课程文献中心 更多>>

关键词： 抗震韧性   机器学习   构件损伤状态   锈蚀RC梁   位移角  

摘要： 进行锈蚀钢筋混凝土（RC）结构抗震韧性评估时，亟需建立锈蚀RC构件损伤状态判别方法。本文提出了一种基于机器学习的锈蚀RC梁位移角限值（DRLs）与破坏模式（FM）的多目标预测方法，以实现锈蚀构件的损伤状态快速评估。通过调研既有文献，建立了包含110根锈蚀RC梁的抗震试验数据集。利用数据集开展了DRLs的锈蚀影响分析并建立了弯曲和剪切型失效的锈蚀RC梁易损性曲线；分别建立了Sparrow search algorithm-Extreme gradient boosting（SSA-XGBOOST）回归和分类模型，采用递归特征消除交叉法（RFECV）调用模型的重要因子信息剔除冗余特征，确定了各输出目标的最优特征数量及组合。利用Shapley additive explanations（SHAP）方法实现对SSA-XGBOOST“黑盒”模型的可解释性，从全局、局部层面揭示了钢筋锈蚀程度指标、力学性能参数、配筋参数等输入特征与输出目标间的复杂映射关系。构建了含有分类层和回归层的深度神经网络（DNN）模型实现多目标预测变量的并行输出，开发模型可服务于锈蚀RC构件地震损伤状态判别与锈蚀结构抗震韧性评估。

关键词： 固体氧化物燃料电池   长短期记忆网络   正交试验法   参数优化   性能预测  

摘要： 固体氧化物燃料电池（SOFC）是环保、高效、具有广泛前景的新型发电装置，近年来受到越来越多的关注。对SOFC系统运行状态的预测和评估是发电系统能够稳定长期运行的关键。针对长短期记忆网络（LSTM）模型参数选值困难导致的电池寿命预测精度不足问题，正交试验法被用于系统性地优化基于LSTM的SOFC预测模型参数。结果表明，批大小对LSTM模型预测精度和计算时间的影响最为显著，且所提优化模型相较于循环神经网络、门控循环单元神经网络、鲸鱼算法优化LSTM和灰狼算法优化LSTM的均方根误差分别降低了72.36%、18.18%、35.05%和32.97%。经正交法对模型参数进行系统性调优后，LSTM模型表现出较高的预测精度，预测准确性提高，在未来可进一步与控制策略相结合，有效减缓燃料电池的衰退。

关键词： 高光谱图像   多光谱图像   金字塔模型   残差结构   多尺度融合  

摘要： 针对原双金字塔网络（Dual Spatial-Spectral Pyramid Network，DSPNet）中的光谱分支仅通过分组卷积提取特征致使特征提取不充分，无法充分利用HIS的光谱和空间信息解决高光谱图像空间分辨率低的问题，提出一种融合残差结构与DSPNet的图像超分辨率重建算法。在光谱分支引入改进，使网络能更全面地捕捉光谱特性、空间细节及其相关性。通过结合双金字塔网络在特征提取和多尺度表示上的优势，以及残差结构在促进深层信息流动和加速训练方面的能力，以实现高光谱图像的空间分辨率的提升。在CAVE数据集上验证，提出的方法在峰值信噪比达到49.96，光谱角映射为2.13，结构相似性接近0.9963，相较其他方法有一定提升。实验结果表明，本算法提升了高光谱的图像质量，使高光谱图像在图像分类、目标检测等领域有更好的应用前景。

关键词： 计算机应用   目标跟踪   孪生网络   多层特征融合   模板更新  

摘要： 针对现有孪生网络跟踪算法仅使用主干网络最后一层的特征进行相似度匹配，以及缺少有效模板更新策略的问题，提出基于多尺度特征融合和自适应模板更新的孪生网络跟踪算法。首先，结合深度过参数化卷积设计非填充单元，提取更深层的前景特征和语义背景；然后，设计新的全局-局部特征融合模块，充分聚合浅中层特征的全局和局部信息，捕获丰富的浅层外观特征和中层过渡特征；最后，采用自适应模板更新机制在线更新模板。为验证算法的有效性，在公开基准数据集上对本文算法进行详尽评估，实验结果显示，所提算法在OTB2015和VOT2018数据集上准确率分别达到87.8%和58.5%，GOT10K数据集上平均重叠率达到52.6%，优于其他主流算法。

关键词： 区块链   分片   异步网络   HoneyBadgerBFT   DAG(Directed Acyclic Graph)  

摘要： 近年来，区块链技术迅猛发展，在金融、供应链、工业互联网等多个领域得到了广泛地应用。然而，区块链技术也面临着一系列挑战，特别是在区块链系统的扩展性方面，其网络规模受限、网络环境强依赖、存储成本高以及交易吞吐量低下等问题日益凸显。针对区块链扩展性存在的问题，提出了一种适应异步网络环境并且支持交易并行处理的分片机制。所提机制采用HoneyBadgerBFT共识在异步网络环境下达成数据一致性，通过分片技术实现区块链系统线性扩展，通过DAG(Directed Acyclic Graph)技术进一步增强片内交易及不相交跨片交易并行处理能力。仿真结果表明，所提系统机制在异步网络环境下仍能保持活性；在半同步网络环境中，通信开销相比SharPer方案可以降低超过49.9%；在由16个节点组成的区块链网络中，所提机制TPS与SharPer方案相差16.7%，而在64个节点的区块链网络中，所提机制超过SharPer方案6.7%，拥有比SharPer更高的吞吐量；在含有20%跨片交易且使用相同网络环境及硬件资源的条件下，分片数及节点数每翻一倍，该机制交易吞吐量增长比SharPer分别多30.0%、10.5%，拥有比SharPer更好的扩展性。

关键词： 间歇过程   质量预测   奇异谱分析法   时域卷积网络   多头自注意力机制  

摘要： 为了提高时域卷积网络(Time-domain Convolutional Network, TCN)在批量大小变化时训练的稳定性，解决间歇过程质量预测在捕捉长期依赖性和全局关联性上存在不足而导致出现预测准确度不高的问题，文中提出了一种批量组规范化(Batch Group Normalization,BGN)和Mish激活函数改进残差结构的时域卷积网络与多头自注意力机制(Batch Group Normalization and Mishactivationfunction-enhancedresidualstructureforaTime-domainConvolutionalNetworkwithMulti-headSelf-attention,BMTCN-MHSA)的间歇过程质量预测模型。首先，将间歇过程的三维数据展开为二维矩阵形式，并对数据归一化处理，再引入奇异谱分析法(Singular Spectrum Analysis, SSA)分解重构。然后，在时域卷积的残差部分融入BGN降低网络模型在批量大小变化时的敏感度，引入Mish激活函数提高模型的泛化能力，利用多头自注意力机制对序列中不同位置的特征信息进行关联和权重分配，进一步提取序列中的关键特征信息和相互依赖关系，以更好地捕捉间歇过程的动态特征。最后，使用青霉素仿真实验数据进行实验验证，实验结果表明，相较于时域卷积网络, BMTCN-MHSA模型的平均绝对误差(Mean Absolute Error, MAE)降低了56.86%，均方根误差(Mean Squared Error, MSE)降低了48.80%，决定系数(R-Squared, R2)达到了99.48%，这表明文中所提模型提高了质量预测的准确度。

关键词： 可见光通信   非正交多址接入   协作多点   用户接入   功率分配   体验质量  

摘要： 可见光通信与非正交多址技术结合，是满足室内高速通信和宽带数据接入的重要方法 .由于室内密集设备通信需求增长，小区间干扰和资源紧缺日趋严重，为了降低小区间干扰，进一步增强室内用户设备高速通信的用户体验质量（QoE）和提高可见光通信的频谱资源利用率，论文提出室内基于非正交多址接入的可见光通信（VLC-NOMA）协作多点用户接入和功率分配算法.在用户接入阶段，设计基于用户体验质量（QoE）和多接入点协作的用户接入（UA-UEQCM）算法，根据用户需求的最小速率、推荐速率值和VLC-NOMA提供的可达速率，评估用户的QoE值和等效的用户满意度值；然后，基于VLC-NOMA中用户需求的MOS和VLC接入点协作可用资源，设计NOMA用户组的效用函数优化用户设备与多个接入点协作接入的双向选择，提高VLC-NOMA网络的MOS值；在功率分配阶段，采用改进教与学优化方法优化NOMA组的功率分配，设计VLC-NOMA的总MOS值为适应度函数值，采用自适应更新和学习模式，优化NOMA组的功率分配因子.仿真结果显示，相比对比的接入算法和功率分配，当用户数目为26时，论文所提接入算法和功率分配分别提高VLC-NOMA网络的总MOS值18.06%和10.94%.

关键词： 网络货运平台   双边市场   技术水平   用户质量水平   差异化定价  

摘要： 针对网络货运平台同质化定价引发的恶性竞争等问题,本文在双边市场理论基础上,综合考虑平台技术因素与用户质量因素的交互影响,构建差异化定价博弈决策模型,给出了不同用户归属下的最优定价策略,并分析了技术水平和用户质量水平因素对最优定价的影响.研究发现:双边单归属时,平台采取两部制收费策略更优,此时平台利润与其技术水平和用户质量水平成正比.双边异归属时,平台最优定价策略存在均衡条件.当其他因素不变时,用户质量水平越高则两部制定价策略越优,技术水平越高,则仅收取注册费策略更优.双边部分多归属时,仅收取注册费的定价策略更优,此时技术水平与用户质量水平都对货运平台利润产生正向影响,但技术水平提高带来的效益提升幅度更大.

关键词： 车联网   边缘计算   任务卸载   深度强化学习  

摘要： 随着物联网和无线技术的迅猛发展，车辆面临着前所未有的计算资源需求挑战。为了应对这些挑战，本文研究了在车联网边缘计算（Vehicular Edge Computing， VEC）场景中的任务卸载问题，提出了一种基于隐式分位数网络（Implicit Quantile Network， IQN）的动态任务卸载策略。本文首先对车联网边缘计算系统进行了建模，将任务卸载决策问题构建为一个马尔科夫决策过程（Markov Decision Process， MDP）。在此基础上，本文引入了一种融合时间优先和噪声增强策略的双分位数强化学习算法，以实现更加精准的任务卸载。该算法利用IQN对值函数的完整概率分布进行估计，进而实现了对回报分布的连续参数化估计，这有效提升了预测和决策的准确性。同时，算法整合了时序优先经验回放机制和噪声网络，前者优先重放对学习更有价值的经验，后者通过引入随机性增强了探索效率。实验结果表明，与传统算法相比，该算法能够显著降低整体任务的完成时延，同时提升任务卸载决策的准确性和系统资源的利用率。本文的研究表明，通过引入隐式分位数网络和双分位数强化学习算法，可以在动态且复杂的车联网环境中实现高效的任务卸载。