课程文献中心 更多>>

关键词： 高维数据   张量回归   张量降维   用户消费行为  

摘要： 随着互联网与数字技术的飞速发展,人们所获取到的数据越来越大,也越来越复杂。张量作为一个多维数组,自然地刻画出了实际数据固有的空间结构,因而在许多领域被广泛应用。随着张量数据的普及,回归任务中的自变量开始以高阶张量的形式出现。考虑到先将张量类型数据向量化,再通过线性回归、逻辑回归等模型进行分析,会导致原始数据结构信息损失以及出现高维向量,一些不同类型的张量回归分析框架被提出,为张量空间的数据处理带来了新思路。本文以张量-向量类型的张量线性回归模型为基础,结合弹性网约束、张量CP分解及张量主成分分析(MPCA),进行张量数据建模。具体地,首先,在稀疏张量回归模型中,采用弹性网约束,增强模型变量选择与防止过拟合的能力;同时,考虑参数张量的CP分解,降低参数规模,防止问题病态化;此外,利用MPCA算法降低自变量张量的维数,改善模型的计算复杂度。因而,在稀疏张量主成分回归模型中,由于先后对模型进行变量选择、对系数张量施加CP分解、对自变量张量进行MPCA降维,使得模型的待估计参数数量大大减少,降低了模型存储与计算复杂度,提升了计算效率。基于稀疏张量主成分回归模型,我们对电商平台的用户消费行为进行了数据建模分析。通过<商品,用户,商品类目>三阶张量,探索了“TOP流量商品”的点击量与销量之间的关系,构建了用户-商品类目综合得分矩阵以反映每个用户对不同种类商品的短期购买意愿。分析发现,在用户-商品类目综合得分矩阵中得分高的商品类目,其对应的商品在点击→加购/收藏→购买的用户行为路径中有更高的转化率。此外,基于RFM模型对用户进行分类,根据用户最近一次购物前置行为时间、购物前置行为次数以及用户得分将用户划分为了8类群体,对不同群体消费行为特征进行了分析,并给出了相应的营销建议。

关键词： 高维图像去噪   张量表达   稀疏模型   结构相似   冗余字典  

摘要： 高维图像不仅包含空间信息,还包含如光谱域、角度域、多模态等维度信息,已经被广泛应用在遥感、矿产勘探、显微医疗、精细农业等领域。但受限于环境与硬件,其在获取、储存和传输过程会受到噪声的影响,使识别、检测等视觉任务效果显著降低。如何对高维图像进行有效建模,是其高效、高精度重建的关键。稀疏表示模型作为一种高效的图像表达模型,通过对数据的紧致表达挖掘数据的有用信息,已成功应用于图像处理等领域。然而,传统的稀疏表示模型存在破坏多维信号内部结构、时间复杂度高等问题。针对这些问题,基于张量的稀疏表示模型被提出,其中基于克罗内克基表示的方法利用张量表达和张量分解实现了高效的高维信号恢复性能。然而,张量分解只是对单一的多维信号进行表示,并不能刻画和挖掘张量所在多线性映射空间的特性。再者,现有的张量稀疏模型没有利用张量间的结构相似性,导致其恢复性能有限。针对以上问题,本文对张量结构化稀疏约束模型及高维图像去噪展开研究,工作内容如下:第一,本文提出了一种基于正交基的结构化张量稀疏模型(Structural Tensor Sparsity Promoting,STSP),该模型可以稀疏地表示组域中的多维信号,在统一的框架中同时实现了多维信号的局部内在张量稀疏正则化和非局部相似性。本文利用交替方向乘子算法对所提出的模型进行求解,利用数据的统计特性对参数进行自适应估计,并分析了模型的复杂度。基于STSP模型,本文提出了一种新的多光谱图像去噪方法,该方法利用高阶奇异值分解为结构相似的高维图像块组训练正交字典,以达到减少模型参数的目的。第二,本文提出了基于冗余字典的非局部相似张量稀疏模型(Nonlocal Structural Tensor Sparsity,NSTS),该模型利用冗余字典的优势,提供了对输入数据更加稀疏的表示。针对冗余字典的特点,本文推导了NSTS模型的求解方法,并对模型的时间复杂度进行了细致的分析。基于NSTS模型,本文提出了一种新的多光谱图像去噪方法,该方法将全频带图像块组聚类,并利用多维字典学习方法为每个类训练一组冗余字典,以此来提升模型的去噪性能。在CAVE数据集上的多光谱图像去噪实验结果表明,本文提出的高维图像去噪方法在主客观质量上均优于目前最先进的方法,如BM4D、t-SVD、KBR、MStSVD和OLRT等。

关键词： 神经网络   指令集架构   专用处理器  

摘要： 近年来,随着人工智能领域神经网络算法的快速发展及成熟普及,越来越多的应用场景需要神经网络算法进行处理。目前主流的神经网络算法一般采用称为张量的高维度数组进行运算,此类运算具有多维度、数据量大、计算量大的特点。现阶段的通用处理器在张量计算性能方面受限且在功耗开销方面表现过高,因此在一些移动端应用场景下无法达到神经网络运行的高效能要求。鉴于此,设计一款针对神经网络应用的张量处理器成为了解决上述问题的途径之一,并逐渐成为目前处理器设计领域的热点。设计该类处理器的主要挑战在于如何使神经网络的先进算法与处理器设计及集成电路实现进行充分融合并发挥出最佳的效能。针对以上挑战,本文首先对神经网络算法进行了充分的分析,并尝试从软硬件协同设计、张量指令集定义以及处理器高效实现这三个方面出发,设计了一款高性能低功耗的张量处理器,该处理器兼容多种神经网络计算,并具有可扩展的计算架构。处理器在性能、功耗及面积等关键指标方面体现了一定的优势。根据这三个方面的工作,本文的主要研究内容和创新点如下:(1)张量处理器软硬件协同设计:神经网络模型具有多种效率优化方案,但并非全部适合在硬件上高效部署,甚至可能造成处理器的利用率急骤下降。为解决此问题,提高神经网络模型在张量处理器上的执行效率,本文提出了张量处理器的软硬件协同设计方法,并在实现的设计方案验证系统中论证了可行性。主要包括:①软件方面进行硬件友好的神经网络模型效率优化方法测试,本文通过对神经网络模型优化算法的研究,提出了神经网络动态特征图剪枝算法并优化了量化算法,分别降低了数据载入需求和量化算法的精度损失,并验证了定点运算可以满足神经网络的精度需求;②设计协同优化算法,配合并指导硬件设计,将高位宽的浮点模型转换为低位宽的全定点模型,在相同的存储器带宽下,提升了约4倍的数据吞吐率,相较于浮点模型仅损失0.22%的模型精度。③硬件设计方面,通过在验证系统中对大量神经网络模型的分析和处理器数据流行为级模拟,对张量指令集和张量处理器的输入输出移位、累加结果输出位宽等设计参数进行了探索及优化,进一步提高了处理器的整体效率和性能。(2)基于统一指令集的张量指令集:为了对神经网络算法中高维度张量和相关访存和计算行为进行完整的描述,本文基于统一指令集提出了张量指令集扩展:①张量指令集基于精简指令集风格设计,该指令集在低32位兼容统一指令集的基础上,在高32位设计了特定的位域来实现张量的载入、计算、写回等操作,并设计了不同的操作码、功能码、张量寄存器编号等重要指令行为定义。②张量指令集采用了对称的张量寄存器,以传统处理器中的通用寄器和向量寄存器作为张量指令的寄存器操作数,基于现有的可变长向量指令集,提出了维度寄存器以及维度可动态指定的张量指令。(3)基于张量指令集的处理器实现:本文对创新点(2)所提出的张量指令集进行了高效的微架构设计,实现了计算单元,寄存器等资源的张量化设计,形成一个完整的张量处理器。为了达到高效处理神经网络中张量计算的目标,本文提出了张量处理器中关键部件微架构优化方法。该方法包括:①计算单元方面,利用神经网络中的数据复用模式,提出了一种基于行列数据广播的原位乘累加脉动阵列,高效实现了各种张量的乘累加及其衍生类型的计算;②数据通路方面,为了提高数据载入的效率,设计了张量数据多级缓存流水线,实现了配合脉动阵列的数据行列广播。针对张量的载入及写回指令,结合张量数据的存储特点设计了具体功能单元,保证张量处理器可以高效利用存储带宽,进一步提高处理器整体性能;③指令并行方面,为了提升处理器整体指令的并行执行效率,提出了一种乱序执行机制和张量寄存器重命名方法,该方法在简化软件编程的基础之上,让更多的无依赖张量指令并行执行。在测试中利用该方法增加4个物理张量寄存器的情况下,提升了处理器35%的计算效率。本文基于周期级精确模拟器实现并验证了所提出的张量指令集及处理器设计方案,在相关EDA工具的辅助下对RTL级电路进行了实现及验证。在本文最后的实验部分对该张量处理器的硬件性能、效率、功耗和面积等指标进行了充分的评估与分析,并与相关工作进行了横向比较。最终结果显示,该张量处理器在1.1伏特的电压下以1 GHz的频率运行,使用4096个计算单元可进行每秒8.192万亿次运算(8.192 Tera Ops/s)。在TSMC 28nm工艺库的评估下,其面积约为12.8平方毫米,峰值功耗约为3.8瓦特,能量效率为2.16 GOPS/mW,处于当前的领先水平,相同能耗水平下,其峰值性能达到其他相关工作的4至36倍。

关键词： 聚类算法   密度峰值   张量   异构数据   社会物理信息系统  

摘要： 数据挖掘领域中,聚类分析是非常重要的一个技术。它利用一定规则将数据划分成不同簇,而属于不同簇的对象差异性较大。现如今,聚类算法在自然语言处理、生物信息学、图像分割等领域被广泛应用。目前,单聚类算法领域的研究已经较为成熟,但是依然存在参数选取主观、连带性分配错误等问题。尤其是随着网络化应用的加深,单一的聚类模式难以充分挖掘出社会物理信息系统中来源多样、特征高维、关系复杂的异构数据的隐含信息。而多聚类作为数据挖掘技术的一个新研究范畴,往往存在多聚类结果难以解释,不能从多角度灵活聚类等弊端。因此,本文对现有的聚类算法进行了分析与研究,提出了面向单领域与多领域的聚类算法,本文主要的研究内容如下:(1)本文提出了一种基于共享近邻和归属度的密度峰值聚类算法(Density Peak Clustering Algorithm Based on Shared Nearest Neighbors and Attribution Degree,SA-DPC)。针对密度峰值聚类算法中局部密度的定义忽略了数据点分布的空间特性、聚类中心的选取策略具有主观性和数据点分配易产生连带性错误的缺陷,本文结合数据分布空间特性与共享近邻的概念重新定义了局部密度,提出了更为客观的聚类中心选取策略,并且定义了数据点间的归属度,将归属度作为数据点划分类簇的参考依据。实验结果表明,本文所提的SA-DPC算法能够有效提高聚类的准确率,生成更优的聚类结果。(2)本文提出了一种基于动态加权张量距离的多聚类算法(Multiple Clustering Algorithm Based on Dynamic Weighted Tensor Distance,DWTD-MC)。针对基于张量的多聚类算法中衡量属性重要性时忽略了对象张量内部属性组合的关联性,以及不同的特征空间选择下,固定权重策略导致所选与未选择特征空间没有完全分离的问题,本文提出自-关联张量模型,优化各特征空间属性重要性衡量的准确性;提出多视图权重张量模型,通过动态加权策略,降低噪声属性影响并满足多聚类分析的需求;提出动态加权张量距离的概念来衡量数据对象的相似性。实验结果表明,本文所提的DWTD-MC算法可以在获得较高质量的聚类结果的同时,使各聚类结果之间保持较低的冗余度,满足多聚类分析的任务。(3)本文设计并实现了基于SA-DPC与DWTD-MC算法的聚类原型系统。为了消除聚类分析技术的壁垒,本文基于上述两种算法模型设计并实现了一个聚类分析原型系统。该系统具有良好的交互性与易用性,用户可以根据持有的数据类型与聚类分析需求,自由地选择数据来获得聚类分析的结果,实现对数据的分析与隐藏价值的挖掘。

关键词： 光栅尺   误差补偿   变分模态分解   超分辨率重建  

摘要： 直线光学编码器（又称光栅尺）是一种基于光学原理进行精密测量的仪器，它可以将物体的位移转换为光信号，从而实现高精度的测量。由于其高精度、低成本以及稳定性好等优点，在高精度设备中具有广泛的应用，例如跟踪系统、机器人、高端数控机床和坐标测量机。这些高精度设备的性能很大程度上取决于光栅尺的测量精度。然而，光栅尺在测量过程中必然地会受到测量系统本身以及外界环境的干扰，例如温度变化、振动、尺身污染等，从而导致测量精度下降，进而限制了高精度设备的性能。因此，对光栅尺的测量误差进行分析和补偿是十分关键和必要的。　　已有研究和实验表明，测量误差可以表征为随机误差和系统误差的组合。通常，可以采用基于软件的误差补偿方法对系统误差进行补偿，而随机误差由于不可确定性而难以补偿。为此，以光栅尺测量误差为研究对象，提出了一种基于变分模态分解的光栅尺误差补偿方法以自适应地重建测量误差的系统误差。同时利用图像处理技术减弱测量误差对测量结果的影响，并且结合超分辨率重建技术实现光栅尺的超分辨测量。其主要贡献工作有以下两点：　　（1）根据光栅尺测量误差的多误差耦合的数据特性，提出了一种基于变分模态分解的误差补偿方法。该方法充分利用了变分模态分解的抗模态混叠、非递归和低计算成本的优点，以此来获取合理的带限本征模函数。为了提高变分模态分解的分解性能，提出了一种结合相关系数和变分能量熵的参数选取方案来确定变分模态分解的惩罚因子和子信号分解数目。此外，为进一步提高系统误差的重建性能，提出了一种由粗到精的自适应选取方案，基于排列熵的粗选方案加速了系统误差的重建，而基于贡献因子的精细选择方案用于自适应地选择最优的带限本征模函数，从而确保更好地重建出系统误差。　　（2）为了提高光栅尺的测量精度，采用了超分辨率重建技术，对受环境因素干扰的光栅尺码道图像进行了边缘精细化处理，增强了边缘识别的准确性。同时，提出了一种基于变分模态分解的边缘检测方法来消除环境因素的干扰，从而获得清晰准确的图像边界。然后，采用二阶导数方法提高边缘检测算法的鲁棒性，获得更加准确的边界位置。由于码道图像经过超分辨率重建，可以获得更加精细准确的测量结果，从而实现了光栅尺的亚像素级测量。　　经过实验验证，所提出的误差补偿方法可以有效地降低系统误差，优于现有的补偿方法，可以获得0.332μm的均方根误差和95%置信区间（?0.015，0.015）μm的良好补偿精度。而所提出的码道图像边缘检测方法可以更鲁棒地识别光栅线边界，能够有效地提高光栅尺测量精度。

关键词： 光学薄膜   膜系设计   全连接神经网络   生成对抗网络   深度Q学习  

摘要： 光学薄膜是指一种由物理或化学手段在基底上附着的分层介质，其具有丰富的光学性能，在通信、交通、能源、计算机和科研等领域广泛应用，尤其在现代光学工程中占有重要地位。然而，随着科学技术的不断发展，对各种类型的光学薄膜提出了更高的要求，传统的光学薄膜设计方法难以应对挑战。因此，近年来，利用深度学习方法进行光学薄膜结构设计成为了众多国内外学者研究的热点。相较于传统设计方法，深度学习模型借助大量数据进行训练，极大地提高了设计效率和准确度。　　本文旨在解决多层光学薄膜反射光谱设计问题，通过采用新型深度学习模型，进一步创新和提高现有研究成果。具体而言，本文采用了基于全连接神经网络的设计模型、基于无监督学习的生成对抗网络设计模型以及加入强化学习的深度Q学习设计模型。这些模型的应用不仅提高了设计效率和准确度，而且在设计特殊反射光谱时表现更加出色，能够更好地满足设计目标。　　针对特殊反射光谱设计，生成对抗网络设计模型比全连接神经网络设计模型的结果更加精准。深度Q学习设计模型与生成对抗网络设计模型相比，能够方便地更换膜层材料和膜层数量，并能对每层薄膜的厚度进行限制。将深度Q学习设计模型应用于窄带颜色反射膜设计，设计出绿光波段的反射膜，薄膜镀制在玻璃工艺品上，呈现出淡绿色，验证了设计结果的实际效果。

关键词： 阵列信号处理   张量分解   嵌套阵列   三维非均匀阵列   耦合典范多元分解  

摘要： 波达方向估计(Direction-of-Arrival,DOA)是阵列信号处理中的一个重要分支,它是利用阵列传感器接收并处理信号,推断出信源的方向信息的技术。传统的基于协方差矩阵分解的方法在实现信号DOA估计时,不适用于信号个数大于阵元个数的情况,即欠定性问题。因此研究如何利用有限数量的阵元来尽可能增加阵列的自由度,对于高DOA估计性能、实现阵列信号处理具有重要意义。在现有的阵列进行波达角估计时,通常使用非均匀阵列代替均匀阵列,并采用三维阵列结构,三维阵列可以避免二维阵列在进行DOA估计时出现的俯仰角和方位角估计精度不匹配的情况。因此采用三维非均匀阵列结构一方面可以有效的增加阵列的自由度,另一方面可以高二维DOA估计精度。但是随着高维数据在各领域中的广泛应用,传统的矩阵分析方法难以有效地处理这些数据。因此,基于张量代数的分析方法逐渐得到了关注和应用。张量是一个多维数组,可以用于表示高维数据,并保留其结构信息,发掘其中的规律以高数据分析的性能和精度。总之,张量理论的发展为高维数据的分析供了一种全新的思路和工具,其应用广泛,可以在各个领域中高数据分析的性能和效率。综上所述,论文的主要研究工作包括:(1)介绍了一些张量基础,比如张量的秩、张量矩阵化、典范多元分解的定义与计算,最后介绍了耦合典范多元分解。(2)介绍了一维嵌套非均匀阵列信号接收模型,接着介绍了一种改进的嵌套式阵列,是在一维嵌套非均匀阵列的基础上通过改变两个子阵之间的间距以及子阵内部之间的阵元间距而得到的一种新的嵌套阵列,改进后的二级嵌套阵列的差分合成阵列孔径更大且更均匀,具有更高的信号采集精度和分辨率,实现更大的阵列孔径和更高的自由度,可以估计更多的信源并高阵列的分辨能力。随后又介绍了一种二维嵌套非均匀面阵结构及其数学模型。(3)出了一种新的三维非均匀阵列并利用耦合典范多元分解进行DOA估计。新阵列由两个平面垂直组成且这两个平面分别位于x-y和y-z方向的两个非均匀面阵。其中,在z轴上采用间距大于半波长的均匀阵列,x轴和y轴采用的是二级嵌套阵列。通过对阵元分布中的结构信息进行分析,并借助两个非均匀面阵的互相关,可以得到一个在z轴方向上具有大孔径的虚拟立体阵。同理,借助x-y非均匀面阵的自相关,可构造出一个在x-y平面上的高自由度虚拟面阵。本文将采用耦合张量理论建立两个虚拟阵列的联合张量模型,并利用耦合典范多元分解实现对入射信号的DOA估计。分析表明,由虚拟面阵估计得到的方位角精度较高,而由虚拟立体阵估计得到的俯仰角精度较高,尽管在估计过程中可能会出现相位模糊,但是可以通过虚拟面阵对俯仰角的估计来消除。通过仿真实验发现,本文出的新阵列,在阵列阵元总数相同的情况下,较传统的三维阵列具有更高的二维DOA估计精度。

关键词： 光纤布拉格光栅   六维力/力矩   传感器   弹性体结构   低耦合  

摘要： 随着人类社会步入全新的信息技术时代,对于外界环境的感知和利用的需求越来越高,力学传感器作为人类感知外界环境的重要工具和手段一直备受关注。自20世纪70年代以来,由于能够测量全面的力/力矩信息,六维力/力矩传感器在不同领域得到了迅速发展。但由于设计的结构和加工误差等因素,难以避免的会存在维间耦合,这是限制传感器精度的一个关键问题。本文基于光纤布拉格光栅作为传感器件,设计了一种低耦合六维力/力矩传感器的弹性体结构以及测量方法,并对其静动态与温度特性等方面进行仿真和实验研究,主要内容如下:首先,针对六维力/力矩传感器存在的维间耦合问题设计了一种双层十字梁滑动结构,该结构在传统的十字梁结构的基础上加入了球形滑动结构,通过滑移的思想实现力与力矩的分别测量,14个光纤布拉格光栅布置在弹性结构上,以实现力/扭矩的应变测量。并分析了其测量原理以及传感方法。其次,对设计的六维力/力矩传感器的结构进行了优化,并对传感器的静动态性能和温度性能进行了有限元仿真分析,验证了传感器结构的解耦能力以及分析了结构的模态和动态测量性能。最后,针对传感器结构搭建了静态测量平台、动态测量平台以及温度测试平台,采用3D打印的方式制作了传感器结构模型验证其结构性能,验证了传感器的静动态性能和温度性能和测试系统的适用性,获得了传感器各个维度的灵敏度、线性度、重复性误差及维间耦合等指标,并分析了传感器的测量误差的来源,包括传感器的温度长时间波动误差以及结构在长时间受力蠕变误差。本文所设计的传感器与现有的六维力/力矩传感器相比,所设计的传感器采用了球形滑动结构,减少了各种尺寸之间的耦合,简化了传感器的校准和维护。并且结构设计了过载保护装置,具有一定的动态测量能力,该传感器可广泛用于六维力/力矩测量,对机器人、医学和航空航天领域的应用具有重要意义。

关键词： 振动传感器   光纤Bragg光栅   长周期光纤光栅   FBG解调  

摘要： 振动信号测量传感器广泛用于结构健康监测、油气勘探、土木工程监测和微地震裂缝检测等领域,并且随着应用领域的扩展对振动传感器也提出多样化要求。伴随着光纤光栅传感技术的成熟,基于光纤布拉格光栅(FBG)的振动信号检测技术逐渐引起研究人员的关注,由于光纤传感器具有体积小、抗电磁干扰、耐腐蚀、可实现远距离测量等诸多优点,为振动检测传感器提供了新的技术方案。本文主要以FBG作为传感元件,开展了振动传感系统的研究。论文主要内容如下:研究了微地震监测技术的发展背景与现状,介绍了常见的振动传感器类型,分析了几种传统光纤振动传感器的基本原理。由此,提出了FBG振动传感器的工作原理以及实现振动信号测量的方法。深入调研了光纤光栅振动传感结构的研究现状,研究了光纤布拉格光栅的应变和温度传感机制。提出了基于长周期光纤光栅(LPFG)解调FBG的方法,介绍长周期光纤光栅的基本工作原理以及主要的写制方法,对写制光栅的几种成栅机理进行了讨论。并搭建CO激光器写制光栅的实验装置,仿真和实验分析了影响光栅透射谱性能的因素,为了写制的长周期光纤光栅能对布拉格光纤光栅的中心波长实现较高精度解调,对LPFG(long-period fiber gratings)的写制方法进行深入研究与对比分析,成功利用CO激光器刻制出损耗峰幅值为25dB的长周期光纤光栅。采用该长周期光纤光栅作为解调装置搭建了实验系统,测试了其应力和温度响应特性,又将悬臂梁式金属应变片作为传感系统,FBG粘贴于其表面作为敏感元件,测试其动态响应特征。实验结果表明,基于长周期光纤光栅的边沿滤波器解调法不仅便于制作,有较好的线性动态范围,而且在对FBG反射波长解调中可达到较高解调精度。设计并分析了一种具有双铰链结构的新型光纤布拉格光栅(FBG)加速度传感器。从理论上确定了该传感器的结构参数对传感器性能的影响,利用有限元仿真软件建立了传感器模型,分析了其结构的力学特性并进行优化。采用最优结构参数,用304不锈钢制备了双铰链结构,并采用粘贴在两个铰链表面的FBG来测量加速度传感特性。实验结果表明,传感器的振动频率测量范围为50～600Hz,在600Hz处的加速度灵敏度为300m V/g,分辨率为1mg/Hz。同时,通过优化铰链结构参数和解调方案,可以改进工作频率范围和灵敏度,实现宽动态响应范围和高灵敏度的目的。