采用设计的空间颈块代替原有的焦点模块,结合改进的混洗网络2代替换原有的跨级局部暗网络,减小空间金字塔池化(SPP)的内核尺寸,实现了主干网络的轻量化。其次,颈部采用了基于路径聚合网络(PAN)设计的增强型路径聚合网络(EPAN),增加了P6大目标输出层,提高了网络的特征提取能力。然后,检测头部分采用以自适应空间特征融合(ASFF)为基础设计的自适应空洞空间特征融合(A-ASFF)来替代原有的检测头,解决了物体尺度变化问题,在少量增加额外开销情况下大幅提升检测精度。最后,函数部分采用高效交并比(EIoU)代替完整交并比(CIoU)损失函数,采用S型加权线性单元(SiLU)代替HardSwish激活函数,提升了模型的综合性能。实验结果表明,与YOLOv5-S相比,该文提出的同版本算法在mAP@.5,mAP@.5:.95上分别提高了4.6%和6.3%,参数量降低了43.5%,计算复杂度降低了12.0%,在Jetson Nano平台上使用原模型和TensorRT加速模型进行速度评估,分别减少了8.1%和9.8%的推理延迟。该文所提算法的综合指标超越了众多优秀的目标检测网络,对嵌入式平台更为友好,具有实际应用意义。

摘要：方面情感分析旨在识别句子中特定方面的情感极性,是一项细粒度情感分析任务。传统基于注意力机制方法,仅在单词之间进行单一的语义交互,没有建立方面词与文本词的语法信息交互,导致方面词错误地关注到与其语法无关的文本词信息。此外,单词的位置距离特征和语法距离特征,分别体现其在句子线性形式中和句子语法依存树中的位置关系,而基于图卷积网络处理语法信息的方法却忽略距离特征,使距方面词较远的无关信息对其情感分析造成干扰。针对上述问题,该文提出多交互图卷积网络(MIGCN),首先将文本词位置距离特征馈入到每层图卷积网络,同时利用依存树中文本词的语法距离特征对图卷积网络的邻接矩阵加权,最后,设计语义交互和语法交互分别处理单词之间语义和语法信息。实验结果表明,在公共数据集上,准确率和宏F1值均优于基准模型。