检索范围:
排序: 展示方式:
基于机器学习的空地通信高度相关视距概率经验性模型 Research Article
庞明慧1,2,朱秋明1,2,林志鹏1,柏菲1,田越1,李茁3,陈小敏1
《信息与电子工程前沿(英文)》 2022年 第23卷 第9期 页码 1378-1389 doi: 10.1631/FITEE.2200041
基于混合驱动高斯过程学习的强机动多目标跟踪方法 Research Article
国强1,滕龙1,2,尹天祥3,郭云飞3,吴新良2,宋文明2
《信息与电子工程前沿(英文)》 2023年 第24卷 第11期 页码 1647-1656 doi: 10.1631/FITEE.2300348
董亮,曹秀英,毕光国
《中国工程科学》 2006年 第8卷 第11期 页码 86-93
OFDM系统的LS信道估计可看作真实信道频率响应的一个有噪观察值,因此可采用子空间投影方法对噪声进行压缩。分析了利用子空间投影方法改进LSOFDM信道估计性能的实质,给出了利用子空间投影改进OFDM信道估计的一般框架,在此基础上将子空间投影推广到非LS信道估计方法。当信号子空间随时间变化时,需要采用子空间跟踪技术保持对信号子空间的良好估计,因此提出了一种基于子空间跟踪的参数化信道估计方法,仿真表明这种方法在性能上优于非参数化时的相应方法。
面向6G的信道测量与建模:现状与展望 Review Articles
Jian-hua ZHANG, Pan TANG, Li YU, Tao JIANG, Lei TIAN
《信息与电子工程前沿(英文)》 2020年 第21卷 第1期 页码 39-61 doi: 10.1631/FITEE.1900450
大数据的分布式机器学习的策略与原则 Review
Eric P. Xing,Qirong Ho,Pengtao Xie,Dai Wei
《工程(英文)》 2016年 第2卷 第2期 页码 179-195 doi: 10.1016/J.ENG.2016.02.008
大数据的发展已经引领了对能够学习包含数百万至数十亿参数的复杂模型的机器学习系统的新需求,以保证足够的能力来消化海量的数据集,提供强大的预测分析(如高维潜特征、中介表示和决策功能)。为了在这样的尺度上,在成百上千台的分布式机器集群中运行机器学习算法,关键往往是要投入显著的工程性的努力——有人可能会问,这样的工程是否还属于机器学习的研究领域?考虑到如此“大”的机器学习系统可以极大地从根植于机器学习的统计和算法的理解中受益——因此,机器学习的研究人员应该不会回避这样的系统设计—&mdash它们关注的是机器学习研究传统上注意较少的四个关键问题:一个机器学习程序怎样能分布到一个集群中去?机器学习计算怎样能通过机器间的交流连接起来?这样的交流是如何被执行的?机器间应该交流的内容是什么?通过揭示机器学习程序所独有的,而非常见于传统计算机程序中的基础性的统计和算法上的特点,并通过剖析成功案例,以揭示我们如何利用这些原则来同时设计和开发高性能的分布式机器学习软件以及通用的机器学习框架,我们为机器学习的研究人员和从业者提供了进一步塑造并扩大机器学习与系统之间的领域的机会
在非对称大规模MIMO系统中基于集成—迁移学习的信道参数预测 Research Article
何遵文1,李悦1,张焱1,张万成1,张恺恩1,郭柳1,王海明2
《信息与电子工程前沿(英文)》 2023年 第24卷 第2期 页码 275-288 doi: 10.1631/FITEE.2200169
针对下肢外骨骼机器人的基于概率运动基元的黑盒优化运动学习 Research Article
王嘉琪,高永卓,吴冬梅,董为
《信息与电子工程前沿(英文)》 2023年 第24卷 第1期 页码 104-116 doi: 10.1631/FITEE.2200065
基于机器学习算法的模型参数区域化方法在无测站流域径流模拟中的应用 Article
吴厚发, 张建云, 鲍振鑫, 王国庆, 王文圣, 杨艳青, 王婕
《工程(英文)》 2023年 第28卷 第9期 页码 93-104 doi: 10.1016/j.eng.2021.12.014
基于RGBD和稀疏学习的鲁棒目标跟踪 Article
Zi-ang MA, Zhi-yu XIANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 989-1001 doi: 10.1631/FITEE.1601338
Actor-Critic强化学习算法及其在开发基于计算机视觉的界面跟踪中的应用 Article
Oguzhan Dogru, Kirubakaran Velswamy, 黄彪
《工程(英文)》 2021年 第7卷 第9期 页码 1248-1261 doi: 10.1016/j.eng.2021.04.027
本文通过将对象跟踪形式化为序列决策过程,使控制理论与计算机视觉实现同步。强化学习(RL)智能体成功跟踪了两种液体之间的界面,这通常是化学、石化、冶金和石油行业中跟踪的关键变量。该方法使用少于100 张图像来创建环境,智能体无需专家知识即可从中生成自己的数据。与依赖大量参数的监督学习(SL)方法不同,这种方法需要的参数少得多,这自然降低了维护成本。除了经济性外,该智能体还对环境不确定性(如遮挡、强度变化和过度噪声)具有鲁棒性。该方法展示了RL方法在油砂行业中的实时对象跟踪应用。本文除了介绍界面跟踪问题外,还详细回顾了最有效的RL方法之一——actor-critic策略。
基于深度Q学习网络与新训练算法的服务机器人主动物品检测模型 Research Article
刘少鹏,田国会,崔永成,邵旭阳
《信息与电子工程前沿(英文)》 2022年 第23卷 第11期 页码 1673-1683 doi: 10.1631/FITEE.2200109
边信道攻击和学习向量量化 Article
Ehsan SAEEDI, Yinan KONG, Md. Selim HOSSAIN
《信息与电子工程前沿(英文)》 2017年 第18卷 第4期 页码 511-518 doi: 10.1631/FITEE.1500460
基于多智能体强化学习的车载自组织网络协作信道分配 Research Articles
王云鹏,郑坤贤,田大新,段续庭,周建山
《信息与电子工程前沿(英文)》 2020年 第21卷 第7期 页码 1047-1058 doi: 10.1631/FITEE.1900308
人工智能新方向:类人、机器、仿生和量子智能 Comment
李伟钢,Liriam Michi ENAMOTO,Denise Leyi LI,Geraldo Pereira ROCHA FILHO
《信息与电子工程前沿(英文)》 2022年 第23卷 第6期 页码 984-990 doi: 10.1631/FITEE.2100227
本评论回顾1998年提出的“一次性学习”(once learning,OLM)机制,和随后出现的用于图像分类的“一瞥学习”(one-shot learning基于目前人工智能(AI)研究现状,提出将其划分为以下子学科:人工类人智能、人工机器智能、人工仿生智能和人工量子智能。这些被认为是AI研发的主要方向,并按以下分类标准区分:(1)以类人、机器、仿生或量子计算为本的AI研发;(2)升维或降维的信息输入;(3)小样本或大数据知识学习。
一种与高度相关的无人机对地毫米波传播损耗模型 Research Articles
朱秋明1,2,姚梦恬1,柏菲1,陈小敏1,仲伟志3,华博宇1,叶溪娟1
《信息与电子工程前沿(英文)》 2021年 第22卷 第6期 页码 767-776 doi: 10.1631/FITEE.2000497
标题 作者 时间 类型 操作