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質檢是智能制造的重要環(huán)節(jié)，其設備在進行產品質量檢測時會產生大量計算密集型和時延敏感型任務。由于設備計算能力不足，執(zhí)行檢測任務時延較大，極大影響生產效率。多接入邊緣計算(MEC)通過將任務卸載至邊緣服務器為設備提供就近算力，提升任務執(zhí)行效率。然而，系統(tǒng)中存在信道變化和任 務隨機到達等動態(tài)因素，極大影響卸載效率，給任務調度帶來了挑戰(zhàn)。該文面向多接入邊緣計算賦能的AI質檢任務調度系統(tǒng)，研究了聯(lián)合任務調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)進行實時任務調度算法設計。所設計算法可基于系統(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)和更小的任務執(zhí)行時延。

通感算一體化技術與人工智能算法相結合已成為一個非常重要的領域，因其頻譜利用率高、硬件成本低等優(yōu)點，已經成為第6代(6G)網(wǎng)絡中的關鍵技術之一。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，已經廣泛應用于智能車載網(wǎng)絡，包括無人機和自動汽車，以及雷達應用、定位和跟蹤、波束成形等領域。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)絡框架、應用前景、性能指標和關鍵技術，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。

該文提出了機載超寬帶天線罩口徑積分-表面積分-自適應網(wǎng)格(AI-SI-AG)分析方法。給出了用AI-SI-AG的計算和實測結果。理論分析和實驗結果表明，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，在工程應用中有較大的實用價值。

P.H.Pathak,Wang Nan等人在研究典型問題幾何繞射理論之后,于1981年發(fā)表了任意導電凸曲面振子天線高頻電磁輻射一致性幾何繞射理論近似解。本文應用并矢格林函數(shù)方法,通過典型曲面高頻電磁輻射一致性近似解的研究和推廣,導出了理想導電凸曲面上電、磁振子電磁輻射場在高頻近似下一致性幾何繞射理論近似解。與P.H.Pathak,Wang Nan等人的結果相比,主項并矢轉移函數(shù)除個別系數(shù)外完全相同,高階并矢轉移函數(shù)在幾何光學區(qū)略有差異。

群簽名允許群成員以匿名的方式代表整個群體對消息進行簽名。而且,一旦發(fā)生爭議,群管理員可以識別出簽名者。該文對Posescu(2000)群簽名方案和Wang-Fu(2003)群簽名方案進行了安全性分析,分別給出一種通用偽造攻擊方法,使得任何人可以對任意消息產生有效群簽名,而群權威無法追蹤到簽名偽造者。因此這兩個方案都是不安全的。

該文提出一組基于廣義局部沃爾什變換(GLWT)的紋理特征。首先給出局部沃爾什變換(LWT)的定義，并在空域中對其加以推廣，用以提取圖像的局部紋理信息；然后在一個宏窗口中估計12個GLWT系數(shù)的二階矩作為圖像的紋理特征。對這組紋理特征的鑒別性能進行了分析，并與Haralick(1973)，Wang Li(1990)，以及Yu Hui提出的紋理特征進行了比較。實驗結果表明，該文提出的紋理特征具有更好的鑒別性能和分類能力。

通過對Zhang-Liu-He (2006)，Gan-Chen (2004)和Wang-Zhang-Ma (2007)提出的可轉換環(huán)簽名方案進行分析，指出了這幾個可轉換環(huán)簽名方案存在可轉換性攻擊或不可否認性攻擊，即，環(huán)中的任何成員都能宣稱自己是實際簽名者或冒充別的成員進行環(huán)簽名。為防范這兩種攻擊，對這幾個可轉換環(huán)簽名方案進行了改進，改進后的方案滿足可轉換環(huán)簽名的安全性要求。

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性。據(jù)此，進行卡方檢驗(chi-square test)，分析影響檢驗結果的因素，進而確定最終的估計結果。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，該文在總結相關研究的基礎上，闡述了未來空天地一體化接入架構的關鍵技術，分析了空口技術、多址技術、干擾分析、計算技術和人工智能(AI)技術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)絡架構。針對6G全域融合網(wǎng)絡接入的重點研究問題，結合用戶的服務質量需求，構建了一體化AI賦能架構，提出了大規(guī)模混合多址接入及彈性資源適配策略?；诰W(wǎng)絡架構立體化、網(wǎng)絡協(xié)同傳輸、一體化網(wǎng)絡資源管理、未來空天地接入技術以及網(wǎng)絡協(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設備計算與通信資源有限，并且這些設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。