XiaoMi-AI文件搜索系统
World File Search System压缩算法
空间耦合LDPC码的分层译码算法
图 5 给出了所提 LSWD 算法和 SWD 算法在不同 迭代次数时的比特错误概率 (Bit Error Ratio, BER) 曲线，其中最大迭代次数分别取为 5 和 10 。 图 6 给出 了两种算法的译码性能与最大迭代次数的关系，其 中信噪比分别为 2.5 dB, 4.0 dB 。综合分析 图 5 和 图 6 的仿真结果，可以看出： (1) 所提算法和现有文献 的 SWD 算法的误码性能曲线都有明显的瀑布区。 (2) 当迭代次数相同时，所提算法的性能优于 SWD 算法。如，当译码迭代为 50 次、译码窗长度为 9 时，为达到 10 –6 BER ，所提算法所需的信噪比值 为 3.9 dB ，而目前常用的 SWD 算法则需要 4.2 dB ， 所提算法约有 0.3 dB 的性能优势。 (3) 在译码性能 基本相同时，与 SWD 算法相比，所提算法可以明 显减少译码迭代次数。例如，当信噪比为 2.5 dB 时，为了获得 10 –3 的 BER ，所提算法和 SWD 算法所 需的迭代次数分别为 7 和 11 ；当信噪比为 4.0 dB 时，为了达到 10 –5 的 BER ，所提算法和 SWD 算法所 需的迭代次数分别为 12 和 20 ，此时所提算法的迭代
基于深度强化学习算法的火力⁃目标分配方法
ｐｌａａ ｍ ｍａｋｉｎｇａｂｉｌｉｔ ｐ e，ｗｈｉｃｈｃａｎｐ， the：lightife for：lightife fim⁃ｔａieｔａｓｓｉｇｎｍieｔａｓｓｉｇｎｍieｎｔ；ｄieｐieｉｎｆｏifieｉｎｆｏightimｃieｍieｎｔｌieａightimｎｉｎｇ；ｑ⁃ｌ
基于DAG 和AHP-TOPSIS 算法的多乘员协同任务分配方法研究
等方面 . 人机功能分配主要包括静态和动态两种类型 , 静态功能分配是从功能特性和需求分析入手 , 通过比较人 和系统在完成该功能上的能力优势或绩效优劣 , 决定该功能分配给人还是系统 . 动态功能分配方法则是在静态 人机功能分配的基础上 , 当动态触发机制响应时 , 允许系统在运行阶段根据情况的变化将功能在人与系统之间 动态地重新分配 , 提高整体的工作效率 . 多智能体的任务分配是指在作战开始前 , 指挥中心通常会根据已掌握的 战场信息 , 对己方作战单元进行任务预分配 . 但随着战场情景变化以及突发情况的出现 , 预分配方案可能会使得 执行任务的效能降低 , 多智能体如何调整自身任务 , 使得执行任务的效能保持最大是其研究的主要内容 . 计算机 任务调度研究的是将任务动态地调用给各个虚拟机并提供给用户使用 , 怎样合理地将任务分配给不同的虚拟机 , 进而提升整个系统的性能是其研究的重点 . 以上分配原则对于多乘员分配有很好的参考价值 , 但舱室乘员间任 务分配时 , 主要考虑到人的特性 , 需要以人的理论基础来加以研究 [4] . 针对实际作战过程中 , 乘员应对非预期事件效率低下的问题 , 本文提出了一种多乘员协同动态任务分配方 法 . 在非预期事件触发时 , 对任务进行 DAG 分解及分层 , 根据乘员脑力负荷、乘员能力、任务相关度以及时间成 本四个因素 , 按照一定的任务分配顺序 , 基于 AHP-TOPSIS 方法进行乘员的优选 , 实时更新乘员状态 , 并以此为 依据进行下一任务的分配 . 任务分配过程可实现随乘员状态变化而动态调整 , 达到负荷均衡、效能最优 , 从而将 多任务分配问题简化为单个任务的多属性决策问题 .
算法控制、角色压力与员工变革态度的关系研究
技术和算法越来越多地渗透到日常工作的管理中，特别表现出在员工控制中的巨大潜力。为了深入探索算法控制对员工对数字传输背景下改变态度的态度的影响，这项研究以角色理论为基础，并深入了解算法控制的概念，构建了一个调解模型，包括算法，算法，责任控制，员工的承诺，雇员的承诺，以改变和变化。利用在线和离线问卷调查方法中，本研究验证了算法控制对就业对变革及其基础途径的态度的影响。研究结果表明，算法控制大大加剧了员工的角色压力，随后提高了他们对变革的抵抗力，并相应地减少了他们对变革的承诺。这项研究不仅为组织环境中算法控制的研究开辟了新的理论观点，而且还为努力实施科学问题的组织提供了宝贵的实践指导。
基于D-Wave Advantage 的量子退火公钥密码攻击算法研究
抽象量子计算对加密安全性提出了令人兴奋但艰巨的挑战。各种量子计算机在攻击RSA方面的进步显然迟钝。与关键技术（例如通用量子计算机上的误差校正代码）所施加的约束相反，D-Wave特殊量子计算机的关键理论和硬件开发的发展显示出稳定的生长轨迹。量子退火是D-WAVE特殊量子计算背后的基本原理。它具有独特的量子隧道效应，可以跳出传统智能算法容易陷入的局部极端。可以将其视为具有全球优化能力的人工智能算法。本文使用纯量子算法和量子退火与经典算法相结合以实现RSA公共密钥加密攻击（分解大型Integer N = PQ），介绍了两种基于量子退火算法的技术方法。一种是将加密攻击的数学方法转换为组合优化问题或指数空间搜索
基于近端策略优化算法及视觉感知的机械臂导纳控制研究
在现代操纵器交互任务中，由于环境的复杂性和不确定性，准确的对象表面建模通常很难实现。因此，改善操纵器与环境之间相互作用的适应性和稳定性已成为相互作用任务的重点之一。针对操纵器的互动任务，本文旨在在视觉指导下实现良好的力量控制。因此，基于Mujoco（带有触点的多关节动力学）物理引擎，我们为操纵器构建了交互式仿真环境，并创新地集成了基于位置的视觉伺服控制和录取控制。通过深度强化学习（DRL）中的近端策略优化（PPO）算法，有效地集成了视觉信息和力量信息，并提出了结合视觉感知的接收性控制策略。通过比较实验，将允许控制与视觉感知相结合，并将力控制的整体性能提高了68.75％。与经典的入学控制相比，峰值控制精度提高了15％。 实验结果表明，在平坦和不规则的凹面环境中，允许控制与视觉感知结合表现良好：它不仅可以准确地执行视觉构成的力控制任务，而且还可以在各种接触表面上维持施工力，并迅速适应环境变化。与经典的入学控制相比，峰值控制精度提高了15％。实验结果表明，在平坦和不规则的凹面环境中，允许控制与视觉感知结合表现良好：它不仅可以准确地执行视觉构成的力控制任务，而且还可以在各种接触表面上维持施工力，并迅速适应环境变化。在精确组装，医疗援助和服务操纵器的领域中，它可以提高操纵器在复杂和不确定的环境中的适应能力和稳定性，从而促进智能操纵器的自主操作的发展。
通过压缩
本文研究了最小描述长度（MDL）与神经网络中Grokking现象之间的关系，提供了有关突然泛化的信息理论观点。Grokking，在扩展培训后突然概括了模型，它挑战了神经网络学习动态的常规理解。我们假设由MDL量化的内部表示形式的组合是此过程的关键因素。为了测试这一点，我们引入了一种基于权重修剪的新型MDL估计技术，并将其应用于不同的数据集，包括模块化算术和置换任务。由于神经网络的复杂，高维质以及缺乏量化内部代表性的明确指标，这种方法是具有挑战性的。我们的实验揭示了MDL还原与改善的概括之间存在很强的相关性，而MDL过渡点通常在或与Grokking事件相吻合。我们观察到Grokking与非怪异场景中不同的MDL演化模式，其特征是快速减少MDL，然后在前者中持续概括。这些发现提供了有关Grokking信息理论基础的见解，并建议在训练过程中进行MDL监测可以预测即将泛化。我们的工作有助于更深入地了解神经网络中的学习动态，并为预测机器学习模型中的概括提供了新的工具。
用于数据特征选择和压缩特征表示的量子算法
量子计算已成为一个新兴领域，可能彻底改变信息处理和计算能力的格局，尽管物理上构建量子硬件已被证明是困难的，而且当前嘈杂中型量子 (NISQ) 时代的量子计算机容易出错且其包含的量子比特数量有限。量子机器学习是量子算法研究中的一个子领域，它对 NISQ 时代具有潜力，近年来其活动日益增多，研究人员将传统机器学习的方法应用于量子计算算法，并探索两者之间的相互作用。这篇硕士论文研究了量子计算机的特征选择和自动编码算法。我们对现有技术的回顾使我们专注于解决三个子问题：A) 量子退火器上的嵌入式特征选择，B) 短深度量子自动编码器电路，以及 C) 量子分类器电路的嵌入式压缩特征表示。对于问题 A，我们通过将岭回归转换为量子退火器固有的二次无约束二元优化 (QUBO) 问题形式并在模拟后端对其进行求解来演示一个工作示例。对于问题 B，我们开发了一种新型量子卷积自动编码器架构，并成功运行模拟实验来研究其性能。对于问题 C，我们根据现有技术的理论考虑选择了一种分类器量子电路设计，并与相同分类任务的经典基准方法并行进行实验研究，然后展示一种将压缩特征表示嵌入到该量子电路中的方法。
基于卷积网络的运动想象脑电自制数据集分类算法研究
同时，它将卷积神经网络与传统方法相结合，以基于短时傅立叶变换和连续小波变形的特征提取方法提出特征提取方法。卷积神经网络分类算法使用特征提取算法来提取时间频率特征来制作时间频率图，并使用卷积网络来快速学习分类的功能。测试结果表明，该算法在运动图像脑电图公共数据集中的精度为96％，而自制数据集的精度率约为92％，这证明了算法在运动成像EEG分类中的可行性。