Sampling Consensus of 2nd-Order Multi-Agent Systems Based on Time-Varying Topology北大核心CSCD

基于速度一致位移差保持不变的一致性概念,研究了二阶多智能体系统在时变拓扑下的采样一致性问题。首先,引入虚拟领导者,将具有时变拓扑结构的多智能体系统的采样一致性问题转换为误差系统的采样控制稳定性问题。其次,通过预估采样误差,研究采样误差对系统达到一致性的影响。最后,应用Lyapunov稳定性理论,分析所构造的误差系统的稳定性,并给出该误差系统最终稳定的充分条件。数值仿真结果验证了理论分析的有效性和正确性。     

“AI+智能”赋能高校智慧教学生态体系构建研究

随着人工智能技术的快速发展,深化“AI+智能”应用以推进高校教学生态体系的优化与升级,已成为教育领域发展的一种重要趋势。为顺应这一趋势,加速构建智慧教学生态体系,更好地利用“AI+智能”技术推动教学质效升级,成为当前高校教学创新发展的重要举措。基于“AI+智能”的高校智慧教学生态体系主要通过综合应用多种智能技术,实现教学内容的多元化,为学生提供个性化的学习体验。文中从智慧教学生态体系的基础理论入手,在精准把握“AI+智能”技术在高等教育中的应用优势的基础上,进一步提出了“AI+智能”赋能高校智慧教学生态体系构建的实践策略,以期为推动高校实现智慧化教学提供有益的路径参考。     

边缘环境下的视频行为识别

边缘智能是一种新兴的智能计算模式,其将人工智能技术和边缘嵌入式设备结合,被广泛应用于物联网系统。智能摄像机是典型的边缘设备之一,它能提供低延迟的视频处理能力,适用于智能家居、智能交通、智能监控等领域。然而,由于摄像机的计算资源有限,传统的行为识别模型难以在本地完成计算任务。为解决这一问题,文中提出了一种基于边缘计算的架构,利用深度学习目标检测算法YOLO v3对视频行为进行识别。在该架构中,智能移动终端负责数据采集和压缩,边缘服务器承担大部分目标检测任务,而检测困难的目标和模型训练则由云服务器负责。为更好地适应边缘设备,本文采用轻量化的神经网络MobileNet替换YOLO v3模型的特征提取模块。经过测试,该架构能有效提取和识别视频中的静态和动态行为,为实现边缘计算环境下低成本、大规模的行为识别提供了有益的参考。     

基于移动边缘计算的资源分配策略

为进一步探究移动互联网的资源分配问题,文中基于无线互联网通信工况恶劣的特殊情形构建了仿真模型,并结合实际情况,以支持移动边缘计算的服务器为基础,引入基于深度域不变性残差计算的长短期记忆网络（DR-LSTM）,从互联网设备任务卸载的角度着手设计了资源分配策略和主要算法流程。通过仿真实验结果可知,基于移动边缘计算的资源分配策略在性能上存在一定的优势,具有潜在的应用价值。     

基于物联网技术的智能物流管理系统的设计与应用

基于物联网技术的智能物流管理系统能实现对物流过程的全面监控与数据实时追踪分析,并提供决策的智能化支持。该系统通过物联网技术,能提高物流服务的质量与效率,为物流行业提供高效、智能化的管理解决方案。系统的设计方法和关键技术包括总体设计框架和物联网中的关键技术应用。同时,通过行业应用示例验证了智能物流管理系统的实际应用价值。基于物联网技术的智能物流管理系统具有广阔的应用前景和发展空间,为相关行业提供了参考和借鉴。     

基于IRS辅助的MIMO车联网系统联合波束成形设计

针对MIMO车联网系统中V2I和V2V共享频谱的情形,提出了一种IRS辅助的联合波束成形设计方法。在保证V2V用户数据速率需求、V2I基站发射功率受限和IRS反射相移模约束等条件下,以最大化V2I用户的信道容量为目标,联合优化基站端发送预编码和IRS端的反射相移矩阵。采用最小均方误差规则、矩阵分析理论和内逼算法把非凸且变量耦合的优化问题转换为解耦后的凸优化问题,并提出一种交替迭代优化算法获得原问题的解。对所提算法的性能进行仿真,分析了IRS反射单元数、IRS部署位置和车速对车联网频谱效率的影响。仿真结果表明,所提算法收敛性较好,若在基站附近部署IRS,利用所提的联合波束成形方法能最大限度地提高车联网频谱效率。     

高铁场景下联合天线与IOS单元选择的分布式IOS-SM传输方案

针对高铁场景下封闭车厢带来的高信号穿透损耗导致传输速率下降问题,提出一种分布式智能全表面（intelligent omni-surface,IOS）辅助空间调制（spatial modulation,SM）的传输方案。首先,采用SM技术保证索引信息部分不受穿透损耗的影响;然后,为了减小远距离IOS车窗的高路径损耗和功率损耗,根据最大化接收信噪比原则对分布式IOS遍历选择,激活最佳IOS车窗传输SM调制信息。最后,为了减小缺失直视路径增益对系统容量性能的影响,基于功率损耗模型,采用天线移除原则和排序选择方式,对接收天线和IOS单元进行动态选择激活。仿真结果表明,相比于传统中继转发和可重构智能超表面-空间调制（reconfigurable intelligence surface-SM,RIS-SM）方案,所提方案更适合高铁通信场景。并且在功率损耗模型下,联合天线与IOS单元选择的分布式IOS-SM方案仍能够保证系统高性能传输。     

复杂信道环境下的多维策略智能抗干扰技术

针对当前智能抗干扰技术策略维度低、复杂环境应对性差的问题,提出了适应复杂环境的多维策略智能抗干扰技术。将单音信号作为探测信号,通过扫频方式减少探测阶段复杂度以实现快速实时的环境状态特征提取,之后设计了基于深度神经网络的实时智能决策引擎模型以提高决策速度和准确率。仿真结果表明所提方案能够准确地预测通信质量,最后根据目标函数在所有可通信策略中决策出最优策略,当探测信号扫频间隔选取合适时,该方案能够达到接近96%的决策准确率及较好的资源利用率,能有效进行抗干扰并取得较好的通信质量。     

智能反射面辅助广义空间调制性能分析

将智能反射面（Intelligent Reflecting Surface,IRS）技术引入索引调制（Index Modulation,IM）技术领域,可在保留各自优势的同时提高系统可靠性并实现高频谱效率。但现有方案在每时隙内仅激活一根天线,使得天线的利用率降低,且单天线激活时若想要进一步提高系统传输速率只能成倍增大发射天线数或提高调制阶数,从而影响系统性能。针对这一问题,提出了IRS辅助广义空间调制（Generalized Spatial Modulation,GSM）相关技术的方案,在发射端激活多根天线,使得在单位时间内相同天线数时每时隙传输的比特数增加。计算了该方案理论误码率上界,通过仿真验证了理论推导的正确性。     

智能靶标目标检测方法研究

在激光模拟训练中,具有智能打击功能的靶标装置可以更加逼真地模拟实战对抗过程,满足智能化军事训练需求。但目前大多数靶标不具备智能打击或反击功能,靶标仅能实现作为目标的被打击功能或者非智能的触发反击功能,模拟训练形式单一,靶标运动或打击功能呈现规律性,不能真实模拟敌方目标主动攻击的能力,因此为适应模拟训练发展的需求实现模拟训练智能化、提高模拟仿真程度就需要通过智能靶标来模拟敌方目标进行作战。在智能靶标的研制过程中其中首先要解决的问题就是目标检测。本研究最终目标是对战场环境中的单兵目标进行检测并做出攻击活动,故对单兵目标的检测速度和精度有较大要求,本文提出一种基于Yolov5神经网络架构提高目标检测精度、加快目标检测速度的算法,采用改进网络结构对传统的目标检测算法进行优化,保证在输入可见光图像下,能够实现快速检测,并保证检测的精度。