郵件訂閱
2024年 第46卷 第12期
顯示方式:
2024, 46(12): 4335-4353.
doi: 10.11999/JEIT240574
摘要:
隨著6G技術(shù)的蓬勃發(fā)展和工業(yè)物聯(lián)網(wǎng)的不斷演進(jìn)，聯(lián)邦學(xué)習(xí)在工業(yè)領(lǐng)域的應(yīng)用備受關(guān)注。因此，該文專注于探討6G推動(dòng)下工業(yè)物聯(lián)網(wǎng)中聯(lián)邦學(xué)習(xí)的發(fā)展與應(yīng)用潛力，分析6G在工業(yè)物聯(lián)網(wǎng)的應(yīng)用前景，探索如何結(jié)合6G特性利用聯(lián)邦學(xué)習(xí)技術(shù)滿足數(shù)據(jù)隱私保護(hù)、資源優(yōu)化和智能決策需求。首先，調(diào)研總結(jié)了現(xiàn)有相關(guān)工作，提出了聯(lián)邦學(xué)習(xí)技術(shù)面向6G工業(yè)物聯(lián)網(wǎng)應(yīng)用場(chǎng)景的發(fā)展需求與愿景。在此基礎(chǔ)上，構(gòu)建了一種基于分層跨域架構(gòu)的工業(yè)聯(lián)邦學(xué)習(xí)新范式，旨在融合6G與數(shù)字孿生技術(shù)賦能實(shí)現(xiàn)泛在、靈活、層次化的聯(lián)邦學(xué)習(xí)，以支撐典型工業(yè)物聯(lián)網(wǎng)場(chǎng)景中按需、可靠的分布式智能業(yè)務(wù)，實(shí)現(xiàn)運(yùn)營(yíng)信息通信技術(shù)(OCIT)的融合。其次，分析歸納了面向6G工業(yè)物聯(lián)網(wǎng)的聯(lián)邦學(xué)習(xí)(6G IIoT-FL)可能面臨的研究挑戰(zhàn)，并提出了潛在的解決方案或建議。最后，指出了該技術(shù)未來值得關(guān)注的相關(guān)方向，旨在一定程度上為后續(xù)研究開拓思路。
隨著6G技術(shù)的蓬勃發(fā)展和工業(yè)物聯(lián)網(wǎng)的不斷演進(jìn)，聯(lián)邦學(xué)習(xí)在工業(yè)領(lǐng)域的應(yīng)用備受關(guān)注。因此，該文專注于探討6G推動(dòng)下工業(yè)物聯(lián)網(wǎng)中聯(lián)邦學(xué)習(xí)的發(fā)展與應(yīng)用潛力，分析6G在工業(yè)物聯(lián)網(wǎng)的應(yīng)用前景，探索如何結(jié)合6G特性利用聯(lián)邦學(xué)習(xí)技術(shù)滿足數(shù)據(jù)隱私保護(hù)、資源優(yōu)化和智能決策需求。首先，調(diào)研總結(jié)了現(xiàn)有相關(guān)工作，提出了聯(lián)邦學(xué)習(xí)技術(shù)面向6G工業(yè)物聯(lián)網(wǎng)應(yīng)用場(chǎng)景的發(fā)展需求與愿景。在此基礎(chǔ)上，構(gòu)建了一種基于分層跨域架構(gòu)的工業(yè)聯(lián)邦學(xué)習(xí)新范式，旨在融合6G與數(shù)字孿生技術(shù)賦能實(shí)現(xiàn)泛在、靈活、層次化的聯(lián)邦學(xué)習(xí)，以支撐典型工業(yè)物聯(lián)網(wǎng)場(chǎng)景中按需、可靠的分布式智能業(yè)務(wù)，實(shí)現(xiàn)運(yùn)營(yíng)信息通信技術(shù)(OCIT)的融合。其次，分析歸納了面向6G工業(yè)物聯(lián)網(wǎng)的聯(lián)邦學(xué)習(xí)(6G IIoT-FL)可能面臨的研究挑戰(zhàn)，并提出了潛在的解決方案或建議。最后，指出了該技術(shù)未來值得關(guān)注的相關(guān)方向，旨在一定程度上為后續(xù)研究開拓思路。
2024, 46(12): 4354-4362.
doi: 10.11999/JEIT231366
摘要:
針對(duì)信道估計(jì)誤差會(huì)導(dǎo)致傳統(tǒng)最優(yōu)資源分配算法失效的問題，該文提出一種基于不完美信道狀態(tài)信息(CSI)的多輸入單輸出(MISO)共生無線電系統(tǒng)魯棒資源分配算法?？紤]每個(gè)用戶最小吞吐量約束、傳輸時(shí)間約束、基站最大發(fā)射功率約束和用戶反射系數(shù)約束，基于有界信道不確定性模型，建立了一個(gè)傳輸時(shí)間、波束成形向量和反射系數(shù)聯(lián)合優(yōu)化的魯棒吞吐量最大化資源分配問題。利用拉格朗日對(duì)偶、變量替換和交替優(yōu)化方法將原問題轉(zhuǎn)換成凸優(yōu)化問題求解。仿真結(jié)果表明，與傳統(tǒng)非共生資源分配算法相比，所提算法的吞吐量提升11.7%，中斷概率減小5.31%。
針對(duì)信道估計(jì)誤差會(huì)導(dǎo)致傳統(tǒng)最優(yōu)資源分配算法失效的問題，該文提出一種基于不完美信道狀態(tài)信息(CSI)的多輸入單輸出(MISO)共生無線電系統(tǒng)魯棒資源分配算法?？紤]每個(gè)用戶最小吞吐量約束、傳輸時(shí)間約束、基站最大發(fā)射功率約束和用戶反射系數(shù)約束，基于有界信道不確定性模型，建立了一個(gè)傳輸時(shí)間、波束成形向量和反射系數(shù)聯(lián)合優(yōu)化的魯棒吞吐量最大化資源分配問題。利用拉格朗日對(duì)偶、變量替換和交替優(yōu)化方法將原問題轉(zhuǎn)換成凸優(yōu)化問題求解。仿真結(jié)果表明，與傳統(tǒng)非共生資源分配算法相比，所提算法的吞吐量提升11.7%，中斷概率減小5.31%。
2024, 46(12): 4363-4372.
doi: 10.11999/JEIT240407
摘要:
深度強(qiáng)化學(xué)習(xí)(DRL)在智能駕駛決策中的應(yīng)用日益廣泛，通過與環(huán)境的持續(xù)交互，能夠有效提高智能駕駛系統(tǒng)的決策能力。然而，DRL在實(shí)際應(yīng)用中面臨學(xué)習(xí)效率低和數(shù)據(jù)共享安全性差的問題。為了解決這些問題，該文提出一種基于有向無環(huán)圖(DAG)區(qū)塊鏈輔助深度強(qiáng)化學(xué)習(xí)的智能駕駛策略優(yōu)化(D-IDSO)算法。首先，構(gòu)建了基于DAG區(qū)塊鏈的雙層安全數(shù)據(jù)共享架構(gòu)，以確保模型數(shù)據(jù)共享的效率和安全性。其次，設(shè)計(jì)了一個(gè)基于DRL的智能駕駛決策模型，綜合考慮安全性、舒適性和高效性設(shè)定多目標(biāo)獎(jiǎng)勵(lì)函數(shù)，優(yōu)化智能駕駛決策。此外，提出了一種改進(jìn)型優(yōu)先經(jīng)驗(yàn)回放的雙延時(shí)確定策略梯度(IPER-TD3)方法，以提升訓(xùn)練效率。最后，在CARLA仿真平臺(tái)中選取制動(dòng)和變道場(chǎng)景對(duì)智能網(wǎng)聯(lián)汽車(CAV)進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，所提算法顯著提高了智能駕駛場(chǎng)景中模型訓(xùn)練效率，在確保模型數(shù)據(jù)安全共享的基礎(chǔ)上，有效提升了智能駕駛的安全性、舒適性和高效性。
深度強(qiáng)化學(xué)習(xí)(DRL)在智能駕駛決策中的應(yīng)用日益廣泛，通過與環(huán)境的持續(xù)交互，能夠有效提高智能駕駛系統(tǒng)的決策能力。然而，DRL在實(shí)際應(yīng)用中面臨學(xué)習(xí)效率低和數(shù)據(jù)共享安全性差的問題。為了解決這些問題，該文提出一種基于有向無環(huán)圖(DAG)區(qū)塊鏈輔助深度強(qiáng)化學(xué)習(xí)的智能駕駛策略優(yōu)化(D-IDSO)算法。首先，構(gòu)建了基于DAG區(qū)塊鏈的雙層安全數(shù)據(jù)共享架構(gòu)，以確保模型數(shù)據(jù)共享的效率和安全性。其次，設(shè)計(jì)了一個(gè)基于DRL的智能駕駛決策模型，綜合考慮安全性、舒適性和高效性設(shè)定多目標(biāo)獎(jiǎng)勵(lì)函數(shù)，優(yōu)化智能駕駛決策。此外，提出了一種改進(jìn)型優(yōu)先經(jīng)驗(yàn)回放的雙延時(shí)確定策略梯度(IPER-TD3)方法，以提升訓(xùn)練效率。最后，在CARLA仿真平臺(tái)中選取制動(dòng)和變道場(chǎng)景對(duì)智能網(wǎng)聯(lián)汽車(CAV)進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，所提算法顯著提高了智能駕駛場(chǎng)景中模型訓(xùn)練效率，在確保模型數(shù)據(jù)安全共享的基礎(chǔ)上，有效提升了智能駕駛的安全性、舒適性和高效性。
2024, 46(12): 4373-4382.
doi: 10.11999/JEIT240377
摘要:
飛行自組網(wǎng)(FANETs)因具有高機(jī)動(dòng)、自組織等特點(diǎn)，被廣泛應(yīng)用于應(yīng)急救援場(chǎng)景。在應(yīng)急場(chǎng)景中，大量用戶尋呼請(qǐng)求造成局部流量激增與有限頻譜資源之間產(chǎn)生難以協(xié)調(diào)的矛盾，F(xiàn)ANET中面臨嚴(yán)重的信道干擾問題，亟需將頻譜利用率高的部分重疊信道(POCs)擴(kuò)展到應(yīng)急場(chǎng)景中。然而，POCs的鄰信道特性，導(dǎo)致干擾復(fù)雜難以刻畫。因此，該文研究了FANET部分重疊信道分配方法，通過幾何預(yù)測(cè)重構(gòu)時(shí)變干擾圖和無干擾最小信道間隔矩陣刻畫POCs干擾模型，在此基礎(chǔ)上提出一種基于上界置信區(qū)間的POCs動(dòng)態(tài)分配算法(UCB-DAL)，通過分布式?jīng)Q策求解近似最優(yōu)信道分配方案。仿真結(jié)果表明，該算法實(shí)現(xiàn)了網(wǎng)絡(luò)干擾和信道切換次數(shù)之間性能折中，具有較好的收斂性能。
飛行自組網(wǎng)(FANETs)因具有高機(jī)動(dòng)、自組織等特點(diǎn)，被廣泛應(yīng)用于應(yīng)急救援場(chǎng)景。在應(yīng)急場(chǎng)景中，大量用戶尋呼請(qǐng)求造成局部流量激增與有限頻譜資源之間產(chǎn)生難以協(xié)調(diào)的矛盾，F(xiàn)ANET中面臨嚴(yán)重的信道干擾問題，亟需將頻譜利用率高的部分重疊信道(POCs)擴(kuò)展到應(yīng)急場(chǎng)景中。然而，POCs的鄰信道特性，導(dǎo)致干擾復(fù)雜難以刻畫。因此，該文研究了FANET部分重疊信道分配方法，通過幾何預(yù)測(cè)重構(gòu)時(shí)變干擾圖和無干擾最小信道間隔矩陣刻畫POCs干擾模型，在此基礎(chǔ)上提出一種基于上界置信區(qū)間的POCs動(dòng)態(tài)分配算法(UCB-DAL)，通過分布式?jīng)Q策求解近似最優(yōu)信道分配方案。仿真結(jié)果表明，該算法實(shí)現(xiàn)了網(wǎng)絡(luò)干擾和信道切換次數(shù)之間性能折中，具有較好的收斂性能。
2024, 46(12): 4383-4390.
doi: 10.11999/JEIT240518
摘要:
可重構(gòu)智能超表面(RIS)作為6G移動(dòng)通信中的潛在關(guān)鍵技術(shù)之一，具有低成本、低能耗和易于部署等特點(diǎn)。該文提出將RIS技術(shù)引入至海洋無線通信場(chǎng)景中，可使無線傳輸環(huán)境從不可控變?yōu)榭煽?。然而，現(xiàn)有的信道模型難以充分揭示RIS使能基站-海面無人船近場(chǎng)通信信號(hào)獨(dú)特的傳輸機(jī)理，信道特性分析方法與建模理論難以在計(jì)算準(zhǔn)確性與復(fù)雜度之間實(shí)現(xiàn)平衡。因此，該文通過對(duì)RIS使能近場(chǎng)海洋通信中各子信道進(jìn)行建模，提出空時(shí)頻多域信號(hào)傳播機(jī)理分析方法，建立RIS使能基站-無人船近場(chǎng)海洋通信參數(shù)化統(tǒng)計(jì)信道模型，解決現(xiàn)有RIS信道建模方法難以兼顧精度與效率的技術(shù)瓶頸問題，提高RIS使能近場(chǎng)海洋通信系統(tǒng)設(shè)計(jì)過程中的信道模型匹配效率，為我國(guó)6G移動(dòng)通信產(chǎn)業(yè)的快速發(fā)展提供技術(shù)支撐。
可重構(gòu)智能超表面(RIS)作為6G移動(dòng)通信中的潛在關(guān)鍵技術(shù)之一，具有低成本、低能耗和易于部署等特點(diǎn)。該文提出將RIS技術(shù)引入至海洋無線通信場(chǎng)景中，可使無線傳輸環(huán)境從不可控變?yōu)榭煽?。然而，現(xiàn)有的信道模型難以充分揭示RIS使能基站-海面無人船近場(chǎng)通信信號(hào)獨(dú)特的傳輸機(jī)理，信道特性分析方法與建模理論難以在計(jì)算準(zhǔn)確性與復(fù)雜度之間實(shí)現(xiàn)平衡。因此，該文通過對(duì)RIS使能近場(chǎng)海洋通信中各子信道進(jìn)行建模，提出空時(shí)頻多域信號(hào)傳播機(jī)理分析方法，建立RIS使能基站-無人船近場(chǎng)海洋通信參數(shù)化統(tǒng)計(jì)信道模型，解決現(xiàn)有RIS信道建模方法難以兼顧精度與效率的技術(shù)瓶頸問題，提高RIS使能近場(chǎng)海洋通信系統(tǒng)設(shè)計(jì)過程中的信道模型匹配效率，為我國(guó)6G移動(dòng)通信產(chǎn)業(yè)的快速發(fā)展提供技術(shù)支撐。
2024, 46(12): 4391-4398.
doi: 10.11999/JEIT240427
摘要:
邊緣計(jì)算通過在網(wǎng)絡(luò)邊緣側(cè)為用戶提供計(jì)算資源和緩存服務(wù),可以有效降低執(zhí)行時(shí)延和能耗。由于用戶的移動(dòng)性和網(wǎng)絡(luò)的隨機(jī)性，緩存服務(wù)和用戶任務(wù)會(huì)頻繁地在邊緣服務(wù)器之間遷移，增加了系統(tǒng)成本。該文構(gòu)建了一種基于預(yù)緩存的遷移計(jì)算模型，研究了資源分配、服務(wù)緩存和遷移決策的聯(lián)合優(yōu)化問題。針對(duì)這一混合整數(shù)非線性規(guī)劃問題，通過分解原問題，分別采用庫(kù)恩塔克條件和二分搜索法對(duì)資源分配進(jìn)行優(yōu)化，并提出一種基于貪婪策略的遷移決策和服務(wù)緩存聯(lián)合優(yōu)化算法(JMSGS)獲得最優(yōu)遷移決策和緩存決策。仿真結(jié)果驗(yàn)證了所提算法的有效性，實(shí)現(xiàn)系統(tǒng)能耗和時(shí)延加權(quán)和最小。
邊緣計(jì)算通過在網(wǎng)絡(luò)邊緣側(cè)為用戶提供計(jì)算資源和緩存服務(wù),可以有效降低執(zhí)行時(shí)延和能耗。由于用戶的移動(dòng)性和網(wǎng)絡(luò)的隨機(jī)性，緩存服務(wù)和用戶任務(wù)會(huì)頻繁地在邊緣服務(wù)器之間遷移，增加了系統(tǒng)成本。該文構(gòu)建了一種基于預(yù)緩存的遷移計(jì)算模型，研究了資源分配、服務(wù)緩存和遷移決策的聯(lián)合優(yōu)化問題。針對(duì)這一混合整數(shù)非線性規(guī)劃問題，通過分解原問題，分別采用庫(kù)恩塔克條件和二分搜索法對(duì)資源分配進(jìn)行優(yōu)化，并提出一種基于貪婪策略的遷移決策和服務(wù)緩存聯(lián)合優(yōu)化算法(JMSGS)獲得最優(yōu)遷移決策和緩存決策。仿真結(jié)果驗(yàn)證了所提算法的有效性，實(shí)現(xiàn)系統(tǒng)能耗和時(shí)延加權(quán)和最小。
2024, 46(12): 4399-4408.
doi: 10.11999/JEIT240411
摘要:
利用無人機(jī)(UAV)作為空中中繼節(jié)點(diǎn)，構(gòu)建空地一體化的邊緣計(jì)算網(wǎng)絡(luò)，可以有效克服地面環(huán)境局限，拓展網(wǎng)絡(luò)覆蓋范圍，為用戶提供便利計(jì)算服務(wù)。該文面向無人機(jī)中繼輔助的多用戶、多服務(wù)器邊緣計(jì)算網(wǎng)絡(luò)場(chǎng)景，以最大化任務(wù)完成量為目標(biāo)，研究了無人機(jī)部署位置、用戶-服務(wù)器關(guān)聯(lián)策略、無人機(jī)帶寬分配的聯(lián)合優(yōu)化問題。由于該問題包含連續(xù)與離散變量，故該文綜合運(yùn)用差分進(jìn)化、粒子群優(yōu)化等工具，提出了一種基于塊坐標(biāo)下降(BCD)的次優(yōu)算法進(jìn)行求解。所提算法將原問題解耦為3個(gè)子問題獨(dú)立求解，并通過迭代逼近原始問題最優(yōu)解。仿真實(shí)驗(yàn)表明，所提算法可在滿足用戶任務(wù)時(shí)延需求的前提下，最大化系統(tǒng)總?cè)蝿?wù)完成量，優(yōu)于其他對(duì)比算法。
利用無人機(jī)(UAV)作為空中中繼節(jié)點(diǎn)，構(gòu)建空地一體化的邊緣計(jì)算網(wǎng)絡(luò)，可以有效克服地面環(huán)境局限，拓展網(wǎng)絡(luò)覆蓋范圍，為用戶提供便利計(jì)算服務(wù)。該文面向無人機(jī)中繼輔助的多用戶、多服務(wù)器邊緣計(jì)算網(wǎng)絡(luò)場(chǎng)景，以最大化任務(wù)完成量為目標(biāo)，研究了無人機(jī)部署位置、用戶-服務(wù)器關(guān)聯(lián)策略、無人機(jī)帶寬分配的聯(lián)合優(yōu)化問題。由于該問題包含連續(xù)與離散變量，故該文綜合運(yùn)用差分進(jìn)化、粒子群優(yōu)化等工具，提出了一種基于塊坐標(biāo)下降(BCD)的次優(yōu)算法進(jìn)行求解。所提算法將原問題解耦為3個(gè)子問題獨(dú)立求解，并通過迭代逼近原始問題最優(yōu)解。仿真實(shí)驗(yàn)表明，所提算法可在滿足用戶任務(wù)時(shí)延需求的前提下，最大化系統(tǒng)總?cè)蝿?wù)完成量，優(yōu)于其他對(duì)比算法。
2024, 46(12): 4409-4421.
doi: 10.11999/JEIT240505
摘要:
現(xiàn)階段空間信息網(wǎng)絡(luò)中各衛(wèi)星子系統(tǒng)各成體系且相互割裂，使得網(wǎng)絡(luò)呈現(xiàn)封閉、分裂態(tài)勢(shì)，形成嚴(yán)峻資源壁壘，造成空間資源協(xié)同應(yīng)用能力弱以及網(wǎng)絡(luò)擴(kuò)展能力低等難題。傳統(tǒng)架構(gòu)設(shè)計(jì)采用對(duì)現(xiàn)階段空間網(wǎng)絡(luò)架構(gòu)的“完全顛覆”的思路，大大增加了實(shí)際部署的難度。為此，該文立足于衛(wèi)星網(wǎng)絡(luò)現(xiàn)狀，采取“按步驟分階段升級(jí)”的思路，促進(jìn)現(xiàn)有網(wǎng)絡(luò)架構(gòu)的演進(jìn)，從任務(wù)驅(qū)動(dòng)角度開展動(dòng)態(tài)可伸縮空間信息網(wǎng)絡(luò)架構(gòu)模型研究，實(shí)現(xiàn)空間資源在各衛(wèi)星子系統(tǒng)間高效動(dòng)態(tài)共享，促進(jìn)空間資源根據(jù)任務(wù)需求變化而動(dòng)態(tài)高效匯聚。首先，提出分階段實(shí)現(xiàn)的網(wǎng)絡(luò)架構(gòu)模型，旨在兼容和升級(jí)現(xiàn)有網(wǎng)絡(luò)架構(gòu)。隨后，介紹核心部件網(wǎng)絡(luò)資源協(xié)調(diào)器的詳細(xì)設(shè)計(jì)，包括網(wǎng)絡(luò)結(jié)構(gòu)與工作協(xié)議、超幀結(jié)構(gòu)以及高效的網(wǎng)絡(luò)資源動(dòng)態(tài)分配策略，實(shí)現(xiàn)空間數(shù)據(jù)的高效傳輸。仿真結(jié)果表明，所提網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)了網(wǎng)絡(luò)資源高效共享，大大提升空間信息網(wǎng)絡(luò)的網(wǎng)絡(luò)性能。
現(xiàn)階段空間信息網(wǎng)絡(luò)中各衛(wèi)星子系統(tǒng)各成體系且相互割裂，使得網(wǎng)絡(luò)呈現(xiàn)封閉、分裂態(tài)勢(shì)，形成嚴(yán)峻資源壁壘，造成空間資源協(xié)同應(yīng)用能力弱以及網(wǎng)絡(luò)擴(kuò)展能力低等難題。傳統(tǒng)架構(gòu)設(shè)計(jì)采用對(duì)現(xiàn)階段空間網(wǎng)絡(luò)架構(gòu)的“完全顛覆”的思路，大大增加了實(shí)際部署的難度。為此，該文立足于衛(wèi)星網(wǎng)絡(luò)現(xiàn)狀，采取“按步驟分階段升級(jí)”的思路，促進(jìn)現(xiàn)有網(wǎng)絡(luò)架構(gòu)的演進(jìn)，從任務(wù)驅(qū)動(dòng)角度開展動(dòng)態(tài)可伸縮空間信息網(wǎng)絡(luò)架構(gòu)模型研究，實(shí)現(xiàn)空間資源在各衛(wèi)星子系統(tǒng)間高效動(dòng)態(tài)共享，促進(jìn)空間資源根據(jù)任務(wù)需求變化而動(dòng)態(tài)高效匯聚。首先，提出分階段實(shí)現(xiàn)的網(wǎng)絡(luò)架構(gòu)模型，旨在兼容和升級(jí)現(xiàn)有網(wǎng)絡(luò)架構(gòu)。隨后，介紹核心部件網(wǎng)絡(luò)資源協(xié)調(diào)器的詳細(xì)設(shè)計(jì)，包括網(wǎng)絡(luò)結(jié)構(gòu)與工作協(xié)議、超幀結(jié)構(gòu)以及高效的網(wǎng)絡(luò)資源動(dòng)態(tài)分配策略，實(shí)現(xiàn)空間數(shù)據(jù)的高效傳輸。仿真結(jié)果表明，所提網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)了網(wǎng)絡(luò)資源高效共享，大大提升空間信息網(wǎng)絡(luò)的網(wǎng)絡(luò)性能。
2024, 46(12): 4422-4431.
doi: 10.11999/JEIT240029
摘要:
針對(duì)當(dāng)前網(wǎng)絡(luò)拓?fù)淦垓_防御方法僅從空間維度進(jìn)行決策，沒有考慮云原生網(wǎng)絡(luò)環(huán)境下如何進(jìn)行時(shí)空多維度拓?fù)淦垓_防御的問題，該文提出基于深度強(qiáng)化學(xué)習(xí)的多階段Flipit博弈網(wǎng)絡(luò)拓?fù)淦垓_防御方法來混淆云原生網(wǎng)絡(luò)中的偵察攻擊。首先分析了云原生網(wǎng)絡(luò)環(huán)境下的拓?fù)淦垓_攻防模型，接著在引入折扣因子和轉(zhuǎn)移概率的基礎(chǔ)上，構(gòu)建了基于Flipit的多階段博弈網(wǎng)絡(luò)拓?fù)淦垓_防御模型。在分析博弈攻防策略的前提下，構(gòu)建了基于深度強(qiáng)化學(xué)習(xí)的拓?fù)淦垓_生成方法求解多階段博弈模型的拓?fù)淦垓_防御策略。最后，通過搭建實(shí)驗(yàn)環(huán)境，驗(yàn)證了所提方法能夠有效建模分析云原生網(wǎng)絡(luò)的拓?fù)淦垓_攻防場(chǎng)景，且所提算法相比于其他算法具有明顯的優(yōu)勢(shì)。
針對(duì)當(dāng)前網(wǎng)絡(luò)拓?fù)淦垓_防御方法僅從空間維度進(jìn)行決策，沒有考慮云原生網(wǎng)絡(luò)環(huán)境下如何進(jìn)行時(shí)空多維度拓?fù)淦垓_防御的問題，該文提出基于深度強(qiáng)化學(xué)習(xí)的多階段Flipit博弈網(wǎng)絡(luò)拓?fù)淦垓_防御方法來混淆云原生網(wǎng)絡(luò)中的偵察攻擊。首先分析了云原生網(wǎng)絡(luò)環(huán)境下的拓?fù)淦垓_攻防模型，接著在引入折扣因子和轉(zhuǎn)移概率的基礎(chǔ)上，構(gòu)建了基于Flipit的多階段博弈網(wǎng)絡(luò)拓?fù)淦垓_防御模型。在分析博弈攻防策略的前提下，構(gòu)建了基于深度強(qiáng)化學(xué)習(xí)的拓?fù)淦垓_生成方法求解多階段博弈模型的拓?fù)淦垓_防御策略。最后，通過搭建實(shí)驗(yàn)環(huán)境，驗(yàn)證了所提方法能夠有效建模分析云原生網(wǎng)絡(luò)的拓?fù)淦垓_攻防場(chǎng)景，且所提算法相比于其他算法具有明顯的優(yōu)勢(shì)。
2024, 46(12): 4432-4440.
doi: 10.11999/JEIT240398
摘要:
建立準(zhǔn)確的電力負(fù)荷短期預(yù)測(cè)模型對(duì)于電力系統(tǒng)的穩(wěn)定運(yùn)行和智能化進(jìn)程至關(guān)重要。目前的主流預(yù)測(cè)方法無法很好地突破數(shù)據(jù)波動(dòng)性和模型不確定性兩個(gè)問題?；诖耍撐奶岢鲆环N基于貝葉斯Autoformer的多維自適應(yīng)短期電力負(fù)荷概率預(yù)測(cè)方法。具體地，提出自適應(yīng)特征提取方法獲取多維度特征，通過捕捉多尺度特征和時(shí)頻局部信息，增強(qiáng)模型對(duì)負(fù)荷數(shù)據(jù)中高波動(dòng)性和非線性特征的處理能力。其次，提出基于貝葉斯Autoformer的預(yù)測(cè)模型，它可以捕獲負(fù)荷數(shù)據(jù)中重要子序列特征以及不確定性，并通過貝葉斯優(yōu)化方法實(shí)現(xiàn)概率預(yù)測(cè)分布和參數(shù)分布的動(dòng)態(tài)更新。所提模型在3個(gè)量級(jí)(GW, MW, KW)的實(shí)際負(fù)荷數(shù)據(jù)集上進(jìn)行一系列實(shí)驗(yàn)分析(對(duì)比分析、自適應(yīng)分析、魯棒性分析)。結(jié)果表明，所提預(yù)測(cè)模型在自適應(yīng)和準(zhǔn)確性方面具有優(yōu)越的性能，均方根誤差(RMSE)、彈球損失(Pinball Loss)、連續(xù)概率評(píng)分(CRPS)，相較對(duì)比方法分別提升1.9%, 24.2%, 4.5%。
建立準(zhǔn)確的電力負(fù)荷短期預(yù)測(cè)模型對(duì)于電力系統(tǒng)的穩(wěn)定運(yùn)行和智能化進(jìn)程至關(guān)重要。目前的主流預(yù)測(cè)方法無法很好地突破數(shù)據(jù)波動(dòng)性和模型不確定性兩個(gè)問題?；诖耍撐奶岢鲆环N基于貝葉斯Autoformer的多維自適應(yīng)短期電力負(fù)荷概率預(yù)測(cè)方法。具體地，提出自適應(yīng)特征提取方法獲取多維度特征，通過捕捉多尺度特征和時(shí)頻局部信息，增強(qiáng)模型對(duì)負(fù)荷數(shù)據(jù)中高波動(dòng)性和非線性特征的處理能力。其次，提出基于貝葉斯Autoformer的預(yù)測(cè)模型，它可以捕獲負(fù)荷數(shù)據(jù)中重要子序列特征以及不確定性，并通過貝葉斯優(yōu)化方法實(shí)現(xiàn)概率預(yù)測(cè)分布和參數(shù)分布的動(dòng)態(tài)更新。所提模型在3個(gè)量級(jí)(GW, MW, KW)的實(shí)際負(fù)荷數(shù)據(jù)集上進(jìn)行一系列實(shí)驗(yàn)分析(對(duì)比分析、自適應(yīng)分析、魯棒性分析)。結(jié)果表明，所提預(yù)測(cè)模型在自適應(yīng)和準(zhǔn)確性方面具有優(yōu)越的性能，均方根誤差(RMSE)、彈球損失(Pinball Loss)、連續(xù)概率評(píng)分(CRPS)，相較對(duì)比方法分別提升1.9%, 24.2%, 4.5%。
2024, 46(12): 4441-4450.
doi: 10.11999/JEIT240092
摘要:
合成孔徑雷達(dá)(SAR)是一種微波遙感成像雷達(dá)。近年來，隨著數(shù)字化技術(shù)和射頻電子技術(shù)的進(jìn)步，針對(duì)SAR成像的干擾技術(shù)不斷發(fā)展，基于數(shù)字射頻存儲(chǔ)技術(shù)(DRFM)的有源欺騙干擾更是給民用和軍用的SAR成像系統(tǒng)帶來了前所未有的考驗(yàn)。針對(duì)欺騙干擾開展SAR成像抗干擾研究，該文首先引入帶有循環(huán)前綴的正交頻分復(fù)用(CP-OFDM)波形進(jìn)行正交波形分集設(shè)計(jì)與波形優(yōu)化，獲取具備優(yōu)異自相關(guān)峰值旁瓣水平和互相關(guān)峰值水平的CP-OFDM寬帶正交波形集；然后引入稀疏SAR成像理論，將CP-OFDM波形與稀疏SAR成像相結(jié)合，采用稀疏重構(gòu)算法對(duì)CP-OFDM回波進(jìn)行成像，實(shí)現(xiàn)具備抗欺騙干擾能力的高質(zhì)量、高精度SAR成像。最終，開展了點(diǎn)目標(biāo)、面目標(biāo)以及基于真實(shí)數(shù)據(jù)模擬的復(fù)雜場(chǎng)景仿真實(shí)驗(yàn)，證明了所提方法可以將欺騙干擾產(chǎn)生的假目標(biāo)完全去除，并對(duì)旁瓣進(jìn)行抑制，實(shí)現(xiàn)高精度成像。
合成孔徑雷達(dá)(SAR)是一種微波遙感成像雷達(dá)。近年來，隨著數(shù)字化技術(shù)和射頻電子技術(shù)的進(jìn)步，針對(duì)SAR成像的干擾技術(shù)不斷發(fā)展，基于數(shù)字射頻存儲(chǔ)技術(shù)(DRFM)的有源欺騙干擾更是給民用和軍用的SAR成像系統(tǒng)帶來了前所未有的考驗(yàn)。針對(duì)欺騙干擾開展SAR成像抗干擾研究，該文首先引入帶有循環(huán)前綴的正交頻分復(fù)用(CP-OFDM)波形進(jìn)行正交波形分集設(shè)計(jì)與波形優(yōu)化，獲取具備優(yōu)異自相關(guān)峰值旁瓣水平和互相關(guān)峰值水平的CP-OFDM寬帶正交波形集；然后引入稀疏SAR成像理論，將CP-OFDM波形與稀疏SAR成像相結(jié)合，采用稀疏重構(gòu)算法對(duì)CP-OFDM回波進(jìn)行成像，實(shí)現(xiàn)具備抗欺騙干擾能力的高質(zhì)量、高精度SAR成像。最終，開展了點(diǎn)目標(biāo)、面目標(biāo)以及基于真實(shí)數(shù)據(jù)模擬的復(fù)雜場(chǎng)景仿真實(shí)驗(yàn)，證明了所提方法可以將欺騙干擾產(chǎn)生的假目標(biāo)完全去除，并對(duì)旁瓣進(jìn)行抑制，實(shí)現(xiàn)高精度成像。
2024, 46(12): 4451-4458.
doi: 10.11999/JEIT240289
摘要:
無人機(jī)集群在對(duì)組網(wǎng)雷達(dá)進(jìn)行航跡欺騙過程中通過延時(shí)轉(zhuǎn)發(fā)截獲的雷達(dá)信號(hào)生成虛假目標(biāo)點(diǎn)，而雷達(dá)站址誤差、無人機(jī)抖動(dòng)誤差及轉(zhuǎn)發(fā)時(shí)延誤差均會(huì)造成虛假目標(biāo)點(diǎn)偏離預(yù)設(shè)位置，進(jìn)而使航跡欺騙效果惡化。針對(duì)上述問題，該文在雷達(dá)量測(cè)位置、無人機(jī)預(yù)設(shè)位置和欺騙距離已知以及組網(wǎng)雷達(dá)空間分辨單元(SRC)一定的情況下，分析了雷達(dá)站址誤差、無人機(jī)抖動(dòng)誤差及轉(zhuǎn)發(fā)時(shí)延誤差同時(shí)存在時(shí)無人機(jī)集群成功欺騙組網(wǎng)雷達(dá)的邊界條件，并總結(jié)了上述誤差對(duì)航跡欺騙效果的影響規(guī)律。數(shù)值仿真結(jié)果表明，當(dāng)3種誤差同時(shí)存在時(shí)，推導(dǎo)結(jié)果可以有效評(píng)估無人機(jī)集群對(duì)組網(wǎng)雷達(dá)的欺騙能力。
無人機(jī)集群在對(duì)組網(wǎng)雷達(dá)進(jìn)行航跡欺騙過程中通過延時(shí)轉(zhuǎn)發(fā)截獲的雷達(dá)信號(hào)生成虛假目標(biāo)點(diǎn)，而雷達(dá)站址誤差、無人機(jī)抖動(dòng)誤差及轉(zhuǎn)發(fā)時(shí)延誤差均會(huì)造成虛假目標(biāo)點(diǎn)偏離預(yù)設(shè)位置，進(jìn)而使航跡欺騙效果惡化。針對(duì)上述問題，該文在雷達(dá)量測(cè)位置、無人機(jī)預(yù)設(shè)位置和欺騙距離已知以及組網(wǎng)雷達(dá)空間分辨單元(SRC)一定的情況下，分析了雷達(dá)站址誤差、無人機(jī)抖動(dòng)誤差及轉(zhuǎn)發(fā)時(shí)延誤差同時(shí)存在時(shí)無人機(jī)集群成功欺騙組網(wǎng)雷達(dá)的邊界條件，并總結(jié)了上述誤差對(duì)航跡欺騙效果的影響規(guī)律。數(shù)值仿真結(jié)果表明，當(dāng)3種誤差同時(shí)存在時(shí)，推導(dǎo)結(jié)果可以有效評(píng)估無人機(jī)集群對(duì)組網(wǎng)雷達(dá)的欺騙能力。
2024, 46(12): 4459-4470.
doi: 10.11999/JEIT240491
摘要:
在合成孔徑雷達(dá)(SAR)圖像飛機(jī)目標(biāo)檢測(cè)識(shí)別中，飛機(jī)目標(biāo)圖像呈現(xiàn)離散特性以及結(jié)構(gòu)之間的相似性會(huì)降低飛機(jī)檢測(cè)與識(shí)別的準(zhǔn)確率。為此該文設(shè)計(jì)了一種目標(biāo)區(qū)域特征增強(qiáng)的SAR圖像飛機(jī)目標(biāo)檢測(cè)與識(shí)別網(wǎng)絡(luò)。網(wǎng)絡(luò)由3部分組成：保護(hù)飛機(jī)特征的跨階段部分網(wǎng)絡(luò)(FP-CSPDarnet)、自適應(yīng)特征融合的特征金字塔(FPN-A)以及目標(biāo)區(qū)域散射特征提取與增強(qiáng)的檢測(cè)頭(D-Head)。FP-CSPDarnet在提取特征的同時(shí)可以有效保護(hù)SAR圖像飛機(jī)特征；FPN-A采用多層次特征自適應(yīng)融合、細(xì)化，來增強(qiáng)飛機(jī)特征；D-Head在檢測(cè)前有效增強(qiáng)飛機(jī)可辨別特征，提升飛機(jī)檢測(cè)與識(shí)別精度。利用SAR-ADRD數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果證明了該文所提方法有效性，其平均精度相對(duì)與基線網(wǎng)絡(luò)YOLOv5s提升了2.0%。
在合成孔徑雷達(dá)(SAR)圖像飛機(jī)目標(biāo)檢測(cè)識(shí)別中，飛機(jī)目標(biāo)圖像呈現(xiàn)離散特性以及結(jié)構(gòu)之間的相似性會(huì)降低飛機(jī)檢測(cè)與識(shí)別的準(zhǔn)確率。為此該文設(shè)計(jì)了一種目標(biāo)區(qū)域特征增強(qiáng)的SAR圖像飛機(jī)目標(biāo)檢測(cè)與識(shí)別網(wǎng)絡(luò)。網(wǎng)絡(luò)由3部分組成：保護(hù)飛機(jī)特征的跨階段部分網(wǎng)絡(luò)(FP-CSPDarnet)、自適應(yīng)特征融合的特征金字塔(FPN-A)以及目標(biāo)區(qū)域散射特征提取與增強(qiáng)的檢測(cè)頭(D-Head)。FP-CSPDarnet在提取特征的同時(shí)可以有效保護(hù)SAR圖像飛機(jī)特征；FPN-A采用多層次特征自適應(yīng)融合、細(xì)化，來增強(qiáng)飛機(jī)特征；D-Head在檢測(cè)前有效增強(qiáng)飛機(jī)可辨別特征，提升飛機(jī)檢測(cè)與識(shí)別精度。利用SAR-ADRD數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果證明了該文所提方法有效性，其平均精度相對(duì)與基線網(wǎng)絡(luò)YOLOv5s提升了2.0%。
2024, 46(12): 4471-4482.
doi: 10.11999/JEIT231278
摘要:
在主動(dòng)式電掃描毫米波安檢成像中，均勻陣列天線存在成本受限以及復(fù)雜度高等瓶頸問題，難以在實(shí)際工程中大規(guī)模運(yùn)用。由此，該文提出一種強(qiáng)稀疏低副瓣的近場(chǎng)聚焦稀疏陣列設(shè)計(jì)方法，并進(jìn)一步利用改進(jìn)3維時(shí)域成像算法實(shí)現(xiàn)高精度3維重建。首先，以近場(chǎng)聚焦位置以及峰值旁瓣電平為約束，以權(quán)向量的\begin{document}$ {\ell _p} $\end{document}
在主動(dòng)式電掃描毫米波安檢成像中，均勻陣列天線存在成本受限以及復(fù)雜度高等瓶頸問題，難以在實(shí)際工程中大規(guī)模運(yùn)用。由此，該文提出一種強(qiáng)稀疏低副瓣的近場(chǎng)聚焦稀疏陣列設(shè)計(jì)方法，并進(jìn)一步利用改進(jìn)3維時(shí)域成像算法實(shí)現(xiàn)高精度3維重建。首先，以近場(chǎng)聚焦位置以及峰值旁瓣電平為約束，以權(quán)向量的
2024, 46(12): 4483-4492.
doi: 10.11999/JEIT240370
摘要:
為解決傳統(tǒng)分?jǐn)?shù)傅里葉變換(FrFT)在檢測(cè)頻移Chirp信號(hào)時(shí)脈沖分散問題，該文提出一種自適應(yīng)FrFT的檢測(cè)方法。該方法基于短包的結(jié)構(gòu)模型以及Neyman-Pearson檢測(cè)模型，引出了借助評(píng)價(jià)函數(shù)和判定閾值對(duì)信號(hào)幀檢測(cè)的虛警概率和漏檢概率的分析方法。結(jié)合傳統(tǒng)FrFT對(duì)完整Chirp信號(hào)的脈沖特性，給出了對(duì)分?jǐn)?shù)傅里葉積分算子的修正方案，推導(dǎo)出自適應(yīng)FrFT對(duì)頻移Chirp碼元的峰值分布函數(shù)。針對(duì)自適應(yīng)FrFT檢測(cè)過程存在搜索時(shí)移問題，分析了該情況下頻移Chirp碼元峰值大小及分布情況，證明了相比于傳統(tǒng)FrFT，自適應(yīng)FrFT檢測(cè)捕獲無前導(dǎo)短數(shù)據(jù)包的性能更加優(yōu)越。
為解決傳統(tǒng)分?jǐn)?shù)傅里葉變換(FrFT)在檢測(cè)頻移Chirp信號(hào)時(shí)脈沖分散問題，該文提出一種自適應(yīng)FrFT的檢測(cè)方法。該方法基于短包的結(jié)構(gòu)模型以及Neyman-Pearson檢測(cè)模型，引出了借助評(píng)價(jià)函數(shù)和判定閾值對(duì)信號(hào)幀檢測(cè)的虛警概率和漏檢概率的分析方法。結(jié)合傳統(tǒng)FrFT對(duì)完整Chirp信號(hào)的脈沖特性，給出了對(duì)分?jǐn)?shù)傅里葉積分算子的修正方案，推導(dǎo)出自適應(yīng)FrFT對(duì)頻移Chirp碼元的峰值分布函數(shù)。針對(duì)自適應(yīng)FrFT檢測(cè)過程存在搜索時(shí)移問題，分析了該情況下頻移Chirp碼元峰值大小及分布情況，證明了相比于傳統(tǒng)FrFT，自適應(yīng)FrFT檢測(cè)捕獲無前導(dǎo)短數(shù)據(jù)包的性能更加優(yōu)越。
2024, 46(12): 4493-4503.
doi: 10.11999/JEIT240426
摘要:
在組合導(dǎo)航系統(tǒng)中，信息融合和定位精度取決于慣性系統(tǒng)和傳感器的特性，然而在實(shí)際應(yīng)用中獲取先驗(yàn)知識(shí)仍然具有挑戰(zhàn)性。為解決車輛導(dǎo)航中衛(wèi)星信號(hào)質(zhì)量的變化及系統(tǒng)非線性降低組合導(dǎo)航系統(tǒng)性能的問題，該文提出一種基于多卡爾曼濾波器的模糊自適應(yīng)交互式多模型算法(FAIMM-MKF)，將基于衛(wèi)星信號(hào)質(zhì)量的模糊控制器(Fuzzy Controller)與自適應(yīng)交互多模型(AIMM)相結(jié)合，通過組合無跡卡爾曼濾波(UKF)、迭代擴(kuò)展卡爾曼濾波(IEKF)和平方根容積卡爾曼濾波(SRCKF)3種不同的濾波器，適配車輛動(dòng)力學(xué)模型，并通過車載半實(shí)物仿真實(shí)驗(yàn)驗(yàn)證該方法的性能。結(jié)果表明，在衛(wèi)星信號(hào)質(zhì)量發(fā)生改變的情況下，與傳統(tǒng)的交互式多模型算法相比，該方法顯著提高了車輛在復(fù)雜環(huán)境中的定位精度。
在組合導(dǎo)航系統(tǒng)中，信息融合和定位精度取決于慣性系統(tǒng)和傳感器的特性，然而在實(shí)際應(yīng)用中獲取先驗(yàn)知識(shí)仍然具有挑戰(zhàn)性。為解決車輛導(dǎo)航中衛(wèi)星信號(hào)質(zhì)量的變化及系統(tǒng)非線性降低組合導(dǎo)航系統(tǒng)性能的問題，該文提出一種基于多卡爾曼濾波器的模糊自適應(yīng)交互式多模型算法(FAIMM-MKF)，將基于衛(wèi)星信號(hào)質(zhì)量的模糊控制器(Fuzzy Controller)與自適應(yīng)交互多模型(AIMM)相結(jié)合，通過組合無跡卡爾曼濾波(UKF)、迭代擴(kuò)展卡爾曼濾波(IEKF)和平方根容積卡爾曼濾波(SRCKF)3種不同的濾波器，適配車輛動(dòng)力學(xué)模型，并通過車載半實(shí)物仿真實(shí)驗(yàn)驗(yàn)證該方法的性能。結(jié)果表明，在衛(wèi)星信號(hào)質(zhì)量發(fā)生改變的情況下，與傳統(tǒng)的交互式多模型算法相比，該方法顯著提高了車輛在復(fù)雜環(huán)境中的定位精度。
2024, 46(12): 4504-4512.
doi: 10.11999/JEIT240399
摘要:
地電極電流場(chǎng)透地通信可以為地下強(qiáng)遮蔽空間信息傳輸提供解決方案。針對(duì)接收的電流場(chǎng)信號(hào)信噪比(SNR)低、易畸變且受載波頻偏影響大導(dǎo)致捕獲困難的問題，該文設(shè)計(jì)一種長(zhǎng)同步信號(hào)幀結(jié)構(gòu)，在此基礎(chǔ)上提出一種聯(lián)合頻偏粗估計(jì)和精估計(jì)的兩階段長(zhǎng)相關(guān)信號(hào)捕獲算法。該算法第1階段利用接收時(shí)域信號(hào)中的訓(xùn)練符號(hào)，依據(jù)最大似然算法進(jìn)行采樣間隔偏差粗估計(jì)，并計(jì)算采樣點(diǎn)補(bǔ)償間隔粗估計(jì)值。第2階段結(jié)合粗估計(jì)值和接收信噪比，確定采樣點(diǎn)補(bǔ)償間隔精估計(jì)值的遍歷范圍，進(jìn)而設(shè)計(jì)本地補(bǔ)償后的長(zhǎng)相關(guān)模板信號(hào)，實(shí)現(xiàn)電流場(chǎng)信號(hào)的精確捕獲。本研究在距離地面30.26 m的地下強(qiáng)遮蔽空間中進(jìn)行了算法性能驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的滑動(dòng)相關(guān)算法相比，該文所提算法具有更高的捕獲成功概率。
地電極電流場(chǎng)透地通信可以為地下強(qiáng)遮蔽空間信息傳輸提供解決方案。針對(duì)接收的電流場(chǎng)信號(hào)信噪比(SNR)低、易畸變且受載波頻偏影響大導(dǎo)致捕獲困難的問題，該文設(shè)計(jì)一種長(zhǎng)同步信號(hào)幀結(jié)構(gòu)，在此基礎(chǔ)上提出一種聯(lián)合頻偏粗估計(jì)和精估計(jì)的兩階段長(zhǎng)相關(guān)信號(hào)捕獲算法。該算法第1階段利用接收時(shí)域信號(hào)中的訓(xùn)練符號(hào)，依據(jù)最大似然算法進(jìn)行采樣間隔偏差粗估計(jì)，并計(jì)算采樣點(diǎn)補(bǔ)償間隔粗估計(jì)值。第2階段結(jié)合粗估計(jì)值和接收信噪比，確定采樣點(diǎn)補(bǔ)償間隔精估計(jì)值的遍歷范圍，進(jìn)而設(shè)計(jì)本地補(bǔ)償后的長(zhǎng)相關(guān)模板信號(hào)，實(shí)現(xiàn)電流場(chǎng)信號(hào)的精確捕獲。本研究在距離地面30.26 m的地下強(qiáng)遮蔽空間中進(jìn)行了算法性能驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的滑動(dòng)相關(guān)算法相比，該文所提算法具有更高的捕獲成功概率。
2024, 46(12): 4513-4521.
doi: 10.11999/JEIT240432
摘要:
電磁靈敏度分析是評(píng)估設(shè)計(jì)參數(shù)變化對(duì)電磁性能影響的一種方法，它通過計(jì)算靈敏度信息指導(dǎo)結(jié)構(gòu)模型分析，以滿足設(shè)計(jì)規(guī)范。商業(yè)軟件在進(jìn)行電磁結(jié)構(gòu)優(yōu)化設(shè)計(jì)時(shí)，常通過調(diào)整幾何結(jié)構(gòu)并使用傳統(tǒng)算法，但這種方法計(jì)算耗時(shí)且資源占用大。為了提高模型設(shè)計(jì)的效率，該文提出一種穩(wěn)定高效的處理方案，即伴隨變量法(AVM)，利用僅有2次算法模擬條件下，實(shí)現(xiàn)在參數(shù)變換上進(jìn)行1～2階靈敏度估計(jì)。當(dāng)前AVM的絕大多數(shù)應(yīng)用局限在矩形邊界參數(shù)的靈敏度分析，該文首次開拓性地將AVM拓展到弧形邊界參數(shù)的靈敏度分析?；诠潭ǖ谋緲?gòu)參數(shù)、頻率依賴性目標(biāo)函數(shù)以及瞬態(tài)脈沖函數(shù)的3種不同情形設(shè)計(jì)的條件，實(shí)現(xiàn)了對(duì)弧形結(jié)構(gòu)的電磁靈敏度的高效分析。與有限差分方法(FDM)相比，該方法在計(jì)算效率上得到了顯著的提高。該方法有效實(shí)施顯著拓寬了AVM在弧形邊界上的應(yīng)用范圍，可應(yīng)用于等離子體模型的電磁結(jié)構(gòu)、復(fù)雜天線模型的邊緣結(jié)構(gòu)等優(yōu)化問題上。當(dāng)計(jì)算資源較少的情況下，可滿足電磁結(jié)構(gòu)優(yōu)化的可靠性和穩(wěn)定性。
電磁靈敏度分析是評(píng)估設(shè)計(jì)參數(shù)變化對(duì)電磁性能影響的一種方法，它通過計(jì)算靈敏度信息指導(dǎo)結(jié)構(gòu)模型分析，以滿足設(shè)計(jì)規(guī)范。商業(yè)軟件在進(jìn)行電磁結(jié)構(gòu)優(yōu)化設(shè)計(jì)時(shí)，常通過調(diào)整幾何結(jié)構(gòu)并使用傳統(tǒng)算法，但這種方法計(jì)算耗時(shí)且資源占用大。為了提高模型設(shè)計(jì)的效率，該文提出一種穩(wěn)定高效的處理方案，即伴隨變量法(AVM)，利用僅有2次算法模擬條件下，實(shí)現(xiàn)在參數(shù)變換上進(jìn)行1～2階靈敏度估計(jì)。當(dāng)前AVM的絕大多數(shù)應(yīng)用局限在矩形邊界參數(shù)的靈敏度分析，該文首次開拓性地將AVM拓展到弧形邊界參數(shù)的靈敏度分析?；诠潭ǖ谋緲?gòu)參數(shù)、頻率依賴性目標(biāo)函數(shù)以及瞬態(tài)脈沖函數(shù)的3種不同情形設(shè)計(jì)的條件，實(shí)現(xiàn)了對(duì)弧形結(jié)構(gòu)的電磁靈敏度的高效分析。與有限差分方法(FDM)相比，該方法在計(jì)算效率上得到了顯著的提高。該方法有效實(shí)施顯著拓寬了AVM在弧形邊界上的應(yīng)用范圍，可應(yīng)用于等離子體模型的電磁結(jié)構(gòu)、復(fù)雜天線模型的邊緣結(jié)構(gòu)等優(yōu)化問題上。當(dāng)計(jì)算資源較少的情況下，可滿足電磁結(jié)構(gòu)優(yōu)化的可靠性和穩(wěn)定性。
2024, 46(12): 4522-4528.
doi: 10.11999/JEIT240417
摘要:
卷積神經(jīng)網(wǎng)絡(luò)(CNN)具有平移不變性，但缺乏旋轉(zhuǎn)不變性。近幾年，為卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行旋轉(zhuǎn)編碼已成為解決這一技術(shù)痛點(diǎn)的主流方法，但這需要大量的參數(shù)和計(jì)算資源。鑒于圖像是計(jì)算機(jī)視覺的主要焦點(diǎn)，該文提出一種名為圖像偏移角和多分支卷積神經(jīng)網(wǎng)絡(luò)(OAMC)的模型用于實(shí)現(xiàn)旋轉(zhuǎn)不變。首先檢測(cè)輸入圖像的偏移角，并根據(jù)偏移角反向旋轉(zhuǎn)圖像；將旋轉(zhuǎn)后的圖像輸入無旋轉(zhuǎn)編碼的多分支結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)，優(yōu)化響應(yīng)模塊，以輸出最佳分支作為模型的最終預(yù)測(cè)。OAMC模型在旋轉(zhuǎn)后的手寫數(shù)字?jǐn)?shù)據(jù)集上以最少的8 k參數(shù)量實(shí)現(xiàn)了96.98%的最佳分類精度。與在遙感數(shù)據(jù)集上的現(xiàn)有研究相比，模型僅用前人模型的1/3的參數(shù)量就可將精度最高提高8%。
卷積神經(jīng)網(wǎng)絡(luò)(CNN)具有平移不變性，但缺乏旋轉(zhuǎn)不變性。近幾年，為卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行旋轉(zhuǎn)編碼已成為解決這一技術(shù)痛點(diǎn)的主流方法，但這需要大量的參數(shù)和計(jì)算資源。鑒于圖像是計(jì)算機(jī)視覺的主要焦點(diǎn)，該文提出一種名為圖像偏移角和多分支卷積神經(jīng)網(wǎng)絡(luò)(OAMC)的模型用于實(shí)現(xiàn)旋轉(zhuǎn)不變。首先檢測(cè)輸入圖像的偏移角，并根據(jù)偏移角反向旋轉(zhuǎn)圖像；將旋轉(zhuǎn)后的圖像輸入無旋轉(zhuǎn)編碼的多分支結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)，優(yōu)化響應(yīng)模塊，以輸出最佳分支作為模型的最終預(yù)測(cè)。OAMC模型在旋轉(zhuǎn)后的手寫數(shù)字?jǐn)?shù)據(jù)集上以最少的8 k參數(shù)量實(shí)現(xiàn)了96.98%的最佳分類精度。與在遙感數(shù)據(jù)集上的現(xiàn)有研究相比，模型僅用前人模型的1/3的參數(shù)量就可將精度最高提高8%。
2024, 46(12): 4529-4541.
doi: 10.11999/JEIT240502
摘要:
為解決360°全景圖像顯著目標(biāo)檢測(cè)(SOD)中的顯著目標(biāo)尺度變化和邊緣不連續(xù)、易模糊的問題，該文提出一種基于相鄰協(xié)調(diào)網(wǎng)絡(luò)的360°全景圖像顯著目標(biāo)檢測(cè)方法(ACoNet)。首先，利用相鄰細(xì)節(jié)融合模塊獲取相鄰特征中的細(xì)節(jié)和邊緣信息，以促進(jìn)顯著目標(biāo)的精確定位。其次，使用語義引導(dǎo)特征聚合模塊來聚合淺層特征和深層特征之間不同尺度上的語義特征信息，并抑制淺層特征傳遞的噪聲，緩解解碼階段顯著目標(biāo)與背景區(qū)域不連續(xù)、邊界易模糊的問題。同時(shí)構(gòu)建多尺度語義融合子模塊擴(kuò)大不同卷積層的多尺度感受野，實(shí)現(xiàn)精確訓(xùn)練顯著目標(biāo)邊界的效果。在2個(gè)公開的數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)結(jié)果表明，相比于其他13種先進(jìn)方法，所提方法在6個(gè)客觀評(píng)價(jià)指標(biāo)上均有明顯的提升，同時(shí)主觀可視化檢測(cè)的顯著圖邊緣輪廓性更好，空間結(jié)構(gòu)細(xì)節(jié)信息更清晰。
為解決360°全景圖像顯著目標(biāo)檢測(cè)(SOD)中的顯著目標(biāo)尺度變化和邊緣不連續(xù)、易模糊的問題，該文提出一種基于相鄰協(xié)調(diào)網(wǎng)絡(luò)的360°全景圖像顯著目標(biāo)檢測(cè)方法(ACoNet)。首先，利用相鄰細(xì)節(jié)融合模塊獲取相鄰特征中的細(xì)節(jié)和邊緣信息，以促進(jìn)顯著目標(biāo)的精確定位。其次，使用語義引導(dǎo)特征聚合模塊來聚合淺層特征和深層特征之間不同尺度上的語義特征信息，并抑制淺層特征傳遞的噪聲，緩解解碼階段顯著目標(biāo)與背景區(qū)域不連續(xù)、邊界易模糊的問題。同時(shí)構(gòu)建多尺度語義融合子模塊擴(kuò)大不同卷積層的多尺度感受野，實(shí)現(xiàn)精確訓(xùn)練顯著目標(biāo)邊界的效果。在2個(gè)公開的數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)結(jié)果表明，相比于其他13種先進(jìn)方法，所提方法在6個(gè)客觀評(píng)價(jià)指標(biāo)上均有明顯的提升，同時(shí)主觀可視化檢測(cè)的顯著圖邊緣輪廓性更好，空間結(jié)構(gòu)細(xì)節(jié)信息更清晰。
2024, 46(12): 4542-4552.
doi: 10.11999/JEIT240087
摘要:
為提升情感識(shí)別模型的準(zhǔn)確率，解決情感特征提取不充分的問題，對(duì)語音和面部圖像的雙模態(tài)情感識(shí)別進(jìn)行研究。語音模態(tài)提出一種結(jié)合通道-空間注意力機(jī)制的多分支卷積神經(jīng)網(wǎng)絡(luò)(Multi-branch Convolutional Neural Networks, MCNN)的特征提取模型，在時(shí)間、空間和局部特征維度對(duì)語音頻譜圖提取情感特征；面部圖像模態(tài)提出一種殘差混合卷積神經(jīng)網(wǎng)絡(luò)(Residual Hybrid Convolutional Neural Network, RHCNN)的特征提取模型，進(jìn)一步建立并行注意力機(jī)制關(guān)注全局情感特征，提高識(shí)別準(zhǔn)確率；將提取到的語音和面部圖像特征分別通過分類層進(jìn)行分類識(shí)別，并使用決策融合對(duì)識(shí)別結(jié)果進(jìn)行最終的融合分類。實(shí)驗(yàn)結(jié)果表明，所提雙模態(tài)融合模型在RAVDESS, eNTERFACE’05, RML三個(gè)數(shù)據(jù)集上的識(shí)別準(zhǔn)確率分別達(dá)到了97.22%, 94.78%和96.96%，比語音單模態(tài)的識(shí)別準(zhǔn)確率分別提升了11.02%, 4.24%, 8.83%，比面部圖像單模態(tài)的識(shí)別準(zhǔn)確率分別提升了4.60%, 6.74%, 4.10%，且與近年來對(duì)應(yīng)數(shù)據(jù)集上的相關(guān)方法相比均有所提升。說明了所提的雙模態(tài)融合模型能有效聚焦情感信息，從而提升情感識(shí)別的準(zhǔn)確率。
為提升情感識(shí)別模型的準(zhǔn)確率，解決情感特征提取不充分的問題，對(duì)語音和面部圖像的雙模態(tài)情感識(shí)別進(jìn)行研究。語音模態(tài)提出一種結(jié)合通道-空間注意力機(jī)制的多分支卷積神經(jīng)網(wǎng)絡(luò)(Multi-branch Convolutional Neural Networks, MCNN)的特征提取模型，在時(shí)間、空間和局部特征維度對(duì)語音頻譜圖提取情感特征；面部圖像模態(tài)提出一種殘差混合卷積神經(jīng)網(wǎng)絡(luò)(Residual Hybrid Convolutional Neural Network, RHCNN)的特征提取模型，進(jìn)一步建立并行注意力機(jī)制關(guān)注全局情感特征，提高識(shí)別準(zhǔn)確率；將提取到的語音和面部圖像特征分別通過分類層進(jìn)行分類識(shí)別，并使用決策融合對(duì)識(shí)別結(jié)果進(jìn)行最終的融合分類。實(shí)驗(yàn)結(jié)果表明，所提雙模態(tài)融合模型在RAVDESS, eNTERFACE’05, RML三個(gè)數(shù)據(jù)集上的識(shí)別準(zhǔn)確率分別達(dá)到了97.22%, 94.78%和96.96%，比語音單模態(tài)的識(shí)別準(zhǔn)確率分別提升了11.02%, 4.24%, 8.83%，比面部圖像單模態(tài)的識(shí)別準(zhǔn)確率分別提升了4.60%, 6.74%, 4.10%，且與近年來對(duì)應(yīng)數(shù)據(jù)集上的相關(guān)方法相比均有所提升。說明了所提的雙模態(tài)融合模型能有效聚焦情感信息，從而提升情感識(shí)別的準(zhǔn)確率。
2024, 46(12): 4553-4562.
doi: 10.11999/JEIT240428
摘要:
在大數(shù)據(jù)時(shí)代，表格廣泛存在于各類文檔圖像中，進(jìn)行表格檢測(cè)對(duì)于表格信息再利用具有重要意義。針對(duì)現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的表格檢測(cè)算法存在感受野受限、依賴于預(yù)設(shè)的候選區(qū)域以及表格邊界定位不準(zhǔn)確等問題，該文提出一種基于 DINO模型的表格檢測(cè)網(wǎng)絡(luò)。首先，設(shè)計(jì)一種圖像預(yù)處理方法，旨在增強(qiáng)表格的角點(diǎn)和線特征，以更好地區(qū)分表格與文本等其他文檔元素。其次，設(shè)計(jì)一種主干網(wǎng)絡(luò)SwTNet-50，通過在ResNet中引入Swin Transformer Blocks (STB)，有效地進(jìn)行局部-全局特征信息的提取，提高模型的特征提取能力以及對(duì)表格邊界的檢測(cè)準(zhǔn)確性。最后，為了彌補(bǔ)DINO模型在1對(duì)1匹配中編碼器特征學(xué)習(xí)不足問題，采用協(xié)同混合匹配訓(xùn)練策略，提高編碼器的特征學(xué)習(xí)能力，提升模型檢測(cè)精度。與多種基于深度學(xué)習(xí)的表格檢測(cè)方法進(jìn)行對(duì)比，該文模型在表格檢測(cè)數(shù)據(jù)集TNCR上優(yōu)于對(duì)比算法，在IoU閾值為0.5, 0.75和0.9時(shí)F1-Score分別達(dá)到98.2%, 97.4%和93.3%。在IIIT-AR-13K數(shù)據(jù)集上，IoU閾值為0.5時(shí)F1-Score為98.6%。
在大數(shù)據(jù)時(shí)代，表格廣泛存在于各類文檔圖像中，進(jìn)行表格檢測(cè)對(duì)于表格信息再利用具有重要意義。針對(duì)現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的表格檢測(cè)算法存在感受野受限、依賴于預(yù)設(shè)的候選區(qū)域以及表格邊界定位不準(zhǔn)確等問題，該文提出一種基于 DINO模型的表格檢測(cè)網(wǎng)絡(luò)。首先，設(shè)計(jì)一種圖像預(yù)處理方法，旨在增強(qiáng)表格的角點(diǎn)和線特征，以更好地區(qū)分表格與文本等其他文檔元素。其次，設(shè)計(jì)一種主干網(wǎng)絡(luò)SwTNet-50，通過在ResNet中引入Swin Transformer Blocks (STB)，有效地進(jìn)行局部-全局特征信息的提取，提高模型的特征提取能力以及對(duì)表格邊界的檢測(cè)準(zhǔn)確性。最后，為了彌補(bǔ)DINO模型在1對(duì)1匹配中編碼器特征學(xué)習(xí)不足問題，采用協(xié)同混合匹配訓(xùn)練策略，提高編碼器的特征學(xué)習(xí)能力，提升模型檢測(cè)精度。與多種基于深度學(xué)習(xí)的表格檢測(cè)方法進(jìn)行對(duì)比，該文模型在表格檢測(cè)數(shù)據(jù)集TNCR上優(yōu)于對(duì)比算法，在IoU閾值為0.5, 0.75和0.9時(shí)F1-Score分別達(dá)到98.2%, 97.4%和93.3%。在IIIT-AR-13K數(shù)據(jù)集上，IoU閾值為0.5時(shí)F1-Score為98.6%。
2024, 46(12): 4563-4574.
doi: 10.11999/JEIT240388
摘要:
生成對(duì)抗網(wǎng)絡(luò)因其為盲超分辨率重構(gòu)提供了新的思路而備受關(guān)注。針對(duì)現(xiàn)有方法未充分考慮圖像退化過程中的低頻保留特性而對(duì)高低頻成分采用相同的處理方式，缺乏對(duì)頻率細(xì)節(jié)有效利用，難以獲得較好重構(gòu)效果的問題，該文提出一種基于密集殘差和質(zhì)量評(píng)估引導(dǎo)的頻率分離生成對(duì)抗超分辨率重構(gòu)網(wǎng)絡(luò)。該網(wǎng)絡(luò)采用頻率分離思想，對(duì)圖像的高頻和低頻信息分開處理，從而提高高頻信息捕捉能力，簡(jiǎn)化低頻特征處理。該文對(duì)生成器中的基礎(chǔ)塊進(jìn)行設(shè)計(jì)，將空間特征變換層融入密集寬激活殘差中，增強(qiáng)深層特征表征能力的同時(shí)對(duì)局部信息差異化處理。此外，利用視覺幾何組網(wǎng)絡(luò)(VGG)設(shè)計(jì)了專門針對(duì)超分辨率重構(gòu)圖像的無參考質(zhì)量評(píng)估網(wǎng)絡(luò)，為重構(gòu)網(wǎng)絡(luò)提供全新的質(zhì)量評(píng)估損失，進(jìn)一步提高重構(gòu)圖像的視覺效果。實(shí)驗(yàn)結(jié)果表明，同當(dāng)前先進(jìn)的同類方法比，該方法在多個(gè)數(shù)據(jù)集上具有更佳的重構(gòu)效果。由此表明，采用頻率分離思想的生成對(duì)抗網(wǎng)絡(luò)進(jìn)行超分辨率重構(gòu)，可以有效利用圖像頻率成分，提高重構(gòu)效果。
生成對(duì)抗網(wǎng)絡(luò)因其為盲超分辨率重構(gòu)提供了新的思路而備受關(guān)注。針對(duì)現(xiàn)有方法未充分考慮圖像退化過程中的低頻保留特性而對(duì)高低頻成分采用相同的處理方式，缺乏對(duì)頻率細(xì)節(jié)有效利用，難以獲得較好重構(gòu)效果的問題，該文提出一種基于密集殘差和質(zhì)量評(píng)估引導(dǎo)的頻率分離生成對(duì)抗超分辨率重構(gòu)網(wǎng)絡(luò)。該網(wǎng)絡(luò)采用頻率分離思想，對(duì)圖像的高頻和低頻信息分開處理，從而提高高頻信息捕捉能力，簡(jiǎn)化低頻特征處理。該文對(duì)生成器中的基礎(chǔ)塊進(jìn)行設(shè)計(jì)，將空間特征變換層融入密集寬激活殘差中，增強(qiáng)深層特征表征能力的同時(shí)對(duì)局部信息差異化處理。此外，利用視覺幾何組網(wǎng)絡(luò)(VGG)設(shè)計(jì)了專門針對(duì)超分辨率重構(gòu)圖像的無參考質(zhì)量評(píng)估網(wǎng)絡(luò)，為重構(gòu)網(wǎng)絡(luò)提供全新的質(zhì)量評(píng)估損失，進(jìn)一步提高重構(gòu)圖像的視覺效果。實(shí)驗(yàn)結(jié)果表明，同當(dāng)前先進(jìn)的同類方法比，該方法在多個(gè)數(shù)據(jù)集上具有更佳的重構(gòu)效果。由此表明，采用頻率分離思想的生成對(duì)抗網(wǎng)絡(luò)進(jìn)行超分辨率重構(gòu)，可以有效利用圖像頻率成分，提高重構(gòu)效果。
2024, 46(12): 4575-4588.
doi: 10.11999/JEIT240299
摘要:
隨著摩爾定律的逐步失效，芯片制造工藝的提升愈發(fā)困難，芯片性能的提升面臨“面積墻”問題，chiplet(芯粒)技術(shù)開始被廣泛采用來解決此問題。然而，面向chiplet引入的架構(gòu)設(shè)計(jì)參數(shù)，目前的體系結(jié)構(gòu)模擬器面臨新的挑戰(zhàn)。為了能夠探索chiplet架構(gòu)的特定設(shè)計(jì)參數(shù)，現(xiàn)有工作通常只會(huì)為模擬器增加單一的功能，導(dǎo)致其難以用于探索多個(gè)參數(shù)對(duì)chiplet芯片的整體影響。為了能夠較為全面地探索和評(píng)估chiplet芯片架構(gòu)，該文基于現(xiàn)有g(shù)em5模擬器實(shí)現(xiàn)了面向通用處理器芯粒架構(gòu)探索和評(píng)估的系統(tǒng)級(jí)模擬器(SEEChiplet)模擬器框架。首先，總結(jié)了現(xiàn)在chiplet芯片設(shè)計(jì)關(guān)注的3類設(shè)計(jì)參數(shù)，包括：(1) 芯片cache系統(tǒng)設(shè)計(jì)；(2) 封裝方式模擬；(3) chiplet間的互連網(wǎng)絡(luò)。其次，針對(duì)上述3類參數(shù)：(1)設(shè)計(jì)并實(shí)現(xiàn)了私有末級(jí)緩存系統(tǒng)，擴(kuò)大了cache系統(tǒng)設(shè)計(jì)空間；(2) 修改了gem5已有的全局目錄，以適配私有末級(jí)緩存(LLC)系統(tǒng)；(3) 建模了兩種常見的chiplet封裝方式以及chiplet間互連網(wǎng)絡(luò)。最后，該文在SEEChiplet框架中進(jìn)行了系統(tǒng)級(jí)的模擬評(píng)估，在被測(cè)chiplet架構(gòu)通用處理器上運(yùn)行操作系統(tǒng)及PARSEC 3.0基準(zhǔn)測(cè)試程序，驗(yàn)證了SEEChiplet的功能，證明SEEChiplet可以對(duì)chiplet設(shè)計(jì)空間進(jìn)行探索和評(píng)估。
隨著摩爾定律的逐步失效，芯片制造工藝的提升愈發(fā)困難，芯片性能的提升面臨“面積墻”問題，chiplet(芯粒)技術(shù)開始被廣泛采用來解決此問題。然而，面向chiplet引入的架構(gòu)設(shè)計(jì)參數(shù)，目前的體系結(jié)構(gòu)模擬器面臨新的挑戰(zhàn)。為了能夠探索chiplet架構(gòu)的特定設(shè)計(jì)參數(shù)，現(xiàn)有工作通常只會(huì)為模擬器增加單一的功能，導(dǎo)致其難以用于探索多個(gè)參數(shù)對(duì)chiplet芯片的整體影響。為了能夠較為全面地探索和評(píng)估chiplet芯片架構(gòu)，該文基于現(xiàn)有g(shù)em5模擬器實(shí)現(xiàn)了面向通用處理器芯粒架構(gòu)探索和評(píng)估的系統(tǒng)級(jí)模擬器(SEEChiplet)模擬器框架。首先，總結(jié)了現(xiàn)在chiplet芯片設(shè)計(jì)關(guān)注的3類設(shè)計(jì)參數(shù)，包括：(1) 芯片cache系統(tǒng)設(shè)計(jì)；(2) 封裝方式模擬；(3) chiplet間的互連網(wǎng)絡(luò)。其次，針對(duì)上述3類參數(shù)：(1)設(shè)計(jì)并實(shí)現(xiàn)了私有末級(jí)緩存系統(tǒng)，擴(kuò)大了cache系統(tǒng)設(shè)計(jì)空間；(2) 修改了gem5已有的全局目錄，以適配私有末級(jí)緩存(LLC)系統(tǒng)；(3) 建模了兩種常見的chiplet封裝方式以及chiplet間互連網(wǎng)絡(luò)。最后，該文在SEEChiplet框架中進(jìn)行了系統(tǒng)級(jí)的模擬評(píng)估，在被測(cè)chiplet架構(gòu)通用處理器上運(yùn)行操作系統(tǒng)及PARSEC 3.0基準(zhǔn)測(cè)試程序，驗(yàn)證了SEEChiplet的功能，證明SEEChiplet可以對(duì)chiplet設(shè)計(jì)空間進(jìn)行探索和評(píng)估。
