基于参数惩罚和经验回放的材料吸声系数回归增量学习

材料数据具有分批次、分阶段制备的特点,并且不同批次数据的分布也不同,而神经网络按批次学习材料数据时会存在平均准确率随批次下降的问题,这为人工智能应用于材料领域带来极大的挑战.为解决这个问题,将增量学习应用于材料数据的学习上,通过分析模型参数的变化,建立了参数惩罚机制以限制模型在学习新数据时对新数据过拟合的现象;通过增强样本空间多样性,提出经验回放方法应用于增量学习,将新数据与从缓存池中采样得到的旧数据进行联合训练.进一步地,将所提方法分别应用在材料吸声系数回归和图像分类任务上,实验结果表明采用增量学习方法后,平均准确率分别提升了45.93%和2.62%,平均遗忘率分别降低了2.25%和7.54%.除此之外,还分析了参数惩罚和经验回放方法中具体参数对平均准确率的影响,结果显示平均准确率随着回放比例的增大而增大,随着惩罚系数的增大先增大后减小.综上所述,本文提出的方法能够跨模态、任务进行学习,且参数设置灵活,可以根据不同环境和任务进行变动,为材料数据的增量学习提供了可行的方案.

无线传感器网络链路层组确认机制的研究与实现

实验测量发现WSNs的底层通信链路存在着丢失、非对称等特性;该文针对传统链路层可靠机制运用于无线传感器网络中存在着路径效率低,能量开销大的缺点,提出了一种面向效率的链路层组确认机制,并就路径效率、缓存需求、时间开销等指标进行了理论分析;最后,与传统链路层可靠传输机制在MicaZ平台上分别加以实现。测试结果表明该文提出的组确认机制的路径效率高、缓存需求固定,特别适合于高可靠,低实时要求的一类应用。