摘要：生物集群运动模型能使集群机器人涌现秩序，但是所形成的机器人自然集群秩序难以有效地被人工控制，为此提出鱼群硬注意力模型来解析实验鱼群数据中的交互行为，该模型通过编码器网络、图注意力网络、信息聚合网络、预解码网络以及最终解码网络等结构来获取焦点单体的重要邻居；再利用深度确定性策略梯度技术设计轨道强化网络与安全强化网络，以实现集群的人工控制。多智能体仿真与集群机器人实验结果表明：所提方法能够实现集群的人工轨道、安全控制，重要邻居信息为解决集群运动的强化学习难题提供了新思路，所提控制模型在无人机群空中协作、智慧农机集群作业、物流仓储多体搬运等领域具有较大的应用潜力。

摘要：在现有的教学资源推荐系统中算法和模型不断进步,但推荐策略仍然停留在学生偏好分析或内容相关性计算两方面,忽略了教学资源推荐中授课教师对教学目标的掌控以及企业导师的实践价值引导作用。为此,提出一种基于图神经网络和多主体评价的教学资源推荐方法,综合考虑学生、教师和企业导师3个主体的评价,并解决多主体评价导致的小样本问题。首先,构建包含教学资源和知识点的异质图,通过异质图嵌入分别获取教学资源和知识点的特征向量表征,计算教学资源与知识点的相关性;然后,设计多主体评价机制,分别制定针对学生、教师和企业导师3个不同主体的细粒度评价指标,利用基于图神经网络的小样本学习(GNN-FSL)模型获取不同主体对教学资源的评分向量估计;最后,利用注意力机制来综合不同主体的评分向量估计以及教学资源与知识点的相关性对推荐结果的影响。实验结果表明,该方法在小样本训练中具有较好的评分向量估计准确度优势,并且融合多个主体评价和增加细粒度多主体评价指标的两大措施均对提升推荐准确度和学习成绩具有显著作用。

摘要：面向移动边缘计算(mobile edge computing,MEC)场景,建立了一个存在主动攻击者的非正交多址协议(nonorthogonal multile access,NOMA)网络传输模型,并设计一种卷积神经网络(convolutional neural network,CNN)模型来评估该传输模型的安全中断概率(security outage probability,SOP)。研究结果表明:所提出的MEC-NOMA系统不仅提高了SOP,而且能够对抗主动窃听者的攻击;此外,通过CNN模型评估的SOP与其他方法(蒙特卡洛方法和数学解析表达式)非常接近,且执行时间更短。

摘要：针对火电机组燃烧系统耦合性强、工况复杂、强扰动和参数调节困难的问题,在现有线性自抗扰控制(LADRC)基础上,提出一种改进线性自抗扰控制(ILADRC)。首先,根据热工系统大时滞、大惯性的特点,在LADRC线性扩张状态观测器(LESO)控制输入端串联惯性时滞前馈补偿器,实现LESO前馈和反馈信号同步,提升信号跟随和扰动抑制性能;然后,通过开环频域稳定性分析得出系统稳定性指标和控制器参数关系,进而推导出基于系统稳定性指标的定量化参数整定规则,简化参数调节过程。将所设计的ILADRC应用于火电机组床温和主蒸汽压力耦合控制仿真系统,并与比例积分微分(PID)控制、LADRC、模型辅助线性自抗扰控制(MLADRC)进行对比。结果表明:提出的ILADRC在定值跟随、扰动抑制方面具有明显优势,蒙特卡洛试验进一步证明了所提出ILADRC的鲁棒性优势。

摘要：受串行通信循环码编译操作的限制,串行通信效率难以得到保障,为此,提出基于Python的串行通信实现方法。在为所有循环码多项式设置具备可以被构建的循环码多项式整除的属性特征后,根据给定循环码的参数生成串行通信循环码,借助Python分别定义循环码编码函数(encode)和循环码译码函数(decode)对不同长度的数据进行预处理,对串行通信阶段数据发送和接收过程进行设计,将原始的整数列表转换为相应的矩阵形式,以提高通信效率。在测试结果中,设计串行通信实现方法具有良好的实际应用效果,可以保障串行通信实现高速传输。

摘要：针对程序设计基础这一计算机专业核心基础课程,大力推行课前基于MOOC或SPOC的自主学习,课中的实例演示、类比、启发、翻转式教学,课后积分和拓展式的练习、测试、竞赛、项目、论文等,这种“三课”联动的教学模式真正实现了以学生为主体、以成果为导向的OBE教学理念,实现了基础、应用、拓展、创新的教学常态,从而提高课程目标达成度。

摘要：为采用预测控制方法改善超临界机组的协调控制品质，采用堆叠降噪自编码器(SDAE)建立了单元机组协调系统特性的数学模型。首先，对600MW火电机组的变工况运行数据进行归一化处理，并运用预处理后的数据完成模型的离线训练。将模型并入仿真机进行单一输入变量阶跃扰动和大幅变负荷实验来验证其动态性能。实验结果表明，上述模型能够很好地描述燃料量、汽轮机调门开度、给水量与主蒸汽压力、负荷间的复杂非线性关系，泛化能力强、精度高，可以满足超临界机组智能控制器的设计要求。

摘要：针对卷积神经网络(CNN)在捕捉预测序列间历史相关性方面的不足以及在变量复杂情况下出现的无法精准提取预测关键信息的问题,提出一种将双向长短期记忆网络(BiLSTM)与卷积神经网络结合的CNN-BiLSTM模型.首先,采用数据预处理方法保证数据的正确性和完整性,并对数据进行分析以探究多变量之间的相关性;其次,通过CNN与L1正则化对多维输入特征进行特征筛选,选取与预测相关的重要性特征向量;最后,使用BiLSTM对CNN输出的关键特征信息进行保存,形成向量与预测序列,并通过分析时序特征的潜在特点,提取用户的内在消费模式.实验比较了该模型与其他时序模型在不同时间分辨率下的预测效果,实验结果表明,CNN-BiLSTM模型在不同的回望时间间隔下表现出了最佳的预测性能,能够实现更好的短期负荷预测.

摘要：由于探测器具有像元数目的限制,宽波段和高分辨率难以同时满足。文章针对532nm激发波长,设计了一款同时具有宽波段、超高分辨的拉曼光谱仪。将整个光谱范围按照低波段最低分辨要求分成四个波段,并通过旋转光栅和旋转聚焦镜的方式,完成了不同波段相互切换的集成化设计,实现了80~4000cm^(-1)宽波段范围,全波段1.2cm^(-1)超高分辨率的光学指标。考虑到探测器的较大体积尺寸,为避免元件发生干涉,该系统中元件之间具有足够的距离。相比于国内市场的同类产品,该光谱仪具有宽波段和超高分辨率的同时无需更换结构内部其他元件,在一定程度上节省了成本。

摘要：可见光-红外跨模态行人再识别(VI-Re ID)旨在对不同摄像头采集同一行人的可见光图像和红外图像进行检索与匹配。除了存在可见光行人再识别(Re ID)中因位姿、视角、局部遮挡等造成的模态内差异外,可见光图像和红外图像的模态间差异是VI-ReID的主要挑战。现有方法通常对2种模态的图像进行联合特征学习来缩小模态间差异,忽略了可见光和红外两种模态图像在通道上的本质不同。为此,本文试图从2种模态共同生成一种中间模态来辅助缩小模态间差异,并在标准ViT(vision transformer)网络上通过局部特征和全局特征的融合来优化特征嵌入学习。首先,设计同质中间模态生成器,通过可见光图像和红外图像共同生成同质中间模态(H-modality)图像,将3种模态图像投影到统一的特征空间进行联合约束,从而借助中间模态缩小可见光模态和红外模态间的差异,实现图像级对齐。进一步提出一种基于同质中间模态的Transformer跨模态行人再识别方法,使用ViT提取全局特征,设计一个局部分支以增强网络的局部感知能力。在全局特征提取中,为了增强全局特征的多样性,引入头部多样性模块(head enrich module)使不同的头聚合图像不同的模式。该方法融合全局特征与局部特征,能够提高模型的判别能力,在SYSU-MM01和RegDB数据集上的rank-1/m AP分别达到67.68%/64.37%和86.16%/79.11%,优于现有大多数最前沿的方法。