检索范围：
排序： 展示方式：
基于GPU的密度峰值并行聚类算法 Article
Ke-shi GE, Hua-you SU, Dong-sheng LI, Xi-cheng LU
《信息与电子工程前沿（英文）》 2017年 第18卷 第7期 页码 915-927 doi: 10.1631/FITEE.1601786
关键词： GPU；密度峰值；聚类；并行计算
针对水下作业的新型机器人视觉感知框架 Research Article
鲁岳1,陈星宇2,吴正兴1,喻俊志1,3,文力4
《信息与电子工程前沿（英文）》 2022年 第23卷 第11期 页码 1602-1619 doi: 10.1631/FITEE.2100366
水下机器人操作通常需要视觉感知（如目标检测和跟踪），但水下场景视觉质量较差，且代表一种特殊分布，会影响视觉感知的准确性。同时，检测的连续性和稳定性对机器人感知也很重要，但常用的基于静态精度的评估（即平均精度（average precision））不足以反映检测器的时序性能。针对这两个问题，本文提出一种新型机器人视觉感知框架。首先，研究不同质量的数据分布与视觉恢复在检测性能上的关系。结果表明虽然分布质量对分布内检测精度几乎没有影响，但是视觉恢复可以通过缓解分布漂移，从而有益于真实海洋场景的检测。此外，提出基于目标轨迹的检测连续性和稳定性的非参考评估方法，以及一种在线轨迹优化（online tracklet refinement，OTR）来提高检测器的时间性能。最后，结合视觉恢复，建立精确稳定的水下机器人视觉感知框架。为了将视频目标检测（video object detection，VID）方法扩展到单目标跟踪任务，提出小交并比抑制（small-overlap suppression，SOS）方法，实现目标检测和目标跟踪之间的灵活切换。基于ImageNet VID数据集和真实环境下的机器人任务进行了大量实验，实验结果验证了所作分析的正确性及所提方法的优越性。代码公开在https://github.com/yrqs/VisPerception。
超大规模并行计算：瓶颈与对策 None
Ze-yao MO
《信息与电子工程前沿（英文）》 2018年 第19卷 第10期 页码 1251-1260 doi: 10.1631/FITEE.1800421
关键词： 超大规模；数值模拟；并行计算；超级计算机
周雄,陈占龙,张玉宁
《中国工程科学》 2013年 第15卷 第9期 页码 83-86
在三峡升船机续建工程中，因总体施工程序的调整，形成了塔柱筒体与齿条、螺母柱、平衡重、纵导向导轨等部位多重立体交叉施工作业的情况。在常规排架方案不能满足施工需要的情况下，研究并实施了可满足不同部位、不同工序、可迅速垂直转换施工部位的高空综合作业升降平台。该平台包括卷扬提升升降平台、齿轮齿条升降平台、吊挂升降平台等几种类型，可满足升船机金属结构埋件安装、二期混凝土施工、机电设备安装、二期混凝土浇筑、pagel灌浆等施工作业的需要，大大缓解了机电工程、金属结构工程施工工期紧张的情况本项技术经过适配性设计后，可推广应用于水工建筑各种类型垂直导向快速施工的高空作业中。
古依莎娜,董景辰,臧冀原,杨晓迎
《中国工程科学》 2018年 第20卷 第4期 页码 19-22 doi: 10.15302/J-SSCAE-2018.04.004
卢锡城
《中国工程科学》 2000年 第2卷 第10期 页码 105-109
大规模并行处理系统旨在满足国防和国民经济许多重要应用领域对高性能计算能力的需求。长期以来，结构上的可扩性和编程上的友好性一直是并行计算机系统设计中追求的重要而又互相矛盾的两个目标。文章结合研究实践，对大规模并行处理机系统（MPP)可扩展性设计的若干问题进行探讨。
关键词： 体系结构 大规模并行处理机（MPP) 对称多处理机（SMP) 基于Cache—致性的非一致存储访问（CC-NUMA) 群机（duster) 超结点
王涛,李歧强
《中国工程科学》 2003年 第5卷 第3期 页码 57-61
提出了一种基于空间收缩的求解MINLP问题的新算法。算法应用了快速有效的不完全演化搜索较优解的分布信息，通过分布信息定位最优解的可能分布，再由精英个体信息决定下次搜索空间。仿真结果表明该算法在搜索效率、应用范围、解的精确性和鲁棒性上都优于其他现存演化算法。
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——我们讨论了一系列从我们近来对工程尺度的机器学习解决方案的研究中提炼的原则和策略。这些原则和策略从机器学习的应用连续跨越到它的工程和理论研究，以及大型机器学习的系统和架构的发展，目标是了解如何使其有效、广泛地适用，并以收敛和缩放保证支持。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。
基于条件模式的一种无分组并行频繁模式挖掘算法 Regular Papers-Research Articles
Zhe-jun KUANG, Hang ZHOU, Dong-dai ZHOU, Jin-peng ZHOU, Kun YANG
《信息与电子工程前沿（英文）》 2019年 第20卷 第9期 页码 1234-1245 doi: 10.1631/FITEE.1800467
高永超,钱恒,刘丽梅,王云争,王玎
《中国工程科学》 2009年 第11卷 第9期 页码 74-77
搜索空间的规模和复杂程度是决定问题求解难度的重要因素，而解空间的信息往往可以引导搜索找到最优解。在已知JSP空间结构的基础上，提出一种空间收缩与划分算法。算法利用搜索算法获得的较优解，结合组合优化问题解的backbone的概念，将搜索空间收缩并划分为一个或多个优解域，在优解域内再进行小规模问题的优化。该算法不必在求解前或求解过程中进行大量的统计分析工作，可以利用求解信息对解空间的地形进行估计，提高求解速度和解的质量。实验结果也证明了算法的有效性。
满足MapReduce环境下近似处理的时限要求 Article
Ming-hao HU, Chang-jian WANG, Yu-xing PENG
《信息与电子工程前沿（英文）》 2017年 第18卷 第11期 页码 1754-1772 doi: 10.1631/FITEE.1601056
标题 作者 时间 类型 操作
京公网安备 11010502051620号
