基于干涉和实时前馈实现三个量子节点的纠缠

纠缠多个空间分离的远程量子节点是构建量子信息网络的基础,不仅如此,多量子节点间的纠缠亦可应用于分布式量子计算和量子精密测量等,实现更高纠缠度的多量子节点间纠缠势在必行.文中基于干涉和实时前馈,借助于腔增强通过采用受激拉曼散射机制实现三个远距离原子系综的纠缠.该方案中只需要三套腔增强原子系统,光学谐振腔增强了光和原子之间的相互作用,使得通过受激拉曼散射产生的斯托克斯光场和反斯托克斯光场的效率得到提高,实现了高纠缠度的光与原子纠缠.在此前提下,基于斯托克斯光场的干涉和实时前馈实现三个远程原子节点间的纠缠.这种方法可以扩展到更大规模,甚至更加复杂的量子信息网络中,从而在量子信息科学中具有潜在的应用.

边缘计算环境中基于区块链的物联网解决方案

为了在提高物联网中数据可信度的同时提升处理效率,提出采用边缘计算进行数据处理,并在边缘计算环境中构建区块链用于数据安全保护。建立物联网设备层、边缘计算层和应用服务层三层物联网结构模型。对多边缘服务器的多用户多任务协同资源分配策略进行数学描述,实现边缘服务器的协同工作。采用智能合约模式实现物联网设备节点、物联网网关节点及边缘计算节点的可信认证,实现物联网用户任务的边缘接入和边缘计算。试验结果表明,相比于云计算,在边缘计算环境中采用区块链策略,既能够提高物联网中常见任务的执行效率,又能降低能耗,同时区块链智能合约则为物联网节点的通信质量提供了有效保障。

面向区块链通道瞭望塔技术的研究

当前主流加密货币如比特币和以太坊的吞吐量受限于其共识机制的出块速率,而修改其共识机制需要的周期很长.支付通道技术可使得主流加密货币在不修改共识机制的基础上有效提高区块链系统的吞吐量.在此情形下,需要通过用户阶段性上线以保障通道未被非法关闭,瞭望塔技术作为第三方为用户监视通道状态提供了支撑.但是,瞭望塔技术会受到数据存储、隐私保护、激励机制等因素的影响,为此,文章将对多种瞭望塔方案按照基础通道技术的不同进行分类,然后对这些方案从整体设计、数据存储、隐私保护等多角度进行分析与比较,并总结了这些方案的优缺点,最后针对当前瞭望塔技术的不足,提出了完善性的建议.

基于数据挖掘的教学信息分析技术研究

针对高校教育输出和社会所需人才不对等的问题,设计一种基于Apriori优化算法和MapReduce结合的一种教学信息分析技术,将高校中一些非结构化数据进行离散化,计算支持度和可信度,挖掘出隐藏的决策信息,进而将其转换为有价值的数据,该方法可以解决海量数据优化分析,提高分析效率,有效克服高校教学信息分布的分散性、不均匀性,使得在线有价值信息能够高效获取,从而制定更适合学生的教学方法.通过实例证明了该算法在处理海量数据集时具有较高的效率.

动量余弦相似度梯度优化图卷积神经网络

传统梯度下降算法仅对历史梯度进行指数加权累加,没有利用梯度的局部变化,造成优化过程越过全局最优解,即使收敛到最优解也会在最优解附近震荡,其训练图卷积神经网络会造成收敛速度慢、测试准确度低。利用相邻两次梯度的余弦相似度,动态调整学习率,提出余弦相似度梯度下降(SimGrad)算法。为进一步提升图卷积神经网络训练的收敛速度和测试准确度,减少震荡,结合动量思想提出动量余弦相似度梯度下降(NSimGrad)算法。通过收敛性分析,证明SimGrad算法、NSimGrad算法都具有O(√T)的遗憾界。在构建的三个非凸函数进行测试,并结合图卷积神经网络在四个数据集上进行实验,结果表明SimGrad算法保证了图卷积神经网络的收敛性,NSimGrad算法进一步提高图卷积神经网络训练的收敛速度和测试准确度,SimGrad、NSimGrad算法相较于Adam、Nadam具有更好的全局收敛性和优化能力。

应用线性方程组理论证明矩阵秩的性质

利用矩阵秩的定义证明矩阵秩的性质时,需要使用行列式的性质,证明过程较为复杂。线性方程组解的理论与矩阵秩的内在联系,使得用线性方程组解的理论证明矩阵秩的性质成为可能。应用线性方程组解的理论,可将矩阵秩的等式证明转化为线性方程组解空间相等的证明;将矩阵秩的不等式的证明转化为解空间包含的证明。从行列式性质法的证明转化为集合间关系的证明,不仅简化了矩阵秩的性质的证明,而且证明过程便于理解。

基于昇腾AI处理器的轻量化MNG-YOLO模型研究

随着目标检测神经网络算法精度不断提升,算法的参数量以及计算量都有着较高的增长,导致模型实际应用部署困难,因此对神经网络模型进行轻量化,减少模型的参数量和计算量对模型部署在边缘设备上是至关重要的。昇腾AI处理器是华为推出的一款专用于神经网络加速的芯片,为充分发挥昇腾AI处理器的优势并解决算法模型较为庞大的问题,基于此平台提出一种轻量化目标检测模型MNG-YOLO,对YOLO模型采用轻量级主干网络和Ghost卷积以减小模型大小,添加NAM注意力模块和Mish激活函数提升模型准确率。实验结果表明,MNG-YOLO模型相比于原始模型参数量以及计算量均减少约75%,参数量从7 015 519个减少至1 739 799个,计算量从15.8 GFLOPs减少至3.5 GFLOPs,模型精确度也由95.9%提升至97.5%。同时,在昇腾AI处理器上的推理速度达到205 FPS,远超实时性检测的速度要求。

基于改进YOLOv5的车辆检测方法研究

基于YOLOv5s对交通道路上前方车辆的检测进行了研究,为提高车辆检测精度,对原YOLOv5s网络模型进行了改进。首先,将Mish激活函数应用于YOLOv5s模型之中代替原有的ReLU函数,使用更平滑的Mish激活函数有效避免梯度消失的问题。其次,采用BiFPN作为特征金字塔,增加了特征传递的信息通道,提升模型的感知能力和上下文信息的关联能力。最后,引入EIoU作为损失函数的一部分,准确地表示预测框和真实框之间的位置关系,间接地使收敛速度提升。在D2⁃City数据集上的实验表明,改进后的YOLOv5s平均精度mAP0.5为84.2%,比原始YOLOv5s算法提升了2个百分点。

基于DDRQN的认知无线电频谱共享

研究多个主用户动态访问多个信道,而多个次用户对主用户的行为一无所知且对频谱状态部分可观测情况下,次用户的动态频谱接入问题。为了解决多用户多信道的复杂认知无线电网络环境中状态空间部分可观测环境导致的高计算量问题,充分利用与认知无线电网络一样具有认知能力且具有强大自适应性的深度强化学习技术DDRQN方法,通过在线学习找到最优频谱接入策略。利用DDRQN方法的目标是学习一种碰撞率低且信道利用率高的信道访问策略,同时基于DDRQN方法提高代理的可扩展性,以应对多速率和多代理场景的多种问题。

基于深度学习的家政服务推荐系统设计

21世纪是一个数据大爆炸的时代,推荐算法对于从海量数据中提取有效的信息发挥着重要的作用,在更好服务用户的同时也能带来巨大的商业价值。以家政服务行业为应用场景,利用深度神经网络[1]构建推荐模型,实现个性化推荐,在此基础上,使用Django框架开发出一款基于深度学习的家政服务推荐系统。

基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_(Cr))、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。

融合粒度划分的回归标签噪声过滤方法

机器学习算法的性能与数据质量密切相关,然而实际数据中可能存在各类噪声,如何处理标签噪声是机器学习的重要挑战之一.由于回归标签噪声的复杂性,现有噪声过滤方法在处理数值型标签噪声时效果不够理想.本文首先通过标签离散化方式提出一种基于粒度球的数值型标签噪声估计方法,然后给出标签含噪时回归模型的泛化误差估计,并将其作为噪声过滤的目标函数进行优化,最后将所提噪声估计方法与目标函数结合设计了粒度球标签噪声过滤(Granular Ball Label Noise Filtering,GBNF)方法.在标准数据集和真实年龄估计数据集的实验结果表明,该方法识别标签噪声的准确率较高,并取得了比其他噪声过滤比较方法更好的测试性能.

基于LBP和注意力机制的改进VGG网络的人脸表情识别方法

为了提高训练速度和人脸表情识别效果,提出一种基于局部二值模式(Local Binary Pattern,LBP)和注意力机制的改进视觉几何群网络(Visual Geometry Group Network,VGG网络)的人脸表情识别方法。首先,通过LBP获取数据集的纹理特征。其次,利用全局平均池化层代替全连接层,并在基准模型卷积层后和全局平均池化层前引入注意力模块,创建新网络模型NEW-VGG;通过对NEW-VGG做消融实验,验证模型改进的正确性。最后,融合LBP+NEW-VGG模型对CK+和Fer2013两种数据集进行10倍交叉验证,取得了97.98%和76.75%的识别率。实验结果表明,该方法不仅能加快网络训练迭代速度,增强人脸表情识别效果,还具有较强的鲁棒性。

基于SOA的光子脉冲LIF神经元研究

脉冲神经网络与传统人工神经网络相比,具有硬件友好性和低能耗的优点。而光子脉冲神经网络与电脉冲神经网络相比具有速度快、能耗低、传输容量大和抗电磁干扰能力强等优点。基于半导体光放大器(SOA)设计了一种新的光子脉冲神经元模型—LIF(泄漏积分与发射)模型,实现了信号的加权、延迟、积分和阈值判决等功能,并在此基础上探索了该LIF模型在数字逻辑中的应用。实现了基于该模型的“异或”逻辑功能,并改进了一种具有兴奋性和抑制性神经元,通过光通信仿真软件得到LIF模型、“异或”逻辑和具有兴奋性和抑制性神经元良好的输出。

基于三平行MZM的无滤波16倍频毫米波生成方案

为了提高生成毫米波倍频数的同时降低系统复杂度,提出了一种基于三平行马赫-曾德尔调制器的无滤波16倍频毫米波生成方案。该方案利用两个并联的马赫-曾德尔调制器产生载波和8阶光边带,通过调节第三个马赫-曾德尔调制器的直流偏置电压抑制载波,经光电探测器拍频得到16倍频毫米波信号。对16倍频毫米波产生的原理进行了详细分析,并通过仿真对方案的可行性进行了验证,其光边带抑制比和射频杂散抑制比分别为29.7 dB和24.6 dB。根据仿真结果分析了调制深度的偏移、消光比、MZM-3的直流电压偏移及MZM-1与MZM-2射频信号相位差对系统的影响,结果显示在一定的偏差范围内系统仍可获得良好的性能。

阵列波导AR显示系统出瞳面光均匀性优化及漏光抑制

阵列波导增强现实显示系统部分反射镜反射率参数组合多,手动优化耗时且难以获得优化的参数组合,导致显示均匀性不佳。为此结合Python与LightTools对阵列波导各个部分反射镜反射率进行自动优化,获得优化的反射率参数组合;基于人眼角分辨率极限要求,利用蒙特卡罗方法对波导基板上下表面和部分反射镜阵列的平行公差要求进行仿真分析,在此基础上优化设计了阵列波导显示系统,提出了在阵列波导出光面镀增透膜的漏光抑制方法,进而开发了视场角为40°、出瞳均匀性达83%的阵列波导增强现实显示样机。样机在颜色均一性和还原性等指标方面有显著优势,实现了高出瞳面光均匀性,且明显降低了漏光。

融合渐进式策略的轻量化特征点提取与匹配方法

针对基于SuperPoint网络的特征匹配方法在光照、姿态、角度等挑战下,特征点提取准确率低、计算参数量大的问题,提出了一种融合渐进式策略的轻量化特征点提取与匹配方法。首先,利用深度可分离卷积对SuperPoint网络进行结构调整,以降低模型参数计算量;其次,在特征提取部分搭建注意力模块增强网络在空间上的特征提取能力,并设计渐进式多尺度特征融合模块捕获目标细节,增强特征的表达能力;最后,利用SuperGlue算法对所得到的特征点进行匹配。在Hpatches数据集上进行实验分析,实验结果表明,所提算法在光照变换场景下匹配平均准确率(mAP)和特征点重复度(Rep)达到了86%和70%,在视角变换场景下mAP和Rep达到了78%和68%。所提算法不仅在特征匹配中表现出一定的优势,同时将其应用于视频拼接中也获得了较好的效果。

句子级时序卷积网络的多模态抑郁症识别方法

针对多模态抑郁症模型在特征提取时,语句间关联性较弱,不同模态间的特征融合较为随意,在中文数据集上模型的泛化能力缺乏验证等问题,本文通过分析与抑郁症相关的音频、文本和视觉特征,提出了基于改进TCN模型的多模态抑郁症识别模型STCMN(Sentence-level Temporal Convolutional Memory Net-work),并将该模型应用于临床抑郁症辅助诊断当中。该模型首先使用残差块、GRU和Self-Attention的融合模块来提取不同模态下的句子级特征,增强了上下文联系,然后使用TCN模型来提取不同模态的全局特征,并使用Cross Attention对不同模态的全局特征以多模态融合特征为主进行融合,最后通过LogSoftmax层得到模型对抑郁症的识别结果。在DAIC-WOZ公开数据集上,本文所提出的方法对抑郁症识别的准确率达到了91.3%,精确率达到了93.6%,召回率达到了89.7%,其相关指标均优于其他方法,可以更好地满足临床医学的需求。在私有中文数据集MMD2022上,STCMN模型的识别结果仍为最优,表明该模型在中文抑郁症识别任务上具较好的泛化能力。

基于多元线性回归的空气质量指数预测模型

随着中国社会的发展和人口数量的增多,空气污染环境问题表现突出,对人们的生活环境以及生态系统造成严重破坏。本文基于《中国统计年鉴2022》的相关数据,选取PM_(10)、O_(3)、SO_(2)、PM_(2.5)、N0_(2)、CO六个影响空气质量指数的指标。首先,通过相关性分析模型验证六个影响指标都对空气质量指数有较强的相关性;其次,通过各污染物浓度计算相应污染物分指数,利用多元线性回归模型建立空气质量指数(air quality index, AQI)与各影响指标之间的数学模型,利用该模型对城市空气质量指数进行预测;最后,将真实值与预测值使用皮尔逊相关性检验对模型评估,准确率达到0.928,能够反映空气质量的总体状况。

基于双注意力机制的头影标志点检测研究

准确可靠的头影标志点检测在口腔正畸的临床诊疗和研究中至关重要,但在实践中存在标志点定位难度大、准度低以及速度慢等问题,因此为了降低检测难度,提高临床诊断的准确性和高效性,提出了一种结合多注意力机制的检测算法CenterNetSC。算法首先采用深度聚合网络DLA-34作为CenterNetSC的主干网络并用于特征提取;其次,通过在深度聚合网络中引入SE和CBAM两种注意力机制加强网络对卷积通道以及空间位置的全局感知;再次,在DLA-34网络之后加入可变形卷积捕捉对象的细节和局部信息;最后,模型在ISBI 2015 Grand Challenge的cephalometric X-rays两个测试集上分别实现了1.11 mm和1.37 mm的平均径向误差(MRE),以及2.0 mm定位误差范围内87.13%和77.03%的成功检测率(SDR)。较其他检测方法而言,CenterNetSC能够快速、准确地定位标志点,可以满足临床医学的需求。