群体智能及产业集群发展战略研究

群体智能是新一代人工智能的重要组成部分,在激发汇聚创新力量、耦合集成大规模智能系统方面发挥决定性作用,对于促进人工智能与传统产业的深度融合、推动国民经济持续发展都具有重大意义。本文凝练了群体智能的技术体系,总结了其主要的技术方向,包括:多智能体系统与优化决策、无人集群系统、开源群智软件和群智联邦学习等;论述了这些核心技术面向应用场景,形成感知-认知-决策-行动的智能化回路,以分布式数智化模式支撑平台经济,重塑产业发展和数字经济产业生态。根据上述技术体系的赋能对象和应用模式,深入分析了与群体智能相关的核心产业,特别是软件服务产业、智慧城市产业群、基于无人集群的智慧农业和智慧港口产业等对群体智能技术的不同需求和赋能路径。最后,提出了群体智能赋能相关产业的发展建议:持续推动群智开源社区的建设,打造人工智能科技创新生态系统的智力内核,加速无人集群系统的国产化替代、集成攻关和推广应用。

新工科与人工智能相结合的研究生教育模式

在人工智能时代到来、我国创新发展战略的双重背景下,我国高等教育深化改革进入新一阶段,培养具备国际化视野的复合型卓越工程技术人才成为当前我国高等教育机构新的使命和价值追求。在此背景下,本文从分析"人工智能+新工科"的创新培养模式内涵出发,分析在工程类学科研究生教育体系中融入创新创业教育的新模式和新路径。

基于数据表示不变性的域泛化研究

域泛化是人工智能近几年非常热门的一个研究方向,希望在不同的数据分布中学习到与任务相关的不变表征,即移除不同域在学习任务中的影响,从而提升模型的域泛化能力。为提升模型域泛化能力,利用基于不变性风险最小化的思想,具体将神经网络分为特征提取器和不变性分类器进行分别探究。在特征提取器上,采用了基于牛顿迭代的组白化方法来控制激活值的分布,从而使得不同的图像经过神经网络后能够去除部分域信息,以求达到域泛化的目的;在不变性分类器上,探究了特征和权重的规范化方法对模型域泛化效果的影响,并提出了基于余弦相似度损失函数的雪花算法,该算法提升了模型域泛化的准确率。此外,提供了关于雪花算法的理论推导并做了深入分析,为实验提供了理论支撑。

基于条纹投影轮廓术的航空高光零件三维测量技术

针对航空工业零件高光表面结构光三维测量中强反光和多次反光问题,提出了基于高动态多步相移和单像素成像相结合的三维测量技术,有效地解决了测量复杂反光表面时的点云缺失和精度下降问题。对标准量块进行三维测量和精度评价,基于高动态多步相移的三维测量技术拟合均方根误差为0.0066 mm,基于单像素成像的三维测量技术拟合均方根误差为0.0046 mm。以台阶标准器作为测量目标,开展绝对尺寸测量精度验证试验,绝对偏差不大于0.007 mm。分别对金属表面结构件(如航空发动机叶轮、涡轮叶片)和碳纤维结构件进行测量试验。试验结果表明,三维测量结果基本无点云缺失,强反光和多次反光区域均获取了完整的点云数据,实现了航空工业高光零件的精密三维测量。

数字孪生车间制造运营管理平台

数字孪生使能的制造信息物理融合是数字经济时代制造业发展的主流方向,数字孪生车间作为制造基础单元,能够基于可信数据和模型的融合决策实现面向多场景适配的制造运营管理能力提升。针对制造运营管理精益化、柔性化、智能化发展需求,以及制造运营管理能力与物理需求难适配、制造运营管理模式与物理状态难适用、制造运营管理策略与物理场景难适应的问题,提出了数字孪生车间制造运营管理平台,阐述了其系统组成、特点和关键技术。在此基础上,随着制造运营管理向着包含物理资源和虚拟资源的跨组织、跨企业智能化协同运营延伸,提出了跨组织/跨企业的“组织管理规范洞察决策改善”协同运营管理策略,为支撑车间内、企业内、跨企业等制造运营管理理论研究和应用落地提供系列理论和方法参考。

融入注意力机制的小样本遥感图像场景分类

遥感图像场景分类是计算机视觉领域的热点研究方向,对遥感图像场景及其语义理解意义重大。目前,基于深度学习的遥感图像场景分类方法在该领域占据主导地位。然而实际应用场景面临着样本数据较少、模型泛化能力较差的问题,致使基于深度学习的遥感图像场景分类方法实现难度较大,性能大幅下降。针对上述难点,提出了基于注意力机制的小样本遥感图像场景分类方法,设计了一种双分支判别结构进行相似性度量。该方法基于元学习训练策略对数据集进行任务制划分;为最大限度保留遥感图像中的特征分布,对输入图像进行重叠分块;在特征提取网络中引入轻量级注意力模块,降低过拟合风险并保证判别性特征的获取;在EMD(earth mover’s distance)距离的基础上设计添加双分支相似性度量模块,提升分类器的判别能力。实验结果表明,相较于经典小样本学习方法,所提出的小样本遥感图像场景分类方法能够显著提升分类性能。

神经辐射场加速算法综述

近年来,神经辐射场(NeRF)已成为计算机图形学和计算机视觉领域中一个重要的研究方向,因其高逼真的视觉合成效果,在真实感渲染、虚拟现实、人体建模、城市地图等领域得到了广泛的应用。NeRF利用神经网络从输入图片集中学习三维场景的隐式表征,并合成高逼真的新视角图像。然而原始NeRF模型的训练和推理速度都很慢,难以在真实环境下部署与应用。针对NeRF的加速问题,研究者们从场景建模方法、光线采样策略等方面展开对NeRF进行提速的研究。该类工作大致可分为以下研究方向:烘焙模型、与离散表示方法结合、提高采样效率、利用哈希编码降低MLP网络复杂度、引入场景泛化性、引入深度监督信息和分解方法。通过介绍NeRF模型提出的背景,对上述思路的代表方法的优势与特点进行了讨论和分析,最后总结了NeRF相关工作在加速方面所取得的进展和对于未来的展望。

用于骨架行为识别的时空卷积Transformer网络

针对基于图卷积的骨架行为识别方法在建模关节特征时严重依赖手工设计图形拓扑,缺乏建模全局关节间依赖关系的缺点,设计了一种时空卷积Transformer实现对空间和时间关节特征的建模。空间关节特征建模中,提出一种动态分组解耦Transformer,通过将输入骨架序列在通道维度进行分组并为每个组动态生成不同的注意力矩阵,允许建模关节之间的全局空间依赖关系,无需事先知道人体拓扑结构。时间关节特征建模中,通过多尺度时间卷积实现对不同时间尺度行为特征的提取。最后,提出一种时空-通道联合注意力模块,进一步对所提取到的时空特征进行修正。在NTU-RGB+D和NTU-RGB+D 120数据集的跨主体评估标准上达到了92.5%和89.3%的Top1识别准确率,实验结果表明了所提方法的有效性。

面向企业信用风险评估的多视角异质图神经网络方法

企业信用风险评估是一个重要且具有挑战的问题.由于金融市场中存在大量的异质关联关系,使得异质图神经网络天然适合建模企业信用风险.然而,现有大部分研究不能充分捕捉到复杂金融网络中企业的综合信用风险.针对此问题,提出了一个面向企业信用风险评估的多视角异质图神经网络方法——CRGNN.该方法包含自身风险编码器以及传染风险编码器,其中自身风险编码器建模基于企业特征信息的自身风险,传染风险编码器由新提出的分层异质图Transformer网络和分层异质图特征注意力网络2个子模块组成.这2个模块分别挖掘基于企业不同邻居视角的传染风险和基于不同特征维度视角的传染风险.为了充分利用异质关系信息,2个模块都采用了分层机制.在企业破产预测数据集SMEsD和企业信用评估数据集ECAD上进行了大量的实验,AUC指标相比最优基线模型分别提高了3.98个百分点和3.47个百分点.

室外大场景神经辐射场综述

对室外大场景进行三维建模,不仅可以完成实时的城市建图和漫游,还能为自动驾驶等提供技术支持。近年来,神经隐式建模的发展十分迅速,神经辐射场(NeRF)的出现更是将神经隐式建模推上了新的高度。NeRF凭借高质量渲染和任意角度渲染的特点,已经在可控编辑、数字化人体、城市场景重建等领域得到了广泛的应用。NeRF通过深度学习的方法从二维图片及其位姿中学习隐式三维场景,生成新视角图像。然而原始NeRF只能在有界场景下得到逼真的结果,在对室外大场景进行建模时,往往会面临无界背景、模型容量、场景外观等问题。基于室外大场景中NeRF部署的多个角度改进和多样的NeRF变种,首先介绍NeRF的背景,然后从室外大场景的难点切入,对各个难点的解决方法进行分析和讨论,最后对室外大场景NeRF目前的进展进行总结并对未来进行展望。

多视觉传感器协同弱小目标检测

多视觉传感器协同对空实现全区域覆盖的弱小目标检测,在近距离防空领域中具有重要意义。现有的全区域覆盖方法存在覆盖率低、随机性差等问题,弱小目标检测算法存在模型大、定位及分类准确性低等问题。提出了一种高效的对空全区域覆盖算法和轻量级弱小目标检测算法,通过结合最大面积优先法和最小曼哈顿离法改善存在覆盖死角和随机性差等问题。提出密集通道扩展网络(dense and channel expand network,DCENet)模型,基于轻量级稠密拼接和自适应尺寸通道扩展方法,在弱小目标数据集上获得了比原算法更有竞争力的平均精度结果。

深度学习在自然语言处理领域的研究进展

通过定量与定性相结合的方式全面分析了深度学习在自然语言处理领域的研究情况。采用CiteSpace和VOSviewer对深度学习在自然语言处理领域的研究国家、机构、期刊分布、关键词共现、共被引网络聚类及时间轴视图等进行知识图谱绘制,理清研究脉络。通过深入挖掘领域内的重要文献,总结深度学习在自然语言处理领域的研究趋势、存在的主要问题或发展瓶颈,并给出相应的解决办法与思路。对于如何跟踪深度学习在自然语言处理领域的研究成果给出建议,为该领域的后续研究与发展提供参考。

基于覆盖理论的高速强机动目标协同围捕策略

为了应对进攻性高超声速飞行器带来的威胁与挑战,基于覆盖理论提出了一种针对高速强机动目标的分布式协同围捕策略.首先,考虑飞行器与目标的机动特性,包括速度关系、最大过载比等参数,引入阿波罗尼奥斯圆的概念对围捕区域进行分析.然后,基于重叠角概念提出冗余覆盖策略,根据目标的逃逸边界给出初始飞行器最优数量,设计围捕队形使多飞行器的围捕区域能够对目标逃逸边界完全覆盖,在此基础上考虑多种约束设计围捕高速强机动目标的分布式协同制导律,使多飞行器能够完成所设计的围捕队形,达到目标被飞行器合围后无法逃脱的效果.最后,将上述覆盖策略分别在二维平面和三维空间进行数值仿真,验证了一致性协同制导律能够实现期望的围捕队形,所设计的围捕队形在目标作最大常值机动逃逸以及随机机动两种情况下均能捕获目标,证明了围捕队形和制导律的有效性和优越性.

基于集合效用边际贡献学习的可解释薪酬预测算法

知识技能对薪酬影响作用视为一种多变量影响下高维元素集合的效用建模问题.深度神经网络为解决复杂问题提供了新的机遇,但针对知识导向的细粒度薪酬预测问题,仍缺乏能够对复杂变量影响下的集合效用进行准确、可解释建模的神经网络结构.为此,提出一种基于边际贡献的增量式集合效用网络(marginal contribution-based incremental set utility network,MCISUN)来拟合元素加入时的效用增量,从而灵活且可解释地建模集合效用.区别于以往基于池化层的排列不变性建模算法,MCISUN构建顺序敏感的中间结果,利用集合的排列不变性实现数据增强,有效提升模型数据效率及泛化性.最后,大规模真实薪酬数据上的实验结果表明所提模型在基于技能的薪酬预测任务上比最先进的(state-of-the-art,SOTA)模型效果提升超过30%.同时,定性实验证明模型能够为技能设置合理的贡献值且发现技能间的关联.

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。

一种基于时空运动信息交互建模的三维人体姿态估计方法

三维人体姿态估计在虚拟现实和人机交互等领域具有重要作用。近年来,Transformer已被引入三维人体姿态估计领域,用于捕捉人体关节点的时空运动信息。然而,现有研究通常只关注于人体关节点群的整体运动,或只对单独的人体关节点运动进行建模,均没有深入地探讨每个关节点的独特运动模式及不同关节点运动间的相互影响。因此,提出了一种创新的方法,旨在细致地学习每帧中的二维人体关节点的空间信息,并对每个关节点的特定运动模式进行深入分析。通过设计一个基于Transformer编码器的运动信息交互模块,精确地捕捉不同关节点之间的动态运动关系。相较于已有直接对人体关节点的整体运动进行学习的模型,此方法能够使得预测精度提高约3%。与注重单节点运动的最先进MixSTE模型相比,该模型在捕捉关节点的时空特征方面更为高效,推理速度实现了20%以上提升,使其更适合于实时推理的场景。

基于群体智能成果的路径规划程序自动生成系统

路径规划算法被广泛地应用于各种运动规划任务,如机器人运动、自动驾驶等。迄今为止,许多优秀的路径规划算法被提出并被应用于不同领域。对于一个特定的任务环境,选择合适的路径规划算法能更高效地规划出满足约束条件的较优路径。基于群体智能成果,以遗传编程算法为框架,研究快速扩展随机树(RRT)路径规划算法及其变种RRT-Star路径规划算法、RRT-Star-Smart路径规划算法在不同任务环境下的适应度及路径规划效率,设计出一个路径规划程序自动生成系统。该系统能自主分析当前环境地图特征,并结合RRT路径规划算法及其变种算法的特性,生成新的、更适配当前环境的路径规划算法。生成的路径规划算法能高效地规划出一条从起始点到目标点的可行路径。

基于群体熵的机器人群体智能汇聚度量

群体行为往往能产生远超个体行为的价值和复杂度。为了在个体智能的基础上更有效地衍生出群体智能,需要基于群体熵来科学地衡量群体智能水平,并以群体熵为引导目标,推动群体智能的增强和演进。针对这个重要的科学问题,以无人小车群体为研究对象,提出基于参数共享和群体策略熵的多智能体soft Q learning算法,通过共享智能体的观测信息,并结合最大熵强化学习方法,实现探索型任务中群体策略的持续学习更新。同时,通过将群体熵定义为度量工具,刻画群体学习中熵变化模式,实现对群智汇聚过程的定量分析。

L波段数字航空通信系统技术发展现状与挑战

L波段数字航空通信系统(LDACS)具有大带宽、高速率、低延迟、高安全等优势,是未来通信基础设施(FCI)框架中重要的地空宽带通信数据链,也是国际民航组织(ICAO)认证的第一个真正实现通信、导航和监视(CNS)一体化的系统。首先分析了民航地空通信系统的发展需求,梳理了LDACS的发展现状,包括LDACS技术的提出、LDACS国际标准化的推进进程以及典型的应用场景。其次,介绍了LDACS的关键技术,包括频谱资源受限下空地宽带通信技术、L波段同频段信号电磁兼容技术、通导融合技术、基于航空电信网互联网协议簇(ATN/IPS)的移动性管理与多链路接入技术、数据安全传输技术等。最后,总结了中国民航LDACS的发展现状与面临的挑战。

基于光谱-空间注意力残差网络的高光谱图像分类

在高光谱图像分类任务中,引入注意力改变提取到的光谱和空间特征权重,有效突出重要特征,提高分类准确率。将注意力机制、残差网络和特征提取模块集成到分类框架中,引入中心区域光谱注意力机制,在避免干扰像素对波段权重影响的同时,利用周围像素增强中心像素波段,增强光谱特征的鲁棒性进而提取有效的光谱特征。并在此基础上提出了光谱-空间注意力残差网络,该网络可以从高光谱图像中连续提取到丰富的光谱特征和空间特征,并通过残差网络连接特征提取模块,缓解了精度下降问题,保证网络良好的分类性能。在4个公开数据集上,所提出的分类算法和其他算法相比,各项指标均达到最优。