基于深度强化学习的农田节点数据无人机采集方法

利用无人机采集农田传感器节点数据,可避免网络节点间多次转发数据造成节点电量耗尽,近网关节点过早死亡及网络生命周期缩短等问题。由于相邻传感器数据可能存在冗余、无人机可同时覆盖多个节点进行采集等特点,该研究针对冗余覆盖下部分节点数据采集和全节点数据采集,对无人机数据采集的路线及方案进行优化,以减轻无人机能耗,缩短任务完成时间。在冗余覆盖下部分节点数据采集场景中,通过竞争双重深度Q网络算法(Dueling Double Deep Q Network,DDDQN)优化无人机节点选择及采集顺序,使采集的数据满足覆盖率要求的同时无人机能效最优。仿真结果表明,该算法在满足相同感知覆盖率要求下,较深度Q网络(Deep Q Network,DQN)算法的飞行距离缩短了1.21 km,能耗减少27.9%。在全节点数据采集场景中,采用两级深度强化学习联合(Double Deep Reinforcement Learning,DDRL)方法对无人机的悬停位置和顺序进行优化,使无人机完成数据采集任务时的总能耗最小。仿真结果表明,单节点数据量在160 kB以下时,在不同节点个数及无人机飞行速度下,该方法比经典基于粒子群优化的旅行商问题(ParticleSwarm Optimization-Traveling Salesman Problem,PSO-TSP)算法和最小化能量飞行控制(Minimized Energy Flight Control,MEFC)算法的总能耗最少节约6.3%。田间试验结果表明,相比PSO-TSP算法,基于DDRL的数据采集方法的无人机总能耗降低11.5%。研究结构可为无人机大田无线传感器节点数据采集提供参考。

基于HRAGS模型的混合式摘要生成方法

针对传统的抽取式、生成式方法在摘要自动生成任务上存在可读性、准确性不足的问题,提出了基于HRAGS模型的混合式摘要生成方法。该方法首先使用BERT预训练语言模型获取上下文句子表示,结合冗余感知方法构造抽取模型;然后将训练完毕的BERT双编码器和随机初始化的具有双编码-解码注意力模块的Transformer解码器相结合构造生成模型,采用二阶段微调策略解决编、解码器训练不平衡的问题;最后使用Oracle贪婪算法选择关键句作为指导信号,将原文和指导信号分别输入生成模型以获取摘要。在LCSTS数据集上进行验证,实验结果表明,相比于其他基准模型,HRAGS模型能够生成更具可读性、准确性和ROUGE得分更高的摘要。

基于结构分析的感知视频信号压缩方法

针对视频中的视觉感知冗余,提出一种面向视频编码的基于结构分析的感知信号处理模型——结构显著性最小可觉察失真模型.先分策略获取视频帧的有序/无序结构分量和纹理分量进行最小可觉察失真(JND)建模;使用无序结构分量的结构不确定性调节视频帧的显著性区域和JND的对比度掩蔽效应;最后,基于该模型的感知滤波模块被嵌入HEVC中.实验结果表明,在主观视觉感知没有明显损失的情况下,所提出方法的平均码率比HEVC的编码软件HM16.0减少了10.3%.