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

AI質(zhì)檢是智能制造的重要環(huán)節(jié)，其設(shè)備在進(jìn)行產(chǎn)品質(zhì)量檢測(cè)時(shí)會(huì)產(chǎn)生大量計(jì)算密集型和時(shí)延敏感型任務(wù)。由于設(shè)備計(jì)算能力不足，執(zhí)行檢測(cè)任務(wù)時(shí)延較大，極大影響生產(chǎn)效率。多接入邊緣計(jì)算(MEC)通過(guò)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(jī)到達(dá)等動(dòng)態(tài)因素，極大影響卸載效率，給任務(wù)調(diào)度帶來(lái)了挑戰(zhàn)。該文面向多接入邊緣計(jì)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(zhǎng)期時(shí)延最小化問(wèn)題。由于該問(wèn)題狀態(tài)空間大、動(dòng)作空間包含連續(xù)變量，該文提出運(yùn)用深度確定性策略梯度(DDPG)進(jìn)行實(shí)時(shí)任務(wù)調(diào)度算法設(shè)計(jì)。所設(shè)計(jì)算法可基于系統(tǒng)實(shí)時(shí)狀態(tài)信息給出最優(yōu)決策。仿真結(jié)果表明，與基準(zhǔn)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(shí)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(gè)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(diǎn)，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(guò)集成感知、通信、計(jì)算和人工智能功能，可在日益復(fù)雜和動(dòng)態(tài)的環(huán)境中實(shí)現(xiàn)快速數(shù)據(jù)處理、實(shí)時(shí)資源優(yōu)化和智能決策，已經(jīng)廣泛應(yīng)用于智能車(chē)載網(wǎng)絡(luò)，包括無(wú)人機(jī)和自動(dòng)汽車(chē)，以及雷達(dá)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(lái)提高通感算一體化系統(tǒng)性能的基礎(chǔ)上，簡(jiǎn)要介紹了人工智能和通感算一體化的特征與優(yōu)勢(shì)，重點(diǎn)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(biāo)和關(guān)鍵技術(shù)，并在最后對(duì)AI賦能的通感算一體化面臨的挑戰(zhàn)進(jìn)行了研究展望，未來(lái)的6G無(wú)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(gè)集成傳感、通信、計(jì)算和智能的綜合平臺(tái)，以提供無(wú)處不在的人工智能服務(wù)。

該文針對(duì)多用戶(hù)MIMO-OFDM系統(tǒng)，基于最大化信號(hào)與干擾加噪聲比(Signal-to Jamming and Noise Ratio，SJNR)預(yù)編碼，提出了實(shí)用的自適應(yīng)資源分配方法。根據(jù)各用戶(hù)SJNR值，提出采用遞增(Incremental Algorithm，IA)和遞減(Decremental Algorithm，DA)兩種方法為各子載波選擇用戶(hù)集合，使各子載波被多個(gè)用戶(hù)最優(yōu)復(fù)用，實(shí)現(xiàn)多用戶(hù)分集，以達(dá)到最大化系統(tǒng)吞吐量的目的。此外，基于DA思想，給出了考慮不同用戶(hù)QoS要求下分配子載波的方法(QoS Decremental Algorithm，QDA)。分析和仿真結(jié)果表明，IA和DA在大大降低算法復(fù)雜度的同時(shí)使性能很好地接近最優(yōu)算法，QDA能在滿足不同用戶(hù)QoS要求的同時(shí)最大化系統(tǒng)吞吐量。

為了提高輕型卷積神經(jīng)網(wǎng)絡(luò)(CNN)在遙感圖像(RSI)場(chǎng)景分類(lèi)任務(wù)中的精度，該文設(shè)計(jì)一個(gè)雙注意力(DA)與空間結(jié)構(gòu)(SS)相融合的雙知識(shí)蒸餾(DKD)模型。首先，構(gòu)造新的DA模塊，將其嵌入到ResNet101與設(shè)計(jì)的輕型CNN，分別作為教師與學(xué)生網(wǎng)絡(luò)；然后，構(gòu)造DA蒸餾損失函數(shù)，將教師網(wǎng)絡(luò)中的DA知識(shí)遷移到學(xué)生網(wǎng)絡(luò)之中，從而增強(qiáng)其對(duì)RSI的局部特征提取能力；最后，構(gòu)造SS蒸餾損失函數(shù)，將教師網(wǎng)絡(luò)中的語(yǔ)義提取能力以空間結(jié)構(gòu)的形式遷移到學(xué)生網(wǎng)絡(luò)，以增強(qiáng)其對(duì)RSI的高層語(yǔ)義表示能力。基于兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集AID和NWPU-45的對(duì)比實(shí)驗(yàn)結(jié)果表明，在訓(xùn)練比例為20%的情況下，經(jīng)知識(shí)蒸餾之后的學(xué)生網(wǎng)絡(luò)性能分別提高了7.69%和7.39%，且在參量更少的情況下性能也優(yōu)于其他方法。

該文提出了機(jī)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(jì)算和實(shí)測(cè)結(jié)果。理論分析和實(shí)驗(yàn)結(jié)果表明，該算法能夠高效地預(yù)測(cè)定向和全向天線的帶罩方向圖，理論計(jì)算與實(shí)際測(cè)試符合較好，在工程應(yīng)用中有較大的實(shí)用價(jià)值。

該文研究了低軌道(LEO)衛(wèi)星CDMA系統(tǒng)發(fā)信機(jī)的數(shù)字部分，介紹了其結(jié)構(gòu)、算法原理及其具體實(shí)現(xiàn)。重點(diǎn)介紹了發(fā)信機(jī)數(shù)字信號(hào)處理部分在FPGA的實(shí)現(xiàn)，主要包括信息數(shù)據(jù)流的處理及編碼、交織、成型濾波、CIC插值濾波和數(shù)字上變頻等。在設(shè)計(jì)上采用了基于多相濾波結(jié)構(gòu)和分布式算法(DA)的成型濾波器以及高效CIC插值濾波器，節(jié)省了系統(tǒng)的硬件資源，提高了系統(tǒng)的性能。

針對(duì)在速度拖引干擾和雜波背景下脈沖多普勒(PD)雷達(dá)無(wú)法精確跟蹤目標(biāo)的問(wèn)題，該文提出基于雙模型(DM)和幅度信息(AI)的目標(biāo)跟蹤算法。分別建立基于位置、幅度量測(cè)的跟蹤模型和基于位置、速度、幅度量測(cè)的跟蹤模型。兩個(gè)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(jìn)行濾波估計(jì)。若沒(méi)有速度拖引干擾，則兩個(gè)模型估計(jì)具有位置和速度上的相關(guān)性；若存在干擾，由于速度量測(cè)是虛假的，則兩個(gè)模型估計(jì)不具有相關(guān)性。據(jù)此，進(jìn)行卡方檢驗(yàn)(chi-square test)，分析影響檢驗(yàn)結(jié)果的因素，進(jìn)而確定最終的估計(jì)結(jié)果。仿真驗(yàn)證了該算法的有效性。

針對(duì)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(lái)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(jì)算技術(shù)和人工智能(AI)技術(shù)等幾個(gè)重點(diǎn)方向的研究進(jìn)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(duì)6G全域融合網(wǎng)絡(luò)接入的重點(diǎn)研究問(wèn)題，結(jié)合用戶(hù)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(lái)空天地接入技術(shù)以及網(wǎng)絡(luò)協(xié)同計(jì)算等未來(lái)重點(diǎn)研究方向進(jìn)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(jì)算(EC)的深度融合形成了邊緣智能(Edge AI)。但由于IoT設(shè)備計(jì)算與通信資源有限，并且這些設(shè)備通常具有隱私保護(hù)的需求，那么在保護(hù)隱私的同時(shí)，如何加速Edge AI仍然是一個(gè)挑戰(zhàn)。聯(lián)邦學(xué)習(xí)(FL)作為一種新興的分布式學(xué)習(xí)范式，在隱私保護(hù)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(xùn)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(xùn)練算法，加速FL本地訓(xùn)練；然后，設(shè)計(jì)一種多輪迭代再聚合的模型聚合算法，加速FL聚合；最后實(shí)驗(yàn)結(jié)果表明，AccFed在訓(xùn)練精度、收斂速度、訓(xùn)練時(shí)間等方面均優(yōu)于對(duì)照組。

為了解決雜波環(huán)境下脈沖多普勒(PD)雷達(dá)的多目標(biāo)跟蹤問(wèn)題，提出一種距離模糊情況下基于概率假設(shè)密度濾波(PHDF)和數(shù)據(jù)關(guān)聯(lián)(DA)的聯(lián)合解距離模糊和多目標(biāo)跟蹤方法。該方法使雷達(dá)采用一組脈沖重復(fù)頻率(PRF)交替變換的工作模式，并對(duì)雷達(dá)生成的模糊量測(cè)進(jìn)行多假設(shè)，得到擴(kuò)展量測(cè)集；然后，利用PHDF可以有效濾除雜波和避免目標(biāo)-量測(cè)數(shù)據(jù)關(guān)聯(lián)的突出優(yōu)點(diǎn)，對(duì)擴(kuò)展量測(cè)集進(jìn)行濾波，得到粗略的目標(biāo)狀態(tài)估計(jì)；最后，對(duì)PHDF的濾波結(jié)果進(jìn)行航跡-估計(jì)值關(guān)聯(lián)，給出多目標(biāo)航跡信息。仿真結(jié)果表明，該算法可以同時(shí)給出目標(biāo)個(gè)數(shù)和各目標(biāo)狀態(tài)估計(jì)，實(shí)現(xiàn)雜波環(huán)境和距離模糊條件下對(duì)多目標(biāo)的有效跟蹤。