基于C-V2X的车路协同自动驾驶关键技术与应用

随着车联网技术的演进,自动驾驶在单车智能的基础上,又有了新的发展形态——车路协同自动驾驶。通过“人-车-路-云”深度融合形成的一体化复杂信息物理系统（cyber physical system,CPS）,可以与自动驾驶车辆实现协同感知、协同决策规划甚至协同控制,提升自动驾驶安全性,帮助克服各类复杂交通环境。首先介绍了车路协同的复杂信息物理系统的概念内涵和总体架构,并提出了车路协同自动驾驶的一系列典型应用场景、技术原理、C-V2X(cellular vehicle-to-everything)性能要求、车路协同系统功能与性能要求,可以为下一阶段智能网联汽车与智能交通的深度融合发展提供参考和解决思路。     

车联网新型基础设施跨域协同部署研究

基础设施是实现车联网产业融合创新发展的必要支撑,其可靠通信、精准感知和实时计算等能力可赋能智能网联汽车、智能交通、信息通信发展。在研究车联网新型基础设施的范畴与发展现状的基础上,分析了车联网新型基础设施建设与服务在跨域协同方面的挑战。结合国内外发展趋势,提出了“物理分立、逻辑协同”的车联网基础设施系统架构,并提出了进一步的发展建议。     

大功率量子级联激光器的光学与热学协同优化设计北大核心CSCD

针对大功率量子级联激光器存在热积累严重的问题,本文基于MBE与MOCVD结合的二次外延生长InP基量子级联激光器结构的工艺方法,设计优化中波单管4W连续光输出的大功率量子级联激光器光学与散热性能。通过COMSOL软件对器件结构进行建模,设计器件光学和热学结构模型,分析不同结构参数对器件性能的影响,得到最优结构参数:在In053Ga047As层厚度为50nm,波导下包层InP为1μm,上包层InP为2μm,封装金层厚度为3μm时,器件光学和热学综合性能最优,其中波导光限制因子为074,核心区温度为378 K。本文研究相关结论可为后续大功率中波量子级联激光器结构与工艺设计提供指导。     

地方高校电气类专业产教多维融合改革

产教融合作为地方应用型高校培养工程创新人才的有效途径日益得到重视。在实施产教融合过程中,由于学校和企业利益着眼点、管理体制的差异,导致产业企业在应用型人才工程实践能力、工程创新能力培养过程中的参与深度不足、效果不佳的问题。针对上述不足,本文以江苏省地方应用型高校—南京工程学院的电气类产教融合模式探索为例,通过建立互利共赢的多元协同育人机制,实施匹配工程场景项目化教学改革,施行全程贯穿的工程创新训练,以期提升产教融合的育人效果,为产教深度融合提供借鉴。     

一种基于时间敏感网络的变电站确定性网络架构优化方法

新型智能变电站网络基于传统以太网尽力而为转发机制,在突发大流量时难以保证敏感流量可靠传输。文中提出一种基于TSN（时间敏感网络）的变电站网络架构优化方法,根据敏感SV报文的传输特性,采用TSN协议簇中IEEE802.1Qbv、IEEE 802.1AS结合的时间门控调度机制,在敏感流量到来的时隙开辟专用通道保证其以最佳时延通过;采用TSN协议簇中IEEE 802.1Qci技术对网络所有流量进行过滤管理,保障敏感流量能进入专用通道并阻挡其他流量误入。经模拟变电站实际场景组网验证表明,相对于传统以太网,时间敏感网络能确保网络拥塞时敏感流量能够以最大时延2.17μs、平均抖动0.16μs的最佳时延抖动传输。     

基于改进蝴蝶算法的协同干扰资源分配方法

针对协同对抗下雷达干扰资源的管理决策问题开展研究,提出了一种基于改进蝴蝶算法的干扰资源分配方法。首先,用模糊综合评价的方法量化影响辐射源威胁等级和干扰效能的因素;然后,确定目标函数并计算干扰效能矩阵,建立干扰资源分配模型;最后,把自适应启发项和劣解接纳操作引入蝴蝶算法(BOA)对模型求解。仿真结果表明：引入改进项提高BOA探索能力和搜索效率,有效解决算法局部收敛的缺陷。对比四种经典算法和两种改进BOA算法,该算法在收敛精度和算法稳定性方面均更优,制定的干扰资源分配方案可信度更高。     

一种基于态势的多传感器任务规划调度方法

分析了一种基于态势的多传感器任务规划调度方法。首先,根据传感器探测能力、目标预测轨迹,生成多传感器协同探测任务,并分解合并形成若干个探测子任务;然后,基于构建的协同探测效能函数,对每个探测任务进行传感器资源分配,通过特殊降维处理,实现传感器与目标分配方案的快速生成;最后,仿真分析了协同探测任务调度算法模型。特别地,针对传感器、目标规模都较大时,提出了一种经过改进的多传感器协同探测目标资源分配方案快速生成的优化方法,可满足多传感器协同探测任务高实时高可靠分配调度要求。     

深度学习在IP网络优化中的应用

随着新型业务涌现和IP网络技术的不断演进,云网融合步入新阶段,展现出数字化、智能化和服务化的发展特征。其中智能化需要结合相关的人工智能技术,而深度学习和深度强化学习是常用的人工智能算法。图神经网络等技术的发展,也使得深度学习和深度强化学习分别在图信息表示和最优化问题处理方面的能力得到本质提升。IP网络可以用图结构抽象化表示,相关的预测和优化问题可以用深度学习和深度强化学习算法处理和求解。因此阐述了深度学习和深度强化学习在流量预测、网络规划和流量工程3个场景下的相关算法与应用,分析了在实践过程中可能面临的问题与挑战。     

道路交通网络节点分配优化策略研究进展

为了进一步提高城市道路交通网络的通行效率,粒子群优化和神经网络等多种智能优化算法受到越来越多的关注。近年来,深度学习技术的普及与应用大幅提升了城市交通网络的节点识别效率,而交通网络的节点调度又扩展了深度学习技术的应用。文中详细分析了交通节点调度所面临的关键问题,归纳并总结了相关网络节点分配的研究现状。在此基础上,深入研讨了城市交通网络节点调度与深度学习的应用前景,并对交通网络节点分配优化策略的未来研究方向进行了展望。     

AccFed:物联网中基于模型分割的联邦学习加速

随着物联网(IoT)的快速发展,人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限,并且这些设备通常具有隐私保护的需求,那么在保护隐私的同时,如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式,在隐私保护和提升模型性能等方面,具有巨大的潜力,但是通信及本地训练效率低。为了解决上述难题,该文提出一种FL加速框架AccFed。首先,根据网络状态的不同,提出一种基于模型分割的端边云协同训练算法,加速FL本地训练;然后,设计一种多轮迭代再聚合的模型聚合算法,加速FL聚合;最后实验结果表明,AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。