基于多维社交关系嵌入的深层图神经网络推荐方法

社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题,从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络,或对多个社交网络进行线性叠加,使得用户社会属性难以充分参与计算,因而推荐的精度有限。针对该问题,提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐,该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络,通过注意力机制聚合不同类型的多邻居对节点生成作出贡献,并将多个图神经网络进行组合,从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系,直接在图上对相关信息进行不断更新计算,具有很强的归纳性,有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较,实验结果表明,所提方法在均方根误差(RMSE)和平均绝对误差(MAE)等推荐精度指标上有所改善,甚至在数据稀疏情况下也有良好的精度。

一种实时移除MEMS陀螺仪噪声的精准航姿技术

MEMS-IMU包括三轴陀螺仪和三轴加速度计,陀螺仪的噪声导致MEMS-IMU的航姿不精确,并由此导致外部加速度呈现较大的误差。针对该问题,提出一种实时移除陀螺仪噪声的技术:方向余弦矩阵的第3列和陀螺仪的偏置同时设为状态向量,用于在线获取陀螺仪的噪声;加速度计的外部加速度和测量噪声均被设为测量余量,以便于在任意运动轨迹时能测量重力向量。陀螺仪和加速度计的测量结果通过卡尔曼滤波器融合,前者估算状态向量,后者校准状态向量的误差。通过比较MEMS-IMU在任意伪静态时的航姿和外部加速度验证本技术的可行性,实验结果表明俯仰角、横滚角、航向角和外部加速度的最大误差分别为0.5°、0.2°、2°和0.2 m/s2,该结果远好于仅用陀螺仪的航姿误差和外部加速度误差。

面向极低功耗收发器的分数锁相环架构设计

分数锁相环的毛刺是噪声耦合到带内的原因之一,导致收发器使用更高的功率实现等同的灵敏度。针对该问题,提出一种基于可变幅度电荷泵(Variable Amplitude Charge Pump,VACP)和固定脉冲、可变周期信号发生器(Fixed Pulse Variable Period Signal Generator,FPVPSG)的低毛刺分数锁相环架构。在FPVPSG的驱动下,VACP的输出电流脉冲不仅有固定位置、固定宽度、可变幅度,而且有可变周期,用于根除参考毛刺和分数毛刺。基于Spectre的仿真结果表明,当参考频率fREF为20 MHz,小数分频为120.13,且瞬态和锁定时的周期分别为1/fREF和27/fREF时,20 MHz及其整数倍的参考毛刺被根除,10 MHz的分数毛刺较已有方案小19.67 dB,且其他分数毛刺均远小于已有方案。该结果表明推荐的分数锁相环架构可用于极低功耗收发器,在移动物联网和边缘计算领域有一定的应用前景。

基于改良的帝国竞争算法的油管压力控制

高压油管的压力控制对发动机的工作效率有十分重要的影响,针对高压油管压力控制问题,建立高压油管内压强随时间改变的微分方程,通过取时间元,将连续量离散化,求取递推关系,建立目标函数优化模型。从数据集中提取函数关系时,采用最小二乘法对数据集进行拟合;求取密度与压强关系时,采用龙格库塔算法。在对所建立的目标函数优化模型进行求解时,针对帝国竞争算法易陷入局部最优解的问题,采用基于微分进化的帝国竞争算法,求得进油口每次工作时间为0.2889 ms,通过对结论进行仿真,表明提出的方案能满足需求。