基于改进型变分自编码器的不确定性空间信息重建方法

不确定性空间信息在众多科学领域得到了广泛应用。然而目前用于不确定性空间信息重建的方法需要多次对训练图像(TI)进行扫描,再通过复杂的概率计算获得模拟结果,导致这些方法的效率较低,且模拟过程复杂。针对这一问题,提出了将费雪信息量和变分自编码器(VAE)结合应用于不确定性空间信息的重建。首先,通过编码器神经网络对空间信息的结构特征进行学习,并训练得到空间信息的均值和方差;然后,进行随机采样,根据采样结果和空间信息的均值、方差重建中间结果,并将编码器神经网络的优化函数与费雪信息量相结合来优化网络;最后,将中间结果输入解码器神经网络中,以对空间信息进行解码重建,并将解码器的优化函数与费雪信息量结合对重建结果进行优化。通过比较各方法重建结果与训练数据的多点连通曲线、变差函数、孔隙分布和孔隙度表明,所提方法的重建质量比其他方法的更好。具体来说,该方法重建结果的平均孔隙度为0.1715,与其他方法重建结果的平均孔隙度更接近训练数据的孔隙度0.1705。且相较于传统方法,其平均CPU利用率从90%下降到25%,平均内存占用下降了50%,说明该方法的重建效率更高。而通过重建质量和重建效率两个方面的对比,说明了该方法的有效性。

基于量子增强的光学测量技术综述

量子技术赋予科学家直接操纵光子的能力,与传统的光辐射体系相比,测量精度得到了飞跃性的提升。但是,这种测量的精度极限在哪里?能否实现准确度更高的测量?针对上述问题,从量子测量理论切入,综述了近年来相关研究对量子测量不确定度极限的探索,并对其中涉及到的具体技术方法给出简明阐述,回顾了与计量学相关的量子光学基本工具和技术,描述实现量子增强光学测量的主要协议和策略,并总结了该领域的主要实验成果和突破。最后,探讨了为推动量子光学计量技术,未来仪器领域应重点发展的重点方向。

信息驱动的海洋传感网目标定位最优部署策略

针对海洋传感网(OSNs)最小化目标定位误差的最优部署策略进行研究,推导得到接收信号强度指示值(RSSI)的费雪信息矩阵,并基于此得到目标函数.由于受到非高斯噪声的影响,原信息矩阵无法得到其闭环表达式.为此,利用一种蒙特卡罗(MC)策略,基于粒子化的思想得到信息矩阵的闭环表达式.随后推导出该函数的一种可行解,进而得到一种OSNs的最优部署策略.当目标节点初始位置未知时,该部署策略无法实施,进一步提出一种目标节点定位方法(TLM),将原定位问题转化为广义信赖域子问题用二分法进行求解.该方法避免了在非高斯噪声情况下利用最大似然算法因高度非凸性及计算复杂性而导致定位困难的问题,为最优部署策略提供了有效的目标初始位置.仿真实验结果证明所提出最优部署策略及定位方法的有效性.

基于Stackelberg博弈的组网雷达功率分配方法

针对组网雷达系统资源利用率低的问题,提出一种基于Stackelberg博弈的功率分配方法。首先,在目标跟踪背景下推导了目标状态估计的费雪信息矩阵行列式,并将其作为跟踪精度的衡量指标。然后,将功率分配问题描述为包含两级博弈的Stackelberg博弈模型,以最小化功率消耗为目标建立领导者子博弈,以最优跟踪精度为目标建立跟随者子博弈。最后,利用障碍函数法对该模型进行求解。仿真结果表明,与其他分配算法相比,该方法在满足跟踪性能需求的前提下减小了总功率的消耗,同时提高了系统的资源利用率。