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。

該文在現(xiàn)有譯碼算法的基礎上提出一種高效的非二進制低密度奇偶校驗碼(NB-LDPC)譯碼方法，充分利用了分層譯碼算法與Min-max算法的優(yōu)點，不但譯碼復雜度低、需要的存儲空間小，而且可將譯碼速度提高一倍。應用該算法，對一種定義在GF(25)上的(620,509)碼進行了仿真。該碼的仿真結果表明：在相同誤碼率下，該文譯碼算法所需最大迭代次數(shù)僅為Zhang的算法(2011)的45%。

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無線通信網絡將超越純粹的數(shù)據傳輸管道，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。

無人機(UAV)、非正交多址(NOMA)和反向散射通信(BC)相結合，可以滿足熱點地區(qū)高容量需求，提高通信質量。該文提出一種無人機輔助的NOMA反向散射通信系統(tǒng)最小速率最大化資源分配算法?？紤]無人機發(fā)射功率、能量收集、反射系數(shù)、傳輸速率以及連續(xù)干擾消除(SIC)解碼順序約束，建立基于系統(tǒng)最小速率最大化的資源分配模型。首先利用塊坐標下降將原問題分解為無人機發(fā)射功率優(yōu)化、反射系數(shù)優(yōu)化和無人機位置與SIC解碼順序聯(lián)合優(yōu)化3個子問題，然后使用反證法給出無人機最優(yōu)發(fā)射功率，再用變量替換法和連續(xù)凸逼近將剩余子問題進一步轉化為凸優(yōu)化問題進行求解。仿真結果表明，所提算法在系統(tǒng)和速率與用戶公平性之間具有較好折中。

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。

針對目前圖像隱寫檢測模型中線性卷積層對高階特征表達能力有限，以及各通道特征圖沒有區(qū)分的問題，該文構建了一個基于多層感知卷積和通道加權的卷積神經網絡(CNN)隱寫檢測模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強隱寫檢測模型對高階特征的表達能力；同時引入通道加權模塊，實現(xiàn)根據全局信息對每個卷積通道賦予不同的權重，增強有用特征并抑制無用特征，增強模型提取檢測特征的質量。實驗結果表明，該檢測模型針對不同典型隱寫算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測準確率，與最優(yōu)的Zhu-Net相比，準確率提高1.95%～6.15%。

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絡架構。針對6G全域融合網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。基于網絡架構立體化、網絡協(xié)同傳輸、一體化網絡資源管理、未來空天地接入技術以及網絡協(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(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，根據網絡狀態(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。

堿或堿土金屬的原子吸附于過渡金屬表面時,會使后者的逸出功急劇下降。作者提出了膠體-原子薄片模型來研究這一現(xiàn)象。過渡金屬基底用薄膜線性級加平面波(LAPW)法精確處理,而簡單金屬覆層則用膠體(jellium)模擬。此模型可在充分考慮構成基底的過渡金屬特點的情況下,研究單原子層覆蓋度以下的吸附系統(tǒng)的電子性質。 文中給出了計算所得W(100)面吸附Cs后的-曲線。所得逸出功極小值min=1.441.48eV與實驗結果(min=1.351.55eV)吻合較好,文中還討論了Ev參量的選擇等問題。