基于因果约束的Transformer医学图像分割方法

【目的】数据分布对深度学习模型的性能影响较大。模型学习了与分割目标无关的特征后,这些无关特征通常不适用于新的数据集,从而导致模型泛化能力不足。【方法】为缓解这一问题,本文提出基于因果约束的Transformer医学图像分割方法。以MCRformer为网络主体,利用形态约束流模块提取形态约束先验信息,网状Transformer进一步提取局部信息和网络各层次信息,并加入因果约束模块降低目标区域相关特征和无关特征之间的相关性,通过形态先验和因果先验信息为模型选出具有代表性的特征,最终提高分割性能。【结果】在公开数据集Synapse上,Dice相关系数和Hausdorff距离的均值分别达到了80.01%和19.39 mm,在公开数据集ACDC上,Dice相关系数均值达到了90.95%,优于其他对比方法。【结论】实验证明,本文提出的方法可以有效提升CT和MRI中多器官的分割性能,并验证因果约束模块在不同模型上的有效性。

满足因果约束的多速率单值广义预测控制

针对输入更新频率和输出采样频率均不相同的多速率采样系统,提出一种多速率广义预测控制算法.通过采用在系统周期内根据不同的采样时刻构造扩展模型序列的方法,有效地解决了由于多速率采样而引起的因果约束问题.在此基础上,对算法的闭环稳定性进行了分析,仿真结果证明了算法的有效性.

基于EBMSC的BOM约束元数据描述方法

元数据信息是理解基本对象模型(Basic Object Models)重用能力的关键,也是BOM检索、选取和应用过程的前提和保证。BOM的正确使用以约束关系的满足的基础,由于利用消息序列图(Message Sequence Charts)刻画BOM的交互行为存在着很多不足,因此在基本消息序列图(Basic MSC)的基础上扩展了事件和因果关系的描述,并且通过约束关系的生成,使BOM的交互约束可以以断言的形式作为元数据的组成部分,不仅有利于约束关系的精确描述,而且便于联邦的验证。

量测缺失下多速率传感器系统的H_∞滤波器设计

提出了一类具有量测缺失和堆栈存贮特性的网络化多速率系统的H∞滤波问题.采用提升技术将多速率系统转化为单速率系统,并提出了一种解决由提升所带来的因果约束的方法,然后通过构造李亚普诺夫稳定函数设计H∞滤波器.在构造滤波器过程中,发现采样速率越慢,滤波设计的保守性越强.算例表明了方法的有效性,并且分析了不同采样周期以及不同的量测到达率对滤波器性能的影响.

无线供能移动边缘网络中计算时延最小化资源分配方法研究

针对无线供能移动边缘计算(MEC)网络,该文将计算时延定义为数据卸载与计算所消耗的时间,并提出一种节点计算时延之和最小化的多维资源分配方法。首先,在节点能量因果约束下,通过联合优化专用能量站工作时长、任务分割系数、节点计算频率和发射功率来建立一个计算时延之和最小化的多维资源分配问题。由于存在优化变量耦合与max-max函数,所建问题非凸且无法采用凸优化工具获取最优解。为此,通过引入一系列松弛变量和辅助变量来进行优化问题简化以及优化变量解耦,并在此基础上,通过深入分析简化问题的结构特性,提出一种基于二分法的迭代算法来求解原问题的最优解。最后,计算机仿真验证了所提迭代算法的正确性以及所提资源分配方法在计算时延方面的优越性。

高分对地观测系统通用任务规划框架设计

为了将高分对地观测系统的观测任务分配到卫星和地面站资源上,并满足任务的逻辑、时间和资源约束,设计了一种通用任务规划框架。该框架的核心是分离式资源模板、分层任务模板和通用决策引擎。针对多类型资源定义了分离式资源模板,实例化资源组件映射对地观测系统的各功能结构,以资源组件的组合方式构成对地观测系统的通用描述;针对复杂任务模式定义分层任务模板,将复杂任务分解为带有因果约束的活动网络;针对资源和任务的通用描述设计通用求解引擎,将复杂决策分解为人机结合的决策过程,以最大化满足用户需求。介绍了通用任务规划的框架设计,并通过应用实例说明了该框架对问题的描述和求解过程。

同步多速率系统H_∞控制的J-无损失共轭化设计

针对提升后同步多速率控制器存在的因果约束问题,利用J-无损失共轭因子同H∞控制相关的性质,提出了同步多速率系统H∞控制的J-无损失共轭化设计.这一方法将提升后同步多速率系统的H∞控制问题转化成求解共轭因子的问题,即只需求解相关特征值和Lyapunov方程,就可得到满足因果约束条件的控制器和相应闭环系统的参数化形式,同时对提升控制器的因果约束转化为范数有界真有理稳定传递函数矩阵空间BH∞中任意参数的因果约束,同常规的逼近理论相比具有设计过程简单、计算量小等特点.

An efficient latent variable optimization approach with stochastic constraints for complex industrial process

For complex chemical processes,process optimization is usually performed on causal models from first principle models.When the mechanism models cannot be obtained easily,restricted model built by process data is used for dynamic process optimization.A new strategy is proposed for complex process optimization,in which latent variables are used as decision variables and statistics is used to describe constraints.As the constraint condition will be more complex by projecting the original variable to latent space,Hotelling T^2 statistics is introduced for constraint formulation in latent space.In this way,the constraint is simplified when the optimization is solved in low-dimensional space of latent variable.The validity of the methodology is illustrated in pH-level optimal control process and practical polypropylene grade transition process.

基于子空间的多率控制系统闭环辨识

针对一类多率控制系统,在控制器信息未知且反馈存在的情形下,采用子空间辨识方法建立闭环系统中被控对象的离散状态空间模型.在模型参数化的过程中,为了避免由于提升技术导致的非因果项列入辨识模型中,通过因果约束分析得到广义因果模型.基于状态辅助变量关系,构造最小二乘问题并利用奇异值分解求解状态序列估计,同时给出了系统矩阵的计算方法.最后,通过数值仿真实验验证了提出方法的有效性.

IIT意识理论中的“Integrated Information”究竟是什么

由朱利奥·托诺尼提出的意识理论"Integrated Information Theory"(IIT)的核心概念是"Integrated Information"。就这一概念而言,国内外学界都有一些误解,并为这一理论的基本立场带来了一定程度的混淆。本文旨在澄清这一概念在IIT理论下的确切涵义,并对这一理论在意识研究领域中的基本立场和研究进路做出定位,进而在此基础上,本文从"因果约束"这一概念的视角为三个版本的IIT理论中的"信息"概念给出了统一表述。通过分析IIT理论2.0版本和3.0版本的数学模型中对意识的度量和表示,本文认为IIT理论中"Integrated information"主要强调的是该"信息"呈现在其现象及物理基础两方面的"整体性"或"不可分性",而非一个"结合体",从而进一步澄清了已有的误解和概念混淆。