日韩中文字幕在线不卡,日韩亚洲精品区

聯(lián)合隨機(jī)性策略的深度強(qiáng)化學(xué)習(xí)探索方法[其他][其他]

目前深度強(qiáng)化學(xué)習(xí)算法已經(jīng)可以解決許多復(fù)雜的任務(wù),，然而如何平衡探索和利用的關(guān)系仍然是強(qiáng)化學(xué)習(xí)領(lǐng)域的一個(gè)基本的難題,，為此提出一種聯(lián)合隨機(jī)性策略的深度強(qiáng)化學(xué)習(xí)探索方法,。該方法利用隨機(jī)性策略具有探索能力的特點(diǎn),，用隨機(jī)性策略生成的經(jīng)驗(yàn)樣本訓(xùn)練確定性策略,，鼓勵(lì)確定性策略在保持自身優(yōu)勢(shì)的前提下學(xué)會(huì)探索,。通過(guò)結(jié)合確定性策略算法DDPG和提出的探索方法,，得到基于隨機(jī)性策略指導(dǎo)的確定性策略梯度算法(SGDPG)。在多個(gè)復(fù)雜環(huán)境下的實(shí)驗(yàn)表明,，面對(duì)探索問(wèn)題,，SGDPG的探索效率和樣本利用率要優(yōu)于DDPG算法。

發(fā)表于：6/10/2021 3:15:53 PM

基于浮柵器件的低位寬卷積神經(jīng)網(wǎng)絡(luò)研究[其他][其他]

浮柵器件(Flash)能夠?qū)⒋鎯?chǔ)和計(jì)算的特性相結(jié)合,，實(shí)現(xiàn)存算一體化,，但是單個(gè)浮柵單元最多只能存儲(chǔ)位寬為4 bit的數(shù)據(jù)。面向Nor Flash,，研究了卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的低位寬量化,，對(duì)經(jīng)典的AlexNet、VGGNet以及ResNet通過(guò)量化感知訓(xùn)練,。采用非對(duì)稱量化,，將模型參數(shù)從32位浮點(diǎn)數(shù)量化至4位定點(diǎn)數(shù)，模型大小變?yōu)樵瓉?lái)的1/8,，針對(duì)Cifar10數(shù)據(jù)集,，4位量化模型的準(zhǔn)確率相對(duì)于全精度網(wǎng)絡(luò)僅下降不到2%。最后將量化完成的卷積神經(jīng)網(wǎng)絡(luò)模型使用Nor Flash陣列加速,。Hspice仿真結(jié)果表明,，相對(duì)于全精度模型，部署在Nor Flash陣列中的量化模型精度僅下降2.25%，驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)部署在Nor Flash上的可行性,。

發(fā)表于：6/10/2021 3:08:15 PM

融合外觀特征的行人重識(shí)別方法[其他][其他]

針對(duì)行人重識(shí)別中由于姿勢(shì)變化,、視角改變、遮擋等引起的識(shí)別率不高的問(wèn)題,，提出了融合外觀特征的行人重識(shí)別方法。該方法通過(guò)兩個(gè)網(wǎng)絡(luò)分支的設(shè)計(jì),，分別提取行人的全局特征和局部特征,，二者融合后得到行人的外觀特征。同時(shí)結(jié)合分類損失和度量學(xué)習(xí)損失,，通過(guò)多任務(wù)學(xué)習(xí)策略對(duì)兩個(gè)網(wǎng)絡(luò)分支進(jìn)行模型優(yōu)化,。此外，該模型設(shè)計(jì)了隨機(jī)擦除算法,，在數(shù)據(jù)集中加入噪聲,，增強(qiáng)模型的魯棒性。實(shí)驗(yàn)結(jié)果表明：融合外觀特征的行人重識(shí)別方法大大提高了行人重識(shí)別的準(zhǔn)確率,，在Market-1501數(shù)據(jù)集上rank1達(dá)到了92.82%,、mAP 達(dá)到了80.51%，在DukeMTMC-reID數(shù)據(jù)集上rank1達(dá)到了85.06%,、mAP達(dá)到了72.72%,。

發(fā)表于：6/10/2021 3:04:00 PM

基于深度學(xué)習(xí)的車輛檢測(cè)算法研究[其他][其他]

針對(duì)目前車輛實(shí)時(shí)檢測(cè)中存在定位不準(zhǔn)確、檢測(cè)精度低等問(wèn)題,，采用了一種以Darknet-53為骨架網(wǎng)絡(luò)的YOLOv3車輛檢測(cè)算法,，將該算法模型在標(biāo)準(zhǔn)數(shù)據(jù)集Pascal-VOC2012上進(jìn)行訓(xùn)練，以拍攝的西安南二環(huán)路的圖片作為測(cè)試集進(jìn)行測(cè)試,。實(shí)驗(yàn)結(jié)果表明,，YOLOv3算法的檢測(cè)精度達(dá)到84.9%，相比于SSD算法,，其檢測(cè)精度提高了11.3%,，檢測(cè)速度提高了3.8 f/s。因此YOLOv3算法檢測(cè)精度更好,，檢測(cè)速度更快,，能準(zhǔn)確地檢測(cè)出圖像中的車輛信息，滿足車輛實(shí)時(shí)檢測(cè)的要求,。

發(fā)表于：6/10/2021 2:50:00 PM

函數(shù)級(jí)別的復(fù)用開(kāi)源代碼檢測(cè)方法[其他][其他]

軟件開(kāi)發(fā)中對(duì)開(kāi)源代碼的復(fù)用會(huì)帶來(lái)開(kāi)源代碼漏洞和違反開(kāi)源許可等問(wèn)題,。傳統(tǒng)復(fù)用代碼檢測(cè)方法常常檢出較多偶然克隆代碼，影響了復(fù)用代碼的檢測(cè)準(zhǔn)確性,。為此,，提出了一種基于復(fù)用度量指標(biāo)的函數(shù)級(jí)別復(fù)用開(kāi)源代碼檢測(cè)方法。該方法對(duì)被測(cè)代碼和開(kāi)源代碼庫(kù)，先使用克隆檢測(cè)工具獲取克隆函數(shù),，然后使用依據(jù)克隆代碼行和共用標(biāo)識(shí)符在開(kāi)源代碼庫(kù)中的出現(xiàn)頻率的復(fù)用度量指標(biāo),，判定每對(duì)克隆函數(shù)是否為復(fù)用。在公開(kāi)有標(biāo)注數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果均表明所提方法優(yōu)于基于逆文檔頻率的方法,。

發(fā)表于：6/10/2021 2:44:00 PM

面向工控現(xiàn)場(chǎng)應(yīng)用的邊緣網(wǎng)關(guān)架構(gòu)設(shè)計(jì)和性能評(píng)估[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

工業(yè)現(xiàn)場(chǎng)控制作為邊緣網(wǎng)關(guān)的典型應(yīng)用場(chǎng)景,，是物聯(lián)網(wǎng)與人工智能交叉學(xué)科的研究熱點(diǎn)。在場(chǎng)景中,，傳感器的數(shù)據(jù)經(jīng)過(guò)高速無(wú)線網(wǎng)絡(luò)匯集至邊緣網(wǎng)關(guān),，算法模塊根據(jù)傳感器數(shù)據(jù)向設(shè)備發(fā)送控制指令，完成控制閉環(huán),。與傳統(tǒng)網(wǎng)關(guān)僅僅收集和轉(zhuǎn)發(fā)數(shù)據(jù)相比,，邊緣計(jì)算網(wǎng)關(guān)還承擔(dān)了數(shù)據(jù)加工和控制生成的重要功能，所以其安全與性能顯得尤為重要,。針對(duì)邊緣網(wǎng)關(guān)中的安全與性能要求,，提出了一種工業(yè)邊緣網(wǎng)關(guān)架構(gòu)，該架構(gòu)在基于X86的Linux平臺(tái)上進(jìn)行了模擬仿真和實(shí)機(jī)測(cè)試,，結(jié)果表明該邊緣網(wǎng)關(guān)可以滿足工業(yè)現(xiàn)場(chǎng)控制的典型應(yīng)用場(chǎng)景,，并滿足了傳統(tǒng)網(wǎng)關(guān)的基準(zhǔn)性能。

發(fā)表于：6/10/2021 2:24:06 PM

一種利用類別顯著性映射生成對(duì)抗樣本的方法[其他][其他]

如果對(duì)抗樣本的遷移性越強(qiáng),，則其攻擊結(jié)構(gòu)未知的深度神經(jīng)網(wǎng)絡(luò)模型的效果越好,，所以設(shè)計(jì)對(duì)抗樣本生成方法的一個(gè)關(guān)鍵在于提升對(duì)抗樣本的遷移性。然而現(xiàn)有方法所生成的對(duì)抗樣本,，與模型的結(jié)構(gòu)和參數(shù)高度耦合,，從而難以對(duì)結(jié)構(gòu)未知的模型進(jìn)行有效攻擊。類別顯著性映射能夠提取出樣本的關(guān)鍵特征信息,，而且在不同網(wǎng)絡(luò)模型中有較高的相似度,。基于顯著性映射的這一特點(diǎn),，在樣本生成過(guò)程中,，引入類別顯著性映射進(jìn)行約束，實(shí)驗(yàn)結(jié)果表明,，該方法生成的對(duì)抗樣本具有較好的遷移性,。

發(fā)表于：6/10/2021 1:55:43 PM

域名畫像系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

網(wǎng)絡(luò)空間逐漸成為人類生產(chǎn)活動(dòng)的第二空間，網(wǎng)絡(luò)空間測(cè)繪對(duì)人們了解認(rèn)識(shí)網(wǎng)絡(luò)空間資源分布,、網(wǎng)絡(luò)關(guān)系和威脅情況等具有重要意義,。當(dāng)前對(duì)域名這一網(wǎng)絡(luò)空間重要資產(chǎn)的測(cè)繪研究相對(duì)較少，因此針對(duì)域名資產(chǎn)進(jìn)行探測(cè)分析,，結(jié)合多源域名數(shù)據(jù)對(duì)域名的基礎(chǔ)屬性,、譜系關(guān)系,、規(guī)模狀況和時(shí)空變化等情況進(jìn)行分析，形成域名畫像,。該研究有助于用戶掌握互聯(lián)網(wǎng)域名整體發(fā)展情況,，可對(duì)網(wǎng)絡(luò)流量過(guò)濾和惡意域名檢測(cè)、網(wǎng)絡(luò)空間資產(chǎn)屬性識(shí)別等提供支撐,。

發(fā)表于：6/10/2021 1:48:19 PM

亞皮秒級(jí)激光回波半實(shí)物仿真系統(tǒng)關(guān)鍵技術(shù)研究[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

激光回波仿真系統(tǒng)能夠根據(jù)所模擬的目標(biāo)生成高頻高精度模擬回波信號(hào),。提出一種激光回波仿真系統(tǒng)設(shè)計(jì)方案，系統(tǒng)中采用FPGA生成延時(shí)信號(hào),，可以對(duì)回波信號(hào)實(shí)現(xiàn)亞皮秒級(jí)的延時(shí)精度,；對(duì)光纖通信協(xié)議進(jìn)行了優(yōu)化，用FPGA實(shí)現(xiàn)基于該協(xié)議的回波信號(hào)傳輸系統(tǒng),，擺脫了現(xiàn)有方案中對(duì)反射內(nèi)存卡的依賴性,，提升了數(shù)據(jù)的刷新頻率,。仿真結(jié)果表明,，所設(shè)計(jì)的仿真系統(tǒng)數(shù)據(jù)傳輸速度達(dá)到1.6 Gb/s，回波精度達(dá)到125 ps,，距離分辨率達(dá)到0.05 m,。為基于激光陣列的高精度激光制導(dǎo)半實(shí)物仿真系統(tǒng)的研制奠定了基礎(chǔ)。

發(fā)表于：6/2/2021 11:50:00 AM

一種G比特可變編碼調(diào)制的解調(diào)方法設(shè)計(jì)與實(shí)現(xiàn)[微波|射頻][通信網(wǎng)絡(luò)]

隨著衛(wèi)星通信技術(shù)的發(fā)展,，寬帶頻譜越來(lái)越少,，提高頻譜利用率就愈來(lái)愈重要，可變編碼調(diào)制技術(shù)(VCM)就是一種解決方案,。根據(jù)DVB-S2標(biāo)準(zhǔn)中對(duì)調(diào)制信號(hào)的格式的定義,，當(dāng)調(diào)制方式在QPSK、8PSK,、16APSK,、32APSK中切換時(shí)，幀頭和導(dǎo)頻仍然采用π/2BPSK進(jìn)行調(diào)制,，基于此提出了對(duì)導(dǎo)頻和幀頭部分進(jìn)行高碼率可變編碼的載波同步和均衡處理,，實(shí)現(xiàn)結(jié)果表明，能正常對(duì)不同調(diào)制方式進(jìn)行解調(diào),，同時(shí)保證在不同調(diào)制方式進(jìn)行切換時(shí)仍能穩(wěn)定完成解調(diào),，測(cè)試結(jié)果表明解調(diào)性能偏離理論值小于3 dB，由于只采用了一種載波同步方法和均衡方法,，實(shí)現(xiàn)方法簡(jiǎn)單,，節(jié)省了FPGA資源。

發(fā)表于：6/2/2021 9:54:00 AM