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。

該文針對多用戶MIMO-OFDM系統(tǒng)，基于最大化信號與干擾加噪聲比(Signal-to Jamming and Noise Ratio，SJNR)預編碼，提出了實用的自適應資源分配方法。根據(jù)各用戶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集合，使各子載波被多個用戶最優(yōu)復用，實現(xiàn)多用戶分集，以達到最大化系統(tǒng)吞吐量的目的。此外，基于DA思想，給出了考慮不同用戶QoS要求下分配子載波的方法(QoS Decremental Algorithm，QDA)。分析和仿真結果表明，IA和DA在大大降低算法復雜度的同時使性能很好地接近最優(yōu)算法，QDA能在滿足不同用戶QoS要求的同時最大化系統(tǒng)吞吐量。

為了提高輕型卷積神經網絡(CNN)在遙感圖像(RSI)場景分類任務中的精度，該文設計一個雙注意力(DA)與空間結構(SS)相融合的雙知識蒸餾(DKD)模型。首先，構造新的DA模塊，將其嵌入到ResNet101與設計的輕型CNN，分別作為教師與學生網絡；然后，構造DA蒸餾損失函數(shù)，將教師網絡中的DA知識遷移到學生網絡之中，從而增強其對RSI的局部特征提取能力；最后，構造SS蒸餾損失函數(shù)，將教師網絡中的語義提取能力以空間結構的形式遷移到學生網絡，以增強其對RSI的高層語義表示能力?；趦蓚€標準數(shù)據(jù)集AID和NWPU-45的對比實驗結果表明，在訓練比例為20%的情況下，經知識蒸餾之后的學生網絡性能分別提高了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。

該文研究了低軌道(LEO)衛(wèi)星CDMA系統(tǒng)發(fā)信機的數(shù)字部分，介紹了其結構、算法原理及其具體實現(xiàn)。重點介紹了發(fā)信機數(shù)字信號處理部分在FPGA的實現(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。在設計上采用了基于多相濾波結構和分布式算法(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)?；旌隙嘀方尤爰皬椥再Y源適配策略?；诰W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(jù)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。

為了解決雜波環(huán)境下脈沖多普勒(PD)雷達的多目標跟蹤問題，提出一種距離模糊情況下基于概率假設密度濾波(PHDF)和數(shù)據(jù)關聯(lián)(DA)的聯(lián)合解距離模糊和多目標跟蹤方法。該方法使雷達采用一組脈沖重復頻率(PRF)交替變換的工作模式，并對雷達生成的模糊量測進行多假設，得到擴展量測集；然后，利用PHDF可以有效濾除雜波和避免目標-量測數(shù)據(jù)關聯(lián)的突出優(yōu)點，對擴展量測集進行濾波，得到粗略的目標狀態(tài)估計；最后，對PHDF的濾波結果進行航跡-估計值關聯(lián)，給出多目標航跡信息。仿真結果表明，該算法可以同時給出目標個數(shù)和各目標狀態(tài)估計，實現(xiàn)雜波環(huán)境和距離模糊條件下對多目標的有效跟蹤。

裝載各種有效荷載的無人機(UAV)能夠實現(xiàn)傳感、通信和計算等多任務，因而常被部署到數(shù)據(jù)采集(DA)和輔助計算等領域。但是到目前為止，絕大多數(shù)研究僅專注于單一功能的無人機輔助的通信網絡資源分配與軌跡優(yōu)化，對于面向多任務的資源分配和軌跡優(yōu)化問題還未解決。為此，該文提出一種綜合考慮無人機數(shù)據(jù)采集、數(shù)據(jù)廣播以及計算任務卸載的無人機輔助的通信網絡資源優(yōu)化的分配策略，旨在通過聯(lián)合優(yōu)化傳輸占空比、用戶發(fā)射功率與無人機軌跡，在滿足目標位置采集數(shù)據(jù)實時廣播的前提下，最大化用戶卸載量。為了解決多變量耦合優(yōu)化問題，提出了基于塊坐標下降(BCD)和連續(xù)凸逼近(SCA)的高效迭代優(yōu)化算法，將耦合優(yōu)化問題分解為3個子問題進行迭代優(yōu)化。最后，大量仿真結果表明，該算法在公平性和總卸載計算量方面都優(yōu)于其他測試方案。