广义Hamilton(控制)系统的离散梯度积分法

对于广义Hamilton系统及广义Hamilton控制系统,基于能量的Hamilton函数,用离散梯度方法给出了系统保持Hamilton函数特征的数值解法,证明了积分方法可有效地保持Hamilton函数随时间的变化率。通过算例说明了本文方法的有效性。

基于逐次梯度积分法的热轧带钢角度补偿模型

断面测量系统主要用于给板型控制系统提供板带钢的凸度、楔度等反馈信息。如果测量不准或精度不高,将会直接影响板型控制质量。本文简要分析了宝钢热轧断面测量系统测量原理,以及影响断面测量精度的因素。重点针对“在轧制过程中,被测物上下跳动和倾斜对测定值的影响”问题,提出了一种带钢断面梯度逐次积分模型。该模型能够沿着带钢两个边沿间直线每隔20mm的点求出梯度,对带钢宽度方向上每隔20mm的点进行单独的角度补偿,从而精确的计算出带钢横断面厚度分布。通过实验验证,该模型能够解决,如带钢对称双边浪、中间浪或单边浪等断面缺陷带来测量不准问题。

应用引导积分梯度的对抗样本生成

给图片添加特定扰动可以生成对抗样本,误导深度神经网络输出错误结果,更加强力的攻击方法可以促进网络模型安全性和鲁棒性的研究.攻击方法分为白盒攻击和黑盒攻击,对抗样本的迁移性可以借已知模型生成结果来攻击其他黑盒模型.基于直线积分梯度的攻击TAIG-S可以生成具有较强迁移性的样本,但是在直线路径中会受噪声影响,叠加与预测结果无关的像素梯度,影响了攻击成功率.所提出的Guided-TAIG方法引入引导积分梯度,在每一段积分路径计算上采用自适应调整的方式,纠正绝对值较低的部分像素值,并且在一定区间内寻找下一步的起点,规避了无意义的梯度噪声累积.基于ImageNet数据集上的实验表明,Guided-TAIG在CNN和Transformer架构模型上的白盒攻击性能均优于FGSM、C&W、TAIG-S等方法,并且制作的扰动更小,黑盒模式下迁移攻击性能更强,表明了所提方法的有效性.

单电子电场梯度算符多中心积分法

基于Slater轨道的Gaussian展开,提出一套适用于s、p、d及f轨道的简单有效的单电子电场梯度积分法。

应用于偏振重构方法中的高精度梯度场积分法

提出一种改进的梯度场积分方法,用于减小偏振重构方法重建透明表面的误差,在模式法的基础上,选取复指数函数作为展开式的基函数,采用更加精确的差分采样模型构建差分与被测斜率之间的关系。为使新模型计算的差分数据满足离散傅里叶变换对于尺寸和周期性的要求,采用反对称扩展与周期性扩展相结合的方法扩展被测斜率数据。通过一系列对比仿真实验去分析提出方法的精度,结果显示其重建后的误差明显低于Frankot-Chellapa算法。为了验证提出的算法在偏振重构方法中的性能,对一个半径为101.89 mm的透镜表面进行了重建实验,提出的方法能够获取较高质量的表面点云数据,相比于Frankot-Chellapa算法的结果(均方根误差为0.129764 mm),该方法重建表面的误差(均方根误差为0.017239 mm)有明显的降低。

基于层次积分梯度的尖轨伸缩位移图像自动判读算法

针对人工判读道岔尖轨伸缩位移图像存在效率低和误差大的问题,为实现尖轨伸缩位移的实时自动监测,提出1种基于层次积分梯度的尖轨伸缩位移图像自动判读算法。采用逐层逼近目标区域的方式,克服尖轨伸缩位移图像中噪声和不相关信息的干扰,以SURF(Speeded Up Robust Features)算子的特征匹配结果为指导,逐步提取图像中的有效区域;利用积分梯度的抗噪特性,根据积分梯度和极值点精确定位刻度尺的特征点位置,结合可信度检验,实现尖轨伸缩位移图像的自动判读。用该算法对监测现场采集的尖轨伸缩位移图像进行判读的结果表明,可在2s内自动判读尖轨伸缩位移图像,总体偏差在0.5mm以内,能够满足目前现场对尖轨伸缩位移实时自动监测的要求。

积分梯度法的两种格式

在二维柱坐标系下Lagrange流体力学的计算中,积分梯度法是动量方程的一种有效离散方法.积分梯度法中,IGT(Integral Gradient Total)格式不能保持柱几何下一维球对称性;IGA(Integral Gradient Average)格式可以保持一维球对称性,但当相邻网格质量相差比较大时,会得到远远脱离真实物理现象的加速度.深入研究IGA和IGT格式发现,当相邻网格边界压力取为质量加权时,即使相邻网格质量相差较大,对于一维平面和一维柱问题,IGT与IGA等价;在二维情形下,可以缩小IGT和IGA之间的差异.理论证明,IGA格式不能保持系统的动量守恒,IGT格式能保持系统的动量守恒性.数值模拟结果进一步显示了这两个格式的优缺点.

基于二维泰勒理论的非迭代离散梯度积分方法

提出基于二维泰勒展开的积分重建方法,采用前二阶项近似表示两点间的高度差,结合一阶项与二阶项间的近似关系,推导出新的差分算子,并应用于区域法中。同时,提出一种计算非矩阵高度数据的非迭代计算方法。数值实验结果表明:当采样点按照桶形和枕形等非矩形分布时,本文方法的重建精度为0.1~0.2μm,优于其他方法的0.5~0.7μm;对于采样点数量为29236的非矩阵数据的重建,本文方法的计算时间为0.1 s左右,明显小于迭代方法的计算时间,并且,随着采样点数量的增加,其速度方面的优势更加突出。

保持对称性的新积分梯度格式

针对柱坐标系下拉氏流体力学的动量方程,提出一种积分梯度格式IGTSP(Integral Gradient Total Symmetry-Preserving),它具备现有积分梯度格式IGA(Integral Gradient Average)和IGT(Integral Gradient Total)的优点,不仅克服了IGT格式不能保持柱坐标系下的一维球对称性的缺点,而且系统的总动量守恒误差为O(h),比IGA格式更好地保持系统的总动量守恒.数值试验进一步显示了该格式理论分析的优点.

三维位势问题的梯度边界积分方程的新解法

三维位势问题的边界元分析中,关于坐标变量的边界位势梯度的计算是一个困难的问题.已有一些方法着手解决这个问题,然而,这些方法需要复杂的理论推导和大量的数值计算.本文提出求解一般边界位势梯度边界积分方程的辅助边值问题法.该方法构造了与原边界值问题具有相同解域的辅助边值问题,该辅助边值问题具有已知解,因此通过求解此辅助边值问题,可获得梯度边界积分方程对应的系统矩阵,然后将此系统矩阵应用于求解原边值问题,求解过程非常简单,只需求解一个线性系统即可获得原边值问题的解.值得注意的是,在求解原边值问题时,不再需要重新计算系统矩阵,因此辅助边值问题法的效率并不很差.辅助边值问题法避免了强奇异积分的计算,具有数学理论简单、程序设计容易、计算精度高等优点,为坐标变量梯度边界积分方程的求解提供了一个新的途径. 3个标准的数值算例验证了方法的有效性.

粘塑性介质率本构方程的广义序列积分解法

提出粘塑性介质率形式本构方程的一种积分求解方法 .由热力学最大耗能原理导出率形式的粘塑性本构方程和广义硬化方程 ,对过程相关的率形式的本构方程和广义硬化方程进行增量梯度积分 ,给出具有二阶精度的率本构方程广义序列解法 ,导出算法一致的对称形式切线模量和增量形式粘塑性本构关系式 .

条纹反射法测量三维面形中的积分算法

基于不同梯度数据噪声,研究讨论了几种典型的梯度积分算法,并提出了一种改进的Southwell全局积分算法.以重建面形和原始面形的相似度、均方根误差作为算法性能参数,对梯度数据进行模拟测试.搭建条纹反射实验平台,对标准凹球面反射镜进行积分重建,并将条纹反射法测量结果和实际元件参数进行对比.实验结果表明:用改进的Southwell算法重建的凹球面的半径误差为0.09%,结构相似度大于0.999,其重建速度为原算法的1.2倍.改进后的Southwell算法相较于传统的积分算法,获得了更高的重建质量和重建效率,满足镜面物体测量的非接触、精度高、稳定性强等要求.

基于逐层增量分解的深度网络神经元相关性解释方法

神经网络的黑箱特性严重阻碍了人们关于网络决策的直观分析与理解.尽管文献报道了多种基于神经元贡献度分配的决策解释方法,但是现有方法的解释一致性难以保证,鲁棒性更是有待改进.本文从神经元相关性概念入手,提出一种基于逐层增量分解的神经网络解释新方法LID-Taylor(Layer-wise increment decomposition),且在此基础上先后引入针对顶层神经元相关性的对比提升策略,以及针对所有层神经元相关性的非线性提升策略,最后利用交叉组合策略得到最终方法SIG-LID-IG,实现了决策归因性能的鲁棒跃升.通过热力图对现有工作与提出方法的决策归因性能做了定性定量评估.结果显示,SIG-LID-IG在神经元的正、负相关性的决策归因合理性上均可媲美甚至优于现有工作.SIG-LID-IG在多尺度热力图下同样取得了精确性更高、鲁棒性更强的决策归因.

去中心化场景下的隐私保护联邦学习优化方法

联邦学习的提出为跨数据孤岛的共同学习提供了新的解决方案,然而联邦节点的本地数据的非独立同分布(Non-IID)特性及中心化框架在参与方监管、追责能力和隐私保护手段上的缺失限制了其大规模应用。针对上述问题,提出了基于区块链的可信切片聚合策略(BBTSA)和联邦归因(FedAom)算法。FedAom引入归因思想,基于积分梯度法获取归因,从而定位影响模型决策行为的参数,分级考虑参数敏感性,在局部更新过程中保持和强化全局模型所学习到的关键知识,有效利用共享数据,从而缓解Non-IID问题。BBTSA基于区块链构建去中心化的联邦学习环境,允许联邦节点在无须中心化第三方的情况下,通过在参与方间交换噪声而非权重或梯度参数,基于合作树结构实现对参数的切片混淆,以保护节点隐私。在两种数据集上的不同分布条件下的验证结果显示,FedAom在大多数条件下相比基线方法在稳定性和收敛速度上都有显著提升。而BBTSA能够隐藏客户端的隐私参数,在不影响精度的情况下确保了训练过程的全程监控和隐私安全。

基于积分损失的对抗样本生成算法

随着计算机性能的飞速提升和数据量的爆炸式增长,深度学习在越来越多的领域取得了惊人的成果。然而,研究者们发现深度网络也存在对抗攻击。在图像分类领域,攻击者可以通过向原始的图片上加入人为设计的微小的扰动,来使得深度神经网络分类器给出错误的分类,而这种扰动对于人类来说是不可见的,加入了扰动之后的图片就是对抗样本。基于梯度攻击的对抗样本生成算法(projected gradient descent,PGD)是目前有效的攻击算法,但是这类算法容易产生过拟合。该文提出了积分损失快速梯度符号法,利用积分损失来衡量输入对于损失函数的重要性程度,规避梯度更新方向上可能陷入局部最优值的情况,不仅进一步提升了对抗样本的攻击成功率,而且也增加了对抗样本的迁移性。实验结果证明了所提方法的有效性,可以作为测试防御模型的一个基准。

基于分层注意力网络和积分梯度的细粒度漏洞检测方法

智能合约是一种基于区块链平台运行的去中心化应用程序,在数字货币、物联网、供应链等多个领域应用广泛。智能合约漏洞检测的研究对于保障数字资产安全、维护合约的可靠性与稳定性具有重要意义。目前的主流研究之一为利用深度学习模型自动学习代码特征,检测出智能合约漏洞,准确性较高,但是在漏洞解释方面具有局限性,不能提供细粒度的漏洞信息。针对目前基于深度学习的智能合约漏洞检测模型不能有效提供细粒度漏洞解释,且缺少细粒度标签的问题,提出一种基于分层注意力网络和积分梯度的细粒度漏洞检测方法。利用分层注意力网络进行粗粒度漏洞检测,通过两层注意力构建单词注意力编码层和函数注意力编码层分别学习源代码的函数级和合约级表示,以关注代码的不同令牌和语句;然后使用积分梯度方法进行细粒度解释,计算代码语句对漏洞预测的贡献度,以获取与漏洞相关的脆弱语句,实现无语句标签情况下的单词级别和语句级别的漏洞解释。在真实以太坊数据集SmartbugsWilds,SmartbugsCurated和SolidiFIBenchmark上的实验结果表明,该方法在5种漏洞类型上的平均准确率达到80%以上,漏洞解释准确率提升6%,可以更加准确地定位漏洞代码,帮助开发人员审查合约。

基于改进方向梯度直方图的行人检测

针对提高行人检测速度和精度的问题,对于传统方法:方向梯度直方图(Histogram of Oriented Gradient,HOG)和支持向量机(Support Vector Machine,SVM)作了改进,主要包括下面两个方面,第一,对每个单元特征的计算采用积分梯度向量,以提高行人特征的提取速度;其次,对于每一个像素点的梯度方向bin进行一维的线性插值,来改善梯度信息提取的准确性,从而提高检测的精度。在INRIA静态行人检测数据集上,相对于传统方法,其检测速度和精度均有一定的提升。

数据驱动的电力系统关键断面筛选

关键断面筛选对电力系统运行分析与控制至关重要。现代电力系统日益规模化和复杂化,传统的物理模型驱动的筛选方法计算效率偏低,难以满足在线分析需求,而现有的数据驱动算法难以兼顾模型性能、可解释性和发现新关键断面的能力。针对上述问题,该文提出了一种基于神经网络可解释性的数据驱动算法。首先,建立了基于多通道长短时记忆(long short-term memory,LSTM)神经网络的暂态稳定分析模型,根据故障后短时受扰曲线类型建立多个特征提取通道,实现功角稳定性预测。接着,采用基于积分梯度的神经网络可解释方法探究线路功率与暂态稳定性之间的关系,结合输电断面的拓扑约束和潮流流向约束,筛选出对暂态稳定影响较大的关键断面。最后,在IEEE39节点系统中对所提算法进行了测试,验证了算法的正确性,该算法兼顾了模型表达能力与可解释性,具备发现新关键断面的能力,计算效率高,可用于在线关键断面筛选。

红外舰船目标的投影特征比较

在图像分析中,水平积分投影和垂直积分投影被用来描述目标的灰度分布结构,其缺点是很难用简单的关系将旋转前后的积分投影后的曲线与相同的目标对应起来。因此,提出基于圆周投影的圆周积分投影和圆周梯度积分投影两种图像灰度分布的统计方法。与水平积分投影和垂直积分投影方法进行了比较。实验结果表明,圆周积分投影和圆周梯度积分投影曲线具有良好的旋转和尺度不变性。

基于视觉选择性注意与IHOG-LBP特征组合的行人目标快速检测

常规的行人目标检测方法往往以底层特征为基础,采用密集窗口扫描的分类检测模式,其计算资源开销大而难以满足快速性要求。针对此问题,研究了一种新的行人目标快速检测方法。引入视觉选择性注意计算进行目标候选区域定位,通过提取候选区域的积分有向梯度直方图IHOG(integrated histogram of oriented gradient)特征和局部二值模式LBP(local binary pattern)特征以形成组合优势,通过级联支持向量分类方式对区域内容进行分级检测,实现了快速、可靠的行人目标检测。DET(detection error tradeoff)曲线和算法运行时间表明,相比Dalal等人的方法,本方法可在保证检测率稳定的前提下,缩短五倍的检测时间,具有更好的工程应用性。