面向公共安全的人工智能人才培养模式探索

促进人工智能在公共安全领域的深度应用是我国人工智能重要的发展方向之一,探索面向公共安全的人工智能人才培养模式是西安邮电大学人工智能专业的首要课题。该文在分析高校人工智能人才培养模式的基础上,提出构建“人工智能+公共安全”人才培养模式,通过统筹推进学科体系、教学体系、教材体系、管理体系和思政工作体系建设,培养德智体美劳全面发展的社会主义建设者和接班人。

无线通信教学中仿真技术的运用研究

新工科背景下,为提高无线通信教学质量,各大院校在数字技术赋能教学实践路径下进行了不同形式的教学改革,产生了较好效果。文章以此为背景概述了无线通信教学中应用仿真技术的必要性,并在剖析射频EDA仿真软件平台的基础上,结合HFSS的无线通信天线仿真、FEKO的无线电波散射特性仿真两个案例,对其运用进行了具体探讨。

立面作业机器人姿态感知系统设计与分析

针对立面作业机器人在大型立面设备中容易发生姿态倾斜的问题,本文设计了一种基于惯性测量单元对立面作业机器人的姿态进行全方位感知、检测的立面作业机器人姿态感知系统。该系统分析了机器人在滑移和倾覆状态下的受力情况,得出机器人稳定吸附的条件。同时,本文还提出了一种基于扩展卡尔曼滤波算法对获取的传感器数据进行滤波融合,并结合PID控制算法对系统进行动态调节的方法,该方法有效改善了机器人姿态倾斜问题。最后通过联合仿真实验验证了该系统的有效性,为后续立面作业机器人的设计和应用提供了技术参考。

图像信息驱动的抑制式粗糙模糊聚类分割算法

粗糙模糊聚类方法需要手动设置阈值确定粗糙聚类的上、下近似且对图像中的噪声较为敏感。为了减少人为干预,实现粗糙模糊聚类在图像分割中的深度应用,本文提出一种图像驱动的抑制式粗糙模糊聚类分割算法。方法中设计了基于超像素区域信息的自适应阈值策略,用于确定粗糙模糊聚类的上下近似,将图像空间信息引入到粗糙模糊聚类,构造了融合空间信息的粗糙模糊聚类目标函数,克服方法对于图像噪声的敏感性,此外,为进一步提升聚类性能,将模糊聚类中的抑制式学习思想引入到粗糙下近似集中像素的模糊隶属度的修正,实现了粗糙和模糊思想的深度融合。本文算法是更具混合智能机理的粗糙模糊聚类图像分割算法,实验结果表明了本文算法的有效性。

面向肺部CT影像的双3D-CNN结节诊断模型

为了捕获肺部CT影像中结节的三维不规则性并提高其诊断精度,本文设计了一种由筛到诊的双三维卷积神经网络(d3D-CNN)结节诊断模型.首先,构建了一个轻型3DCNN网络,且将它与全卷积运算相结合,利用卷积运算的高优化性,完成结节筛选并生成疑似区域;然后,利用空间-切片注意力机制自动学习疑似区域在空间和切片序列上的偏移量,设计可变形3D卷积模块,且将它与ResNet101相结合而构造成一个高精度3D-CNN结节诊断网络,用于对筛选出的疑似区域进行最终判决.对比实验结果表明,所提模型在误报率为1的情况下,召回率达到88.9%,有效地提高了肺结节良恶性诊断精度.

邻居关系感知的图卷积网络推荐模型

现有的基于图神经网络的推荐模型在更新目标节点向量时大多对邻居节点信息进行无差别的聚合,没有结合推荐系统本身引入更多有用的先验知识,从而区分目标节点与不同邻居节点之间的关系。针对此问题,提出一种基于邻居关系感知的图卷积网络推荐模型(neighbor relation-aware graph convolutional network,NRGCN),分别引入评分数值、评论文本和评分时间三种先验辅助信息实现对邻居节点的多层次聚合。具体来讲,以用户对物品的真实评分数值作为网络中不同邻居关系紧密程度的基础,利用评论文本的情感倾向对邻居关系进行修正补充,最后考虑到用户的兴趣随时间的变化情况,使用评分时间来标记不同时间交互下的邻居关系。在3组公开的数据集上,NRGCN的召回率高于多个基准算法,最大提高了12%。

结合多尺度深度学习网络和Retinex理论的低光照图像增强算法

针对低光照增强任务缺乏参考图像及现有算法存在的色彩失真、纹理丢失、细节模糊、真值图像获取难等问题,本文提出了一种基于Retinex理论与注意力机制的多尺度加权特征低光照图像增强算法。该算法通过基于Unet架构的特征提取模块对低光照图像进行多尺度的特征提取,生成高维度的多尺度特征图;建立注意力机制模块凸显对增强图像有利的不同尺度的特征信息,得到加权的高维特征图;最后反射估计模块中利用Retinex理论建立网络模型,通过高维特征图生成最终的增强图像。设计了一个端到端的网络架构并利用一组自正则损失函数对网络模型进行约束,摆脱了参考图像的约束,实现了无监督学习。最终实验结果表明本文算法在增强图像的对比度与清晰度的同时维持了较高的图像细节与纹理,具有良好的视觉效果,能够有效增强低光照图像,视觉质量得到较大改善;并与其他多种增强算法相比,客观指标PSNR和SSIM得到了提高。

精密单点定位零基准非差模糊度固定方法

精密单点定位作为一种全球卫星导航系统高精度定位方法,模糊度固定是决定其定位精度和收敛时间的关键因素,也是实现精密单点定位完好性监测的前提条件。传统的精密单点定位模糊度固定方法采用星间差分的形式,忽略了卫星端相位偏差的快速变化特性,当切换基准卫星时导致用户计算复杂度增加,甚至需要重新固定模糊度。针对上述问题,设计了一种零基准非差相位模糊度固定方法:服务端采用零基准条件估计卫星端硬件偏差小数部分,用户端使用服务端产品固定非差载波相位模糊度,从而得到精密单点定位模糊度固定的坐标解。创新设计一种偏差零基准精密单点定位模糊度固定策略,实现了非差形式的模糊度固定,从而避免参考星的切换所带来的精密单点定位模糊度重新固定问题,并且能够为精密单点定位完好性监测提供算法基础。实验验证结果表明,零基准模糊度固定方法的坐标估计精度优于3 cm,相比浮点解精密单点定位方法提高30%~44%,并且能够改善E方向与N方向的精度差异。

基于CWGAN-SLM的多小波OFDM系统峰均比抑制算法研究

为满足未来6G星地一体化系统对正交频分复用(OFDM)技术低峰均比(PAPR)的需求,首先提出一种将选择映射(SLM)算法与多小波OFDM技术相结合的算法,但此算法降低PAPR的幅度有限,并且计算复杂度较高。因此,进一步提出基于条件Wasserstein生成对抗网络(CWGAN)和SLM的峰均比抑制算法,即CWGAN-SLM算法,并将其应用于多小波OFDM系统,该算法通过引入CWGAN,生成多个时域备选信号,以达到降低峰均比的目的。仿真结果表明,CWGAN-SLM算法能够有效降低系统的PAPR和计算复杂度,而且具有较低的误码率,与GAN和WGAN相比,CWGAN具有训练容易、稳定性强且PAPR性能好的特点。

时变工况下基于精细复合多尺度散度熵的旋转机械故障诊断方法

时变工况下旋转机械的振动信号具有明显的时变调制的特点,熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题,提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法,能够更有效地提取故障特征信息并提高故障诊断准确率。首先,采用重采样的方法将时域信号转为角域信号,并利用变分模态分解和独立分量分析相结合的方法对角域信号进行去噪。其次,采用精细复合多尺度散度熵对去噪后的角域信号进行特征提取,然后将提取到的特征输入LR(logistic regression)分类器中识别故障类型。最后,通过时变工况下的齿轮试验对所提方法进行验证,结果表明,所提出的方法有效提高了时变工况下故障诊断准确率。

立面作业机器人安全实施标准研究

随着机器人技术的快速发展,立面作业机器人已经广泛应用于生产生活的各个领域,日益突出的安全性问题使立面作业机器人的规范性研究更为迫切。针对这些安全问题,首先从立面作业机器人的应用领域、技术内容、基本结构及安全防护四个层面进行调研。对照现行国标GB/T 20867-2007《工业机器人安全实施规范》和GB/T 38260-2019《服务机器人功能安全评估》等相关标准,通过文献研究及模拟实验制定了立面作业机器人安全标准并对多个方面进行了分析。本文围绕立面作业机器人及其系统的实施规范做出了进一步研究讨论,归纳整理出一个综合标准体系。针对立面作业机器人规范性的研究有助于安全性标准的制定或修订。

基于激光雷达点云多特征提取的车辆目标识别算法

目标识别是智能车感知周围环境实现智能行驶的重要技术,高精度的目标识别算法可为智能车的安全行驶提供保障,因此提出一种基于三维激光雷达点云多特征提取的车辆识别算法。将提取的激光雷达数据的12维特征与分类器相结合识别城市道路中的车辆目标。算法首先对非地面激光雷达点云进行聚类,对聚类后的每簇点云数据提取12维特征;然后根据这12维特征训练四种分类器;最后使用KITTI数据集进行仿真,比较四种分类器的性能和三种不同维度特征(12维、26维、8维特征)识别车辆目标的准确率。仿真结果表明:提取的12维特征相比较于其它两种维度的激光雷达特征,可以提高车辆目标分类的准确性,与随机森林结合的识别精度优于其他分类器方法。另外,在百度Apollo数据集的道路场景中也验证了该算法的性能,结果表明其可满足车辆识别的精度。

融合对称特性的混合标签传递半监督直觉模糊聚类图像分割

现有的直觉模糊聚类算法应用于图像分割时,往往只考虑图像的像素信息,忽略了图像的几何特征和区域信息,使得分割效果不太理想。为了提高直觉模糊聚类算法的分割性能,提出一种融合对称特性的混合标签传递半监督直觉模糊聚类算法。该算法首先对图像进行对称轴检测获取图像的对称特性,接着利用图像的对称特性进行对称像素的标签传递并改进像素对聚类中心的直觉模糊距离测度,然后设计一种混合标签传递半监督策略,对所有像素进行隶属度的估计并将其作为监督隶属度进行引入,随后构建融合对称特性的混合标签传递半监督直觉模糊聚类目标函数,通过聚类获得最终的分割结果。两个彩色图像库上的实验结果表明,该算法能够将目标从复杂背景中完整的分割出来,分割性能优于对比算法。

降雪对星地量子链路通信性能的影响

量子卫星通信是全球化量子保密通信网的重要组成部分。为了研究降雪对量子卫星通信性能的影响,首先基于雪粒子的Gamma谱分布函数及Mie散射理论,建立了降雪环境下光量子的能量衰减模型;然后分别研究了降雪强度等参数与星地链路的保真度、信道建立速率和信道纠缠度之间的关系,并进行了数值仿真;最后为准确模拟降雪干扰对星地链路通信性能的影响,引入了加权噪声信道模型,分析了降雪对加权噪声信道容量的影响。结果表明,降雪强度对光量子能量及保真度都有显著的影响:当传输距离为4.1 km、降雪强度由2.82 mm/d增加到8.71 mm/d时,纠缠度由0.738衰减到0.206;当降雪强度由3.75 mm/d增加至8.25 mm/d时,信道建立速率由16.84 pair/s减小至7.76 pair/s;当传输距离为2.5 km、降雪强度从4.0 mm/d增大到8.5 mm/d时,加权噪声信道容量由0.6207减小至0.3547。因此,降雪对量子卫星通信系统的影响不容忽视,需要根据降雪等级情况,采取相应调整策略保证通信的可靠性和有效性。

结合Tri-training和CV-CNN的半监督PolSAR图像分类

现有深度学习算法应用于PolSAR图像分类时,较少考虑该图像数据的复数特点,使得数据的复数域信息不能被充分利用;同时,深度学习需要大量的标签样本作为模型的训练样本,但是PolSAR图像可获取的标签样本十分有限。针对上述问题,结合Tri-training算法和复值卷积神经网络(CV-CNN)提出了半监督PolSAR图像分类算法。首先通过Wishart分类器和Tri-training算法获取一些可靠性较高的伪标签样本,然后将其加入到复值卷积神经网络的训练样本中并用于模型训练,最终完成图像分类任务。通过四幅PolSAR图像分类的仿真实验表明,该算法不仅能够有效提升伪标签样本的可靠性,同时还可提高模型的分类准确率。

无人机GNSS-R时延多普勒计算关键技术

针对海面风场反演中,采用不同的镜面反射点估计算法计算结果存在较大差异,导致等延迟环和等多普勒带的大小和分布不同,从而使得散射信号二维时延-多普勒相关功率计算的不一致等问题,提出在机载场景下,利用接收机相对于卫星发射机的仰角,来计算二维相关值参考点的时延和多普勒的方法。实验结果与实测数据对比表明,机载条件下,采用该方法计算真实有效,且无需计算镜面反射点的位置,简化了计算过程。

基于紧凑型编码与多项式核的量子分类器研究

核方法在机器学习中有广泛的应用。量子计算与核方法结合,可以有效解决经典核方法中当特征空间变大时计算成本随之增加的问题。研究表明,基于核方法构建的最小化量子电路可以可靠地在含噪声的中型量子设备上执行。目前已提出的一些基于量子核方法的分类器在充分映射数据以及电路架构等方面仍存在一定的缺陷。因此,提出了一种基于多项式核函数的紧凑型量子分类器。首先通过引入多项式核函数,提升了非线性数据的分类迭代速率,从而提升了分类效率;在此基础上进一步提出紧凑型振幅编码,将量子态相对应相位的数据标签编码。相比于已有的量子核方法分类器,所提模型的量子电路的编码位数可以从5个量子比特减少到3个量子比特,而且,所提模型将已有方法中的双量子位测量简化为单量子位测量。此外,该模型在测量阶段的量子电路参数达到了最优方差,可以有效节省计算资源开销。实验仿真表明,所提分类器模型中的期望值更接近理论值,且获得了更高的分类精度,同时该模型具有较低的纠缠度,有效降低了整个准备工作的开销。

降雪干扰下基于演化博弈的低轨量子卫星多用户切换策略

低轨道量子卫星是构建全球天地一体化量子保密通信网的重要组成部分。单颗低轨量子卫星服务时间有限,为了保证卫星与地面用户之间的持续通信,地面终端需要及时切换至其他可供服务的卫星。为了解决降雪环境干扰下地面多用户量子卫星切换场景下的阈值判决问题,分析了大气雪环境对量子星地链路的衰减影响,提出了一种基于演化博弈的多属性量子卫星切换策略。根据用户的带宽、卫星剩余服务时间及链路衰减三个属性定义效用函数,根据星间传输时延、信道纠缠度定义开销函数,最终得到用户的收益函数,建立演化博弈切换模型。仿真结果表明,该策略具有稳定性和公平性,能够有效均衡卫星的负载,且与基于最低链路衰减和最优纠缠度的单属性切换策略相比,切换成功率分别提升了1.2%和1.5%,这对未来降雪干扰环境下低轨量子卫星网络的多用户动态切换有一定的参考意义。

基于注意力机制的多尺度残差U-Net眼底血管分割

针对现有眼底血管分割方法难以辨别细小血管及交叉处血管分割断裂的问题,提出了一种基于注意力机制的多尺度U型网络。在编码阶段使用改进的残差块结构提取血管深度特征的同时有效解决过拟合问题,接着依次采用多尺度卷积模块和多尺度注意力模块进一步获取深度特征的多尺度特征信息。然后,使用MaxBlurPool进行池化,对数据进行降维并保证平移不变性。此外,在最后一个编码层引入混合注意力机制和并行空洞卷积,前者从通道和空间维度强调需要重点关注的信息,抑制背景区域的干扰;后者用来获取不同大小感受野的特征信息,且不会引入多余参数而导致计算负担。在解码部分,改进跳跃连接方式以抑制噪声的干扰并获得更加丰富的上下文信息。所提算法在公开的眼底数据集上取得了优于其他算法的分割效果。