2023年59599aa美高梅
信息技术研究生论坛(二十三)
场次一、
时间:2023年12月7日(星期四)16:30-18:30
地点:59599aa美高梅509教室
报告题目一:基于可穿戴设备的人体增强技术的研究
报告人:郑雨萌
报告简介:
本次汇报从制备可穿戴设备时的常用技术(如TENGs技术、3d打印技术),基于不同制备材料(如PDMS、水凝胶)的柔性电子皮肤或传感器的结构、性能及传感原理,用于人体健康检测的可穿戴设备系统架构等方面展开。
TENGs技术即碳纳米摩擦发电技术,主要有接触分离模式、滑动模式、单电极模式和独立模式四种典型的工作模式,其发电原理是两种高分子材料相互接触产生静电,静电在空间变化电场引起位移电流,将机械能转化为电能。3d打印技术有DLP、SLM、DIW等类型,本次汇报主要介绍基于墨水直写DIW技术的各类生化、物理传感器打印需要墨水的选择和传感性能。
PDMS是制备柔性传感器的常见材料,通常用作TENG的负极和微流控芯片的衬底,通过添加导电填料可以使PDMS复合材料具有可调电导率;水凝胶同样也是制备柔性传感器的常见材料,本次汇报介绍一种功能化聚苯胺基时间顺序黏附水凝胶贴片(CAHP),该贴片初始凝胶状态与心肌细胞接触时的界面韧性和粘贴强度远高于完全凝胶状态,从而实现了时间粘连功能。
最后介绍基于以上材料和技术的传感器集成的可穿戴系统,主要应用在人体的健康监测领域,针对机械臂的应用也将被汇报。
报告题目二:基于DAS信号和CNN分类算法的人员运动轨迹监测方法
报告人:李洁
报告简介:开发了一种利用分布式声学传感识取人员振动信号用于监测人员运动轨迹的新方法,能够不受光线、热源、遮挡物等环境改变的影响,实现长距离连续监测。首先,通过长短时窗比值(STA/LTA)法自动拾取DAS信号,再对拾取的信号进行分析,将其分为人员运动、重锤和噪声3类信号;然后,构建卷积神经网络(CNN),将拾取的3类信号作为CNN数据库输入到网络中学习和训练;最后,通过实际数据测试得到3类信号分类结果。结果表明,分类结果的识别准确率均达到80.00%以上。利用识别得到的信号,通过CNN分类结果可确定人员所在的光纤道,追踪人员位置,输入更新的DAS信号连续识别人员运动信号,监测人员运动轨迹。
报告题目三:基于φ-OTDR下的数据压缩方法研究
报告人:张泽霆
报告简介:相位敏感型OTDR相对OFDR技术成熟且应用广泛,已经应用于周界安防、地震监测、海洋地球环境探测、交通安全等多个领域,然而因为该技术属于全分布式光纤传感技术的范畴,不可避免地带来短时间内处理海量数据的难题,近5年来,各种处理DAS系统中数据压缩的技术相继涌现和不断完善,包括在采样层面的超低采样分辨率技术和欠采样技术、两次欠采样技术,利用矩阵稀疏观测来压缩数据的压缩感知(CS)技术,先利用包络检波来检测振动而后根据欠采样数据来进行相位解调等多种方法,本次报告将从基本的外差相干φ-OTDR的硬件实验平台出发,介绍以上的各式数据压缩技术。
报告题目四:光纤光栅调制解调系统
报告人:梁清泉
报告简介:在光信号的解调过程中,光信号首先经过光纤光栅的输入端,经过光栅的衍射作用,使得光信号的频率发生变化。 然后,光信号进入一个光解调器,将其解调成原始的频率和相位。最后,解调后的光信号输出到光纤通信系统中。 总的来说,光纤光栅解调仪是一种利用光纤光栅的特性来实现光信号的调制和解调的装置。 其工作原理主要基于光栅的衍射作用,通过调制和解调光信号的频率和相位,实现光信号的传输和接收。
场次二、
时间:2023年12月8日(星期五)15:00-18:00
地点:59599aa美高梅710b教室
报告题目一:用于降低流量负载的异构多智能体移动边缘编码缓存策略
报告人:袁雪梅
报告简介:
工业物联网通信迅猛发展,智能终端设备广泛应用,大规模移动数据流量以及频繁数据请求对资源受限的无线通信网络构成重要挑战。为减轻网络负荷,引入内容编码缓存到网络边缘被认为是一种有效的解决方案。由于移动边缘系统资源的异构性、用户请求的差异性以及用户的移动性,移动边缘的编码缓存策略需要不断优化。然而,目前现有文章对如何在动态环境下智能更新编码缓存策略的研究并不充分,为此本文提出了一种基于值分解的异构多智能体MDS编码缓存方案(MA-CC),将具有存储能力的边缘缓存服务器和移动用户视为两种不同类型的智能体,通过交互改进缓存策略。此外,考虑到异构多智能体的异构偏好,以及数量的增加可能导致训练维度急剧增加,在编码缓存方案的训练学习中引入了值分解网络的思想。仿真实验验证了所提出的MA-CC算法可效降低前向链路的负载,并实现更高的缓存命中率。
报告题目二:《基于数字孪生的复杂设备预测性维护技术研究》报告人:杨圆圆
报告简介:
复杂设备是工业生产中不可缺少的组成部分。复杂设备一旦出现故障,将造成经济损失,甚至导致安全事故。随着工业设备的日益复杂,传统的维修方式如按期更换部件或根据经验诊断异常情况等已不能满足要求。目前复杂设备诊断和健康管理的方法主要分为视情维护、定期维护和预测性维护。视情维护和定期维护在一定程度上保证了精度和可靠性。视情维护是指当事故发生后的维修,这种方法往往会导致不可预知的故障和事故,属于弥补措施,具有很大的风险。定期维护是指根据经验对设备定期维修,这种方式可能导致不必要或不及时的维护。预测性维护是预测设备中即将发生的故障或剩余使用寿命,并在最优的时间点采取维护措施,从而降低故障发生率和故障危害程度,降低故障发生率和故障危害程度。复杂设备在使用的整个生命周期中存在着零部件的磨损和性能的退化,导致精度的下降和可靠性的降低。在先进的建模、感知、数据分析的基础上,充分考虑其生命周期中状态的变化,实施有效、准确的预测性维护,可对复杂设备的寿命进行智能预测,对故障进行智能诊断,从而减少故障造成的非计划停机时间。
报告题目三:云边协同环境下的电力故障检测技术研究
报告人:黄炳政
报告简介:配电网故障是影响电力系统稳定性的关键问题之一,如何及时检测到故障并采取相应措施是配电网故障检测技术的重要挑战。在当前配电网故障检测场景复杂化与数据多样化的背景下,需要深入挖掘配电网多元时间序列数据中的故障的类型、位置与时间等信息,但为更好地检测故障所需要的高性能故障检测模型却在应用于轻量化的智能设备中面临挑战。因此,本文提出一种云边协同环境下的电力故障检测技术,通过在云中心对使用高性能的电力故障检测模型对海量数据进行训练,获得能够检测故障的教师模型,再通过多教师蒸馏方法实现模型的压缩与加速,同时提高多任务故障检测的性能,获得轻量化的员工模型部署在边缘设备中。通过不定时从云端向边缘端更新模型学习能力,提高边缘设备检测故障的可靠性。
报告题目四:WeenyLog:基于TCN的轻量级日志异常检测模型研究
报告人:蒙创颖
报告简介:在边缘设备上进行日志异常检测是部署物联网系统时增强边缘安全性的关键。尽管许多基于深度学习的日志异常检测方法在高性能计算云平台上取得了成功,但由于边缘设备的计算能力有限,无法满足精确异常检测的实时处理需求,因此在边缘设备上处理大规模日志仍然是一个瓶颈。为此,我们提出了一种适用于边缘设备的轻量级日志异常检测算法WeenyLog,利用Word2Vec和TF-IDF来提取单个日志模板的语义向量并进行有效降维,以从非结构化日志中提取到更紧凑、更有效的特征表示。然后,由日志模板语义向量表示的日志序列被输入到深度神经网络中进行训练,该神经网络将自注意力机制和轻量级的时间卷积网络相结合,以全面捕获正常日志的序列模式。我们所提出的方法与近年来提出的最先进的日志异常检测方法相比,在检测精度和计算消耗方面都具有显著优势。
报告题目五:软件缺陷预测中的深度学习方法应用
报告人:刘玮涛
报告简介:缺陷预测是软件开发和编程语言研究中提高软件质量和可靠性的关键挑战之一。如何正确、准确地识别有缺陷的源代码是软件缺陷预测领域的重要问题。关于建立故障预测模型历史上已经提出了许多方法。最近机器学习技术的突破,特别是深度学习技术的发展,使得许多问题都可以通过这些方法来解决。通过调查缺陷预测的深度学习技术,研究从代码中自动学习语义和结构特征的方法,我们总结了软件缺陷预测中的常用深度学习方法,并讨论了该领域尚未解决的问题。
报告题目六:面向时延感知任务卸载的深度强化学习方法
报告人:刘仪菲
报告简介:由于物联网设备的资源受限特性,将任务从物联网设备卸载到附近的移动边缘计算服务器不仅可以节省物联网设备的能源,还可以缩短执行任务的响应时间。但是,由于MEC服务器的计算资源有限,将任务卸载到最近的MEC服务器可能不是最佳解决方案。因此,联合优化卸载决策和资源管理至关重要。卸载决策是指卸载任务的位置,资源管理是指将MEC服务器中的计算资源分配给任务。通过考虑任务在通信和计算队列中的等待时间和任务优先级,我们提出了基于深度强化学习的卸载决策和资源分配算法,该算法利用演员评论家方法实时优化每个到达任务的卸载决策和计算资源分配,从而使累积加权响应时间最小化。
报告题目七:基于重复数据消除的模糊边缘和中心边界的缓存管理方法
报告人:欧平杰
报告简介:
在写入缓存之前,会识别并删除重复数据。重复数据删除在生成数据指纹和识别重复数据时所花费的时间,会延长数据读写访问延迟,降低存储系统的整体性能。因此,研究提出一种模糊边缘和中心的边界的缓存管理方法,首先将区域内所有移动设备的缓存存储生成一个很大的虚拟统一的缓存空间,并交给此区域的管理者进行管理。其次使用单独的数据缓存和元数据缓存来集成数据缓存和重复数据删除元数据缓存。数据缓存存储缓存的数据块,元数据缓存存储这些数据块的源地址和数据指纹,并维护映射关系。最后时刻监控区域内的移动设备的变化,模糊边缘和中心边界的缓存管理算法将及时备份将要离开此区域的信息,实现应用和数据的全局分布式协作。实现应用和数据的全局分布式协作,获得重复数据删除带来的逻辑容量和缓存命中率的提高,保证大量重复数据删除带来的开销,从而提高缓存的整体性能。
报告题目八:智慧环卫场景下的轻量化流感知目标检测方法
报告人:黄贻晖
报告简介:随着移动算力平台的逐渐成熟和计算机视觉计算的快速兴起,自动驾驶技术正在被广泛关注和研究。然而,在相关法律未出台且道路情况复杂的情况下,乘用车自动驾驶技术在短期内难以商业化。但是,在封闭场景下运行且车速较低的特殊领域车辆上,自动驾驶环卫车由于其独特的应用场景,在应用落地方面具有天然优势。其中环境感知为自动驾驶汽车的决策和控制提供外界环境信息,是智慧环卫场景下自动驾驶的前提和保障,目标检测是环境感知的重要内容,因此,在自动驾驶技术的时代背景下,研究环卫车场景下兼具实时性和鲁棒性的流感知目标检测技术前景十分广阔。但是目前现有的图像目标检测方法往往将图像帧当成单独的检测任务,不适用于视频流处理,而视频目标检测方法往往计算开销过大,并不适用于计算受限的智慧环卫场景。因此,面向智慧环卫场景,充分建模视频流上下文信息,研究轻量化的流感知目标检测方法是有意义且必要的,他能充分权衡模型运行时延与准确度,从而保证自动驾驶系统的可靠性与鲁棒性。
报告题目九:一种基于图注意力网络的微服务系统故障根因定位方法
报告人:许东琪
报告简介:在边缘设备上进行日志异常检测是部署物联网系统时增强边缘安全性的关键。尽管许多基于深度学习的日志异常检测方法在在微服务系统中出现异常后,通过收集微服务之间的调用链路数据和时间序列数据,构建微服务依赖调用图,通过图注意力网络对微服务系统的时间度量数据进行系统感知依赖学习,最后使用改进的Pagerank算法进行微服务故障根因服务排序,输出得分最高的服务认定为故障根本原因服务。
报告题目十:算力网络下基于用户意图的资源分配方法研究
报告人:郑盈盈
报告简介:近年来,分布式计算、网格计算、云计算、并行计算等工业物联网场景下的资源分配引起了广泛关注。随着新兴应用场景的不断涌现,对于高性能计算和大规模数据处理需求的迫切性不断增加,而且这些需求往往需要大量的计算资源,算力网络作为一种新兴概念受到学术界广泛关注和积极应用。由于实际情况的复杂性多样性和不确定性,单一角度难以应用于实际场景。在资源分配方法上加入用户意图预测这一行为是很有必要的,能够更好的感知用户偏好意图的动态变化对资源分配策略进一步改进,促使分配与预测结果之间误差更低。因此本文首先利用多意图自注意力模型来预测用户意图,再基于此对用户过去行为与意图进行个性化建模,对用户未来可能会产生的行为作出预测,最后通过大量试验验证本文所提方法的效果与可行性。