检索结果-内蒙古大学图书馆

计算机科学 2024年第8期51卷 345-353页

作者：任美璇邓鹏赵悦汪笑宇王超戴海鹏吴黎兵武汉大学国家网络安全学院武汉430072 计算机软件新技术国家重点实验室(南京大学) 南京210023 苏州大学计算机科学与技术学院江苏苏州215006 郑州大学网络空间安全学院郑州450001

多天线无线充电器的安全布置问题(SPINNER)涉及给定一组无线可充电设备和一组无线充电器,每个充电器都配备了多根有向天线,需确定其功率水平和策略(包括充电器的位置和天线方向),以最大化整体充电效用,并确保目标区域内任意位置均满足... 详细信息

多天线无线充电器的安全布置问题(SPINNER)涉及给定一组无线可充电设备和一组无线充电器,每个充电器都配备了多根有向天线,需确定其功率水平和策略(包括充电器的位置和天线方向),以最大化整体充电效用,并确保目标区域内任意位置均满足电磁辐射安全约束。文中考虑了两种场景,分别是具有给定位置集的多天线无线充电器的安全布置(SPINNER-G)和具有任意点的多天线无线充电器的安全布置(SPINNER-A)。首先,采用分段常数函数近似非线性充电功率函数,并将二维区域划分为有限数量的子区域,使得无限的电磁辐射安全约束减少为有限个。然后,针对SPINNER-G,提出了一种最大覆盖集提取方法,以限制无线充电器的方向。针对SPINNER-A,构造了最大相交情况,以限制充电器的位置和方向。文中提出了两种基于线性规划的贪心方案,分别求解SPINNER-G和SPINNER-A,近似比均为1/2-ε。仿真结果表明,所提算法在充电效用方面相比3种对比算法至少提高了54.2%。

关键词：多天线无线充电器有向充电安全布置充电调度近似算法

来源：评论

学校读者我要写书评

暂无评论

空间通信载波多普勒频偏的局部聚类捕获算法

引用

数据采集与处理 2025年第1期40卷 147-162页

作者：张兆维王帅威杜帅吴同邱帅博刘琳左加阔潘甦南京邮电大学物联网学院南京210003 南京大学计算机软件新技术全国重点实验室南京210023 南京邮电大学通达学院计算机工程学院扬州225127 北京邮电大学泛网无线通信教育部重点实验室北京100876

与地面通信不同,空间通信通常涉及相距很远且高速飞行的信号载体。此时,信号传输会面临两个困难:远距离路径损耗导致的低信噪比(Signal-to-noise-ratio,SNR)和高速相对运动引起的高动态多普勒频偏。针对多普勒频偏捕获,低SNR要求一个很... 详细信息

与地面通信不同,空间通信通常涉及相距很远且高速飞行的信号载体。此时,信号传输会面临两个困难:远距离路径损耗导致的低信噪比(Signal-to-noise-ratio,SNR)和高速相对运动引起的高动态多普勒频偏。针对多普勒频偏捕获,低SNR要求一个很长的累积周期来累积很多个信号。但是,在这个长累积周期内,高动态多普勒频偏扩散所有信号的总能量到一个很宽的频率区间。为解决此能量扩散问题,本文提出一种局部聚类捕获(Local-clustering-acquisition,LCA)算法。该算法首先利用全局范围内最大元素来构造一个局部范围,然后从局部范围内选择若干个较大元素并进行聚类,最后从聚类结果中搜索最大的簇来得到捕获结果。理论分析和仿真验证结果表明,相较于现有算法,LCA算法在提升捕获概率方面展现出显著优势。

关键词：空间通信多普勒捕获能量扩散局部范围聚类

来源：评论

学校读者我要写书评

暂无评论

基于贝叶斯优化的强化学习广义不动点解逼近

引用

山东大学学报（工学版） 2024年第4期54卷 21-34页

作者：陈兴国吕咏洲巩宇陈耀雄南京邮电大学大数据安全与智能处理重点实验室江苏南京210023 南京大学计算机软件新技术国家重点试验室江苏南京210046 淮阴工学院电子信息工程学院江苏淮安223003

针对强化学习不动点的解更优这一问题,提出广义不动点解模型设计,该设计使用n步自举法的不动点解扩展和基于线性插值法的不动点解构造方法。将该设计应用于成熟的CBMPI算法框架上,提出基于广义不动点的CBMPI(n,β)算法。针对如何表达并... 详细信息

针对强化学习不动点的解更优这一问题,提出广义不动点解模型设计,该设计使用n步自举法的不动点解扩展和基于线性插值法的不动点解构造方法。将该设计应用于成熟的CBMPI算法框架上,提出基于广义不动点的CBMPI(n,β)算法。针对如何表达并逼近最优解这一问题,提出基于贝叶斯优化的广义不动点解的参数优化和基于集成学习的更高质量的解。在经典的10×10规模的Tetris游戏环境中验证算法提出的有效性。试验结果证明了基于线性插值法的广义不动点构造能比n步传统不动点效果好,其效果与其超参数步长n和插值参数β有很大关联。在100局的Tetris游戏中,平均分达到4 388.3,表明贝叶斯优化技术可以找到多组表现优异的策略。对表现优异的四组广义不动点的策略参数(贝叶斯优化技术的结果)进行策略集成和值函数集成,得到更高质量的解。平均分可以分别达到4 526.29和4 579.74,试验结果表明基于广义不动点的策略集成和基于广义不动点的值函数集成的分数相较于广义不动点的分数有小幅度提高,证实了可以通过集成学习寻找更高质量的解。

关键词：强化学习值函数近似估计不动点贝叶斯优化俄罗斯方块

来源：评论

学校读者我要写书评

暂无评论

基于深度Q网络的平衡杆优化控制实验教学案例设计

引用

实验室研究与探索 2025年第1期44卷 146-152,190页

作者：钟珊杜鑫司亚利刘井莲严卫常熟理工学院计算机科学与工程学院江苏常熟215500 南京大学计算机软件新技术全国重点实验室南京210023 苏州科技大学电子信息与工程学院江苏苏州215009

为了使学生更深入地掌握采用强化学习求解任务最优策略的方法,基于深度Q网络设计了平衡杆的控制优化实验。将平衡杆实验环境建模为马尔可夫决策模型,从深度Q网络结构、探索策略、奖励函数、经验回放池更新和目标Q网络更新等角度进行了... 详细信息

为了使学生更深入地掌握采用强化学习求解任务最优策略的方法,基于深度Q网络设计了平衡杆的控制优化实验。将平衡杆实验环境建模为马尔可夫决策模型,从深度Q网络结构、探索策略、奖励函数、经验回放池更新和目标Q网络更新等角度进行了实验方案的设计。实验评估综合考虑了算法有效性、Q值估计的准确性、样本效率和Q网络的损失估计。在此基础上,将其与基准算法Q学习算法在累计奖赏和学习效率上进行了对比。该实验不仅可以帮助学生学会综合应用强化学习知识,也能帮助其掌握采用深度Q网络算法来求解离散动作空间任务的最优策略。

关键词：强化学习深度Q网络 Q学习平衡杆实验设计

来源：评论

学校读者我要写书评

暂无评论

基于网络表示学习的车险欺诈溯因分析研究

引用

计算机科学 2023年第2期50卷 300-309页

作者：李炜卓卢冰洁杨骏铭那崇宁南京邮电大学现代邮政学院南京210003 之江实验室金融科技研究中心杭州311100 南京大学计算机软件新技术国家重点实验室南京210093 东南大学计算机网络和信息集成教育部重点实验室南京211189

车险欺诈检测对促进汽车保险业的良性健康发展有着重要意义。由于欺诈的判断涉及公民权利等核心内容,需要车险专家对案件进行核查,提供欺诈原因。尽管基于机器学习的方法泛化能力强、精确度高,但缺少可解释性,而基于专家系统的规则方法... 详细信息

车险欺诈检测对促进汽车保险业的良性健康发展有着重要意义。由于欺诈的判断涉及公民权利等核心内容,需要车险专家对案件进行核查,提供欺诈原因。尽管基于机器学习的方法泛化能力强、精确度高,但缺少可解释性,而基于专家系统的规则方法尽管有较好的可解释性,但受限于规则复杂的触发条件。为了解决未触发专家系统欺诈规则而被机器学习方法检测为“欺诈”的案件无法被解释的问题,文中提出了基于网络表示学习的车险欺诈溯因分析方法。该方法首先定义了车险欺诈溯因分析任务,然后采用网络表示学习对已触发专家系统中欺诈规则的案件进行案件-规则因子网络的建模,学习欺诈规则中因子的分布式向量表示。为了更好地度量“欺诈”案件与专家系统中因子未全部触发规则之间的相似度,该方法基于溯因缺省原理,设计了一种规则因子的加权拼接策略来缓解训练数据不足的问题。实验结果表明,所提方法相较于已有方法在车险欺诈溯因预测任务的3项指标中均能取得更好的效果。

关键词：汽车保险欺诈网络表示学习溯因推理专家系统可解释性

来源：评论

学校读者我要写书评

暂无评论

基于熵值过滤和类质心优化的无监督域适应

引用

计算机科学 2024年第7期51卷 345-353页

作者：田青卢章虎杨宏南京信息工程大学软件学院南京210044 南京信息工程大学计算机学院、网络空间安全学院南京210044 南京信息工程大学数字取证教育部工程研究中心南京210044 南京大学计算机软件新技术国家重点实验室南京210023

无监督域适应作为机器学习领域的新兴研究方向之一,其主要利用源域监督信息来辅助无标记目标域的学习。截至目前,已有较多无监督域适应方法被提出,但在关系挖掘方面仍存在一些不足之处。具体来说,现有方法通常对目标域样本采取一致性处... 详细信息

无监督域适应作为机器学习领域的新兴研究方向之一,其主要利用源域监督信息来辅助无标记目标域的学习。截至目前,已有较多无监督域适应方法被提出,但在关系挖掘方面仍存在一些不足之处。具体来说,现有方法通常对目标域样本采取一致性处理策略,而忽略了目标域样本在关系挖掘中的差异性,因此文中提出了熵值过滤和类质心优化方法。所提方法利用生成对抗网络架构对目标域样本进行标记,利用所获伪标签计算样本熵值,并与所设阈值进行比较,从而进一步划分目标域样本。对于简单样本,分配伪标签;对于困难样本,该方法结合对比学习思想,利用源域和简单样本来学习更加鲁棒的分类器对困难样本分类,并进一步获得源和目标域的类质心。通过优化域间和实例对比对齐,来减小域间和域内的差异。最后,在3个标准数据集上与目前几种先进的领域自适应方法进行了对比实验,实验结果表明所提方法的性能均优于对比方法。

关键词：迁移学习无监督域适应对抗学习对比学习类质心优化

来源：评论

学校读者我要写书评

暂无评论

领域驱动设计模式的收益与挑战:系统综述

引用

软件学报 2021年第9期32卷 2642-2664页

作者：贾子甲钟陈星周世旗荣国平章程南京大学软件学院江苏南京210023 计算机软件新技术国家重点实验室(南京大学) 江苏南京210023 安徽大学计算机科学与技术学院安徽合肥230601

背景:近年来,领域驱动设计(domain driven design,简称DDD)作为一种软件设计方法在业界中逐渐流行起来,并形成了若干应用的固有范式,即领域驱动设计模式(domain driven design pattern,简称DDDP).然而,目前软件开发社区却仍然对DDDP在... 详细信息

背景:近年来,领域驱动设计(domain driven design,简称DDD)作为一种软件设计方法在业界中逐渐流行起来,并形成了若干应用的固有范式,即领域驱动设计模式(domain driven design pattern,简称DDDP).然而,目前软件开发社区却仍然对DDDP在软件项目中的作用缺少较为全面的了解.目的:旨在揭示DDDP的应用情况,即哪些DDDP被应用到了软件开发中,以及其所带来的收益、挑战及相应的缓解挑战方法.方法:应用系统化文献综述方法,对2003年-2019年7月之间发表的相关文献进行了识别、筛选、汇总和分析.结果:通过结合手动检索、自动检索和滚雪球等过程,覆盖了1884篇相关文献,经过筛选,最终得到26篇高质量文献,对应26个独立的研究.总结了基础研究中DDDP的应用概况,即已经被应用到软件开发中的DDDP以及应用DDDP所获得的11项收益、17个挑战以及相应的缓解挑战方法.结论:因为对领域知识非常重视,领域驱动设计能够帮助实践者更好地进行软件设计,但在具体应用领域驱动设计模式时却存在着诸多挑战.虽然目前存在一些缓解方法能够在一定程度上应对挑战,但是仍然存在很多不足.通过系统文献综述,填补了学术界在这一领域的空白.考虑到DDDP的实践价值与当前理论成熟度的不匹配,未来工业界和学术界应该给予该领域更多关注.

关键词：系统文献综述经验研究领域驱动设计软件设计

来源：评论

学校读者我要写书评

暂无评论

支持乱序执行的Raft协议

引用

软件学报 2021年第6期32卷 1748-1778页

作者：谷晓松魏恒峰乔磊黄宇计算机软件新技术国家重点实验室(南京大学) 江苏南京210023 北京控制工程研究所北京100190

PolarFS是阿里巴巴开发的分布式文件系统,它实现了分布式共识协议Raft的一种变体,称为***突破了Raft中顺序提交、顺序执行的限制,允许状态机乱序执行用户命令.然而文献表明:ParallelRaft并未开源,仅有简短的文字描述,更缺乏严格的形式... 详细信息

PolarFS是阿里巴巴开发的分布式文件系统,它实现了分布式共识协议Raft的一种变体,称为***突破了Raft中顺序提交、顺序执行的限制,允许状态机乱序执行用户命令.然而文献表明:ParallelRaft并未开源,仅有简短的文字描述,更缺乏严格的形式化规约.更进一步,它的正确性也尚未经过必要的数学论证或形式化检验.旨在为ParallelRaft提供严格的形式化规约并证明其正确性,主要贡献包括:首先,为了理清ParallelRaft与Raft之间的关系,提出了允许乱序提交、顺序执行的ParallelRaft-SE(sequential execution)协议,并建立了从ParallelRaft-SE到Multi-Paxos的精化关系;其次,现有的ParallelRaft描述忽略了可能会违反状态一致性的"幽灵日志"问题,因此在ParallelRaft-SE的基础上提出了ParallelRaft-CE(concurrent execution)协议.ParallelRaft-CE限制了ParallelRaft-SE在乱序提交阶段的并行度,避免了"幽灵日志"问题,支持乱序执行,并保证乱序执行下的状态机一致性.证明了ParallelRaft-CE的正确性.最后,使用TLA+给出了ParallelRaft-SE和ParallelRaft-CE的形式化规约,并对协议参与者数量较小的情形,使用TLC模型检验与模拟测试工具验证了从ParallelRaft-SE到Multi-Paxos的精化关系以及ParallelRaft-CE的正确性.

关键词： Raft ParallelRaft Multi-Paxos 共识协议 TLA+ 精化关系模型检验

来源：评论

学校读者我要写书评

暂无评论

基于被动-主动的特征演化流学习

引用

计算机研究与发展 2021年第8期58卷 1575-1585页

作者：刘艳芳李文斌高阳计算机软件新技术国家重点实验室(南京大学) 南京210023 龙岩学院数学与信息工程学院福建龙岩364012

在许多现实应用中,数据以一种特征演化流的形式收集.例如,随着传感器的更换,由旧传感器收集的数据特征会消失,新传感器收集的数据特征会出现.在线被动主动算法已被证明可以有效地从具有固定特征空间和梯形特征空间的数据集中学习线性分... 详细信息

在许多现实应用中,数据以一种特征演化流的形式收集.例如,随着传感器的更换,由旧传感器收集的数据特征会消失,新传感器收集的数据特征会出现.在线被动主动算法已被证明可以有效地从具有固定特征空间和梯形特征空间的数据集中学习线性分类器.因此,提出了一种基于被动主动更新策略的特征演化学习算法(passive-aggressive learning with feature evolvable streams,PAFE).该算法通过主动被动更新策略从当前特征空间和被恢复的已消失特征空间中学习了2个模型.具体来说,在重叠时段,即新旧特征同时存在的时段,该算法用新特征恢复了消失的特征空间,同时用旧特征空间模拟了新特征空间,进而为新特征空间的模型学习提供合理的初始化.基于这2个模型,为提高算法整体性能提出了2个集成算法:组合预测和当前最优预测.在合成数据集和真实数据集上的实验结果验证了该算法的有效性.

关键词：在线学习被动主动策略监督学习集成学习演化特征

来源：评论

学校读者我要写书评

暂无评论

一种基于广义异步值迭代的规划网络模型

引用

软件学报 2021年第11期32卷 3496-3511页

作者：陈子璇章宗长潘致远张琳婧计算机软件新技术国家重点实验室(南京大学) 江苏南京210023 苏州大学计算机科学与技术学院江苏苏州215006

近年来,如何生成具有泛化能力的策略已成为深度强化学习领域的热点问题之一,并涌现出了许多相关的研究成果,其中的一个代表性工作为广义值迭代网络.广义值迭代网络是一种可作用于非规则图形的规划网络模型.它利用一种特殊的图形卷积算... 详细信息

近年来,如何生成具有泛化能力的策略已成为深度强化学习领域的热点问题之一,并涌现出了许多相关的研究成果,其中的一个代表性工作为广义值迭代网络.广义值迭代网络是一种可作用于非规则图形的规划网络模型.它利用一种特殊的图形卷积算子来近似地表示状态转移矩阵,使得其在学习到非规则图形的结构信息后,可通过值迭代过程进行规划,从而在具有非规则图形结构的任务中产生具有泛化能力的策略.然而,由于没有考虑根据状态重要性来合理分配规划时间,广义值迭代网络中的每一轮迭代都需要在整个状态空间的所有状态上同步执行.当状态空间较大时,这样的同步更新会降低网络的规划性能.用异步更新的思想来进一步研究广义值迭代网络.通过在值迭代过程中定义状态优先级并执行异步值更新,提出了一种新型的异步规划网络模型——广义异步值迭代网络.在未知的非规则结构任务中,与广义值迭代网络相比,广义异步值迭代网络具有更高效且更有效的规划过程.进一步地,改进了广义值迭代网络中的强化学习算法及图形卷积算子,并通过在非规则图形和真实地图中的路径规划实验验证了改进方法的有效性.

关键词：深度学习强化学习模仿学习规划异步更新

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：