摘要：面向国产异构众核处理器超级计算机发展趋势,实现了基于CPU+DCU国产异构并行系统的大规模并行高阶矩量法。在同构并行矩量法负载均衡策略的基础上,提出了一种“MPI+openMP+DCU”的高效异构并行编程框架,解决了计算任务与计算能力不匹配的问题,实现了矩量法异构并行计算过程的负载均衡。采用细粒度任务划分策略与异步通信技术,对深度计算处理器计算过程进行了流水线优化设计,实现了计算与通信重叠,提升了矩量法异构协同计算的效率。通过与有限元法的仿真结果对比,验证了CPU+DCU异构并行矩量法的准确性。基于国产深度计算处理器异构平台的可扩展性分析结果表明,与单纯CPU计算相比,所实现的CPU+DCU异构协同计算方法能够获得5.5~7.0倍的加速效果,且在国家超级计算西安中心能够实现全系统运行,并行规模从360节点扩展到3 600节点(共1 036 800个处理器核心),并行效率可以达到约73.5%。

摘要：目的 现有基于对抗图像的隐写算法大多只能针对一种隐写分析器设计对抗图像,且无法抵御隐写分析残差网络(steganalysis residual network,SRNet)、Zhu-Net等最新基于卷积神经网络隐写分析器的检测。针对这一现状,提出了一种联合多重对抗与通道注意力的高安全性图像隐写方法。方法 采用基于U-Net结构的生成对抗网络生成对抗样本图像,利用对抗网络的自学习特性实现多重对抗隐写网络参数迭代优化,并通过针对多种隐写分析算法的对抗训练,生成更适合内容隐写的载体图像。同时,通过在生成器中添加多个轻量级通道注意力模块,自适应调整对抗噪声在原始图像中的分布,提高生成对抗图像的抗隐写分析能力。其次,设计基于多重判别损失和均方误差损失相结合的动态加权组合方案,进一步增强对抗图像质量,并保障网络快速稳定收敛。结果 实验在BOSS Base 1.01数据集上与当前主流的4种方法进行比较,在使用原始隐写图像训练后,相比于基于U-Net结构的生成式多重对抗隐写算法等其他4种方法,使得当前性能优异的5种隐写分析器平均判别准确率降低了1.6%;在使用对抗图像和增强隐写图像再训练后,相比其他4种方法,仍使得当前性能优异的5种隐写分析器平均判别准确率降低了6.8%。同时也对对抗图像质量进行分析,基于测试集生成的2 000幅对抗图像的平均峰值信噪比(peak signal-tonoise ratio,PSNR)可达到39.925 1 dB,实验结果表明本文提出的隐写网络极大提升了隐写算法的安全性。结论 本文方法在隐写算法安全性领域取得了较优秀的性能,且生成的对抗图像具有很高的视觉质量。

摘要：为解决数据不足对深度学习模型带来的泛化性能较差的问题,研究非欧几里得图的数据增强,在改进半监督节点分类的节点嵌入方法的背景下,提出双向数据增强图卷积网络(TDA-GCN),设计子图增强法,对子图上每一个节点进行增加或删除其相邻的边,其中图熵变化最小的作为增强图,从增强图和原始图的拓扑结构和节点属性中提取嵌入,利用注意力机制自适应融合学习到的嵌入。实验结果表明,该方法优于目前流行的方法,取得了较好结果。

摘要：针对角速度状态受限条件下的刚体飞行器姿态镇定控制问题,提出一种基于扰动观测器的时变状态增益有限时间姿态控制方法.针对基于修正型罗德里格斯参数(MRPs)描述的刚体飞行器姿态控制模型,首先,利用齐次性理论并充分考虑到系统的模型结构特点,设计一种带有角速度约束项的有限时间姿态控制器,使得系统有限时间镇定;其次,在初始状态满足受限条件的情况下,角速度在任意时刻都可以被约束在期望的范围内;然后,针对存在外部干扰的姿态环动力学系统,提出一种带扰动估计补偿的复合有限时间姿态镇定控制器;最后,通过与其他两种控制方法的仿真比较,验证了所提出控制方案的有效性和优越性.

摘要：人工智能的发展为信息隐藏技术带来越来越多的挑战,提高现有隐写方法的安全性迫在眉睫.为提高图像的信息隐藏能力,提出一种基于U-Net结构的生成式多重对抗隐写算法.所提算法通过生成对抗网络与隐写分析器优化网络、隐写分析对抗网络间的多重对抗训练,构建生成式多重对抗隐写网络模型,生成适合信息隐写的载体图像,提高隐写图像抗隐写分析能力;同时,针对现有生成对抗网络只能生成随机图像,且图像质量不高的问题,设计基于U-Net结构的生成式网络模型,将参考图像的细节信息传递到生成载体图像中,可控地生成高质量目标载体图像,增强信息隐藏能力;其次,采用图像判别损失、均方误差(MSE)损失和隐写分析损失动态加权组合作为网络迭代优化总损失,保障生成式多重对抗隐写网络快速稳定收敛.实验表明,基于U-Net结构的生成式多重对抗隐写算法生成的载体图像PSNR最高可达到48.60 dB,隐写分析器对生成载体图像及其隐写图像的判别率为50.02%,所提算法能够生成适合信息嵌入的高质量载体图像,保障隐写网络快速稳定收敛,提高了图像隐写安全性,可以有效抵御当前优秀的隐写分析算法的检测.

摘要：传统的K-Modes算法中,初始聚类中心是随机选取的,聚类结果过分依赖初始聚类中心的选择,影响聚类效果。在很多K-Modes算法的研究中假设数据是独立同分布的,在现实的数据中,数据对象和属性之间是根据某些耦合关系彼此关联的,是非独立同分布的。针对这两方面问题,通过基于层次聚类进行预聚类的方法改进选取初始中心的方法,引入非独立同分布思想计算相异度量,进行实验验证。实验结果表明,通过改进初始中心的选取方法和相异度量的计算方法很好改进了K-Modes算法,提高了算法的聚类精度。

摘要：针对多目标优化给传统多目标粒子群算法(Multi-objective Particle Swarm Optimization,MOPSO)带来的收敛速度慢、解分布不均导致算法多样性差的问题,提出一种基于速度约束(Speed-constraints)和全局多样性(Global Diversity)的MOPSO算法。利用粒子速度更新过程中引入新的速度引导方向并融入收缩控制因子来增强粒子的全局搜索能力和局部开发能力;通过精英库中非支配解的多样性信息评估最优解的分布状态,设计全局最优解选择机制自适应选择最优解,提高算法的多样性。实验结果表明,与其它现有算法相比较,上述算法反向代距离和超体积均有明显改善,获得的可行性解更均匀地分布到Pareto前沿。

摘要：为了提升智能机器人位置自标定的精准度、稳定性,降低用时,设计基于粒子滤波的智能机器人位置自标定算法。根据智能机器人相邻连杆位置关系,描述机器人正运动学,通过粒子初始化、位置更新、权值更新、重组的粒子滤波方法标定机器人的模糊位置。根据三球座设备在机器人外部架构世界坐标系,将末端工具坐标系转换到世界坐标系中,令正运动学的起始点从基座变为三球座设备,根据机器人与设备间装配关系建立世界坐标系与基坐标系的变换矩阵,推导出位置自标定的线性模型,完成智能机器人位置自标定。仿真结果表明,该算法的自标定精准度较高、稳定性较高,标定用时较短,修正效果好,能满足快速标定需求。

摘要：深度跨模态哈希算法(deep cross-modal Hash,DCMH)可以结合哈希算法存储成本低、检索速度快的优点,以及深度神经网络提取特征的强大能力,得到了越来越多的关注。它可以有效地将模态的特征和哈希表示学习集成到端到端框架中。然而在现有的DCMH方法的特征提取中,基于全局表示对齐的方法无法准确定位图像和文本中有语义意义的部分,导致在保证检索速度的同时无法保证检索的精确度。针对上述问题,提出了一种基于多模态注意力机制的跨模态哈希网络(HX_MAN),将注意力机制引入到DCMH方法中来提取不同模态的关键信息。利用深度学习来提取图像和文本模态的全局上下文特征,并且设计了一种多模态交互门来将图像和文本模态进行细粒度的交互,引入多模态注意力机制来更精确地捕捉不同模态内的局部特征信息,将带有注意的特征输入哈希模块以获得二进制的哈希码;在实行检索时,将任一模态的数据输入训练模块中来获得哈希码,计算该哈希码与检索库中哈希码的汉明距离,最终根据汉明距离按顺序输出另一种模态的数据结果。实验结果表明:HX_MAN模型与当前现有的DCMH方法相比更具有良好的检索性能,在保证检索速度的同时,能够更准确地提炼出图像和文本模态的局部细粒度特征,提高了检索的精确度。

摘要：蛋白质二级结构包含充分的蛋白质信息,而且蛋白质二级结构是研究蛋白质三级结构和药物设计的基础,因此,本文提出了一种基于Wasserstein生成对抗网络(WGAN)和残差网络(ResNet)的蛋白质8态二级结构预测的方法。该方法首先通过Wasserstein生成对抗网络(WGAN)提取蛋白质特征,将其与PSSM结合成新的特征集合,然后将新的特征集合输入到残差网络(ResNet)预测并得到最终结果。经过实验,该方法在测试集CASP10-14和CB513中的Q8预测准确率分别为73.21%,72.43%,71.67%,69.83%,70.17%和73.89%。通过实验表明,Wasserstein生成对抗网络(WGAN)具有出色的特征提取能力,ResNet能够有效地训练深层网络结构,从而提高蛋白质二级结构的预测精度。