123,123

基于交叉口多維狀態(tài)評估的信號配時優(yōu)化研究[其他][其他]

交叉口運(yùn)行狀態(tài)的準(zhǔn)確評估能夠為交通管理系統(tǒng)提供可量化的交叉口信息，為優(yōu)化交叉口信號控制提供依據(jù)。針對當(dāng)前交叉口運(yùn)行狀態(tài)評估側(cè)重行車感受，客觀性不強(qiáng)，確定了結(jié)合機(jī)動車和行人需求的多維評估指標(biāo)體系，利用AHP-變異系數(shù)雙層集成賦權(quán)模型確定各指標(biāo)權(quán)重，得到交叉口運(yùn)行評估模型?；谠u估模型采用含噪聲的深度Q學(xué)習(xí)（NoisyNet DQN）算法進(jìn)行信號配時優(yōu)化研究。以合肥市某交叉口為例，基于交通仿真軟件證明了該方法能有效減緩交通擁堵，提高行人感受，具備較高的應(yīng)用拓展性。

發(fā)表于：7/5/2022 6:25:40 PM

基于緩存機(jī)制的Hyperledger Fabric并發(fā)沖突檢測方法[其他][其他]

Hyperledger Fabric(Fabric)是一個受關(guān)注度較高的許可鏈平臺，具有高度模塊化、可定制化和可插拔的特點(diǎn)。針對Fabric在高并發(fā)的場景下會出現(xiàn)并發(fā)沖突導(dǎo)致交易無效的問題，提出一種沖突檢測與處理的方法,即利用緩存交易寫集的方式在執(zhí)行階段檢測交易是否沖突，最大程度減小沖突交易在Fabric系統(tǒng)的資源消耗。實驗結(jié)果表明，在具有沖突交易的場景下，提出的方法能降低平均交易時延，提高系統(tǒng)有效交易吞吐量；并且在沒有沖突交易的情況下，不會明顯降低性能。

發(fā)表于：7/5/2022 6:19:58 PM

分布式VANETs中車流自適應(yīng)的低沖突TDMA-MAC協(xié)議[通信與網(wǎng)絡(luò)][汽車電子]

在分布式車載自組織網(wǎng)絡(luò)中，動態(tài)變化的雙向車流會嚴(yán)重影響基于slot分組的TDMA-MAC協(xié)議降低沖突的效果以及整體協(xié)議的安全性與可靠性，對此設(shè)計一種車流自適應(yīng)的低沖突TDMA-MAC協(xié)議TALC-MAC。采用slot占用率作為分組調(diào)整的判斷依據(jù)，設(shè)計詳細(xì)的分組擴(kuò)展與收縮策略以適應(yīng)車流實際分布。同時優(yōu)化幀內(nèi)slot分組方案與節(jié)點(diǎn)預(yù)約slot的策略，進(jìn)一步降低網(wǎng)絡(luò)中發(fā)生沖突的概率。仿真實驗結(jié)果表明TALC-MAC能有效適應(yīng)雙向車流的動態(tài)變化，保持協(xié)議整體低沖突的特性。

發(fā)表于：7/5/2022 6:11:14 PM

基于凸優(yōu)化的FSO/RF自動請求重傳協(xié)議方案[其他][其他]

針對FSO/RF混合鏈路的高效可靠數(shù)據(jù)傳輸問題,研究系統(tǒng)在二進(jìn)制相移鍵控（BPSK）調(diào)制與ARQ差錯控制模式下雙鏈路重傳協(xié)作的優(yōu)化設(shè)計方法?；贔SO信道雙伽馬（Gamma-Gamma）分布的湍流模型和RF信道Nakagami-m分布的衰落模型,推導(dǎo)得出混合鏈路平均包錯誤率與吞吐量的解析表達(dá)式,并運(yùn)用凸優(yōu)化求解方法得出吞吐量最優(yōu)解時的數(shù)據(jù)重傳協(xié)作比例系數(shù)。在不同大氣湍流強(qiáng)度與衰落因子條件下,計算分析了FSO/RF混合鏈路ARQ數(shù)傳方案的平均包錯誤率與吞吐量性能。數(shù)值結(jié)果表明,采用優(yōu)化后的ARQ雙鏈路重傳比例策略,可有效提高混合鏈路傳輸?shù)目煽啃耘c數(shù)據(jù)吞吐量性能。

發(fā)表于：7/5/2022 6:05:00 PM

基于直接高階注意力和多尺度路由的圖神經(jīng)網(wǎng)絡(luò)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

圖神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制在處理圖結(jié)構(gòu)化數(shù)據(jù)方面表現(xiàn)出優(yōu)異的性能。傳統(tǒng)的圖注意力計算直接連接的節(jié)點(diǎn)之間的注意力，并通過堆疊層數(shù)隱式獲取高階信息。盡管在圖注意力機(jī)制方面目前已有廣泛的研究，但用于注意力計算的堆疊范式在建模遠(yuǎn)程依賴方面效果較差。為了提高表達(dá)能力，設(shè)計了一種新穎的直接注意力機(jī)制，這一機(jī)制通過K階鄰接矩陣直接計算高階鄰居之間的注意力。通過自適應(yīng)路由聚合過程進(jìn)一步傳播高階信息，這使得聚合過程更靈活地適應(yīng)不同圖的特性。在引文網(wǎng)絡(luò)上的節(jié)點(diǎn)分類任務(wù)上進(jìn)行了大量的實驗。實驗表明，該方法優(yōu)于最先進(jìn)的基線模型。

發(fā)表于：7/5/2022 5:57:00 PM

地鐵運(yùn)營崗位應(yīng)急處置培訓(xùn)的語音識別研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

地鐵交通運(yùn)營是一種整體性活動，離不開各部門間的協(xié)調(diào)配合,地鐵運(yùn)營崗位應(yīng)急處置培訓(xùn)系統(tǒng)應(yīng)用于多個崗位的聯(lián)合培訓(xùn)。該系統(tǒng)通過語音識別來實現(xiàn)模擬崗位間語音交互及對培訓(xùn)過程智能評價的功能。提出的語音識別方法可實現(xiàn)離線網(wǎng)絡(luò)下對地鐵培訓(xùn)專業(yè)術(shù)語的高識別精度，利用深度全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）和鏈接時序分類（CTC）構(gòu)建聲學(xué)模型，對應(yīng)急處置培訓(xùn)用語進(jìn)行整理并構(gòu)建專業(yè)術(shù)語庫，基于統(tǒng)計學(xué)構(gòu)建語言模型。實驗結(jié)果表明，該語音識別方法能夠有效識別地鐵應(yīng)急處置培訓(xùn)用語，為地鐵運(yùn)營崗位人員的培訓(xùn)和考核提供更全面的評價指標(biāo)。

發(fā)表于：7/5/2022 5:54:31 PM

基于方向一致?lián)p失的輕量車道線檢測[通信與網(wǎng)絡(luò)][汽車電子]

目前，輕量型車道線檢測網(wǎng)絡(luò)存在彎道檢測效果差、網(wǎng)絡(luò)感受野不夠與實時性受限等問題，故提出了一種改進(jìn)的輕量型車道線檢測網(wǎng)絡(luò)模型。首先，為提高彎道檢測效果，設(shè)計了一種方向一致?lián)p失，以使模型適用于彎道場景。其次，為在增強(qiáng)網(wǎng)絡(luò)實時性的同時提高其感受野，提出將自注意力機(jī)制與RepVGG相融合的網(wǎng)絡(luò)作為模型的主干網(wǎng)絡(luò)。該模型在CULane測試集上測試的總F1-measure達(dá)到了70.7%，在Tusimple測試集上測試的準(zhǔn)確率達(dá)到95.92%，其平均推斷速度達(dá)到了408 FPS。實驗結(jié)果表明，該模型相較于目前輕量型模型在性能上有一定的提升，尤其對彎道場景下的車道線檢測效果提升明顯。

發(fā)表于：7/5/2022 5:14:15 PM

基于注意力機(jī)制的無監(jiān)督單目標(biāo)跟蹤算法[其他][其他]

為提升目標(biāo)跟蹤精度，設(shè)計一種基于注意力機(jī)制的無監(jiān)督單目標(biāo)跟蹤算法。該算法使用DCFNet網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)，通過前向跟蹤和后向驗證實現(xiàn)無監(jiān)督跟蹤。為結(jié)合上下文信息，引入特征融合方法，且將DCFNet網(wǎng)絡(luò)每一層所提取的特征通過雙線性池化調(diào)整分辨率以便進(jìn)行特征融合；為關(guān)注不同特征通道上的關(guān)系，引入通道注意力機(jī)制SENet模塊；設(shè)計一個反向逐幀驗證方法，在反向驗證中間幀的基礎(chǔ)上再預(yù)測第一幀，進(jìn)而減少判別位置的誤差。在公共數(shù)據(jù)集OTB-2015上的測試結(jié)果顯示，本算法AUC分?jǐn)?shù)達(dá)60.6%，速度達(dá)61FPS。與無監(jiān)督單目標(biāo)跟蹤UDT算法相比，所設(shè)計算法取得了更優(yōu)的目標(biāo)跟蹤性能。

發(fā)表于：7/5/2022 5:06:05 PM

交通場景下基于深度強(qiáng)化學(xué)習(xí)的感知型路徑分配算法[其他][其他]

路徑分配問題是交通數(shù)字孿生系統(tǒng)的重要研究方向之一，其重點(diǎn)是綜合考量行駛需求的動態(tài)變化以及路網(wǎng)信息的實時改變，實現(xiàn)高效合理的路徑規(guī)劃?，F(xiàn)階段一些經(jīng)典的分配算法如粒子群、Dijkstra等算法及其優(yōu)化模型僅能達(dá)到全局靜態(tài)最優(yōu)，忽略了現(xiàn)實交通中的復(fù)雜變化。而逐漸推出的各種深度學(xué)習(xí)算法雖能進(jìn)行全面的時空預(yù)測，但受限于海量歷史數(shù)據(jù)的歸納分析以及較高的運(yùn)算成本，難以大規(guī)模應(yīng)用。鑒于此，提出了一種靜態(tài)分配算法與深度強(qiáng)化學(xué)習(xí)算法結(jié)合的感知型路徑分配算法,在行駛中依據(jù)實時路網(wǎng)信息和車輛當(dāng)前狀態(tài)，實現(xiàn)全局路徑動態(tài)再分配及更新，相關(guān)算法的精度和效率在仿真實驗中得到驗證。

發(fā)表于：7/5/2022 4:51:30 PM

MATLAB到高性能C的代碼轉(zhuǎn)換系統(tǒng)設(shè)計與實現(xiàn)[可編程邏輯][其他]

MATLAB被廣泛應(yīng)用于算法設(shè)計及驗證，但由于平臺限制及性能因素影響，實際工作中通常使用C語言及高性能庫來重寫和優(yōu)化代碼。人工轉(zhuǎn)換MATLAB到C工作繁瑣，而大部分已有的自動轉(zhuǎn)換方法又難以解決MATLAB的高性能矢量運(yùn)算和庫函數(shù)與C的對接問題。為此，設(shè)計了一個MATLAB到高性能C的自動轉(zhuǎn)換系統(tǒng)，通過將MATLAB代碼轉(zhuǎn)換為中間表示，進(jìn)一步轉(zhuǎn)換為C代碼。同時，將MATLAB的高性能矢量運(yùn)算和庫函數(shù)對接到高性能C函數(shù)庫Math Kernel Library(MKL)上。在相同MATLAB代碼上的實驗結(jié)果表明，該系統(tǒng)轉(zhuǎn)換生成的C代碼性能與人工編寫的C代碼相當(dāng)，優(yōu)于已有的轉(zhuǎn)換方法生成的C代碼。

發(fā)表于：7/5/2022 4:45:10 PM