基于BP神经网络的测量设备无关协议参数预测

针对传统参数优化方法计算开销大,不能满足实时性要求高、计算量大等应用场景的问题,结合当今主流的机器学习方法,提出了一种改进的基于BP神经网络的参数优化方法,利用本地搜索算法的数据训练网络并对参数进行预测,替代传统的查找算法,从而获得更好的实时性和更低的计算复杂度,随后与基于随机森林和XGBoost的方法进行了比较。仿真结果表明,BP神经网络预测所得各参数的均方误差数量级为10^(-6)或更小,由该参数计算所得密钥生成率与最优密钥生成率比值的均值为0.998 8,且该应用中BP神经网络相对随机森林和XGBoost具有更好的预测性能。

融合多模态生成和情景训练的环境无关手势识别

无线通信和感知技术的发展促进了WiFi感知的产生与发展.依据人体及其行为对WiFi信号传播的影响,通过模式匹配可以实现基于WiFi的手势识别、活动识别、定位等感知任务.但是WiFi信号对环境具有较大依赖性,目标人员或周围环境的变化会导致已经建立的感知模型失效.为了解决这个问题,现有方案通常采用半监督或无监督域适应方法.但在实际应用中,无法预先获得新环境中的数据.因此,需要一种无需新环境数据,即可自动泛化到新环境的方法.为了实现这个目标,本文提出一种基于多模态样本生成和情景训练的环境无关手势识别方法.该方法采用若干源域的数据建立手势识别模型,能够在目标域没有任何数据的情况下,泛化到目标域中.实验结果表明,该方法在目标域无数据的情况下,对新用户和新环境的手势识别正确率均超过80%,高于业界现有水平.

双转台五轴数控机床旋转轴位置无关几何误差辨识

针对双转台五轴数控机床旋转轴几何误差辨识精度问题,提出一种在机床坐标系下的旋转轴位置无关几何误差(PIGEs)辨识模型。建立了刀具球与工件球在机床坐标系下的实际初始坐标,通过逆矩阵得到工件球在所测轴的实际初始位置,基于4种测量模式建立了包含球杆仪安装误差与旋转轴PIGEs的杆长变化量数学模型。仿真分析了PIGEs对测量模式的影响,结果表明刀具球在两旋转轴轴线交点位置时,平行度误差不影响球杆仪杆长变化量。最后,通过实验辨识出旋转轴8项PIGEs,并对旋转轴PIGEs的4项位置误差进行补偿。实验结果表明,补偿后的位置误差最大绝对值由203.5μm减小至5.1μm,所提出的辨识模型可以有效提高五轴机床精度。

基于人体图像生成的姿态无关人物识别

人物识别技术能够使机器人具备对用户身份识别的能力,从而有效提高机器人的智能交互水平。人物识别面临的主要挑战之一是姿态的变化对人物身份特征提取的影响。针对该问题,提出基于人体图像生成的姿态无关人物识别方法,通过生成与库中目标人物相同姿态的人体图像,消除姿态变化对人物外观特征造成的影响。该方法首先利用人体分割图将人体区域与背景分离,尽量降低复杂多变的背景对人物外观特征的干扰;然后在目标姿态的引导下生成与目标图像姿态一致的人物图像;最后设计了一个特征融合模块将源图像和生成图像的身份特征进行融合,提取姿态无关的鲁棒身份特征用于人物识别。此外,为更好地区分不同的人物,在训练中生成相同姿态的负样本,对约束模型学习更为细粒的可鉴别性身份特征。人物识别和人体图像生成的实验结果验证了该方法的有效性。

局部一致性主动学习的源域无关开集域自适应

无监督域自适应在解决训练集(源域)和测试集(目标域)分布不一致的问题上已经取得了一定的成功.在面向低能耗场景和开放动态任务环境时,在资源约束和开放类别出现的情况下,现有的无监督域自适应方法面临着严峻的挑战.源域无关开集域自适应(SF-ODA)旨在将源域模型中的知识迁移到开放类出现的无标签目标域,从而在无源域数据资源的限制下辨别公共类和检测开放类.现有的源域无关开集域自适应的方法聚焦于设计准确检测开放类别的源域模型或增改模型的结构.但是,这些方法不仅需要额外的存储空间和训练开销,而且在严格的隐私保护场景下难以实现.提出了一个更加实际的场景:主动学习的源域无关开集域自适应(ASF-ODA),目标是基于一个普通训练的源域模型和少量专家标注的有价值的目标域样本来实现鲁棒的迁移.为了达成此目标,提出了局部一致性主动学习(LCAL)算法.首先,利用目标域中局部特征标签一致的特点,LCAL设计了一种新的主动选择方法:局部多样性选择,来挑选更有价值的阈值模糊样本来促进开放类和公共类分离.接着,LCAL基于信息熵初步筛选出潜在的公共类集合和开放类集合,并利用第一步得到的主动标注样本对这两个集合进行匹配纠正,得到两个对应的可信集合.最后,LCAL引入开集损失和信息最大化损失来进一步促使公共类和开放类分离,引入交叉熵损失来实现公共类的辨别.在Office-31、Office-Home和VisDA-C这3个公开的基准数据集上的大量实验表明:在少量有价值的目标域样本的帮助下,LCAL不仅显著优于现有的源域无关开集域自适应方法,还大幅度超过了现有的主动学习方法的表现,在某些迁移任务上可以提升20%.

太赫兹全金属超构表面的极化无关准BICs研究

提出一种具有高Q值的太赫兹全金属超构表面。该超构表面由4个菱形孔组成,改变相邻菱形孔的尺寸,可以打破结构的对称性,产生准连续域束缚态(BICs);改变入射波的极化角度,激发的准BICs频率保持不变,超构表面具有极化不相关特性。优化结构参数,仿真结果表明,当尺寸偏差为3μm时,产生的准BICs实现了小于1 GHz的超窄带宽,对应Q值大于1300。实验测试结果显示,加工的样品(偏差30μm)测试Q值为40。相比于圆孔结构,菱形孔结构由于尖锐的转角可以实现较强的束缚场。本文提出的具有极化无关准BICs的超构表面在实时化学和生物分子传感中具有巨大的实际应用潜力。

基于SD-WAN混合链路实现规模无关快速路由切换的设计

软件定义广域网(Software Defined Wide Area Network,SD-WAN)作为被应用于广域网连接的新型网络技术,使用混合链路为广域网流量提供多条Overlay转发路径,配合智能应用选路等技术为网络流量提供最优路径动态选择的能力。提出了一种基于混合链路多Overlay隧道实现网络规模解耦下快速路由切换的新型设计,在广域网链路中断后提供路由收敛时间确定性上界保证,给出关键的数据结构及工作流程,对相关工程实施具备较好的指导作用。

基于特征手性的数据无关模型评估方法

模型评估是评判卷积神经网络模型性能的重要手段,多用于卷积神经网络模型的设计、对比和应用过程。然而,现有的模型评估方法大多需要使用测试数据运行模型得到相关评估指标,当测试数据因隐私、版权与保密等原因无法获取时难以发挥作用。为了解决此问题,提出了一种数据无关的卷积神经网络模型评估方法,其利用特征手性的相关特性,通过计算卷积核之间的距离来确定模型的评估指标。所提方法利用不同卷积神经网络模型的性能表现与卷积核距离之间的负相关性,验证了在不使用测试数据的情况下,直接利用模型参数评估模型相对性能排名的可行性与有效性。对比实验表明,使用欧氏距离测度来评估AlexNet, VGGNets, ResNets, EfficientNets这4类包括17个卷积神经网络的模型精度时,该模型评估方法的盲评准确性高,能够较好地完成模型评估任务。

测量设备无关量子密钥分发中的改进型诱骗态方法

测量设备无关量子密钥分发协议作为量子网络的候选组件之一,消除了探测端的所有漏洞,提升了系统安全性。目前的测量设备无关量子密钥分发协议采用非理想单光子源,并引入了诱骗态方法来提高密钥率。最近,一种整合在诱骗态方法中的数据后处理方法双扫描法在统计波动方面表现出色。使用诱骗态方法估算单光子对成分时,引入双扫描法能获得更高的密钥率。然而,双扫描法需要耗时的优化过程。在此,文章提出了一种新颖的改进型诱骗态方法,以实现比原始诱骗态方法更好的性能,同时避免了类似双扫描法优化时间的出现。在文章所有的实验参数值模拟中,改进型诱骗态方法均比原始诱骗态方法的密钥率更高;相较于双扫描法,文章所提方法具有速度快、兼容性好的优点。

防喷器组板式起吊装置有限元结构强度分析及网格无关性探究

针对某防喷器组板式起吊装置进行有限元结构强度分析,确定应力危险区域,并据此针对有限元结构强度分析过程中网格无关性展开探究,论述有限元结构强度分析中网格无关性即不同网格尺寸将直接影响分析过程中的计算资源、时间成本及最终分析结果的有效性,为有限元结构强度分析中网格无关性提供建议。

关于极大线性无关组和线性空间中基的扩充问题的讨论

线性空间是线性代数中一个重要的研究对象,基与维数又能决定一个线性空间的结构,因此在已知的线性空间中找到满足要求的基是一个值得探讨的问题。本文根据线性空间中的扩充基定理,讨论了由给定线性无关的向量组扩充成一个极大线性无关组,以及在线性空间扩充成一组基的一般解法,旨在加深学生对极大线性无关组以及线性空间中基的理解。

基于FLUENT的弯曲方管网格无关性验证

为了对弯曲方管网格的无关性进行验证,使用FLUENT软件进行数值模拟,以90°、60°和30°3种不同弯曲角度的方管为研究对象,对弯曲方管划分不同数量网格,分析不同网格数量与方管外壁面压力系数模拟结果的关系,并引入网格收敛指数(GCI),对网格无关性进行详细研究,探讨弯曲方管网格数量的确定方法。结果表明,90°、60°、30°弯曲方管外壁面的压力系数与实验数据有较好的吻合;当90°、60°、30°弯曲方管划分的网格数量分别达到70万、120万、139万时满足网格无关性条件。设计出30°~90°弯曲方管网格数量与弯曲角度的拟合曲线,该结果能为30°~90°的弯曲方管船舶管路设计提供理论依据,也能够有效地缩短船舶管路的设计和加工时间。

小学生难易数学应用题解答过程中的无关背景音效应

研究采用眼动追踪技术,操作无关背景音类型和应用题难度,考察其对小学五年级儿童应用题解答过程的影响。结果显示:(1)与安静背景相比,有意义言语对解题速度和晚期问题解决过程产生干扰,证明数学应用题中的无关背景音效应;(2)有意义比无意义言语产生更大干扰效应,验证了语义成分是造成干扰的主要因素;(3)白噪音促进儿童早晚期解题效率,且对困难题目的促进作用更大。本研究对完善小学数学的教与学具有一定的指导意义。

具有向后无关性的群签名位置隐私保护方案

用户的位置隐私往往包含敏感数据信息,现有的一些位置隐私保护方案由于未能充分考虑匿名数据的可靠性和群内成员撤销时的向后无关性,而不能很好地保护用户的位置隐私。针对上述问题,文章提出具有向后无关性的群签名位置隐私保护方案。该方案以请求用户和协同用户的请求/应答来构造匿名集,避免因匿名服务器被攻破而导致请求用户的隐私泄露;以请求用户的注册时间来生成签名私钥串,使得该方案支持向后无关地撤销异常用户。安全性分析和性能分析表明,文章方案有较高的安全性和较低的计算成本。

基于多目标优化理论的耦合无关恒压输出型LCC/S补偿感应电能传输系统

基于传统完全谐振参数设计方法的感应电能传输(IPT)系统只有在发射线圈和接收线圈完全耦合时才能表现出最佳性能。实际的IPT系统多为变耦合系统,耦合系数变化可能导致输出电压大范围波动和效率降低等问题。该文提出一种基于多目标优化理论的补偿拓扑参数设计方法,在耦合系数和负载变化的情况下仍然可以获得相对恒定的输出电压且能够高效运行。首先,利用基波近似分析法建立LCC/S补偿IPT系统的系统方程。其次,以补偿参数为优化变量,以减小输出电压波动、提升系统效率为优化目标,以电感最大通过电流、电容最大承受电压和零电压开关为约束条件建立多目标优化模型。然后,利用多目标粒子群优化(MOPSO)算法求解所建立的多目标优化模型,并得到Pareto最优解集。最后,根据实际需要,从Pareto最优解集中选择合适的补偿方案,并进行仿真分析和实验验证。实验结果表明,优化方案的电压波动率(VFR)约为传统方案的45%,且优化方案的最低传输效率(87.5%)仍大于传统方案的最高传输效率(86.3%)。该方法可用于优化满足耦合和负载无关恒定输出、高效率、零电压开关等特性的补偿拓扑。

一个都不能少——基于课程思政的“向量组极大线性无关组概念”教学设计

“向量组的极大线性无关组”概念既抽象难懂,但又很重要.本文基于HPM视角来进行教学设计,采用历史上欧拉解方程提出“一个都不能少”问题组织教学,贯穿整个教学过程,形成对“极大线性无关组”概念性理解的思维链.通过电影“一个都不能少”将线性表示思想生活化,期望在“课程思政”的方法上有创新.

基于回归决策树的测量设备无关型量子密钥分发参数优化

量子密钥分发(quantum key distribution,QKD)结合一次一密的加密方式,可以实现无条件安全的量子通信.双场(twin-field,TF)QKD和测量设备无关(measurement-device-independent,MDI)QKD具有较高的安全性,同时适合构建以测量端为中心的网络,具有广阔的应用前景.但在实际应用过程中,参数配置对QKD性能有着极大影响,而实际场景中存在着用户数量大、位置距离中心站点非对称、并且用户大部分处在实时移动中的特点.面对上述实时的参数配置需求,传统的参数优化方式将无法满足.本文提出将监督机器学习算法应用于QKD参数优化配置中,通过机器学习模型预测不同场景下TF和MDI两种常用协议的最优参数.将神经网络、最近邻、随机森林、梯度提升决策树和分类回归决策树(classification and regression tree,CART)等监督学习模型进行对比,结果显示CART模型在R^(2)等回归评估指标上均有最优表现.在随机划分训练组、验证组情况下,预测参数的密钥率与最优密钥率比值的均值在0.995以上;在“超精度”和“超范围”两种极限情况下,该均值仍能维持在0.988左右,且在残差分析中具有较好的环境鲁棒性,展现出较好的性能.此外,基于CART的新方案相较于传统方案在计算实时性表现上有很大提升,将单次预测时间缩短至微秒量级,很好地满足了通信方在移动状态下的实时通信需求.

双转台五轴机床旋转轴位置无关几何误差的辨识

旋转轴的位置无关几何误差(PIGEs)是影响五轴机床加工精度的重要因素。以AC双转台五轴机床为研究对象,提出一种基于差分演化算法的旋转轴PIGEs辨识方法。首先,建立机床旋转轴PIGEs和球杆仪杆长变化的关系模型,使用已有的辨识方法获得机床旋转轴PIGEs初始解,然后定义优化目标函数,通过差分演化算法整体优化求解旋转轴PIGEs,提高旋转轴PIGEs辨识准确性。实验与仿真的结果表明提出的旋转轴PIGEs辨识方法可有效提高辨识准确性。

与年龄无关的马尾松优势高生长模型研究

[目的]通过构建与年龄无关的理论生长方程,用于预测在年龄未知或不是有效影响因子时的马尾松人工林优势高。[方法 ]基于常用的Hossfeld IV、Lundqvist-Kolf、Richards、Schumacher等4个理论生长方程,推导其不含年龄因子的差分形式,构建与地位指数相关的可变参数、与年龄无关的马尾松优势高模型。[结果 ]在4种基础理论生长模型中,以Richards模型建立的与年龄有关的马尾松人工林优势高生长模型效果最优。与年龄无关模型的拟合精度均高于与年龄有关模型的拟合精度,Richards模型和Korf模型差分形式建立的与年龄无关的马尾松人工林优势高生长模型效果最优。在引入地位指数时,Hossfeld模型的拟合精度提高效果最明显,且以设定k为可变参数时,建立与年龄无关的马尾松人工林优势高生长模型效果最优。[结论 ]在异龄林或年龄难以获得时,与年龄无关的理论生长模型能够预测优势高的生长,将地位指数与可变参数建立函数关系代入模型拟合后,模型精度提高,可以更好地应用于预测林分生长。

低开销的片上网络无关容错路由策略

现有容错路由技术大多依赖重路由的解决方案,通过绕行方式避开故障区域,导致故障周围出现流量拥塞;无关路由算法尽管降低了路由开销,但其容错能力有限。针对存在故障节点或故障链路的片上网络,在网络资源受限的情况下,提出了一种不需要提前构建绕行路径的无虚通道低开销无关容错路由策略(OFTR)。当检测到当前节点与目标节点对之间无故障时,采用FTOE-APA规则路由数据包,实现了路径选择的多样性;当检测到节点或链路故障时,根据源节点、当前节点以及目的节点的相对位置关系动态修改输出端口的优先级,使数据包可以通过最短路径转发,最大限度地减少重路由。OFTR路由策略通过改进的奇偶转向规则和动态改变输出端口的优先级既避免了网络死锁,又降低了数据包进入故障周围的概率。仿真结果表明:OFTR路由策略降低了网络平均延迟,节约了网络开销,与其它确定性容错路由算法相比,饱和吞吐率平均提高了8%以上。