摘要：为了提高终端区相似气象场景(Similar weather scenarios,SWSs)的识别准确率,提出一种基于对比学习的SWS(SWS based on contrastive learning,SWS-CL)识别模型。首先,针对对流天气图像特点,设计了一种数据增强方法来增加天气图像样本的数量和质量。接着,设计了一种对比损失函数使向量表征空间中的正样本与锚点样本之间的距离更近,而负样本与锚点样本之间的距离更远,进而基于对比学习技术在无标记样本集上训练得到相似气象场景分类预训练模型。最后,利用少量标记样本对预训练SWS-CL模型进行监督微调,进一步提高SWS-CL模型的性能。在广州终端区气象图像集上的对比实验表明,所提出的数据增强方法能有效提高气象图像集的质量,所提出的SWS-CL模型能取得令人满意的识别精度,且在标签稀少的数据集上具有明显的优势。

摘要：为了提高终端区不同气象场景下的交通流预测准确率,提出一种融合多元时序和模式挖掘(Multivariate time series and pattern mining,MTSPM)的终端区交通流预测模型。首先,给出了一种基于多元时间序列的终端区交通流预测模型,通过深度学习模型CNN-GRUA将终端区的交通需求、天气和策略特征进行融合并用于交通流预测;其次,针对交通流这一单变量时间序列,设计了一种基于趋势分段符号化的时间序列BOP(Bag-of-pattern)表示方法——TSSBOP,通过基于趋势的分段、符号化和模式表示来挖掘交通流序列中的内在模式;最后,根据两个模型在验证集上的预测精度进行加权融合,得到最终的终端区交通流预测值。在广州终端区的历史数据集上的对比实验表明,所提出的TSSBOP表示法能够有效挖掘出原始序列中的模式,所提出的基于MTSPM的终端区交通流预测模型能有效提高不同气象场景下的交通流预测性能。

摘要：大多数有关深度学习的研究都基于神经网络,即可通过反向传播训练的多层参数化非线性可微模块.近年来,深度森林作为一种非神经网络深度模型被提出,该模型具有远少于深度神经网络的超参数.在不同的超参数设置下以及在不同的任务下,它都表现出非常鲁棒的性能,并且能够基于数据确定模型的复杂度.以gcForest为代表的深度森林的研究为探索基于不可微模块的深度模型提供了一种可行的方式.然而,深度森林目前是一种批量学习方法,这限制了它在许多实际任务中的应用,如数据流的应用场景.因此探索了在增量场景下搭建深度森林的可能性,并提出了蒙德里安深度森林.它具有级联森林结构,可以进行逐层处理.设计了一种自适应机制,通过调整原始特征和经过前一层变换后的特征的权重,以进一步增强逐层处理能力,更好地克服了蒙德里安森林在处理无关特征方面的不足.实验结果表明:蒙德里安深度森林在继承蒙德里安森林的增量训练能力的同时,显著提升了预测性能,并能够使用相同的超参数设置在多个数据集上取得很好的性能.在增量训练场景下,蒙德里安深度森林取得了与定期重新训练的gcForest接近的预测准确率,且将训练速度提升一个数量级.

摘要：近年来,由于半导体设计和制造过程的全球化以及第三方知识产权核(Intellectual Property cores,IP cores)的广泛使用,电路越来越容易受到硬件木马的攻击.硬件木马能够使得电路功能故障、泄露机密信息或者导致其他一些灾难性的后果,因此已经引起了许多关键部门的密切关注.大多数已有的硬件木马检测工作需要参考芯片去提供参考信息.然而,获得参考芯片是极其困难的.参考芯片通常是假设通过可信的工厂生产出来或者通过很严苛的逆向工程检测验证为不含木马,两种方式的代价都是极其昂贵的.在一些情景下,参考芯片甚至是不存在的,比如掩膜在工厂被修改过.该文提出了一种自适应优化的二元分类型硬件木马检测方法,消除了对生产后的参考芯片的依赖.在电路设计过程中,通常可以假设通过详尽的硅前检测或者经过严格的设计流程,使得原电路的仿真芯片是不含木马的.该文工作尤其适用于检测在设计之后的步骤中插入的木马,比如工厂生产阶段.首先,将木马检测问题建模为二元分类问题,采用电路设计流程中的仿真信息(瞬时功耗)对算法进行训练.经过训练的算法将会生成一个分类器,该分类器能够在芯片生产后测试时自动识别不含木马的和含木马的电路.有许多代表性的分类算法,该文建模了不同的算法并分析评估了哪个算法更适合木马检测.采用的评估指标包括正确分类率、混淆矩阵和查全率.评估了不同工艺偏差下多种算法的性能,给出了在较高水平的工艺偏差下合适的算法设置.更进一步地,考虑到在电路仿真和实际的硅生产之间可能会产生一定的偏差,从而导致该方法的检测性能在实际检测中有所下降,该文提出了一些优化方法来增强这一技术:(1)分析了各分类算法错误分类的芯片编号,提出了匹配算法对的工作方式,用来提供互补的检测性能;(2)提出了关注于检测错误的算法自适应迭代优化,权重调整是基于该算法在上一轮迭代中的分类错误;(3)由于将含木马的电路判定为不含木马的代价高于将不含木马的电路判定为含木马的代价,该文引入了不同检测判决的代价,提出了代价敏感型检测.在ISCAS89基准电路上进行的验证实验结果表明,所提出的方法能够检测已知的和未知的木马,检测精度和查全率均在90%以上.该方法没有添加额外的电路到原电路设计,因此没有引入硬件开销.

摘要：风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷,由于传感器布置数量有限,难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷,并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学(Computational fluid dynamics,CFD)计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据,对比深度学习模型、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)与BP神经网络(Neural network,NN)对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明,GPR模型获得了最高气动载荷重构精度;给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数,最低传感器布置数下的最优布置方式,以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。

摘要：混成系统是一类同时具有离散和连续行为的复杂系统,被广泛应用于控制系统建模.针对其安全性需求,对不安全状态进行有界可达性验证,是保障系统安全的重要手段.然而,当前技术所能处理的问题规模和现实生活里的实际需要尚有一定的距离.特别是组合混成系统由于涉及到各个组件间的协作与同步,组合状态空间快速爆炸,对其进行验证具有极高的复杂性.为控制问题的复杂度,一种面向路径的可达性分析方法在前期工作中被提出用来对组合线性混成系统进行有界可达性分析.该方法通过依次枚举潜在路径并进行验证的方式,有效地提升了所能处理的问题规模.当面对复杂系统时,上述面向路径的检测方法将会因为待检测路径数量的急剧上升而使得验证效率大幅降低,这也是模型检验状态空间爆炸问题的一种体现.为解决此问题,本文提出了一种状态空间约减技术以加速验证过程.当一组路径被判定为不可行时,定位出导致其不可行的原因,得到一个组合不可行路径片段.由于包含同样片段的组合路径一定不可行,因此在后续的路径遍历里只需要枚举与检验不包含组合不可行路径片段的路径,从而大幅减少需要检验的路径数量.此外,为了有效地规避此类组合路径片段,我们设计了一种全新的基于SMT编码的有界图结构遍历方法.实验表明,该优化技术大幅地提升了面向路径有界可达性分析方法的性能,整体性能也超越了当前最先进的同类工具.

摘要：空中交通的快速增长不断增加了管制员的工作负荷,这已成为制约部门运行的重要因素。如果能够识别出相似的交通场景,就可以利用历史决策经验帮助管制员快速决策控制策略。考虑到交通场景众多且难以标记所有样本,本文提出了一种主动支持向量机度量学习算法(Active SVM metric learning algorithm,ASVM2L)来度量和识别相似的交通场景。首先获得了一些由资深空中交通管制员标记的交通场景样本;接着设计了一种基于投票差异的主动查询策略来选择最有价值的未标记样本交予领域专家进行标记;然后,利用ASVM2L从所有标记样本中学习到一个度量矩阵,用于后续分类算法完成相似场景的分类。在标准数据集上验证了ASVM2L的有效性,然后在中国中南扇区的历史空中交通数据集上对交通场景进行了度量和分类。实验结果表明,与现有的其他方法相比,本文所提方法能够更彻底地利用样本的信息,在有限的标记样本下达到更高的分类精度。

摘要：在增强现实应用中,距离较近的多个用户请求很可能是相似或者相同的,从而导致同样的计算任务被重复执行。针对该问题,设计基于冗余任务消减的计算任务缓存系统。通过在边缘节点设计任务缓存,使边缘服务器以自组织方式维护全局缓存。对客户端请求时延、用户轨迹、节点部署和总时延进行建模,基于此研究基站上边缘服务器的计算资源部署问题,在给定总的部署代价下优化平均请求时延,并将该问题转化为整数非线性规划问题,设计针对中小规模场景的IDM算法和针对大规模场景的LDM算法。实验结果表明:IDM算法的平均时延与参考最优解仅相差5.85%,对最优解具有较好的逼近效果;LDM算法在牺牲9.20%平均时延的情况下,相比于IDM算法运行时间缩短98.15%,大幅减少了运行开销。

摘要：针对现有实验设计方法难以对复杂系统进行高效实验设计的问题,本文提出了一种基于变分自编码器的实验设计方法,首先利用实验历史记录数据训练变分自编码器将复杂的实验样本空间编码到一个较为简单的隐变量空间,然后在该隐变量空间里进行取样,最后通过解码器还原产生新的实验样本,完成实验设计.通过对比本文方法与数种基准实验设计方法的结果在拟合直航鱼雷命中模型时的表现情况,表明在取相同样本数的情况下,本文方法可以优化实验设计,提高实验效率.

摘要：随着城市的快速发展,城市中人流的管理与移动模式挖掘变得越发重要。同时,随着以群智感知为代表的各种感知技术的发展,提出了智慧城市的概念,智慧城市中的大量感知数据为人流的分析提供了可能性。在智慧城市中,时空数据是最为常见的一种数据。本文基于城市中的时空数据,首先提出一种建模方法,将不同种类的时空数据表示为人流模型;然后基于聚类的思想,通过改进传统的基于密度的聚类算法来对人流的移动模式进行挖掘,提出一种人流的移动模式聚类算法:时空密度聚类(Spatio-Temporal Density-Based Spatial Clustering of Applications with Noise,ST-DBSCAN);接着设计了一个移动模式的交通应用场景,并提出对移动模式的评价方法;最后在中国某城市的真实数据集上进行实验与分析,结果表明本文得到的移动模式结果在统一交通服务的场景下可节省25%的交通成本,验证了本文所提移动模式的有效性。