2002~2022年北京大气气溶胶光学特性的地基遥感连续观测

长时间序列的气溶胶光学特性观测资料是定量研究气溶胶辐射和气候效应的重要基础,也是空气质量和环境健康研究的重要数据来源。本文系统评述了全球AERONET(Aerosol Robotic Network)观测网,并介绍了我国最长观测时间的AEROENT北京站发展状况和一些研究成果;使用北京站长达20余年的观测数据,针对AERONET观测网的光学辐射产品的多时间尺度变化特征进行系统分析,讨论了长期观测的重要性和迫切性。

改进注意力机制嵌入PR-Net模型的水稻病害识别仿真

针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,使特征信息完整的连续传递;在骨干模型PR-Net中嵌入改进的空间注意力机制,增强对不同尺度病斑特征信息的凝聚程度;为进一步提升病害识别的准确率,并减少模型的训练时间和推理时间,通过改变加权方式对模型结构进行优化。仿真结果表明:与InceptionResNetV2等分类模型相比,PRC-Net具有更少的训练参数、更短的训练时间和更高的识别精度,性能优于其他作物病害识别模型。

广义确定性标识网络

随着智能制造、智能交通等重大国家战略实施,确定性成为信息网络尤其是行业专网的新焦点.现有确定性网络技术始终关注网络传输要素(带宽、时隙等)来保障数据流的确定性传输.然而,仅靠保障传输要素无法支撑新兴行业应用的多样化需求.例如,在算网融合场景,智算任务要求同时保障传输与计算要素的确定性来实现高性能通信;在绿色通信场景,需要考虑节点能量要素的确定性以维持网络稳定运行.针对上述需求,本文基于前期提出的标识网络技术,研究面向传输、计算、存储、能量等多要素的广义确定性网络.首先提出广义确定性标识网络架构,包括差异化服务层、异构融合网络层和智慧化适配层.差异化服务层和异构融合网络层,分别实现差异化确定性应用需求和异构化确定性网络要素的统一标识和描述,并通过标识解析映射实现确定性信息向智慧化适配层的统一封装和传递;智慧化适配层完成差异化确定性应用需求和异构化确定性网络要素的适配.现有确定性资源适配方法,即使仅考虑单一网络内的基本确定性要素,仍面临计算时间长、求解复杂性高、灵活度低等问题,为了支持更加复杂的多确定性要素、多种异构网络的协同适配,设计了基于深度强化学习的端到端的确定性调度(End-to-end Deterministic resource scheduling,E2eDet)算法,该算法可统一化、端到端地为混合数据流协同分配多种确定性网络资源,满足不同应用的差异化确定性需求.实验表明,E2eDet比DeepCQF和Random算法分别提升了28.4%和6.38倍数据流调度数量,同时E2eDet可以较好地权衡计算时间和调度能力.

基于图卷积神经网络的节点分类方法研究综述

节点分类任务是图领域中的重要研究工作之一。近年来随着图卷积神经网络研究工作的不断深入,基于图卷积神经网络的节点分类研究及其应用都取得了重大进展。图卷积神经网络是基于卷积发展出的一类图神经网络,能处理图数据且具有卷积神经网络的优点,已成为图节点分类方法中最活跃的一个研究分支。对基于图卷积神经网络的节点分类方法的研究进展进行综述,首先介绍图的相关概念、节点分类的任务定义和常用的图数据集;然后探讨两类经典图卷积神经网络——谱域和空间域图卷积神经网络,以及图卷积神经网络在节点分类领域面临的挑战;之后从模型和数据两个视角分析图卷积神经网络在节点分类任务中的研究成果和未解决的问题;最后对基于图卷积神经网络的节点分类研究方向进行展望,并总结全文。

学习型社区赋能教育强国建设——基于在线学习者关系网络分析视角

学习型社区建设有助于加快教育强国落地,社区中在线学习者的各种协作互动行为,促进了学习者关系网络的生成。对该网络进行深入分析,可以挖掘其中蕴含的社区学习的本质特征。该研究提出从社区发现角度对学习者关系网络进行分析,首先设计基于图卷积网络和非负矩阵分解,并集成学习者关系网络信息和文本内容信息的新型学习型社区发现方法,提出四个社区特征度量指标,在真实的学习者关系网络中进行应用分析。结果表明,所提出的分析方法能有效挖掘学习者关系网络存在的学习兴趣主题社区,还可以对社区整体和社区成员个体进行特征分析,并且分析结果可为引导学习者的在线交互协作行为提供决策支持。最后,形成“构建可视化学习型社区—开展社区之间知识分享—促进各社区的互动合作—指标反馈下的反思迭代”的学习型社区赋能策略。通过策略赋能学习型社区高质量发展,以社区新质生产力组合助推教育强国建设。

计及故障维修与网络重构的灾后配电网综合调度策略

当前,灾后配电网负荷恢复与故障维修多是独立考虑,缺乏有效联动,且没有合理计及包含故障维修时间及新能源出力的不确定性在内的双重因素影响。为此,提出一种灾后配电网维修恢复联合调度策略。首先,提出灾后配电网两阶段求解框架,第一阶段求解故障维修计划及网络重构问题,第二阶段解决移动式储能系统参与下的灾后配电网源荷协同调度问题。其次,构建移动式储能系统与维修人员的调度模型,量化分析移动式储能系统时空转移模型及能量模型,同时基于维修人员的时空转移特性,建立故障维修及网络重构模型。在此基础上,以恢复运行成本最小化为目标,分别采用离散鲁棒与连续鲁棒处理故障维修时间与新能源出力的不确定性,构建灾后配电网综合调度模型。最后,采用改进IEEE 33节点配电网进行仿真测试。结果表明,所提调度策略能够显著降低负荷失电率,减少停电损失。此外,两阶段算法在显著提升求解速度的同时能够保证求解精度,具有可行性和合理性。

大规模复杂终端网络的云原生强化设计

作为互联网数据传输的“最后一公里”,终端网络看似简单却构成99%的性能瓶颈.经典设计面向典型设备常规环境,难以兼顾多样化场景,导致严重性能落差.通过云端汇聚并深度诊断大规模终端网络异常,在可用、可靠、可信3个关键维度揭示经典设计多处重要缺陷,采用跨层跨代的协同强化方法针对性修复(如时变非齐次4G/5G双连接管理方法最小化断网概率),实现无场景预设的自调控机制设计.应用于公安部高速网络、1700万“测网速”app用户、七千万小米手机、一亿百度手机卫士用户以及九亿WiFi设备.近年来进一步开展基于云端模拟器的前瞻网络设计,无需真实用户设备参与即可发现并修复潜在缺陷,让终端网络设计“生于云、长于云”.研究成果应用于华为DevEco Studio集成开发环境、腾讯应用市场、谷歌安卓模拟器及字节跳动多款流行应用(如抖音和今日头条).

结合太阳辐射量计算与CNN-LSTM组合的光伏功率预测方法研究

为了提高模型预测性能,提出一种综合太阳辐射模型及深度学习的光伏功率预测模型。首先,利用太阳辐射机理建立太阳辐射模型(SRM),估算出水平面上总辐射值,再由斜面辐照度转换方法计算出光伏组件所接收的斜面辐射值。其次,通过皮尔逊相关分析法筛选出对光伏功率影响较大的主要因素,将斜面辐射计算值及主要影响因素作为输入,采用卷积神经网络(CNN)和长短期记忆网络(LSTM)建立光伏功率SRM-CNN-LSTM预测模型。分别利用春夏秋冬四季典型日的数据开展对比实验,结果表明:与几种其他方法相比,该文方法具有更好的预测效果。

基于GIS的公交换乘网络构建及可达性分析

为了提高公交换乘效率、优化公交系统,基于GIS软件构建公交换乘网络,运用该网络对换乘可达性进行了测度和分析.结合Space-P模型和网络分析法,以拉萨市城关区为研究区域,基于公交线路路径、站点、交叉口等基本信息构建同站换乘子网络.结合公交站点服务范围、步行通道路径、交叉口等信息构建异站换乘子网络.二者协同实现了基于ArcGIS的公交换乘网络构建,并依据该网络对公交线路的乘客在车时间和换乘系数进行测度和分析.结果表明:构建的换乘网络能够对乘客在车时间进行良好的测度,乘客在车时间最大值为68.68 min,最小值为2.00 min,乘客换乘在车时间平均值为29.90 min.该换乘网络能够对换乘系数进行良好的测度,得到有效换乘线路90 300条,换乘系数最大为4条(线路为62条),最小为0条(线路为1 354条).采用可达性度量模型,可实现对公交站点时间可达性和换乘可达性的良好测度和分析.

融合CNN-BiGRU和注意力机制的网络入侵检测模型

为提高网络入侵检测模型特征提取能力和分类准确率,提出了一种融合双向门控循环单元(CNN-BiGRU)和注意力机制的网络入侵检测模型.使用CNN有效提取流量数据集中的非线性特征;双向门控循环单元(BiGRU)提取数据集中的时序特征,最后融合注意力机制对不同类型流量数据通过加权的方式进行重要程度的区分,从而整体提高该模型特征提取与分类的性能.实验结果表明:其整体精确率比双向长短期记忆网络(BiLSTM)模型提升了2.25%.K折交叉验证结果表明:该模型泛化性能良好,避免了过拟合现象的发生,印证了该模型的有效性与合理性.

基于局部密度聚类的WSN多Sink节点部署研究

针对无线传感器网络中传感器节点能量受限,网络生命周期短的问题,在考虑网络成本的情况下,提出一种基于节点局部密度聚类的多Sink节点优化部署算法。首先,基于多属性因子构建聚类决策函数确定Sink节点部署位置,完成传感器节点聚类;然后,根据下一跳节点与Sink节点间距离最短准则搜索并形成数据传输路径;最后,以网络生命周期成本比最大化为依据确定最优的Sink节点数目,实现多Sink节点优化部署。仿真结果表明:与已有算法相比,所提算法能够有效延长网络生命周期,具有较高的网络生命周期能效比。

数字化转型提升企业创新效率的网络机制——合作和知识双重创新网络结构洞的中介作用

企业数字化转型不仅拓展和优化了创新网络,也使创新网络在创新驱动发展中的作用日益重要。基于网络结构洞理论,从创新合作网络和创新知识网络(双重创新网络)角度分析数字化转型通过增强企业在创新网络中的“桥梁”作用来提升企业创新效率的机制,并采用沪深A股制造业上市公司2013—2021年的数据进行实证检验,结果发现:制造业企业数字化转型能够显著提升其创新效率,该作用在非国有企业中更为显著;双重创新网络结构洞是数字化转型影响企业创新效率的中介变量,即存在“数字化转型水平提高→双重创新网络结构洞增加→创新效率提升”的影响路径;企业组织韧性提高能够强化数字化转型对网络结构洞的正向影响,但对网络结构洞影响创新效率没有显著的调节作用。因此,应积极推进企业数字化转型,通过拓展和优化创新网络来促进企业创新效率提升,并不断提高企业的组织韧性以有效化解转型风险。

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

无线传感网络拥塞控制中节点选择强制博弈方法

无线传感网络中节点数据流量较大,分布范围较广,节点选择寻优计算复杂,导致浪费大量算力在节点选择上,拥塞控制效果不佳。提出一种无线传感网络拥塞控制中节点选择强制博弈方法,计算单条网络链路传输成本,依据传输数据耗费能量,计算传输节点可用能量比值,在传输变量权重值基础上,求得传输节点实际拥堵指数,完成节点选择。计算网络连接层的数据包丢弃概率,确定网络拥塞程度,汇聚节点数据流建立节点选择强制博弈模型,明确传感网络稳态传输条件,利用流量正态分布算法,在节点选择博弈中做出强制选择。经仿真分析证明:所提方法分组递交率保持在83%以上,丢包数量保持在100 pkt/s之内,网络传输节点端到端的延迟在0.3 s以内。

考虑韧性提升的输电网灾前预防检修多目标多阶段优化

极端气象灾害易使输电网发生大面积故障。输电网设备的健康程度影响着输电网抵御极端气象灾害物理层面的能力。为进一步提升输电网抗灾能力,减轻经济损失,从输电网韧性提升的角度出发,对输电网灾前预防检修策略进行研究。首先提出将灾害风险抵御力作为输电网灾时韧性评价指标,同时针对极端灾害的时空特性,采用场景分析法来计算韧性指标。根据输电网灾前预防检修的韧性提升、检修风险、经济性的要求,提出输电网灾前预防检修多目标多阶段优化模型,并采用NSGA-II算法与数学规划求解器结合的方法求解。采用IEEE RTS-79算例对优化模型的有效性进行了仿真验证。算例结果表明,文章所提优化模型能得出Pareto前沿以及最优折衷解,并以此得到最优灾前预防检修计划,在提升灾时韧性的同时控制灾前预防检修的风险与费用,从而帮助电网运行人员做出科学决策,具有较好的应用价值。

基于伪孪生网络的高光谱图像分类

基于深度学习架构的高光谱图像分类近年来一直是遥感领域研究的热点之一.然而,如何提出新的分类框架,对具有少量标签样本的高光谱数据进行有效分类仍是一个挑战性的问题.设计了一种改进伪孪生网络的高光谱图像分类架构.该方法首先将一幅高维的高光谱图像划分为2幅低维的图像,分别利用卷积神经网络和图卷积网络进行特征提取.然后通过级联操作,将提取到的谱信息进行有效集成.最后输入全连接神经网络进行分类.所提出的方法改进了经典的伪孪生网络并应用于高光谱图像分类.在2个实际的高光谱数据集上的实验结果和比较结果验证了方法的有效性.

基于5G网络的RedCap部署方案研究

RedCap作为轻量化的5G技术,是5G Rel-17版本定义的新终端类型,可有效兼顾行业对于技术性能和部署成本的并存需求。一般认为,这种轻量级5G技术的核心价值在于与5G NR网络优异特性的融合,即如何基于运营商已部署的5G无线网引入RedCap是其中的关键问题。结合运营商无线网现状,通过分析RedCap与无线网络侧相关的功能特性,提出引入RedCap后的无线网组网部署方案,包括无线网升级方案、参数配置方案以及信令开销策略等,可为国内各运营商在方案制定及工程实施上提供参考。

基于条件独立性检验的非稳态因果发现方法

非稳态时间序列数据之间的因果关系发现是非常重要但极具挑战的问题。现有的工作主要假设观察数据随着时间或领域发生变化。上述假设使得相关方法需要引入时间或领域作为先验知识,无法应用于分段稳态的非稳态场景。因此,提出了一种基于条件独立性检验的非稳态因果关系发现算法。首先使用变化点检测方法来识别非稳态变化的时间点,然后将上一步的时间点进行区间划分,用基于条件独立性检验的时序因果关系发现算法推断局部稳态因果结构。在仿真和真实世界数据上的实验证明了该方法的有效性。

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

基于物理信息神经网络的金属表面吸收率测量方法

漫反射金属吸收率的准确测量十分重要且比较困难.量热法可靠性较高,但是参数反演较为困难.为此,建立了一种物理信息神经网络方法.该方法通过神经网络拟合温度上升段曲线,进而获得吸收率.为了验证该方法,开展了数值仿真和实验研究.数值仿真结果表明,该方法适用于吸收率测量,抗干扰能力强,反演精度高,在0.05—0.2的吸收率范围内,最大误差为0.00092.实验以喷砂镀金铝板为被测对象,受表面粗糙度、镀金工艺等影响,这些样品的吸收率处于2%—10%之间,测量重复精度优于1%.基于物理信息神经网络的吸收率测量方法有望成为一种有力的金属表面吸收率测量方法.