机器学习在智能反射面辅助的通信系统中的应用综述

智能反射面(intelligent reflecting surfaces,IRS)可以通过大量低成本的无源反射元件巧妙地调整信号反射,从而动态改变无线信道,提高通信性能,目前已成为无线通信研究的焦点。然而,由于IRS的加入,整个通信系统变得更加复杂,系统的动态性也更高,使通信系统面临着许多新的挑战。机器学习(machine learning,ML)具有很强的数据处理与自适应能力,能够不断适应变化的环境和需求,可以很好地应对通信系统中的许多挑战。因此,使用ML解决IRS辅助的通信系统中的问题,已经成为当前研究的重点。基于此,对ML在IRS系统中的应用进行了系统性的概述,从IRS辅助的通信系统中存在的问题入手,分别从反射因子的设计与优化、信道处理与建模、资源分配和管理、安全性增强4个方面对ML在IRS系统中的应用进行阐述和分析,并讨论了将ML应用在IRS系统中的优势及未来的发展趋势与挑战。

基于临床指标、CT冠状动脉钙化评分和心外膜脂肪组织的机器学习预测心肌梗死风险研究

目的:评估机器学习(ML)的性能,将临床参数与CT冠状动脉钙化(CAC)评分和自动心外膜脂肪组织(EAT)量化相结合,以预测无症状受试者的心肌梗死(MI)和心源性死亡的长期风险。方法:选取2013年1月至2015年10月于解放军总医院第五医学中心进行体检的1058名存在心血管危险因素且未发生冠心病症状的受试者,在进行CAC评分后进行长期随访。使用全自动深度学习方法量化EAT体积和密度。采用受试者工作特征(ROC)曲线分析临床资料、动脉粥样硬化性心血管疾病风险评分、CAC评分和自动EAT测量来训练ML极端梯度增强,并使用重复的10倍交叉验证进行模型验证。结果:在8年随访期间,1058名受试者中61例发生了MI和(或)心源性死亡事件。ML的ROC曲线下面积(AUC)明显高于动脉粥样硬化性心血管疾病(ASCVD)风险和CAC评分预测事件(ML:0.82;ASCVD:0.77;CAC:0.77)。根据ASCVD和CAC、EAT的ML比仅具有临床变量的ML更能预测MI和心脏死亡[AUC为0.82(95%CI:77~87)vs.0.78(95%CI:0.72~0.84),P=0.02]。ML高分数受试者生存率随时间增长下降程度较大,因此ML得分较高的受试者更有可能经历事件。结论:整合临床和定量影像学变量的ML可以为心血管危险因素患者提供长期风险预测。

基于多种植被指数时间序列与机器学习的作物遥感分类研究

开展了基于多种植被指数(vegetation index,VI)时间序列和机器学习(machine learning,ML)算法的作物遥感分类研究。从Landsat-8 OLI与EO-1 ALI影像中提取了内蒙古五原县的时间序列数据。2颗卫星的参数类似,且它们联合提供了更多无云覆盖的数据。7种常用的VI从时间序列遥感数据中提取出来,以用作ML算法的输入。对比分析了SVM、RF、DT 3种ML算法对玉米、向日葵和小麦的区分效果。共选取了2 584个样本,其中1 556个样本用于算法训练。得到了127种VI组合作为输入时3种算法的分类精度。结果表明,SVM的分类效果优于另外2种算法;VI数目并非越多越好,综合考虑算法的精度和稳定性,3种VI可以取得最佳的效果;SVM+NDI5+NDVI+TVI是平均分类精度最高的组合,平均精度为91.97%。

低面积低功耗的机器学习运算单元设计

随着机器学习(ML)算法的日益流行,研究人员提出了很多专用于机器学习算法的加速器。然而,这些加速器会被其特定用途的狭窄范围所限制。另外,尽管芯片制造工艺有所提高,但是待处理问题规模的急剧增大依然加剧了这些机器学习加速器的低效程度。针对这种现象,本文研究了4种流行的机器学习算法——k-近邻算法(k-NN),k-均值算法(k-Means),支持向量机(SVM)和逻辑回归(LR),并对这些算法中最为耗时的运算部分进行了深入分析,此外,还针对数据位宽对运算精度、硬件开销的影响进行了分析。根据以上分析,本文设计了一款可以支持多种机器学习算法的运算单元,该运算单元混合使用16位浮点数和32位浮点数的运算器,实现了低面积、低功耗的需求。实验结果表明,本文提出的运算单元可以在几乎不损失正确率的情况下,减少69. 80%的总面积开销以及68. 98%的总功耗开销。

机器学习辅助急性呼吸窘迫综合征诊治的研究进展

急性呼吸窘迫综合征(ARDS)诊断标准宽泛且临床医生对其认知度低,这些均易导致其开展早期临床诊疗决策的难度增加。在ARDS相关研究中,缺乏有效的临床药物试验成果,对ARDS严重程度的判定标准也争议不断。故此,迫切需要高效、准确的研究方法提高临床医生对ARDS的早期诊断及预后判断,辅助ARDS临床研究设计。大数据时代下,机器学习(ML)作为一种可整合海量数据的工具,近年来在协助临床医生开展ARDS早期诊疗决策、辅助临床试验设计上表现出色。利用ML构建的ARDS早期预测模型、机械通气时间预测模型和死亡风险预测模型,可优化ARDS患者的早期诊断及预后判断;分类模型中ARDS的两种亚型,为临床药物试验分组提供新思路;风险评估模型可作为论证工具参与临床试验研究。本文就ML对ARDS的最新研究进展进行综述。

机器学习解构区域金融风险防控研究进展

区域金融风险防控(RFRP)无论在管理区域传统金融风险(TFR)还是坚守不发生区域金融系统风险(FSR)中都是不可或缺的。随着大数据规模的持续增长,金融风险形态变化的不确定性,传统计量方法模拟金融风险防控的效率、精度、应用等方面都面临着无法克服的困境。当下,越来越多的机器学习(ML)模拟RFRP防控的新方法和新技术受到研究者的重视。首先提出了RFRP防控新的科学分类和ML观念基础;其次总结了区域TFR防控的ML理论方法和应用技术,对各类代表性研究所论述区域TFR防控的关键逻辑、模型算法、学习效果进行了比对解析,对ML不同方法的优点、局限和传统场景进行了归类分析;然后梳理了区域FSR防控的ML理论方法和应用研究,对各类典型文献所解析区域FSR防控的关键脉络、ML算法、学习效果进行了对比研究,对ML不同模型的优势、缺陷和金融风险场景进行了阐述研究;最后提出了六个ML模拟RFRP防控的前景技术和新兴方向。

Cloudless-Training:基于serverless的高效跨地域分布式ML训练框架

跨地域分布式机器学习(ML)训练能够联合多区域的云资源协作训练,可满足许多新兴ML场景(比如大型模型训练、联邦学习)的训练需求。但其训练效率仍受2方面挑战的制约。首先,多区域云资源缺乏有效的弹性调度,这会影响训练的资源利用率和性能;其次,模型跨地域同步需要在广域网(WAN)上高频通信,受WAN的低带宽和高波动的影响,会产生巨大通信开销。本文提出Cloudless-Training,从3个方面实现高效的跨地域分布式ML训练。首先,它基于serverless计算模式实现,使用控制层和训练执行层的2层架构,支持多云区域的弹性调度和通信。其次,它提供一种弹性调度策略,根据可用云资源的异构性和训练数据集的分布自适应地部署训练工作流。最后,它提供了2种高效的跨云同步策略,包括基于梯度累积的异步随机梯度下降(ASGD-GA)和跨云参数服务器(PS)间的模型平均(MA)。Cloudless-Training是基于OpenFaaS实现的,并被部署在腾讯云上评估,实验结果表明Cloudless-Training可显著地提高跨地域分布式ML训练的资源利用率(训练成本降低了9.2%~24.0%)和同步效率(训练速度最多比基线快1.7倍),并能保证模型的收敛精度。

基于机器学习的计算机网络节点漏洞检测方法

为提高计算机网络的使用安全,引进机器学习算法改进计算机网络节点漏洞检测方法。将节点流量熵值作为识别计算机网络节点异常流量的关键依据,根据窗口大小计算节点流量熵值;提取计算机网络环境中软件定义网络(Software Defined Network,SDN)控制器的运行参数,识别计算机网络节点异常流量;引进机器学习(Machine Learning,ML)算法,将流通节点的数据输入到机器学习网络层中,训练计算机网络节点数据;利用自编码技术将高维非线性数据转换为低维数据,在网络节点之间建立双向映射关系,以自底向上的方式检测节点漏洞。进行对比实验,结果表明,设计的方法可以精准检测网络环境中的异常数据与漏洞节点。

基于DBSCAN-ML的液压风力发电机故障诊断研究

传统风力发电机对于系统故障的解决方案是有限和预先确定的,而具有大量传感器数据的故障预测诊断可以有效预防可能发生的系统故障,从而降低设备维护成本。为此,提出一种基于DBSCAN-ML的风力发电机故障诊断策略。基于密度的应用噪声算法空间聚类(DBSCAN)从正常状态数据中分类出异常状态的风力机数据,然后采用决策树和随机森林算法2种机器学习(ML)算法构建预测模型,最后使用K折交叉验证进行测试。通过广西31台风力发电机组数据对此故障诊断方案进行案例验证。结果表明:DBSCAN算法可以有效分离异常状态数据,且决策树预测模型和随机森林模型可以分别获得92.7%和92.1%的准确率,通过数据挖掘和建模可以检测风力发电机组的故障,并可以预测部件的维护需求。

用于位置信息辅助复杂人体行为识别的新型深度学习框架

随着近年来智能生活理念的普及和可穿戴终端技术的快速发展,基于传感器数据的人体行为识别(human activity recognition,HAR)已引起广泛关注,并且具有重要的学术研究和商业应用价值。该文研究了增强HAR模型对用户日常简单行为(simple activity,SA)和复杂行为(complex activity,CA)的识别,并提出了一个深度学习(deep learning,DL)模型。首先,使用两个可公开获取的数据集UCI HAR和Shoaib CHA,并对其进行标准化处理。其次,使用所提出的模型提取各种动作的特征,进行人体行为识别。鉴于用户行为和位置之间的高度关联,通过独热编码技术将位置信息集成到数据集中,以提高模型的分类性能。此外,将所提出的模型与8种经典机器学习(machine learning,ML)算法和6种DL算法进行了对比。最后,评估了不同行为类型对HAR模型识别性能的影响。实验结果表明,所提出的模型在UCI HAR和Shoaib CHA数据集上的最高分类准确率分别达到了96.77%和99.13%。通过向数据集添加位置信息,HAR模型对SA和CA的分类准确率得到了显著提高。

强化学习可解释性基础问题探索和方法综述

强化学习是一种从试错过程中发现最优行为策略的技术,已经成为解决环境交互问题的通用方法.然而,作为一类机器学习算法,强化学习也面临着机器学习领域的公共难题,即难以被人理解.缺乏可解释性限制了强化学习在安全敏感领域中的应用,如医疗、驾驶等,并导致强化学习在环境仿真、任务泛化等问题中缺乏普遍适用的解决方案.为了克服强化学习的这一弱点,涌现了大量强化学习可解释性(explainable reinforcement learning,XRL)的研究.然而,学术界对XRL尚缺乏一致认识.因此,探索XRL的基础性问题,并对现有工作进行综述.具体而言,首先探讨父问题——人工智能可解释性,对人工智能可解释性的已有定义进行了汇总;其次,构建一套可解释性领域的理论体系,从而描述XRL与人工智能可解释性的共同问题,包括界定智能算法和机械算法、定义解释的含义、讨论影响可解释性的因素、划分解释的直观性;然后,根据强化学习本身的特征,定义XRL的3个独有问题,即环境解释、任务解释、策略解释;之后,对现有方法进行系统地归类,并对XRL的最新进展进行综述;最后,展望XRL领域的潜在研究方向.

基于数据包头序列的物联网恶意流量检测

现有的基于机器学习(ML)的恶意流量检测方法,通常以高维的流量特征作为输入,并采用复杂模型,在实践中产生高误报率且资源占用较高。更重要的是,加密协议的广泛使用,使得数据包有效载荷特征很难被访问。幸运的是,物联网(IoT)设备的网络行为通常是有规律和周期性的,该特征反映在通信数据包序列上,每个数据包一定程度上描述了一次网络事件。基于此,本文提出了基于数据包头序列的恶意流量检测方法。它将流量序列转换为网络事件序列,并计算一组特征(即序列性、频率性、周期性和爆发性)来描述网络行为。实验环境包含一组真实的物联网设备,并将提出的方法部署在树莓派模拟的网关上。实验结果表明,与最新的检测方法相比,本文提出的方法能够在复杂网络环境下保持高准确性和低误报率,并提升了处理速率。

核电站数字化升级与转型研究

云计算、大数据分析、物联网(IoT)、人工智能(AI)、机器学习(ML)和数字孪生等技术的兴起和快速发展,为核电站等重要基础设施的数字化转型提供了强大的技术支持和广阔的应用前景。本文旨在探讨核电站数字化现状、数字化升级与转型的关键技术及关键问题,为迎接数字化转型浪潮提供参考。

基于IIoT思维的智能工厂架构及实践

依据目前新兴工业物联网、大数据、AR增强现实、ML机器学习等技术的发展,为满足客户需求与挑战,由浅入深地阐述了智能工厂的架构、功能、特点以及实践应用场景。重点强调智能工厂是由3个维度智能化构成的,而且是针对不同的人群而言的,操作维度智能化是基础,满足了专业人员的智能化需求;运营维度智能化是核心,满足了管理人员的智能化需求;决策维度智能化是提升和增强,满足了决策人员的智能化需求。智能工厂的建设,消除了信息孤岛,使数据互联互通,业务敏捷协同,决策实时科学。

基于人工神经网络方法的FRP增强混凝土断裂研究新思路

纤维增强复合材料(FRP)作为一种新型的增强加固材料,由于其强度高、质量轻、防腐蚀、耐疲劳、与混凝土粘结性能好以及便于施工等诸多优点,在混凝土结构修复加固领域得到了广泛的应用。近年来,随着人工智能(AI)的逐渐兴起,机器学习(ML)作为实现AI的一种途径,在水利、建筑等各行各业也得到了长足的发展。首先简单介绍了ML的基本原理,并通过对ML在混凝土结构工程中应用的系统回顾与总结,指出了传统试验和数值模拟分析中FRP增强混凝土断裂研究存在的一些难点和局限性,阐述了基于ML的人工神经网络(ANN)方法在处理混凝土结构问题中的优越性,认为采用ANN方法能够有效解决FRP增强混凝土断裂研究中难以解决的问题;其次,对ANN方法应用于FRP增强混凝土断裂韧度预测中的新思路进行了详细介绍,给出了ANN方法应用于FRP增强混凝土断裂韧度预测的具体流程,并对其流程中的一些步骤给出了建议;最后,对ML应用于FRP增强混凝土断裂方向的深入研究进行了展望,提出了ML应用于FRP增强混凝土断裂方向深入研究的相关问题。

电子封装用环氧胶粘剂改性研究进展

在半导体元器件的制造成本中,封装材料成本是仅次于硅晶片的重要开支,超过了引线框架和光刻胶所占的成本比例。先进封装向着高密度集成、高功率负载、微型化发展,封装结构变得更加复杂,对封装材料提出了更高的要求。环氧胶粘剂收缩率小、耐热性好、耐紫外老化、与锡铅焊料相比环境友好,是使用最广泛的一类封装材料。但其存在升温热膨胀系数高、固有的脆性和易开裂问题,影响封装器件的结构稳定性和服役可靠性,如何改善环氧胶粘剂的脆性和热膨胀性,提升其综合性能成为近年的研究热点。在环氧胶粘剂中引入纳米粒子和橡胶可以改善其脆性和热膨胀性。纳米粒子的刚性增强效应可极大提升环氧胶粘剂的强度和玻璃化转变温度,橡胶增韧环氧胶粘剂可显著改善其韧性,但会损失一定的强度和热机械性能。纳米粒子和橡胶的单一改性不能满足先进封装对环氧胶粘剂材料力学性能的苛刻要求,二者的复合改性可同时兼顾韧性和强度且不影响其他所需性能。通过刚性纳米粒子的表面功能化改性以及橡胶的末端结构设计改善改性物质与环氧基体的界面结合强度、促进改性物质在基体中的均匀分散是提升胶粘剂综合力学性能的关键。此外,环氧胶粘剂中刚性纳米粒子的存在降低了体系中自由体积所占的比例,以及刚性纳米粒子的紧密结合作用共同抑制了聚合物链的热膨胀;橡胶改善了胶粘剂的韧性,使得体系的热应力可以更好地消散,膨胀的驱动力也随之减小。环氧胶粘剂的配方复杂,结合机器学习的多尺度建模高通量计算,对其结构与力学性能关系进行模拟预测,可极大缩短先进环氧胶粘剂的研发周期。本文综述了近年来新型碳纳米粒子和橡胶改善环氧胶粘剂脆性和热膨胀性的研究进展,分析了环氧胶粘剂中添加刚性纳米粒子和橡胶带来的结构变化以及相应的改性机理,其中改性物质的均匀分散以及与环氧基体的界面结合强度是影响力学性能的关键因素,结合机器学习对环氧胶粘剂的微观结构与力学性能进行模拟预测,对推进先进环氧胶粘剂的发展具有重要意义。

基于自适应粒子群优化的RBF毫米波信道建模研究

基于毫米波室内无线信道测量数据,将机器学习(machine learning,ML)中的径向基函数(radial basis function,RBF)方法应用于毫米波信道建模中,建立了基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的RBF神经网络信道参数预测模型,并与传统RBF算法的预测结果进行了比较.利用APSO-RBF模型对信道大尺度参数(large-scale channel parameter,LSCP)如路径损耗(path loss,PL)、时延扩展(delay spread,DS)等数据的特征进行了学习和预测.结果表明,APSO-RBF模型信道参数的预测值与实际测量值非常吻合,均方根误差(root-mean-square error,RMSE)较小,且预测曲线与原始测量值曲线的拟合度较好,该算法的学习性能和预测效果均优于传统RBF算法.另外,APSO-RBF模型在数据量波动较大的情况下对信道参数的变化有着良好的适应性,对5G毫米波信道参数可以取得较好的预测效果.