任务相关性对数量感序列依赖效应的影响

序列依赖效应反映了当前的知觉体验不仅取决于当下的刺激输入,还受到近期历史的影响。这一效应对于我们在动态变化的环境中形成相对稳定的知觉至关重要。本研究使用点阵作为刺激材料,在数量/面积(实验1)或数量/大小(实验2)两个维度上进行正交设计,旨在通过估计任务探索任务相关性如何影响线性分布特征的序列依赖效应。结果显示无论特征是否与任务相关,前一试次与当前试次同一特征总会对当前试次的知觉产生相反的影响。对于任务相关特征,前一试次产生的序列依赖始终为排斥效应。而对于任务无关特征,如果在当前试次中无关特征对被试的知觉反应有正向预测作用,则前一试次无关特征产生排斥的序列依赖效应;反之,如果在当前试次中无关特征对被试的知觉反应有负向预测,则前一试次无关特征产生吸引的序列依赖效应。任务相关性对序列依赖效应的影响主要体现在效应幅值的降低。这些发现揭示了线性分布特征的序列依赖效应受任务相关性以及特征本身特性的共同影响,而无关特征的序列依赖效应则暗示在客体水平也可以产生序列依赖效应。

面向物联网终端的任务相关性调度策略

对于具有相关性的任务,调度顺序不合理将影响任务的执行时间和实时性。结合物联网终端任务间依赖关系复杂的特点提出了一种利用任务相关性的调度策略。该策略设计了以作业轮询组为主体的任务模型,根据任务时限建立了优先级因子矩阵作为任务调度的凭据,对于周期任务,在每个任务执行完毕后生成,以任务相关性为参数的增量矩阵用以动态修改任务优先级,使前驱任务能优先执行;对于非周期任务采用了构建临时作业轮询组的方式进行抢占调度。测试结果表明,该策略能够有效减少具有相关性的周期任务集执行时间和调度失败次数,缩短非周期任务响应时间。

中国废水排放量趋势预测——基于任务相关性的机器学习方法

中国的水污染是一个非常严重的问题,为了控制水污染,对中国未来废水排放量进行准确预测具有十分重要的意义。从影响废水排放量的潜在变量中筛选出GDP、人均GDP和产业结构三个关键预测变量,采用1998—2017年中国省域数据和基于任务相关性的机器学习方法对各省份废水排放量趋势进行预测。实验结果表明,所建立的预测模型能够保持线性回归模型的可解释性,并获得较高的预测精度(RMSE、MAE和MAPE分别为0.0882、0.0643和0.5533)。预计全国年废水排放总量2025年最低将达到9081209万吨,最高9903864万吨;2030年最低将达到10864311万吨,最高13081922万吨。政府部门可根据预测结果制定废水减排计划和经济发展规划,在发展经济的同时维持生态环境的平衡。

多接入边缘计算中相关性任务的联合调度算法

多接入边缘计算已经成为资源密集型应用程序的有前途的计算范式。不过,先前大部分研究工作没有考虑到任务的相关性,这可能导致不可行的调度决策。考虑应用程序上有些任务必须要在本地完成,研究了相关性任务在本地和边缘侧的联合调度方法,并考虑了多接入边缘计算卸载场景下的另一个不可忽视的能耗问题。将问题形式化为在满足应用程序的完成截止时间约束的条件下最小化系统中的能耗,并提出联合调度(JS)算法解决该问题。最后通过仿真实验分析JS算法在应用程序的完成率和系统能耗两方面的性能。仿真结果表明,JS算法在应用程序的完成率上优于其他对比算法并且至少可以节省43%的系统能耗。

基于任务性的航天电连接器抓取方法

航天用电连接器的有效抓取是完成在轨装配任务的前提,有效抓取点集合受到装配任务的限制。本文提出一种面向在轨装配的电连接器抓取方法,该方法通过机器人在模拟环境中学习抓取经验,在抓取-装配过程中评估抓取位姿与装配任务相关性抓取质量,此外,通过设计抓取点的位置分布初步考虑了电连接器尾端线缆对抓取的影响。利用抓取网络对抓取点云集合进行训练获取抓取编码簿,一方面可以生成有效抓取点,另一方面通过建立的表面接触热图增强有效抓取点的可展示性。同时,提出一种非统一归一化物体坐标空间表示法,在三维空间中建立密集映射关系,将有效抓取点迁移到同类别实例中。仿真结果表明:基于本文提出的方法生成的抓取点集合有94.1%有效用于后续的装配任务。

地方财政资金“同业监督”模式研究——基于多任务委托代理模型

为促进粤港澳大湾区高等教育跨境(区)合作的顺利进行,文章基于一种多任务委托代理模型,通过中国香港城市大学(东莞)建设项目的地方财政资金拨付、预算管理和监督检查的案例研究,提出一种新型的地方财政资金“同业监督”模式,并总结该模式的资金管理经验以及建议,为其他主体跨境(区)提供公共品或准公共品时获得项目所在地方财政资金资助监管模式提供借鉴。

云制造服务平台中的制造任务分解模式优化

为解决云制造服务平台中制造任务分解与资源配置环节脱节的问题,提出一种基于聚类算法的任务分解优化方法。首先制定任务初步分解策略,将制造任务初步分解成不可再分的子任务;然后综合考虑任务间的相关性、任务—资源的匹配性和资源竞争性,制定任务粒度大小的设计原则,利用聚类算法将初步分解后得到的子任务进行重组,实现任务分解的优化。通过算例对该方法的可行性与有效性进行验证。该方法从增强方法的适用性与提高任务分解结果对资源的匹配性两方面实现了任务分解方法的优化,同时降低了任务后续处理环节中与资源匹配问题的复杂度,较好地解决了任务分解与资源配置环节脱节的问题。

基于多任务学习的邮件过滤系统的研究

随着电子邮件的广泛使用,如何有效地避免和防范垃圾邮件的侵扰已成为一个亟待解决的问题。受机器学习在邮件过滤中研究和应用的启发,利用多任务学习(multitask learning)的特性,将判断一个用户的邮件是否为垃圾邮件看作一个任务(task),利用多任务学习中任务相关性假设,提出一种基于多任务学习的邮件过滤系统。实验表明,该系统对中英文邮件语料都是可靠和有效的,尤其对于同一邮件列表(mail list)中的用户的邮件。

基于层次聚类多任务学习的人类行为识别

为了实现对人类行为的有效识别,提出了一种基于层次聚类多任务学习(HC-MTL)的人类行为识别方法。采用正则化最小二乘法制定目标函数,并对模型参数和分组信息这2个潜在的变量进行联合优化。使用聚类范数正则化方式进行多任务学习,并求解任务相关性,进而对人类行为进行有效识别。该方法打破了所有行为是独立的个人学习的假设,通过任务聚类的方式建立起多任务之间的关系,共享同类任务之间的相关信息,提高了人类行为识别的准确度。试验结果表明,与聚类多任务学习方法(CMTL)和鲁棒多任务学习方法(RMTL)相比,HC-MTL方法可以发现任务的潜在相关性,有助于诱导群体多任务学习。通过同一类任务之间的共享信息,减少了误差,并提高了行为识别的精确度。

动机在错误加工中的不一致效应:争议与整合

错误加工(error processing)是个体探测错误发生并进行针对性调整的高级认知过程。大量研究表明,动机(如奖励、惩罚等)能够影响错误加工过程,但结果并不一致。本文在梳理和比较以往研究的基础上提出,年龄、性别、实验设计、人格和文化等因素可能影响动机与错误加工的关系。通过进一步整合,提出任务相关性(task relevance)可能是潜在的共同作用机制,即在与个体目标高相关的任务中,动机越强则错误加工程度增强(如更大的ERN、Pe波幅);而在低相关任务中,动机对错误加工的影响较弱。在这一理论框架下,上述因素可能通过影响任务相关性进而调节动机与错误加工的关系,新观点的提出有助于解释动机与错误加工关系的矛盾结果。未来一是需要系统验证上述因素及任务相关性的作用,二是关注不同类型错误和错误本身的动机作用,三是进一步探究动机与认知因素如何共同影响错误加工,这些将有助于完善和推进动机取向的错误加工理论。

基于特征和实例迁移的加权多任务聚类

传统聚类方法只对每个数据集单独进行聚类,但是有时单个数据集中的数据不足以挖掘一个良好的簇结构.在现实生活中,有很多数据集包含相同的类标签,因此存在多个相关的聚类任务.多任务聚类通过在相关任务之间迁移知识来提升每个任务的聚类性能,近些年来它获得越来越多的关注.一个好的多任务聚类算法要完成以下两方面工作:(1)它应该充分利用来自其它任务的知识;(2)它能够自动地评估任务相关性以避免负面迁移.然而,现有多任务聚类方法还不能很好地完成任意一方面的工作.本文提出一个基于特征和实例迁移的加权多任务聚类算法MTCFIR.一方面,它在任务之间既迁移特征表示知识又迁移实例知识,要比大部分现有多任务聚类方法更充分地利用跨任务知识.另一方面,它自动地学习任务相关性来避免负面迁移,并且没有现有评估任务相关性的多任务聚类方法的限制条件.MTCFIR执行以下三个步骤.首先,它利用边缘堆栈降噪自编码器在任务之间学习一个共有的特征表示.该步骤通过迁移特征表示知识来降低任务之间的分布差异,这是一致相似度矩阵学习的前提.其次,它通过在任务之间迁移实例知识来为每个任务学习一个一致相似度矩阵,并且通过对任务进行加权来决定不同任务对每个任务的一致相似度矩阵学习的贡献程度.该步骤可以避免在不太相关的任务之间强制迁移知识所带来的负面影响.最后,它在每个任务的一致相似度矩阵上执行对称非负矩阵分解来得到聚类结果.在真实数据集上的实验结果说明本文提出的方法比传统单任务聚类方法和现有多任务聚类方法具有更好的聚类效果,并且要比大部分多任务聚类方法高效.

基于多任务学习的多源数据分类研究

针对现有方法在处理多源数据时忽视数据源之间关联性的问题,提出了一种可以同时实现多分类效果的多源学习框架。该框架将不同的数据源看做多个相关的任务,将多源问题转换为经典的多任务学习问题,通过提取数据源之间的关联,来提高单个数据源的分类性能。此外,该框架利用聚类分析原理,对带标记样本实现多分类效果。实验结果表明,该框架优于只针对单个数据源学习的单任务学习框架和只针对二分类进行处理的传统的多任务学习框架。

基于多Agent的分布式多目标任务调度机制研究

针对分布式计算中任务调度的复杂性、动态性和实时性等特点，构建了一个基于多Agent的分布式多目标任务调度模型．此模型中，设计了一种分布武调度机制，使每个节点都具有独立的调度决策能力，增强了系统的可扩展性．同时为了解决分布式调度所产生的节点间任务通信问题，引入任务与节点相关性等概念，有效地降低了节点间的通信代价．模型对多个评价指标进行了综合衡量，如任务调度开销、任务最早执行时间、负载均衡及节点问的通信量等，并根据任务和系统运行的状态特征，实现多目标任务调度，提高了系统的整体性能．

基于动态先验特征的包覆药多类型外观缺陷深度检测框架

包覆药通常被嵌入固体火箭或导弹发动机的动力系统中,其外观质量直接影响该类动力系统的性能表现。针对包覆药外观存在的形状、尺寸和表面缺陷,提出了一种基于动态先验特征的包覆药多类型外观缺陷深度检测框架,包括:1)将基于深度分类器的形状缺陷检测和基于深度分割网络的尺寸缺陷检测模型集成,去除不同任务间的冗余特征,同时将深度分割网络当前迭代形成的过程特征作为动态先验特征,作用于深度分类器参数下一次迭代更新,加快模型收敛速度;2)将深度分割网络产生的过程特征映射至基于卷积自编码器的表面缺陷检测模型中,指导检测模型快速聚焦于包覆药,抑制任务无关特征重复提取。实验结果表明,该方法在模型功耗、检测效率及检测准确率等方面具有较好的表现。

基于多输出学习的沪深300指数预测研究

在股票市场中,人们通常会依赖于股票的历史交易数据来进行推测。目前采用SVM方法进行预测的研究较多,但其模型复杂,耗时较长,而且通常只预测未来1天的数据。文中采用多输出的正则化方法来预测未来多天的走势,对多任务的学习方法进行改进,提出了一种基于多输出的学习方法。实验表明,与SVM支持向量机的方法相比,该方法在沪深300指数预测的均方差值上提高了约10倍,运行时长也减少了近3/4。

Simulation of Service Supply Chainly Formation Based on Mobile Agent

In E-Commerce, consumers and service suppliers can find the services through the searching of Mobile Agents (MA). The suppliers disassemble the service requests of consumers into the sub-requests. Then suppliers respond the sub-requests cooperatively. Thus the Service Supply Chain (SSC) can be formed. But the existing bottom-up and up-bottom supply chain formation fashions cannot be adapted to the SSC in distributed environment of E-Commerce. Task Dependency Network is exploited to illustrate the service relationship among consumers and suppliers. The formation of SSC with some simulations is elaborated. Then the influence on the formation of SSC caused by the type of service suppliers, the quantities of MA and its variety in number is elucidated.

员工差错报告意愿的影响因素:一个整合模型

差错报告是组织发现差错的主要途径,员工差错报告意愿的影响因素是重要的研究议题。本文整合理性行为理论、自愿行为理论和工作设计理论,构建了一个包含个体因素(感知成本、感知收益)、情境因素(差错沟通气氛、任务相关性)、工作的差错特征(差错类型、差错容忍度)三类影响因素的概念模型。运用404份员工调查问卷的数据进行假设检验,研究结果表明:第一,报告态度和主观规范均正向影响报告意愿,主观规范正向影响报告态度;第二,感知成本负向影响报告态度,感知收益正向影响报告态度,差错沟通气氛和任务相关性均正向影响主观规范;第三,知识型差错弱化感知成本对报告态度的负向影响,差错容忍度强化任务相关性对主观规范的正向影响。