在课堂教学中, 人工智能技术可以帮助实现学生行为分析自动化, 让教师能够高效且直观地掌握学生学习行为投入的情况, 为后续优化教学设计与实施教学干预提供数据支持. 构建了学生课堂行为数据集, 为后续研究工作提供了数据基础; 提出了一种行为检测方法及一套可行的高精度的行为识别模型, 利用OpenPose算法提取的人体姿态全局特征, 融合YOLO v3算法提取的交互物体局部特征, 对学生行为进行了识别分析, 提高了识别精度; 改进了模型结构, 压缩并优化了模型, 降低了空间与时间的消耗. 选取与学习投入状态紧密相关的4种行为: 正坐、侧身、低头和举手进行识别, 该检测与识别方法在验证集上的精度达到了95.45%, 在课堂上玩手机和书写等常见行为的识别精度较原模型有很大的提高.
基于特征选择的网络流量异常检测引起了人们广泛的研究兴趣. 现有的方案大多通过简单降低流量数据的维度来检测异常, 却忽略了数据特征之间的相关性, 导致异常流量检测效率低下. 为了有效识别各种类型的攻击, 首先提出了一种自注意力机制模型来学习网络流量数据多个特征之间的相关性. 然后, 设计了一种新型的多特征异常流量检测和分类模型, 该模型分析了异常流量数据中多特征之间的相关性, 达到检测与识别异常网络流量的目的. 实验结果表明, 与两种基准方法相比, 所提出的技术将异常检测和分类的准确率提高了1.65%, 并将误报率降低了1.1%.
针对无人机在三维环境中寻求从起始位置到目标位置的一条最优、安全且能避开所有障碍物的路径, 提出了一种结合正六边形导向法改进的人工势场法, 用来解决传统人工势场法中障碍物附近目标不可达和局部极小值问题. 首先, 在排斥势场函数中加入距离修正因子, 解决目标不可达问题; 其次, 提出了一种正六边形导向法来改进局部极小值问题, 该方法可以在无人机陷入局部极小值区域时, 判断所处环境并选择适当的规划方法, 引导无人机逃离局部极小值区域; 再次, 在Matlab平台上进行了三维建模仿真, 同时考虑到多种复杂障碍物的场景, 结果表明了该方法在保留了原本算法优势的同时, 在无人机实时路径规划中更加有效和可行; 最后, 在真实环境中演示了所提出的方法, 实验结果表明了该方法的可行性和有效性.
随着无人驾驶、在线游戏、虚拟现实等低延迟应用的大量涌现, 传统集中式的移动云计算范式越来越难以满足此类用户服务质量的需求. 为弥补云计算的不足, 移动边缘计算应运而生. 移动边缘计算通过计算卸载, 将计算任务迁移到网络边缘服务器来为用户提供计算和存储资源. 然而, 现有大部分工作仅考虑了延迟或能耗的单目标性能优化, 未考虑延迟和能耗的均衡优化. 为减少任务延迟和设备能耗, 提出了一种面向多用户的联合计算卸载和资源分配策略. 该策略首先利用拉格朗日乘子法获得给定卸载决策的最佳计算资源分配; 然后, 提出一个基于贪心算法的计算卸载算法获得最佳卸载决策; 最后, 通过不断迭代得到最终解. 实验结果表明, 与基准算法相比, 所提算法最高可以降低40%的系统成本.
自适应学习是使用计算机算法来协调自适应学习平台与学习者的互动, 并提供定制学习资源和学习活动来解决每位学习者的独特需求的教育方法. 自适应学习随着新冠疫情的影响变得越来越重要, 它面临的主要挑战之一是如何为学习者提供定制的学习资源, 即如何在海量的学习资源中为学习者生成个性化的推荐. 现存的方法大多使用基于学习者知识级别的推荐, 然而这些方法存在一些不足. 首先, 在获取学习者知识级别时, 学习者在学习过程中出现的遗忘现象并未得到很好的建模. 其次, 在推荐时, 这些方法将获取学习者知识级别的知识追踪技术和推荐分开进行, 忽视了这两者之间的深层连接关系. 此外, 仅考虑学习者的知识来建模, 将会忽略学习者对于学习资源类型、学习策略等的偏好. 为解决上述问题, 给出了一个知识和性格结合的多任务学习框架(Knowledge and Personality Incorporated Multi-Task Learning Framework, KPM)去促进课程 (即上文所指的学习资源) 的推荐, 该框架将增强的知识追踪任务作为辅助任务去协助主要的课程推荐任务. 具体地, 在增强的知识追踪任务(Enhanced Knowledge Tracing Task, EKTT)中, 设计了一个个性化的遗忘控制器去增强深度知识追踪模型, 从而更加准确地获取学习者的知识级别. 在课程推荐任务(Course Recommendation Task, CRT)中, 首先, 将学习者的知识级别、学习者的序列行为和学习者的性格根据特定的上下文进行自适应融合, 用以生成学习者的画像; 然后, 基于学习者的画像生成课程推荐列表. 在真实的教育相关数据集上的实验结果验证了提出的方法在点击率(Hit Ratio, HR)、归一化折损累计增益(Normalized Discounted Cumulative Gain, NDCG)、精确度(Precision)指标上的优越性, 即可以生成更加个性化的课程推荐.
图像拼接技术是大视野显微数字图像应用中的关键技术之一. 随着科学技术的发展, 人们更加关心大视野显微数字图像的快速而又准确的图像拼接问题. 而现有的传统图像拼接方法是在图像配准之后按照固定的顺序拼接, 这对显微数字图像的采集质量以及配准的准确度要求很高, 一旦有误差便会沿着固定的路径累加, 从而使后续的图像产生错位等问题. 通过实验分析, 提出了一种优化大视野图像拼接路径的方法, 极大地优化了误差累积和配准失败带来的问题, 有效地提高了大视野显微数字图像的拼接质量. 该方法不仅可用于大视野显微图像的拼接, 也适用于其他类型的图像拼接.
野外战场环境是一个包含地形和道路等地理要素的作战空间, 道路是其中的重要组成部分, 对复杂的作战决策起着关键作用. 传统道路建模无法处理野外复杂的地形条件. 提出了面向野外战场环境的道路建模仿真方法. 该方法将道路网络根据其特点划分为不同的子模型并分别建模, 以满足战场模拟中真实感的需求; 采用OpenStreetMap来驱动道路网络建模, 具有实时性强、准确性高、道路信息结构清晰、分类齐全等特点, 能够满足野外战场环境军事作战和建模仿真的需要; 利用地形高程数据和道路建设规则等辅助信息, 对道路高度进行了调整, 以适应野外战场复杂的地形条件和可能存在的多层级路网结构; 引入了曲率连续( $ {G}^{2} $ 连续的) Hermite插值样条曲线, 灵活地对道路中心线进行了表示, 并通过网格变形提高了道路模型的复用性. 实验表明, 该仿真方法可较完整地还原路网的真实细节, 有效地贴合复杂地形并提高了道路模型的复用性, 为研究野外战场环境中的地理要素提供了可行的分析角度和建模方法.
人工智能(Artificial Intelligence，AI)的先进技术已被广泛应用于实时地处理大量数据, 以期实现快速响应. 但是, 部署基于AI的各种应用程序的常规方法带来了巨大的计算和通信开销. 为了解决这一问题, 提出了一种基于网络压缩与切割技术的深度模型边云协同加速机制, 该技术可以压缩和划分深度神经网络(Deep Neural Networks, DNN)模型, 以边云协同的形式在实际应用中实现人工智能模型的快速响应. 首先压缩神经网络, 以降低神经网络所需要的运行时延, 并生成可用作候选分割点的新层, 然后训练预测模型以找到最佳分割点, 并将压缩的神经网络模型分为两部分. 将所获得的两部分分别部署在设备和云端服务器中, 这两个部分可以协同地将总延迟降至最低. 实验结果表明, 与4种基准测试方法相比, 本文所提出的方案可以将深度模型的总延迟至少降低70%.
通过信息提取技术、数据匹配技术与一次性人工处理相结合的方法, 将数学主观题转化为树状选择题, 并结合现代信息技术和网络技术, 开发了大学数学作业自动批改系统, 且在大学数学公共基础课的教学中予以了实践. 此类系统解决了自动批改数学主观题的瓶颈问题, 能够批改小学、中学和大学数学课程中的常规习题, 如选择题、填空题、判断题、问答题、计算题、证明题等, 可达到做完即批完的效果. 还可以应用于数学教学的各个环节, 如课前预习、课堂练习、课后复习、课外辅导、备考和在线考试等等. 自动批改过程中采集的电子数据可用于数据分析、教学指导、教学研究和教育信息化的建设.
随着物联网的快速发展, 嵌入式硬件产品在保障数据安全方面面临极大挑战. AES (Advanced Encryption Standard) 算法在数据加解密领域具有抗攻击性强、运算速度大以及分组长度灵活等优点. 由于嵌入式微控制器不具有针对AES加密的扩展指令集, 因此该算法的运行速度在微控制器平台上的表现远不如通用CPU (Central Processing Unit). 为了解决这个问题, 在基于Cortex-M4内核指令集的微控制器平台上, 使用汇编语言提高了AES算法在CTR (Counter)模式下的运行速度. 结合该内核特有的桶形移位器和三级流水线等特点优化算法的轮变换, 缩减算法运行时所需的指令周期数. 在FRDM-K82F开发板上的测试表明, 该优化算法的运行效率高于C语言实现代码的运行效率, 同时比基于协处理器所实现的硬件AES加密在成本和功耗方面更具有优势.
随着互联网技术的不断发展, 网络的安全问题日益受到人们的重视. 网络异常流量检测能够为拦截网络攻击提供有效的保障. 然而, 为了准确检测网络中的异常流量, 通常需要分析海量的数据. 分析这些数据不仅消耗巨大的计算资源, 降低检测的实时性, 还有可能降低检测的准确率. 为解决这些问题, 提出了一种基于集成特征选择的网络异常流量检测方法: 采用5种不同的特征选择算法, 设计了一种投票机制以选择特征子集; 用朴素贝叶斯、决策树、XGBoost (eXtreme Gradient Boosting)这3种不同的机器学习算法, 评估所采用的特征选择算法; 选择表现最好的算法以实现网络异常流量检测. 实验结果表明, 在使用提出的算法所选取出的最优子特征上, 所提方法的运行时间比在原始数据集上少了84.38%, 平均准确率比单个特征选择算法提高了16.93%.
知识追踪任务是根据学生历史做题记录和其他辅助信息追踪学生知识水平的变化过程, 以及预测学生在下一时刻作答的结果. 由于已有的神经网络知识追踪模型在效果和性能上还有待提升, 提出了基于堆叠门控循环单元(Gated Recurrent Unit, GRU)的深度残差(Stacked-Gated Recurrent Unit-Residual, S-GRU-R)网络. 针对长短期记忆网络(Long Short-term Memory, LSTM)参数过多导致过拟合问题, 用GRU代替LSTM学习做题序列中的信息, 采用堆叠GRU扩大序列学习容量, 并用残差连接降低模型训练的难度. S-GRU-R在数据集Statics2011上进行了实验, 并用AUC (Area Under the Curve)和F1-score作为评估指标. 结果表明S-GRU-R在这2个评估指标上都超过了其他类似的循环神经网络模型.
神经网络架构搜索算法旨在通过计算机的启发式搜索代替人工搜索, 在巨大的神经网络结构空间中寻找更为高效的神经网络结构. 许多研究通过引入各种对搜索空间的约束来解决早期神经网络结构搜索效率低下、耗时长的问题. 然而, 对于搜索空间的约束虽然能够提升并稳定所搜索到的模型的性能, 但同时也导致了很多潜在的高性能模型结构无法被搜索到. 构建了一种更为关注神经网络宏观结构的递归型搜索空间, 并提出通过分步渐进搜索方案探索这个搜索空间的神经网络架构搜索算法. 实验表明, 该算法能在复杂的搜索空间中高效完成神经网络架构搜索任务, 但与最新的基于受约束搜索空间的神经网络架构搜索算法相比仍稍有差距.
服装样板图的识别和分类是服装智能化生产和管理的重要技术. 提出了一种将服装样板图转化为图数据的建模法和一种能处理这类图数据的轻量级图神经网络GPC-GCN (Garment Pattern Classification Graph Convolutional Network). 所提出的图数据的建模法不但能够保留服装样板图中每个部件的形状信息, 还解决了服装样版图中服装部件可以随意放置的问题. 实验表明, 与既有的卷积神经网络和图神经网络相比较, 所提出的图数据建模法和图神经网络GPC-GCN对服装样板图的分类具有更优的性能.
传统虚拟地形建模通常采用基于人工设计的过程化生成方法, 无法满足军事仿真等需要对真实环境进行还原的仿真建模任务. 针对此类任务, 提出了一种基于遥感图像的虚拟地形仿真建模方法, 其核心是地形混合纹理生成网络(landscape blended texture generation network, LBTG-Net). 该方法利用地形混合纹理生成器(blended texture generator, BTG), 在风格鉴别器(style discriminator, SD)以及多级分类损失的约束下生成地形混合纹理贴图, 基于该混合纹理贴图生成结果对地形环境进行程序化构建. 该方法包含2个核心特点: ① 对输入遥感图像进行准确的地表覆盖类型分类, 以保证对输入遥感图像环境的还原; ② 生成高质量地形混合纹理贴图, 以提高虚拟地形建模质量. LBTG-Net使用Sentinel-2多光谱遥感图像数据集进行训练和验证. 实验结果表明, 该方法在各地表覆盖类型分类评价指标下均有良好表现, 能够在准确还原输入遥感图像的环境分布的同时完成高质量虚拟地形仿真建模.
在智能电网飞速发展的趋势下, 新型数字基础设施建设成为电力企业的核心业务之一, 电力企业数据的治理和智能化分析为平台运营、数据增值变现等商业模式创新提供了条件. 在电力数字化和智能化治理背景下, 使用鲁棒性随机分割森林算法实现变压器损耗数据的异常值智能化检测. 通过鲁棒性随机分割森林算法划分样本点以构建鲁棒性随机分割森林结构模型, 通过插入和删除样本点对结构复杂度的影响程度给定该样本点的异常值评分. 鲁棒性随机分割森林算法适用于实时损耗数据异常检测, 兼顾异常值检测效果和运行效率, 具有较高的可信度. 对真实变压器损耗数据集中进行异常值检测试验, 实验结果表明该算法高效、灵活, 相较于其他方法, 精确率、召回率及运行效率均有显著提升.
既有的图像特征匹配算法比较适合于一般分辨率的图像, 且是在灰度图像上进行的. 洞窟壁画图像的特点是分辨率非常高, 并且还可能存在具有相同灰度纹理和不同颜色的区域. 针对这类特殊图像, 提出了一种面向高分辨率壁画图像的高速化特征匹配算法(简称NeoKPM算法). NeoKPM算法有2个主要特点: ①通过降采样图像获得原图像粗配准的单应变换矩阵, 极大地降低了后续特征匹配的时间复杂度; ②提出了一种基于灰度和颜色不变量的特征描述符, 能很好地区分具有相同灰度纹理和不同颜色的特征点, 提高了特征匹配的正确性. 在实际壁画图像库上, 对NeoKPM算法的性能进行了实验. 实验结果表明, NeoKPM算法在分辨率为8 000万像素的壁画图像上, 其每对图像的正确匹配点数量平均比SIFT (Scale Invariant Feature Transform)算法高出了近10万个; 其特征点匹配平均处理速度是SIFT算法的20倍; 其基于图像单个像素的双图像平均误差小于0.04像素.
随着金融科技软件的开发迭代, 软件的复杂度日益提升, 这将会导致测试套件体量逐渐增大, 并出现测试冗余现象. 为了有效地对测试冗余因素进行量化和消解, 提出了一种最佳覆盖项测试冗余评价指标MVI (Most Valuable Item) , 以及一种基于MVI指标的测试用例削减算法MVIR (Most Valuable Item Reduction). 在实际金融科技软件中的实验结果表明, MVIR能够在测试性能损失小于9.20%的前提下, 实现大于89.88%的测试用例削减比例, MVI指标能够有效反映测试套件中的冗余因素大小.
近年来非易失性存储(Non Volatile Memory, NVM)飞速发展, 它具有的持久化、大容量、低延迟、按字节寻址、高密度和低能耗等优越特性, 强烈冲击着目前的数据库系统架构. SQLite是一款轻量级关系型数据库, 实现了无服务器、零配置、事务性的SQL数据库引擎. 其为每个连接维护一个缓冲区, 有着空间开销大和数据一致性检测的问题, 同时由于采用了相对简单的串行化单写事务执行方式和按页记录日志等方案, 带来了回滚日志模式性能低和写入放大以及WAL模式存储空间要求等问题. 为了解决上述挑战, 构建了一种新的基于非易失性内存的SQLite缓冲区的方案SQLite-CC (Copy Cache), 充分考虑了非易失性内存的硬件特性, 引入CC-manager用于维护事务原子性, 加入修改页面索引来保证数据库文件与缓存的一致性. 实验表明, 其达到了和SQLite-WAL模式相当的并发性能, 相比于回滚日志模式事务吞吐量提升了3倍, 读写延迟降低了40%且有效解决了磁盘中的写放大问题.
基于双层网络构建了一个具有不同时间演化尺度的耦合传播模型—噪声投票-SIR (Susceptible-Infected-Recovery)传播耦合模型. 该模型可以用微观马尔可夫链数值分析方法来描述. 大量的蒙特卡洛模拟实验验证了这一数值分析方法的准确性. 研究发现, 耦合模型中发生了相变类型的跨越现象: 当意见形成过程中的噪声比较小的时候, 消息传播规模和正 $ \left( + \right) $ 意见比例随着传播速率的变化发生不连续相变, 与此同时还出现了磁滞回线和双稳态现象, 并能观察到全局意见共识的形成; 当噪声较大时, 两个动力学过程的序参量随传播速率的改变发生连续相变.
中国综合性科技类核心期刊(北大核心)
