一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

論文探討了TMA(目標運動分析)中基本的非線性估計問題；介紹了粒子濾波(PF)的基本思想和輔助變量PF(AVPF)的基本算法，特別針對空對海單站只測方位TMA(BO-TMA)問題應(yīng)用AVPF和EKF(擴展卡爾曼濾波)進行了對照研究；建立了問題的離散非線性濾波估計模型；設(shè)計了典型的應(yīng)用場景；給出了Monte Carlo仿真運行結(jié)果；表明AVPF具有更高的估計精度、更好的收斂特性和濾波一致性。

AI質(zhì)檢是智能制造的重要環(huán)節(jié)，其設(shè)備在進行產(chǎn)品質(zhì)量檢測時會產(chǎn)生大量計算密集型和時延敏感型任務(wù)。由于設(shè)備計算能力不足，執(zhí)行檢測任務(wù)時延較大，極大影響生產(chǎn)效率。多接入邊緣計算(MEC)通過將任務(wù)卸載至邊緣服務(wù)器為設(shè)備提供就近算力，提升任務(wù)執(zhí)行效率。然而，系統(tǒng)中存在信道變化和任 務(wù)隨機到達等動態(tài)因素，極大影響卸載效率，給任務(wù)調(diào)度帶來了挑戰(zhàn)。該文面向多接入邊緣計算賦能的AI質(zhì)檢任務(wù)調(diào)度系統(tǒng)，研究了聯(lián)合任務(wù)調(diào)度與資源分配的長期時延最小化問題。由于該問題狀態(tài)空間大、動作空間包含連續(xù)變量，該文提出運用深度確定性策略梯度(DDPG)進行實時任務(wù)調(diào)度算法設(shè)計。所設(shè)計算法可基于系統(tǒng)實時狀態(tài)信息給出最優(yōu)決策。仿真結(jié)果表明，與基準算法相比，該文所提算法具有更好的性能表現(xiàn)和更小的任務(wù)執(zhí)行時延。

通感算一體化技術(shù)與人工智能算法相結(jié)合已成為一個非常重要的領(lǐng)域，因其頻譜利用率高、硬件成本低等優(yōu)點，已經(jīng)成為第6代(6G)網(wǎng)絡(luò)中的關(guān)鍵技術(shù)之一。人工智能(AI)賦能的通感算一體化系統(tǒng)通過集成感知、通信、計算和人工智能功能，可在日益復雜和動態(tài)的環(huán)境中實現(xiàn)快速數(shù)據(jù)處理、實時資源優(yōu)化和智能決策，已經(jīng)廣泛應(yīng)用于智能車載網(wǎng)絡(luò)，包括無人機和自動汽車，以及雷達應(yīng)用、定位和跟蹤、波束成形等領(lǐng)域。該文在引入人工智能算法來提高通感算一體化系統(tǒng)性能的基礎(chǔ)上，簡要介紹了人工智能和通感算一體化的特征與優(yōu)勢，重點討論了AI賦能的通感算一體化系統(tǒng)的智能網(wǎng)絡(luò)框架、應(yīng)用前景、性能指標和關(guān)鍵技術(shù)，并在最后對AI賦能的通感算一體化面臨的挑戰(zhàn)進行了研究展望，未來的6G無線通信網(wǎng)絡(luò)將超越純粹的數(shù)據(jù)傳輸管道，成為一個集成傳感、通信、計算和智能的綜合平臺，以提供無處不在的人工智能服務(wù)。

該文提出了機載超寬帶天線罩口徑積分-表面積分-自適應(yīng)網(wǎng)格(AI-SI-AG)分析方法。給出了用AI-SI-AG的計算和實測結(jié)果。理論分析和實驗結(jié)果表明，該算法能夠高效地預測定向和全向天線的帶罩方向圖，理論計算與實際測試符合較好，在工程應(yīng)用中有較大的實用價值。

針對在速度拖引干擾和雜波背景下脈沖多普勒(PD)雷達無法精確跟蹤目標的問題，該文提出基于雙模型(DM)和幅度信息(AI)的目標跟蹤算法。分別建立基于位置、幅度量測的跟蹤模型和基于位置、速度、幅度量測的跟蹤模型。兩個模型均使用基于幅度信息的概率數(shù)據(jù)互聯(lián)(AI-PDA)盡可能地降低雜波的影響，然后使用常規(guī)方法進行濾波估計。若沒有速度拖引干擾，則兩個模型估計具有位置和速度上的相關(guān)性；若存在干擾，由于速度量測是虛假的，則兩個模型估計不具有相關(guān)性。據(jù)此，進行卡方檢驗(chi-square test)，分析影響檢驗結(jié)果的因素，進而確定最終的估計結(jié)果。仿真驗證了該算法的有效性。

針對空天地一體化接入網(wǎng)絡(luò)，該文在總結(jié)相關(guān)研究的基礎(chǔ)上，闡述了未來空天地一體化接入架構(gòu)的關(guān)鍵技術(shù)，分析了空口技術(shù)、多址技術(shù)、干擾分析、計算技術(shù)和人工智能(AI)技術(shù)等幾個重點方向的研究進展，提出了多種接入形式并存的靈活性網(wǎng)絡(luò)架構(gòu)。針對6G全域融合網(wǎng)絡(luò)接入的重點研究問題，結(jié)合用戶的服務(wù)質(zhì)量需求，構(gòu)建了一體化AI賦能架構(gòu)，提出了大規(guī)?；旌隙嘀方尤爰皬椥再Y源適配策略?；诰W(wǎng)絡(luò)架構(gòu)立體化、網(wǎng)絡(luò)協(xié)同傳輸、一體化網(wǎng)絡(luò)資源管理、未來空天地接入技術(shù)以及網(wǎng)絡(luò)協(xié)同計算等未來重點研究方向進行了討論和展望。

隨著物聯(lián)網(wǎng)(IoT)的快速發(fā)展，人工智能(AI)與邊緣計算(EC)的深度融合形成了邊緣智能(Edge AI)。但由于IoT設(shè)備計算與通信資源有限，并且這些設(shè)備通常具有隱私保護的需求，那么在保護隱私的同時，如何加速Edge AI仍然是一個挑戰(zhàn)。聯(lián)邦學習(FL)作為一種新興的分布式學習范式，在隱私保護和提升模型性能等方面，具有巨大的潛力，但是通信及本地訓練效率低。為了解決上述難題，該文提出一種FL加速框架AccFed。首先，根據(jù)網(wǎng)絡(luò)狀態(tài)的不同，提出一種基于模型分割的端邊云協(xié)同訓練算法，加速FL本地訓練；然后，設(shè)計一種多輪迭代再聚合的模型聚合算法，加速FL聚合；最后實驗結(jié)果表明，AccFed在訓練精度、收斂速度、訓練時間等方面均優(yōu)于對照組。

由于傳統(tǒng)編碼方式對屏幕圖像的編碼效果不佳，該文根據(jù)屏幕圖像包含大量非連續(xù)色調(diào)內(nèi)容的特點，在HEVC(High Efficiency Video Coding)基礎(chǔ)上，提出一種新的幀內(nèi)編碼模式稱為幀內(nèi)串匹配(Intra String Copy, ISC)。基本思想是在HEVC的編碼單元(Coding Unit, CU)級別上，引入字典編碼工具：編碼時，在一定長度的字典窗口內(nèi)，利用散列表，對當前CU內(nèi)的像素，進行串搜索和匹配；解碼時，根據(jù)像素串匹配的距離和匹配長度，在重建緩存內(nèi)復制相應(yīng)位置像素重建當前CU像素。實驗結(jié)果表明，在編碼復雜度增加很少的情況下，對于典型的屏幕圖像測試序列，在全幀內(nèi)(All Intra, AI)，隨機接入(Random Access, RA)，低延遲(Low-delay B, LB)3種配置下，有損編碼模式比HEVC分別節(jié)省碼率15.1%, 12.0%, 8.3%，無損編碼模式分別節(jié)省碼率23.3%, 14.9%, 11.6%。

移動云計算、人工智能(AI)、5G等新興技術(shù)應(yīng)用促使彈性光網(wǎng)絡(luò)(EON)在骨干傳輸網(wǎng)中發(fā)揮更重要的角色，降級服務(wù)(DS)技術(shù)為降低EON的業(yè)務(wù)阻塞率、提高頻譜利用率提供了新途徑。該文首先對現(xiàn)有DS算法的資源分配不公、忽略低等級業(yè)務(wù)的體驗質(zhì)量(QoE)等問題，建立了以最小化降級頻次、降級等級與傳輸時延損失(TDL)為聯(lián)合優(yōu)化目標的混合整數(shù)線性規(guī)劃(MILP)模型，并提出一種時延感知的降級恢復路由與頻譜分配(DDR-RSA)算法。為提高降級業(yè)務(wù)的QoE和運營商收益，在算法的最優(yōu)DS窗口選擇階段中融入降級恢復策略，在保障傳輸數(shù)據(jù)量不變的前提下，將降級業(yè)務(wù)向空閑頻域復原，從而提高頻譜效率、減小降級業(yè)務(wù)TDL和最大化網(wǎng)絡(luò)收益。最后，通過仿真證明了所提算法在業(yè)務(wù)阻塞率、網(wǎng)絡(luò)收益和降級業(yè)務(wù)成功率等方面的優(yōu)勢。

AI+熱成像人體溫度監(jiān)測系統(tǒng)被廣泛用于人群密集的人體實時溫度測量。此類系統(tǒng)檢測人的頭部區(qū)域進行溫度測量，由于各類遮擋，溫度測量區(qū)域可能太小而無法正確測量。為了解決這個問題，該文提出一種融合紅外注意力提升機制的無錨點實例分割網(wǎng)絡(luò)，用于實時紅外熱成像溫度測量區(qū)域?qū)嵗指?。該文所提出的實例分割網(wǎng)絡(luò)在檢測階段和分割階段融合紅外空間注意力模塊(ISAM)，旨在準確分割紅外圖像中的頭部裸露區(qū)域，以進行準確實時的溫度測量。結(jié)合公共熱成像面部數(shù)據(jù)集和采集的紅外熱成像數(shù)據(jù)集，制作了“熱成像溫度測量區(qū)域分割數(shù)據(jù)集”用于網(wǎng)絡(luò)訓練。實驗結(jié)果表明：該方法對紅外熱成像圖像中頭部裸露測溫區(qū)域的平均檢測精度達到88.6%，平均分割精度達到86.5%，平均處理速度達到33.5 fps，在評價指標上優(yōu)于大多數(shù)先進的實例分割方法。