<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[国防科技大学学报编辑部 -->人工智能]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[图强化学习算法及其在工业领域的应用研究综述]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250408]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[强化学习在决策支持、组合优化及智能控制等领域的成功应用推动了其对复杂工业场景的探索，然而现有强化学习方法难以迁移到非欧几里得空间的图结构数据。图神经网络在学习图结构数据方面表现出卓越的性能，为此，通过将图与强化学习结合将图结构数据引入强化学习任务中，丰富了强化学习的知识表征，为解决复杂工业过程问题提供了新范式。系统梳理了图强化学习算法在工业领域的研究进展，从算法架构层面归纳总结图强化学习算法并提炼出了三大主流范式，探讨了其在生产调度、工业知识图谱推理、工业互联网及电力系统领域的应用进展，并分析了当前该领域面临的挑战与未来的发展趋势。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[李大字，刘子博，包琰洋，董才波，徐昕]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250408]]></guid><cfi:id>11</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向图像处理逆问题的扩散模型研究综述]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250409]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[扩散模型是一种新型生成式人工智能模型，相比生成对抗网络、变分自编码网络、流模型等传统网络，具有训练稳健、生成保真性与多样性高、数学可解释性强等特点，在计算机视觉、信号处理、多模态学习等领域应用广泛。扩散模型能够充分学习挖掘训练图像的深度生成先验，为解决图像处理逆问题提供了一类全新解决范式。为了系统性梳理扩散模型发展现状，特别是其解决图像处理逆问题的最新进展，对面向图像处理逆问题的扩散模型研究进行了综述，阐述了扩散模型的基本原理及其发展现状，重点介绍了利用扩散模型解决图像处理逆问题的主要技术路线，以及在该方向的具体应用成果，并展望了未来研究方向。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[王泽龙，吴宇航，李健，杨轩]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250409]]></guid><cfi:id>10</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向长序列自主作业的非对称Actor-Critic强化学习方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250410]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[长序列自主作业能力已成为制约智能机器人走向实际应用的问题之一。针对机器人在复杂场景中面临的多样化长序列操作技能需求，提出了一种高效鲁棒的非对称Actor-Critic强化学习方法，旨在解决长序列任务学习难度大与奖励函数设计复杂的挑战。通过整合多个Critic网络协同训练单一Actor网络，并引入生成对抗模仿学习为Critic网络生成内在奖励，从而降低长序列任务学习难度。在此基础上，设计两阶段学习方法，利用模仿学习为强化学习提供高质量预训练行为策略，在进一步提高学习效率的同时，增强策略的泛化性能。面向化学实验室长序列自主作业的仿真结果表明，该方法显著提高了机器人长序列操作技能的学习效率与行为策略的鲁棒性。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[任君凯，瞿宇珂，罗嘉威，倪子淇，卢惠民，叶益聪]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250410]]></guid><cfi:id>9</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[沙普利值分解的动态兵力部署策略规划方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250411]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对动态兵力部署问题，提出了一种基于沙普利值分解多智能体强化学习的策略规划方法。借助沙普利值分解来解释协作多智能体之间的奖励分配，利用基于沙普利分解强化学习方法求解马尔可夫凸博弈策略；针对海空跨域协同对抗场景，分析异构多实体协同对抗中空间域作战资源的分配，构建动态兵力部署策略规划模型，设计问题的状态空间、动作空间和奖励函数。围绕典型应用场景，利用兵棋推演系统对动态兵力部署问题组织了仿真实验验证，结果表明，与多类基线算法相比，所提方法在动态兵力部署策略规划方面性能优异，同时理论上具备可解释性，学到了“层层拦截、分区对抗，掩护核心、分层破击”长时域动态兵力部署策略。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[罗俊仁，张万鹏，苏炯铭，李胜强，陈璟]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250411]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[三轮全向移动的多机器人动态可视化验证平台]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250412]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为更好地研究分布式协作机器人中的复杂集体行为，设计了一种三轮全向移动的多机器人动态可视化验证平台，旨在提供一个直观且灵活的实验环境，促进多机器人算法的测试与发展。该平台由自主研发的低成本小型全向轮式移动机器人和可视化触摸屏幕构成，后者支持手势识别及物体形状检测，能够配置多样化的动态渲染场景。通过此平台，研究人员可以专注于多机器人系统中算法的设计与优化，同时不受限于特定场景或任务设定。该平台已经测试了机器人运动性能，并在多个任务场景中成功验证了多机器人算法，初步验证了其有效性和灵活性。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[朱鹏铭，阳佳奇，刘鹏，邱学凯，代维，曾志文，卢惠民，周宗潭]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250412]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[考虑层敏感性的卷积神经网络混合精度量化方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250413]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对如何将神经网络保真映射到资源受限的嵌入式设备这一问题，提出基于层敏感性分析的卷积神经网络混合精度量化方法。通过计算Hessian矩阵平均迹衡量卷积层参数的敏感性，为位宽分配提供依据；使用逐层升降方法进行位宽分配，最终完成网络模型的混合精度量化。实验结果表明，与DoReFa和LSQ+两种固定精度量化方法相比，所提出的混合精度量化方法在平均位宽为3 bit的情况下将识别准确率提高了10.2%和1.7%；与其他混合精度量化方法相比，所提方法识别准确率提高了1%以上。此外，加噪训练能够有效提高混合精度量化方法的鲁棒性，在噪声标准差为0.5的情况下，将识别准确率提高了16%。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[刘海军，张晨曦，王析羽，陈长林，陈军，李智炜]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250413]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[深度图像聚类的交替归一化与类别均匀先验优化方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250414]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[深度图像聚类采用深度学习方法对无标签图像数据的类簇结构进行分析，然而，缺乏类别标签提供确定信息，无监督深度图像聚类可能输出不确定聚类预测导致噪声信息，不利于性能提升和应用发展。因此，提出一种基于交替归一化和类别均匀先验的聚类预测优化方法，校正低置信度预测，提升了深度图像聚类性能。同时，该方法与模型结构和训练过程耦合度较低，可实现深度图像聚类的跨模型优化。通过在多个数据集上的实验结果表明，该方法对多种深度图像聚类模型具有较好的聚类预测优化效果。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[朱翌明，马征]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250414]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[YOLOv8-DM轻量化光伏组件缺陷检测方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250415]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对光伏组件损伤检测的难度大、现有检测技术对人力和算力的需求高的现状，基于YOLOv8n提出一种改进的轻量化模型YOLOv8-DM，结合电致发光成像技术和目标检测方法，实现光伏组件缺陷检测。创新性地提出尺度特征自适应金字塔网络和倒置残差高效多尺度注意力机制，并引入结合动态卷积的Ghost模块，针对YOLOv8n模型在特征表达和多尺度目标识别方面的不足进行优化，增强细粒度检测能力并降低计算复杂度。YOLOv8-DM模型在经数据增强的PVEL-AD数据集上测试，召回率和mAP50较初始模型分别提升3%和3.3%，参数量与算力需求分别降低34%和20%，可以较好满足光伏组件缺陷检测任务中对低计算成本和高检测精度的实际需求。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[杨威，张长胜，刘辉]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250415]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[组合枚举时间间隔对比学习序列推荐]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250416]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对序列推荐任务中对比学习模型生成自监督信号质量不足的问题，提出组合枚举时间间隔对比学习序列推荐模型。通过时间间隔扰动的数据增强操作，以生成保留时序信息的增强序列。为构建多视图增强序列对，提出组合枚举策略以最大化地融合用户行为与时间间隔信息。模型采用多头注意力机制对用户行为序列进行编码，并通过多任务联合训练方式优化自监督信号来提升模型性能。所提模型适用于数据稀疏性高、交互行为不均匀的场景，有效解决自监督信号建模难题。在三个真实数据集上的实验结果表明，该模型在命中率（hit ratio，HR）和归一化折损累计增益（normalized discounted cumulative gain，NDCG）指标上均优于当前最先进的对比学习模型。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[张文轩，孙福振，王澳飞，张志伟，王绍卿]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250416]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[数据增强与规则引导的大语言模型电网法律答辩文书生成]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250417]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为提升大语言模型在少样本环境下生成电网法律文书的能力，结合数据增强与规则引导技术，提出一种基于大语言模型的少样本法律文书生成方法，解决了电网企业法律文书生成中样本稀缺、专业性强、实践经验复杂等问题。实验结果表明，该方法在电网法律答辩文书生成任务中取得了优异效果，有效提升了模型生成文本的质量与专业性。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[黄成燕，查小云，丁群晏，胡伟]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250417]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[齿轮传动系统健康监测的故障边频簇惩罚回归提取方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250418]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[当齿轮发生故障时，频谱中出现以啮合频率及其高阶谐波频率为中心、以齿轮旋转频率为间隔的多阶调制边频簇现象。为了自动聚焦故障边频成分，提出一种惩罚回归的故障边频簇提取方法，通过自适应稀疏群套索回归自数据驱动策略确定惩罚系数大小，在线更新频谱权重，以此找到故障边频簇。在稀疏群套索回归获得的各边频权重系数基础上，提出一种新稀疏群套索边带指标对齿轮传动系统进行健康监测，实现齿轮传动系统早期故障预警与定位。结果分析表明，所提出的方法可以实现更准确的齿轮早期故障预警与故障定位。]]></description>
<pubDate>2025/7/23 0:00:00</pubDate>
<category><![CDATA[人工智能]]></category>
<author><![CDATA[孔德同，李乃鹏，李鑫宇，刘超，张乐平，黄宇昊]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20250418]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>