Current Issue: <FITEE>

Frontiers of Information Technology & Electronic Engineering (former title: Journal of Zhejiang University SCIENCE C (Computers & Electronics), 2010-2014)

ISSN 2095-9184 (print); ISSN 2095-9230 (online); CN 33-1389/TP; Monthly.


FITEE is an international peer-reviewed journal indexed by SCI-E, Ei Compendex, DBLP, IC, Scopus, JST, CSA, etc. It covers research in Electrical and Electronic Engineering, including Computer Science, Information Sciences, Control, Automation, Telecommunications, and related disciplines.


Impact factor: 0.308 (2011), 0.297 (2012), 0.380 (2013), 0.415 (2014), 0.392 (2015), 0.622 (2016), 0.910 (2017), 1.033 (2018), 1.604 (2019), 2.161 (2020), 2.545 (2021), 3.0 (2022).

 


Frontiers of Information Technology & Electronic Engineering

ISSN 2095-9184 (print), ISSN 2095-9230 (online)

   Cover:  <8>
      
Contents:  <8>

CONTENTS

Review Articles

Review Article: Optimization methods in fully cooperative scenarios: a review of multiagent reinforcement learning

Tao YANG, Xinhao SHI, Qinghan ZENG, Yulin YANG, Cheng XU, Hongzhe LIU

DOI: 10.1631/FITEE.2400259 Downloaded: 490 Clicked: 534 Cited: 0 Commented: 0(p.479-509) <Full Text>   <PPT >  8

Chinese summary   <0>  完全合作场景中的优化方法:多智能体强化学习综述

杨涛1,2,史鑫昊1,2,曾庆含2,杨玉林2,徐成1,刘宏哲1
1北京联合大学北京市信息服务工程重点实验室,中国北京市,100101
2中国人民解放军32178部队科技创新研究中心,中国北京市,100012
摘要:近年来,多智能体强化学习已成为强化学习领域一颗耀眼的新星,展现了其在众多应用场景的巨大潜力。奖励函数通过建立评估标准和反馈机制,引导智能体在其环境中探索并做出最优决策。同时,宏观层面的协作目标为智能体的学习提供了轨迹,确保个体行为策略与整体系统目标的高度一致性。奖励结构与协作目标之间的相互作用,不仅增强了个体智能体的有效性,还促进了智能体之间的协作,为群体智能的发展和多智能体系统的和谐运行提供了动力和方向。本文深入探讨了多智能体强化学习中奖励结构的设计方法及协作目标的优化策略,详细审视了这些领域的最新科学进展。此外,对协作场景中的仿真环境应用进行了深入评述,讨论了该领域的未来发展趋势及潜在研究方向,为后续研究提供了前瞻视角与灵感。

关键词组:多智能体强化学习;合作框架;奖励函数;合作目标优化

Review Article: A comprehensive survey of physical adversarial vulnerabilities in autonomous driving systems

Shuai ZHAO, Boyuan ZHANG, Yucheng SHI, Yang ZHAI, Yahong HAN, Qinghua HU

DOI: 10.1631/FITEE.2300867 Downloaded: 826 Clicked: 1159 Cited: 0 Commented: 0(p.510-533) <Full Text>   <PPT >  6

Chinese summary   <0>  面向自动驾驶系统的物理对抗脆弱性综述

赵帅1,2,3,张博渊1,2,石育澄1,2,翟洋1,2,3,韩亚洪1,2,胡清华1,2
1天津大学智能与计算学部,中国天津市,300072
2天津市机器学习重点实验室,中国天津市,300072
3中汽智联技术有限公司,中国天津市,300000
摘要:自动驾驶系统(ADS)在机器学习领域受到广泛关注。借助深度神经网络(DNN),这些系统在面对环境重大不确定性时不仅展现满意性能,还能在没有外部干预情况下纠正系统故障。然而,由于深度神经网络易受对抗样本攻击,自动驾驶系统的脆弱性成为研究焦点。本文详细调查了当前自动驾驶系统存在的物理对抗漏洞。首先,根据部署限制将物理对抗攻击和防御方法分为3类:现实世界、仿真世界及数字世界。分析自动驾驶系统中不同传感器的对抗攻击,将其分为基于摄像头的攻击、基于激光雷达(LiDAR)的攻击及基于多传感器融合的攻击。根据交通元素将攻击任务分类。对于物理防御,以图像预处理、对抗检测和模型增强防御为基础,为深度神经网络模型建立一个全面的防御体系。最终讨论了该研究领域面临的挑战,并展望未来发展方向。

关键词组:物理对抗攻击;物理对抗防御;人工智能安全;深度学习;自动驾驶系统;数据融合;对抗脆弱性

Research Articles

Handling polysemous triggers and arguments in event extraction: an adaptive semantics learning strategy with reward–penalty mechanism

Haili LI, Zhiliang TIAN, Xiaodong WANG, Yunyan ZHOU, Shilong PAN, Jie ZHOU, Qiubo XU, Dongsheng LI

DOI: 10.1631/FITEE.2400220 Downloaded: 742 Clicked: 1124 Cited: 0 Commented: 0(p.534-555) <Full Text>   <PPT >  8

Dynamic prompting class distribution optimization for semi-supervised sound event detection

Lijian GAO, Qing ZHU, Yaxin SHEN, Qirong MAO, Yongzhao ZHAN

DOI: 10.1631/FITEE.2400061 Downloaded: 742 Clicked: 1066 Cited: 0 Commented: 0(p.556-567) <Full Text>   <PPT >  9

Chinese summary   <0>  基于动态提示类分布优化的半监督声音事件检测方法

高利剑1,朱青1,沈雅馨1,毛启容1,2,詹永照1
1江苏大学计算机科学与通信工程学院,中国镇江市,212016
2江苏省大数据泛在感知与智能农业应用工程研究中心,中国镇江市,212016
摘要:半监督声音事件检测任务通常利用大规模无标签数据和合成数据提升模型的泛化能力,从而有效降低模型在少量有标注数据上的过拟合。然而,泛化训练过程通常伴随伪标签噪声和域知识差异造成的干扰。为缓解半噪声干扰类分布学习的问题,提出一种基于动态提示优化的半监督类分布学习方法(PADO)。具体而言,当给定真实标签数据时,PADO动态嵌入一组可学习的独立参数(类令牌)以挖掘真实分布的先验知识,作为额外提示信息,与带噪后验分布知识动态交互,从而实现类分布知识的优化,并保留模型泛化性能。基于此,PADO能够显著提升类分布学习效率。在DCASE2019、2020及2021数据集上的实验结果表明,PADO明显优于当前先进方法,且易于迁移至其他主流模型。

关键词组:提示优化;类分布学习;半监督学习;声音事件检测

XIRAC: an optimized product-oriented near-real-time operating system with unlimited tasks and an innovative programming paradigm based on the maximum entropy method

Alireza ZIRAK

DOI: 10.1631/FITEE.2400102 Downloaded: 419 Clicked: 649 Cited: 0 Commented: 0(p.568-587) <Full Text>

Chinese summary   <0>  XIRAC:一种优化的具有无限制任务及创新编程范式的基于最大熵且面向产品的近实时操作系统

Alireza ZIRAK
核科学与技术研究院光子学与量子技术研究所,伊朗德黑兰,111553486
摘要:在受限硬件环境下,包括物联网在内的面向产品的操作系统面临着难以同时高效管理海量实时任务并执行资源密集型应用的重大挑战。为弥补该类嵌入式操作系统与通用操作系统的性能鸿沟,在信息论指导下,本文构建了一种优化的实时操作系统XIRAC。XIRAC利用香农信息论来调节处理器的工作负载,最大限度减少上下文切换,并通过最大化系统熵容限实现进程抢占。与以往仅将信息论用于任务优先级匹配的方法不同,XIRAC将最大熵集成到实时操作系统(RTOS)与调度算法的内核中。随后,将若干常见的无限制任务从应用层迁移至系统内核,以优化海量的系统参数。描述了这种架构转变的优势,包括优化的系统性能、可扩展性和适应性。从这种集成中衍生出一种新兴编程范式,称为"对象模拟编程"。XIRAC在多种产品中的实际应用展示了更多优势,包括缩短学习曲线、消除对库函数和线程的依赖、优化芯片潜能、提高产品开发的竞争力。本文对上述优势进行了全面总结,并通过实际案例与应用探讨了其影响。

关键词组:任务调度;信息论;嵌入式实时操作系统(RTOS);最大熵;负载均衡

Joint active user detection and channel estimation for massive machine-type communications: a difference-of-convex optimization perspective

Lijun ZHU, Kaihui LIU, Liangtian WAN, Lu SUN, Yifeng XIONG

DOI: 10.1631/FITEE.2400035 Downloaded: 804 Clicked: 1285 Cited: 0 Commented: 0(p.588-604) <Full Text>   <PPT >  8

Chinese summary   <0>  大规模机器类型通信的联合活跃用户检测和信道估计:凸差优化视角

朱丽君1,刘开晖2,万良田3,孙璐4,熊一枫1
1北京邮电大学信息与通信工程学院,中国北京市,100876
2东莞理工学院电信工程与智能化学院,中国东莞市,523808
3大连理工大学软件学院,中国大连市,116024
4大连海事大学信息科学技术学院,中国大连市,116026
摘要:在免授权的大规模机器类型通信(mMTC)系统中,基于稀疏的联合活跃用户检测和信道估计(JADCE)算法至关重要。传统的压缩感知算法适用于非相干通信系统,其中任意两个测量之间的相关性尽可能小。然而,现有的基于稀疏的JADCE方法在强相干系统中可能无法达到最佳性能,尤其是在少量导频子载波的情况下。为解决这一问题,通过利用大规模多输入多输出正交频分复用(MIMO-OFDM)系统中毫米波信道的块状行稀疏结构,我们将JADCE建模为一个基于多测量向量(MMV)框架的联合稀疏信号恢复问题。然后,从凸差(DC)优化视角提出一种基于凸差算法(DCA)的高效JADCE方法。为进一步降低算法的计算复杂度,引入一种近端算子实现了基于DCA的快速JADCE算法,该算法采用低复杂度的交替方向乘子法(ADMM)直接解决优化问题。仿真实验结果表明,与现有基于压缩感知的JADCE方法相比,本文所提出的两种凸差算法实现了有效的活跃用户检测和精确的信道估计。

关键词组:联合活跃用户检测和信道估计;大规模机器类型通信;凸差函数算法;交替方向乘子法

Minimizing transformer inference overhead using controlling element on Shenwei AI accelerator

Yulong ZHAO, Chunzhi WU, Yizhuo WANG, Lufei ZHANG, Yaguang ZHANG, Wenyuan SHEN, Hao FAN, Hankang FANG, Yi QIN, Xin LIU

DOI: 10.1631/FITEE.2400453 Downloaded: 439 Clicked: 527 Cited: 0 Commented: 0(p.605-622) <Full Text>

Chinese summary   <0>  使用申威人工智能加速器的控制单元最小化Transformer推理开销

赵玉龙1,吴春志1,2,王一卓3,张鲁飞1,张亚光3
沈文渊3,范昊1,方韩康4,秦亦4,刘鑫5
1数学工程与先进计算国家重点实验室,中国无锡市,214000
2航天工程大学士官学校,中国北京市,100004
3国家超级计算无锡中心,中国无锡市,214000
4之江实验室,中国杭州市,310000
5国家并行计算机工程技术研究中心,中国北京市,100081
摘要:基于Transformer架构的模型已成为自然语言处理领域的基石。然而,推理过程巨大的计算开销仍然是重大挑战,限制了这些模型的实际应用。本文在人工智能(AI)加速器上使用控制单元,以最小化Transformer模型推理过程的开销,主要包含4方面内容:首先,对Transformer推理过程的开销组成进行全面分析,识别主要瓶颈。其次,利用申威人工智能(SWAI)加速器的主核(MPE),实现了一个三级调度框架,使得主机与设备之间的启动次数减至原始PyTorch-GPU设置的万分之一左右。再次,引入一种基于段页融合的零拷贝内存管理技术,显著减少内存访问延迟并提高整体推理效率。最后,开发一种快速模型加载方法,消除模型验证和初始化过程的冗余计算,将大模型总加载时间从22 128.31毫秒减至1041.72毫秒。本文显著优化了Transformer模型,使其在AI加速器上的推理更加高效和迅速。

关键词组:Transformer推理优化;三级调度;零拷贝内存管理;快速模型加载

A UAV-enabled mobile edge computing paradigm for dependent tasks based on a computing power pool

Xuebin LAI, Yan GUO, Ming HE, Hao YUAN, Wei LI, Xiaonan CUI

DOI: 10.1631/FITEE.2400465 Downloaded: 202 Clicked: 212 Cited: 0 Commented: 0(p.623-638) <Full Text>   <PPT >  6

Chinese summary   <0>  基于算力池的依赖型任务无人机移动边缘计算范式

赖雪斌1,郭艳1,何明2,袁昊1,李伟1,崔晓楠1
1中国人民解放军陆军工程大学通信工程学院,中国南京市,210007
2中国人民解放军陆军工程大学指挥与控制工程学院,中国南京市,210007
摘要:随着5G和6G通信技术不断演进与发展,物联网设备显著增长,人工智能应用日益广泛,这一趋势给目前的算力网络提出前所未有的挑战。无人机移动边缘计算(U-MEC)被认为是一种有效的应对范式。尽管如此,无人机资源供给与计算需求之间的矛盾成为亟待解决的难题。近期,针对具有依赖性的计算任务,研究人员提出一系列资源管理方法。然而,这些方法往往忽略了任务之间的重复性。针对这一问题,我们提出一种基于算力池的无人机移动边缘计算方法,允许无人机共享信息和计算资源。为确保算力池的有效构建,提出一个通过联合优化卸载策略、任务调度和资源分配来平衡无人机能耗的问题。为解决这一NP难问题,设计了一种基于连续凸近似和改进遗传算法的两阶段交替优化算法。仿真结果表明,所提方法平均减少了无人机18.41%的时间和21.68%的能耗,显著提高了任务完成效率。

关键词组:无人机;无人机移动边缘计算;算力池;依赖性;重复性

Analog-only beamforming for near-field multiuser MIMO communications

Ying WANG, Chenhao QI

DOI: 10.1631/FITEE.2400433 Downloaded: 334 Clicked: 366 Cited: 0 Commented: 0(p.639-651) <Full Text>   <PPT >  7

Chinese summary   <0>  面向近场多用户多入多出通信的纯模拟波束成形研究

王莹1,2,戚晨皓1,2
1东南大学信息科学与工程学院,中国南京市,210096
2东南大学移动通信国家重点实验室,中国南京市,210096
摘要:在基于混合波束成形(HBF)架构的近场多用户通信系统中,高质量的等效信道估计是获取信道状态信息(CSI)以设计数字波束成形器的关键。为简化系统架构并完全消除等效信道估计所需的导频开销,本文提出一种基于纯模拟波束成形(AoBF)的架构。该方案以系统的和速率最大化为目标,将和速率最大化问题转化为目标用户功率最大化同时非目标用户功率最小化的问题。为解决该问题,使用波束聚焦和波束零陷进行纯模拟波束成形,并利用优化-最小化(MM)算法优化求解。本文提出两种AoBF方案:基于完美CSI的AoBF方案不考虑CSI获取方法的影响,重点关注AoBF替代HBF的可行性;基于非完美CSI的AoBF方案利用基于近场码本的波束扫描获得低维非完美CSI。仿真结果表明,两种AoBF方案的和速率性能可逼近HBF方案,且在能量效率方面优于HBF方案。

关键词组:波束聚焦;波束成形;MM算法;多用户通信;近场

A parasitic coupling network concept for mutual coupling utilization in wideband multielement antenna arrays

Xiaojun ZOU, Guangming WANG, Yawei WANG, Wei SONG, Hang ZHU, Ming TAN, Xuguang XU, Guoqin KANG, Binfeng ZONG

DOI: 10.1631/FITEE.2300742 Downloaded: 774 Clicked: 1066 Cited: 0 Commented: 0(p.652-670) <Full Text>   <PPT >  7

Chinese summary   <0>  一种用于宽带多元天线阵耦合利用的寄生耦合网络

邹晓鋆1,王光明2,王亚伟2,宋伟1,朱航1,谭铭1,许旭光1,康国钦1,宗彬锋2
1国防科技大学信息通信学院,中国武汉市,430035
2空军工程大学防空反导学院,中国西安市,710051
摘要:本文研究了一种利用寄生耦合网络(PCN)来拓宽天线阵有源反射系数(ARC)带宽的新方法。与传统紧耦合阵列采用空间结构来增强平衡馈电天线间耦合不同的是,采用严格公式推导的PCN被加载至非平衡馈电天线的馈线中。首先在网络分析的基础上推导了M×N元天线阵的耦合利用条件并实现了PCN。然后,通过在二元H面和E面双层耦合微带天线阵之间引入寄生单元和耦合网络实现了PCN;与原阵列相比,带宽分别提高10.9%和30.8%。此外,PCN被进一步扩展到多元天线阵,包括三元和五元一维阵列以及8×2二维阵列;这3款天线阵都具有40%左右的共用ARC带宽,且有正向辐射方向图、稳定增益和适宜的扫描特性。结果表明PCN在大规模宽带阵列中具有潜在应用前景。

关键词组:有源反射系数(ARC);天线阵;寄生耦合网络(PCN);扫描阵;宽带



Journal of Zhejiang University-SCIENCE, 38 Zheda Road, Hangzhou 310027, China
Tel: +86-571-87952783; E-mail: cjzhang@zju.edu.cn
Copyright © 2000 - 2025 Journal of Zhejiang University-SCIENCE