Effective communication among autonomous agents is crucial for coordination and solving complex tasks within multi-agent systems. To formalize interactions between agents, social accessibility relations are often utilized. Current research employs model checking algorithms to verificate social commitment properties in multi-agent systems. In fuzzy multi-agent systems, direct quantification and computation of commitment attributes pose challenges. This paper introduces an indirect fuzzy model checking algorithm designed to convert social commitments in uncertain scenarios into quantifiable attributes for verification. Firstly, we propose a fuzzy communicative interpreted system model to represent multi-agent systems with uncertain communication. We then improve fuzzy computation tree logic by adding modalities for commitments and fulfillment, resulting in a fuzzy computation tree logic with commitments for describing system properties related to commitments. A fuzzy model checking algorithm is subsequently presented. This algorithm converts the task of model checking fuzzy computation tree logic with commitments based on fuzzy interpreted systems into model checking fuzzy computation tree logic based on fuzzy Kripke structures. We conclude by providing proofs of correctness and complexity analysis of our algorithm. Furthermore, we demonstrate the effectiveness of our approach for model checking social commitments under fuzzy conditions through simulation experiments on an online shopping system.
Wireless sensing combined with deep learning has become a research hotspot in recent years, but most of the existing work is limited by the sensing distance. The establishment of several sensing models in recent years has proven the long-distance sensing ability of LoRa devices, but there is still insufficient work on how to combine LoRa devices with deep learning. This paper analyzes the propagation and variation laws of LoRa signals affected by human activities, proposes a LoRa signal processing method to extract features suitable for deep learning networks. By comparing current advanced models with commonly used signal processing methods, the final result is good. For the types and roles of activities in one room, the accuracy exceeds 94%. Compared with common signal processing methods, it also saves space and time resources, which proves the effectiveness of the proposed method.
Since multi-person pose estimation in crowded scenes still suffers from problems such as small detection targets, resulting in low pose estimation accuracy, we propose a correction algorithm for multi-person pose estimation based on the improved YOLOv5. Firstly, in the backbone network of YOLOv5, the Jumping Attention Mechanism module is incorporated to help the networks find the region of interest in the images; Secondly, in the neck network, the joint use of the Jump Attention Mechanism module and the Transformer encoder allows the network to acquire global information and contextual information. Finally, the key point object information obtained from the network prediction is used to correct the pose object information to get the final multi-person pose estimation results. The experimental results show that the method in this paper improves AP50 by 2.2% and AP75 by 3.3% over YOLOv5 on the COCO dataset, which verifies the accuracy and robustness of the approach in this paper.
The maximum mean discrepancy (MMD) as a representative distribution metric between source domain and target domain has been widely applied in unsupervised domain adaptation (UDA), where both domains follow different distributions, and the labels from source domain are merely available. However, MMD and its class-wise variants possibly ignore the intra-class compactness, thus canceling out discriminability of feature representation. In this paper, we endeavor to improve the discriminative ability of MMD from two aspects: 1) we re-design the weights for MMD in order to align the distribution of relatively hard classes across domains; 2) we explore a focally contrastive loss to trade-off the positive sample pairs and negative ones for better discrimination. The intergration of both losses makes the intra-class features close as well as push away the inter-class features far from each other. Moreover, the improved loss is simple yet effective. Our model shows state-of-the-art compared to the most domain adaptation methods.
在网络信息快速发展的时代背景下,不同的音乐爱好者对音乐信息检索的需求也在不断提高,音乐分类成为了一个非常值得研究的问题.提出了将耗散均匀搜索粒子群优化算法 DUPSO 与基于距离排序的支持向量预选取算法 DSVM 相结合的 DUPSO-DSVM 民歌快速分类算法.该算法利用DUPSO 算法对SVM的惩罚系数C和核函数参数g 进行优化,并利用DSVM算法优化 DUPSO 算法的参数优化时间.实验结果表明,在使用了 DUPSO-DSVM 算法之后,算法的训练时间只占未使用DUPSO-DSVM算法的 26.26%,民歌分类正确率为 84%,但仍然保持着较高的分类正确率.
针对传统A*算法未能有效识别环境信息造成的路径优化差、搜索效率低和灵活性低的一系列问题,提出了一种基于局部障碍率预获取和双向父节点变更的改进A*算法.首先,基于漂移矩阵算法获取栅格地图各个部分的局部障碍率;其次,将预获取的局部障碍信息融入改进的A*算法评价函数中,依据地图各个区域的不同复杂程度自适应地调整搜索空间;最后,用改进的父节点变更方式进一步优化路径,减少生成路径的冗余点和拐点.仿真结果表明,本文设计的算法在路径长度、拐点数量、搜索效率和运行时间等指标上有明显提高.
基础数学库作为计算机系统最基础的软件库之一,其性能是影响上层应用执行效率的主要因素之一.现有的RISC-V基础数学库虽然可以实现正确计算,但其源码中存在大量访存指令和冗余指令,导致函数性能不高;同时RISC-V数学函数的汇编代码量大,分支判断复杂,增加了直接优化的难度.针对上述问题,遵循从局部到整体的优化思路,提出了 RISC-V数学函数的关键路径自动检测方法,重点解决对关键分支进行优化时其他分支寄存器依赖易被改变的问题.依据队列式寄存器分配策略,对同一路径内寄存器进行再分配,提高了寄存器利用率,最大限度地减少了访存指令数.此外,还对冗余指令进行了组合功能重构.实验结果表明,67个RISC-V数学函数由平均144个时钟周期优化为85个时钟周期,性能平均提升了 29.61％.
在电子系统中,高速电路设计面临的问题,归根结底是噪声的问题.在实际的高速电路设计生产过程中,仿真模型与实际PCB的偏差、设计的不合理、PCB制板过程中产生的误差等因素,造成信号完整性和电源完整性问题缺乏系统深入的分析.针对此类问题,开展了电源开关噪声对高速信号产生耦合干扰的分析和优化方法研究.首先对信号完整性和电源完整性的理论进行介绍,进而针对某主板设计过程中存在的电源开关噪声耦合干扰高速信号的案例进行理论分析、示波器测试分析、Cadence仿真分析及优化验证,为该类问题提供一个系统的分析解决方案.
方面级情感分类研究是针对语句的特定方面判别其表达的情感极性.现有解决方案中,虽然基于注意力机制的循环神经网络模型表现较好,但是由于评论文本较短,且包含较多的新词和多义词,上述方法在处理此类"语义模糊"句子时性能不够理想.因此,提出一种基于知识图谱和注意力机制的神经网络模型,基本思想是利用知识库获取方面词的相关概念集,融合外部信息来增强文本的语义表示.首先,将双向长短时记忆网络的输出与自注意力机制相结合,生成上下文表示.然后,联合上下文表示利用双注意力从知识图谱中获取外部知识,得到和方面词相关的知识向量.最后,将 2 部分内容一起输入到全连接网络计算方面级情感倾向.实验结果表明,该模型与其他模型相比分类性能显著提升.
人脸活体检测是人脸识别系统安全性保证的关键,其中,解纠缠学习方法可以有效解决人脸活体检测中泛化数据集的问题,但是现有的解纠缠学习方法往往将整幅人脸图像作为输入,解析出伪造痕迹元素,会忽略伪造痕迹的局部细节问题.针对这一问题,改进现有的伪造痕迹解纠缠网络,提出多对抗性鉴别网络模型,在鉴别器中设计主鉴别器和区域鉴别器,引入人脸遮罩模块,生成人脸皮肤、五官遮罩蒙版,整合人脸局部信息,使生成器拟合的图像更接近数据集中人脸图像的分布,同时解离出加强版的伪造痕迹.提出的多对抗性鉴别网络有效地增强了伪造人脸图像的伪造痕迹信息并提高了人脸活体检测的准确率.具体来说,该网络模型在OULU-NPU数据集的2个实验中的检测错误率仅为0.8％和1.4％,相比STDN错误率显著降低,同时在Idiap Replay-Attack数据集上也达到了较好的检测效果.为了验证该网络模型的可迁移性,在NUAA数据集和Idiap Replay-Attack数据集上进行跨域实验,达到了不错的效果.
针对在密集场景下多人脸检测容易漏检,小尺度人脸检测率不高的问题,提出了基于YOLOv5 s改进的多人脸检测算法IYOLOv5 s-MF.首先,在特征融合部分引入FTT模块,以获取小尺度人脸更多的特征表征;然后,改进正负样本采样策略,通过增加有效正样本,增强算法的模型泛化能力;最后,将Focal-EIoU作为定位损失函数,在加速模型收敛的同时提升人脸检测率.在 WIDER FACE 数据集上进行人脸检测实验,实验结果表明,相比较其他对比算法,IYOLOv5s-MF 算法拥有较高的人脸检测精度,且具有较好的实时性能.
背景噪声地震学利用地震台站记录的背景噪声信号计算台站之间的互相关信息,以此推演地质结构信息,近年来广泛应用于地球结构和油气勘探等领域.地震噪声数据处理往往需要通过预处理计算来减少仪器、地震信号的干扰,这一过程需进行多种信号处理计算.随着我国地震台站布设的推广,地震波形文件持续积累,预处理计算的耗时大大增加.针对计算耗时问题,基于图形处理器异构计算平台,提出了一种并行地震噪声预处理算法.并行算法在台站、时间和分段 3 个维度设计了并行计算框架,针对预处理中的计算过程实现了计算核函数,并且通过分批计算实现了对大批量文件的自适应处理.实验结果表明,并行预处理算法取得了约 95 倍的加速比,且具备良好的并行性.
针对现有无监督视频摘要算法对视频帧重要性判断不准确的问题,提出一种基于深浅层特征融合的无监督视频摘要算法.视频帧的深层特征由卷积神经网络(CNN)进行提取;浅层特征先由加速稳健特征(SURF)算子提取,再使用词袋(BOW)模型进行编码;最后将深层特征与浅层特征进行融合,丰富特征描述符的信息,作为网络模型的输入.使用双向长短期记忆网络(BiLSTM)对时序信息建模并输出帧重要性得分,采用强化学习的方式优化模型.在生成静态视频摘要时,设计了一个基于局部极大值的关键帧筛选方法,遵循了原视频的时序结构同时避免冗余.在SumMe和TVSum数据集上与多个无监督视频摘要算法进行对比,实验结果表明所提算法能够对视频内容做出更准确的判断,并生成了更高质量的摘要.
随着深度学习的发展,基于文本生成的隐写术取得了重大突破.现有基于文本生成的方法存在暴露偏差的问题,即训练阶段每个输入都来自真实样本标签,预测阶段的输入来自上一时刻预测的输出.训练和预测之间的输入样本差异会产生误差积累,使得生成样本与真实样本分布相差过大.针对这个问题,提出了一种基于生成对抗网络和多头注意力的文本隐写术—TS-GANMA.首先,利用生成对抗网络训练文本生成器,通过多头注意力机制提取多头注意力得分参与奖惩模块的奖励计算,得到更适合生成器的反馈信息.随后,生成器与鉴别器进行对抗训练,能够解决暴露偏差的问题,优化文本生成模型.最后,对文本生成模型输出的条件概率分布进行编码,实现秘密信息嵌入.实验结果表明,在相同的嵌入率时,TS-GANMA隐写术与 LSTM-vlc 和 ADG 相比,隐写文本的困惑度有显著的降低,这是因为采用TS-GANMA进行文本隐写,生成的隐写文本与真实文本的统计分布更加拟合,生成的隐写文本质量更高.
针对抓取任务中难以区分多个紧邻物体及高维位姿学习准确率差的问题,提出一种融合语义实例重建的抓取位姿估计方法.增加语义实例重建分支对前景完成隐式三维重建,并以投票方式预测每个前景点所属实例的中心坐标,以区分紧邻物体;提出一种高维位姿的降维学习方法,使用 2 个正交单位向量分解三维旋转矩阵,提升位姿学习准确率;搭建融合语义实例重建的抓取检测网络 SIRGN,并在VGN仿真抓取数据集上完成训练.实验结果表明,SIRGN在拥挤(Packed)和堆叠(Pile)场景的抓取成功率分别达到了 89.5%和 78.1%,且在真实环境具有良好的适用性.
哈里斯鹰优化(HHO)算法是近期提出的一种元启发式算法,模拟了生物性的种群捕食调度.针对哈里斯鹰优化算法开发能力不足、种群多样性下降和容易陷入局部最优等缺点,提出了 一种多策略改进的哈里斯鹰优化算法(MHHO).首先,在哈里斯鹰中引入混沌局部搜索策略,利用混沌映射的优点,围绕当前个体进行局部搜索,从而找到更好的个体,提高算法的开发能力.其次,为了增强种群多样性,提出了精英备选池策略.此外,通过对优势种群信息的采样来更好地引导种群进化方向,采用分布估计策略提高算法收敛效率.CEC2017测试实验结果表明,改进后的算法兼顾了收敛速度与全局搜索等能力,最后将算法用于求解工程约束问题,证明了改进后的算法的实用性.
SetRank是一种新颖的Setwise贝叶斯协同排序模型,能够以更贴合实际场景的方式对隐式反馈的数据进行建模.然而,SetRank中只考虑了协同信息,缺乏对内容信息的有效利用.为解决上述问题,首先提出了一种基于Setwise排序的因子分解机模型SRFMs,借鉴SetRank中的Setwise排序解决隐式反馈中的负样本缺失问题,选择因子分解机作为预测器来建模内容信息,从优化项目排序的角度出发建模用户偏好;接着,为改进标准FM中固定特征表示以及缺少高阶特征交互的缺点,受 IFM启发,提出将输入感知与深度神经网络相结合,融入SRFMs从而构建出SR-DIFM模型;最后,在 2 个真实数据集上进行了实验,结果表明,所提出的模型在解决隐式反馈场景下推荐问题的同时,可以更好地利用用户和项目的内容信息,从而获得更高的推荐准确率,在HR、NDCG和mAP 等客观指标上都优于其他模型.
针对粒子群优化PSO算法后期种群多样性差和易陷入局部最优解等问题,提出具备重心反向学习和单纯形搜索行为的粒子群优化COLS-PSO算法.初始时,基于混沌策略构造出搜索空间.进化过程中,基于Spearman系数选择需要进行重心反向学习的粒子,以帮助算法逃离局部极值区域.进一步引入局部搜索能力较强的单纯形搜索方法增强对最优粒子邻近区域的开发,以提高搜索精度.实验先在若干标准测试函数上进行,之后将COLS-PSO算法应用于软件测试数据生成问题.实验结果表明,COLS-PSO算法在求解精度、收敛速度和有效性方面表现较好,能够有效平衡种群多样性和算法收敛性的矛盾.
为了解决图像去雾过程中在前景和天空区域过渡不平滑以及透射率融合不精确、恢复图像色彩不自然等问题,提出了 一种用Sigmoid函数进行加权融合的图像去雾算法.该算法在R、G、B共3个通道上使用不同的衰减常数,并以Sigmoid作为权重函数将基于颜色衰减先验对天空区域的估计透射率和基于暗通道先验对前景区域的估计透射率进行融合,最后通过大气散射模型恢复出无雾图像.实验结果表明,该算法对包含有天空区域的雾图的去雾效果更优,复原后的图像清晰而且色彩自然,提升了图像的主观视觉效果,同时客观对比也表明了该算法的有效性和适用性.
集成电路是电子产品的重要组成部分,其质量控制和故障分析是电子产品能否长期运行的前提.声学扫描显微镜SAM作为一种无损缺陷检测手段,在集成电路成像检测、内部缺陷识别方面获得了广泛应用.针对声扫图像缺陷检测的智能化需求,以及对检测的实时性和正确性要求,研发了基于机器视觉的集成电路声扫图像缺陷检测软件,提供了图像处理和图像检测一体化功能.该软件的算法框架结合了深度学习技术、OpenCV 传统图像处理技术和JavaScript 界面设计技术,可以管理各种类型的集成电路数据,并能对声扫图像进行分析处理与缺陷判定.
