新工科人工智能创新人才培养的教学设计与实践——以计算机视觉课程为例

针对人工智能技术飞速发展对高等教育新工科专业提出的“多学科交叉汇聚,多技术跨界融合”人才培养需求,分析了计算机视觉课程的现状及问题。在古语“夫合羹之美,在于合异”的启示下,从融合多维教学资源,实施多样学习活动,培养多元创新能力等方面,提出了开展计算机视觉课程的教学创新设计的途径。

大数据背景下计算机科学与技术运用研究

该文从大数据的概念和特征入手,分析了计算机科学与技术在大数据时代的发展趋势和面临的挑战,重点介绍了计算机科学与技术在大数据时代的主要应用领域,包括云计算和分布式系统、数据挖掘和机器学习、信息安全和隐私保护、人工智能和智能服务等,并探讨了计算机科学与技术在大数据时代的创新方法和策略,包括跨学科交叉与融合、开放协作与共享平台、需求驱动与问题导向、实验验证与应用推广等,旨在为计算机科学与技术在大数据时代的发展提供一些参考和启示。

人工智能背景下面向计算思维能力培养的《计算机组成原理》教学改革与实践

计算思维作为继科学思维和实验思维后的第三大思维方式,是信息化时代人们认识和解决问题的基本能力之一,也是应对人工智能挑战的必备思维能力。《计算机组成原理》作为计算机类专业重要的必修课程,需要进行教学改革,培养学生的计算思维能力。结合实际教学工作,介绍了基于计算思维能力培养的《计算机组成原理》课程全面改革,通过教学内容重构、“问-思-做-评”教学方法,及“产出导向”的多元化考核评价等方面的改革与实践,培养学生计算思维能力,提高他们解决问题和创新能力,以适应人工智能时代的挑战和需求。

一种面向随机计算卸载的两层无人机能耗优化方法

当物联网设备(Internet of Things Device,IoTD)面临随机到达且复杂度高的计算任务时,因自身计算资源和能力所限,无法进行实时高效的处理。为了应对此类问题,设计了一种两层无人机辅助的移动边缘计算(Mobile Edge Computing,MEC)模型。在该模型中,考虑到IoTD处理随机计算任务时的局限性,引入多架配备MEC服务器的下层无人机和单架上层无人机进行协同处理。为了实现系统能耗最优化,提出了一种资源优化和多无人机位置部署方案,根据计算任务到达的随机性,应用李雅普诺夫优化方法将能耗最小化问题转化为一个确定性问题,应用差分进化(Differential Evolution,DE)算法进行多次变异、交叉和选择取得无人机的优化部署方案;采用深度确定性策略梯度(Depth Deterministic policy Gradient,DDPG)算法对带宽分配、计算资源分配、传输功率分配和任务卸载分配进行联合优化。实验结果表明,该算法相较于对比算法系统能耗降低35%,充分验证了其可行性和有效性。

基于计算重用的无人机辅助边缘计算系统能耗优化

针对复杂地形下时延敏感任务对终端用户的计算需求激增问题,该文提出一种无人机(UAV)辅助的移动边缘计算可重用任务的协同计算卸载方案。首先,通过联合优化用户卸载策略、用户传输功率、无人机上服务器分配、用户设备的计算频率和无人机服务器的计算频率以及无人机的飞行轨迹,构建满足时延约束下最小化系统平均总能耗的系统模型。其次,通过深度强化学习求解该优化问题,并提出了基于柔性动作-评价(SAC)的优化算法。该算法采用最大熵的策略来鼓励探索,以增强算法的探索能力并加快训练的收敛速度。仿真结果表明,基于SAC的算法能有效降低系统的平均总能耗,并具有较好的收敛性。

基于数据压缩的无人机边缘计算卸载优化

数据压缩技术通过压缩计算任务可以降低移动边缘计算(Mobile edge computing,MEC)网络中终端用户的卸载能耗。针对终端用户与基站之间的通信链路被障碍物阻挡对通信质量有影响问题,为满足应急通信和节能卸载需求,提出了一种无人机搭载中继设备和边缘服务器辅助MEC中基于数据压缩的任务卸载方案。考虑任务压缩比例、系统资源和无人机机载能量等约束条件,建立用户总能耗最小化问题。将该非凸优化问题建模成一个马尔可夫决策过程,使用深度强化学习中柔性演员?评论家算法求解。仿真结果表明,所提方案具有良好的收敛性,与基准算法相比,能耗降低了24.7%~42.2%。

融合物理信息的热带气旋强度估计

热带气旋强度的精确估计是进行有效强度预测的基础工作,对于灾害预报至关重要.当前基于深度学习的热带气旋强度估计技术展现出了优越的性能,但仍然存在着物理信息融合不足的问题.因此,本文基于深度学习框架,提出一种融合物理信息的热带气旋强度估计模型(physical factor fusion for tropical cyclone intensity estimation,PF-TCIE),来估计西北太平洋的热带气旋强度.PF-TCIE由多通道卫星云图学习分支和物理信息提取分支组成.多通道卫星云图学习分支用于提取热带气旋云系特征,物理信息提取分支用于提取物理因子特征,来约束云系特征的学习.本文数据选用葵花-8卫星资料和ERA-5再分析资料.实验证明,在引入多个通道后,模型的RMSE误差较单通道降低了3.7%.同时,物理信息的引入使模型的误差进一步下降了8.5%.PF-TCIE的RMSE最终达到了4.83 m/s,优于大部分深度学习方法.

基于差分直方图的LSB图像隐藏信息盲检测技术的研究

提出了一种基于差分直方图的LSB图像隐藏信息盲检测技术。该算法的基本思想是在分析和提取图像差分直方图统计特征的基础上,采用随机假设检验方法检测隐藏信息嵌入概率,从而实现图像隐藏信息的盲检测。仿真实验结果表明,该算法在提高检测速度的同时,能有效降低盲检测的虚警率和误报率。

基于多无人机的空中计算网络资源分配算法

空中计算(over-the-Air Computation,AirComp)是一种有效提升分布式数据聚合效率的方法.现有研究大多采用单无人机(Unmanned Aerial Vehicle,UAV)方案,未考虑数据聚合质量和系统稳定性.为此,本文提出一种基于多UAV辅助的AirComp网络,旨在实现多个地面移动传感器(Ground Mobile Sensor,GMS)的高效聚合.为了改进数据采集质量并全面反映系统性能,本文设计了一个多约束优化问题,通过联合优化UAV-GMS关联、UAV三维(Three Dimensional,3D)部署、UAV去噪因子以及传输功率分配,以最大化系统的最小可达速率.针对多约束优化问题的非线性特征,本文提出一种AirComp网络下多UAV辅助的深度确定性策略梯度优化算法(DeepDeterministicPolicyGradient-basedoptimizationalgorithmformulti-UAVcooperationinAirCompnetwork,AirDDPG-UAV),用以协助多UAV在复杂环境下快速响应聚合任务.该算法利用深度强化学习的确定性策略对网络中的状态、行为和奖励进行优化,以最大化系统最小可达速率.数值结果显示,AirDDPG-UAV算法在保证较低的系统能耗和计算复杂度前提下,能够使系统最小可达速率提高15%,表明本文所提方案适用于分布式数据聚合,可以有效提高数据聚合效率.

一种基于LSB的改进信息隐藏算法及实现

传统的LSB算法是将私密信息以二进制的形式嵌入到载体像素值的最低有效位,这样对图像的质量负面影响可以降到最小。本文提出了一种将过滤技术与LSB算法相结合的信息隐藏算法。利用过滤技术增强图片质量,利用LSB算法进行私密信息的嵌入。改进型的LSB算法比原算法具有更高信息存储量以及更高信息安全性等优点。

基于边缘计算的无人机通感融合网络波束成形与资源优化

为了解决传统通信−感知融合网络模式对地面基础设施的依赖,针对复杂场景下通感融合网络系统功耗较大、信号阻塞、覆盖盲区等问题,提出了一种无人机搭载边缘计算服务器与雷达收发器辅助通感融合网络。首先,在满足用户传输功率、雷达估计信息率、任务卸载比例限制的条件下,通过联合优化无人机雷达波束成形、计算资源分配问题、任务卸载量划分、终端用户发射功率和无人机飞行轨迹,建立系统总能耗最小化问题;其次,将该非凸优化问题重新构建为一个马尔可夫决策过程,使用深度强化学习中的近端策略优化算法实现系统的优化决策。仿真结果表明,所提算法训练速度较快,能够在保证应用的感知与计算时延需求的同时有效降低系统能耗。

基于多智能体强化学习的多无人机边缘计算任务卸载

研究了一种多无人机UAVs辅助移动边缘计算(Mobile Edge Computing,MEC)任务卸载方案,通过联合优化任务划分、卸载关联、无人机轨迹和资源分配,实现系统能耗最小化。由于计算任务生成的随机性和用户移动的不可预测性,该问题不仅是一个非凸整数规划问题,更是一个需要实时决策、长期考虑的目标优化问题,传统离线算法难以求解。提出一种基于多智能体强化学习(Multi-Agent Reinforcement Learning,MARL)的任务卸载方法,采用集中式训练-分布式执行架构,根据网络状态的观测做出实时决策。将问题建模为马尔科夫决策模型,基于多智能体近端策略优化算法进行训练,通过不断学习以优化自身策略。针对Actor网络,使用Beta分布改进其策略分布的采样,以适应有界的混合动作空间,引入注意力机制以提升状态值函数的拟合性能,加速算法收敛。仿真结果表明,相比基准方案,所提方法收敛速度提升了10%~30%,用户与无人机的加权能耗降低了22.5%~31.6%。

智能配电网边缘计算研究现状与展望

随着人工智能和物联网技术的快速发展,配电网正逐步走向智能化。但是海量数据使云计算面临时延变长、网络拥堵、隐私泄露等问题。边缘计算作为一种新的计算范式,可以通过网络边缘节点,有效解决上述问题,在智能配电网中的应用日益广泛。本文针对近年来智能配电网边缘计算技术进行了综述。首先概述智能配电网的特征以及在该应用场景中边缘计算的定义和架构;其次从不同维度分析了应用现状,包括故障诊断与检测、数据分析、优化调度和数据安全与保护,最后对智能配电网场景下的研究挑战进行了总结,提出数据精细化管理、资源模块化共享、边缘安全性维护3个方面的研究展望。

协同边缘网络中智能计算卸载与资源优化算法

针对具有依赖关系的计算密集型应用任务面临的卸载决策难题,提出了一种基于优先级的深度优先搜索调度策略。考虑到用户能量受限和移动性,构建了一种联合用户下行能量捕获和上行计算任务卸载的网络模型,并在此基础上建立了端到端优化目标函数。结合任务优先级及时延约束,利用深度强化学习自学习的优势,将任务卸载决策问题建模为马尔科夫模型,并设计了基于任务相关性的Dueling Double DQN(D3QN)算法对问题进行求解。仿真数据表明,所提算法较其他算法能够满足更多用户的时延要求,并能减少9%~10%的任务执行时延。

终端直通辅助的移动边缘计算任务动态卸载方案

针对密集型应用任务面临着网络服务资源受限且无法满足日益增长的用户需求这一问题,提出了一种终端直通(Device-to-Device,D2D)辅助的移动边缘计算(Mobile Edge Computing,MEC)任务卸载架构,利用D2D协作中继技术,可将计算量大的任务通过D2D链路卸载到远端MEC服务器进行处理。其研究目标是为每个任务选择最优的卸载策略实现系统能耗最小化,即在本地执行任务,直接卸载到D2D设备,或在最合适的D2D设备帮助下卸载到MEC服务器。考虑到边缘网络的高动态特性,设计了D2D协同的边缘网络系统模型,并在此基础上构建了受时延约束的端到端优化目标函数。利用深度强化学习自学习的优势,将任务卸载决策问题建模为马尔可夫模型,并采用双深度Q网络(Double DQN,DDQN)算法对问题进行求解。仿真数据表明,提出的D2D协同计算方案较其他算法能有效降低移动用户的任务执行能耗。

元宇宙:概念、技术及应用研究综述

网络技术、人机交互和人工智能等技术的飞速发展催生了元宇宙,并进一步促进人们物质生活各个方面的数字化转型.2021年是元宇宙元年,元宇宙作为一个新兴的概念受到产业界、学术界、媒体界及公众的广泛关注.本文尝试从技术维度和应用角度深度剖析元宇宙.首先,从定义、起源与发展、特征和关键技术(网络及运算技术、物联网技术、人机交互技术、电子游戏技术、区块链技术、数字孪生技术和其他技术)等多方面对元宇宙的概念及内涵进行论述;然后,讨论了当下布局元宇宙的企业和应用实例;最后,剖析了目前元宇宙发展存在的问题和机遇,并对未来研究与应用进行了展望.通过对元宇宙当前的发展状况、研究趋势进行归纳分析以及科学地评估元宇宙的落地应用,为元宇宙研究人员提供有益的参考和借鉴.

融合多源异构气象数据的光伏功率预测模型

高精度光伏功率预测对提高电力系统运行效率具有重要意义。光伏功率受多种因素影响,其中云层的变化是最主要的不确定因素。传统光伏功率预测方法没有充分考虑云的3维结构和气象要素对光伏功率的影响。因此,该文提出一种融合多源异构气象数据的多源变量光伏功率预测模型(MPPM)。MPPM的核心包括时空条件扩散模型(STCDM)、注意力堆叠LSTM网络(ASLSTM)和多维特征融合模块(MFFM)。STCDM模型通过对2维卫星云图进行精确预测,消除了云层边界处的模糊现象。ASLSTM模型则提取了3维天气研究与预报模式(WRF)气象要素特征。MFFM模块将2维卫星云图特征和3维WRF气象要素特征进行融合,以得到未来1 h光伏功率预测结果。该文分别利用STCDM模型和MPPM模型开展卫星云图预测实验和光伏功率预测实验。实验结果显示,STCDM模型预测1 h内卫星云图的结构相似性指数(SSIM)达到0.914,MPPM模型预测1 h内光伏功率的相关系数(CORR)达到0.949,优于所有对比算法。

采用可逆信息隐藏技术的高性能彩色图像对比度增强算法

针对彩色图像可逆信息隐藏中相对较少的嵌入容量和数据嵌入后的图像质量问题,提出基于可逆信息隐藏的高性能彩色图像对比度增强算法.该算法将原始RGB图像转换成HSV(色调,饱和度,亮度)图像,在预处理时,合并像素直方图单侧2个高度最低的条柱,并设置一个失真阈值防止图像失真;数据嵌入过程中,在保持色调分量不变的同时增大单个像素能嵌入秘密信息的长度,且在增大数据嵌入量的同时减少了图像失真;在多次执行数据嵌入过程后,直方图实现均衡化,从而有效地增强图像的对比度.在Kodak和USC-SICI图像集上的实验结果表明,与同类算法(UCE和HSP算法)相比,所提算法在嵌入容量指标和色彩差异指标CIEDE2000的性能上分别平均提升28.6%和34.7%.

基于双层注意力和深度自编码器的时间序列异常检测模型

目前时间序列通常具有弱周期性以及高度复杂的相关性特征,传统的时间序列异常检测方法难以检测此类异常。针对这一问题,提出了一种新的无监督时间序列异常检测模型(DA-CBG-AE)。首先,使用新型滑动窗口方法,针对时间序列周期性设置滑动窗口大小;其次,采用卷积神经网络提取时间序列高维度空间特征;然后,提出具有堆叠式Dropout双向门循环单元网络作为自编码器的基本结构,从而捕捉时间序列的相关性特征;最后,引入双层注意力机制,进一步提取特征,选择更加关键的时间序列,从而提高异常检测准确率。为了验证该模型的有效性,将DA-CBG-AE与6种基准模型在8个数据集上进行比较。最终的实验结果表明,DA-CBG-AE获得了最优的F1值(0.863),并且其检测性能相比最新的基准模型Tad-GAN高出25.25%。

基于改进YOLOv8的嵌入式道路裂缝检测算法

在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明:所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020(GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检测。