首页期刊导航|自动化学报
期刊信息/Journal information
自动化学报
中国自动化学会 中国科学院自动化研究所
自动化学报

中国自动化学会 中国科学院自动化研究所

王飞跃

月刊

0254-4156

aas@ia.ac.cn

010-62565763；82614566

100190

北京市海淀区中关村东路95号（北京2728信箱）

自动化学报/Journal Acta Automatica SinicaCSCD北大核心CSTPCDEI
查看更多>>本刊是中国科学院主管，中国自动化学会、中国科学院自动化研究所共同主办的高级学术期刊。本刊主要刊载自动化科学与技术领域的高水平理论性和应用性的科研成果，内容包括：1）自动控制理论；2）系统理论与系统方法；3）自动化技术在国民经济各领域中的创造性应用；4）自动化系统计算机辅助设计；5）机器人与自动化；6）人工智能与智能控制；7）模式识别与图象处理；8）自动控制系统中的新概念、新原理、新方法、新设计；9）信息理论与信息处理技术等。
正式出版
收录年代

    非对称偏斜噪声条件下一种鲁棒概率系统辨识算法研究

    刘鑫陈强王兰豪代伟...
    2022-2035页
    查看更多>>摘要：在现有的系统辨识算法中，常用的高斯、学生氏t(Student's t，St)、拉普拉斯等噪声分布均呈现出对称的统计特性，难以描述非对称性、有偏的输出噪声，使得在非对称偏斜噪声条件下算法的性能下降。基于此，研究一类广义双曲倾斜学生氏t(Generalized hyperbolic skew student's t，GHSkewt)分布，并在非对称偏斜噪声条件下，提出一种线性系统鲁棒辨识算法。首先，对GHSkewt分布的重尾特性和偏斜特性进行详细阐述，数学上证明了标准学生氏t分布可看作是GHSkewt分布的一个特例;其次，引入隐含变量将GHSkewt分布进行数学分解，以方便算法的推导和实现;最后，在期望最大化(Expectation-maximization，EM)算法下，重构具有隐含变量系统的代价函数，通过迭代优化的方式，不断从被污染数据集中学习过程的动态特性和噪声分布，实现噪声参数和模型参数的联合估计。

    鲁棒系统辨识非对称偏斜噪声广义双曲倾斜学生氏t分布期望最大化算法

      原文链接:
    • 万方数据
    • 维普

    基于RUL和SVs-GFF的云服务器老化预测方法

    孟海宁童新宇谢国张贝贝...
    2036-2048页
    查看更多>>摘要：针对云服务器中存在软件老化现象，将造成系统性能衰退与可靠性下降问题，借鉴剩余使用寿命(Remaining useful life，RUL)概念，提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting，SVs-GFF)的老化预测方法。首先，提取云服务器老化数据的统计特征指标，并采用支持向量回归(Support vector regression，SVR)对统计特征指标进行数据稀疏化处理，得到支持向量(Support vectors，SVs)序列数据;然后，建立基于密度聚类的高斯函数拟合(Gaussian function fitting，GFF)模型，对不同核函数下的支持向量序列数据进行老化曲线拟合，并采用Fréchet距离优化算法选取最优老化曲线;最后，基于最优老化曲线，评估系统到达老化阈值前的RUL，以预测系统何时发生老化。在OpenStack云服务器4个老化数据集上的实验结果表明，基于RUL和SVs-GFF的云服务器老化预测方法与传统预测方法相比，具有更高的预测精度和更快的收敛速度。

    云服务器软件老化支持向量回归高斯函数拟合剩余使用寿命

      原文链接:
    • 万方数据
    • 维普

    基于逐层增量分解的深度网络神经元相关性解释方法

    陈艺元李建威邵文泽孙玉宝...
    2049-2062页
    查看更多>>摘要：神经网络的黑箱特性严重阻碍了人们关于网络决策的直观分析与理解。尽管文献报道了多种基于神经元贡献度分配的决策解释方法，但是现有方法的解释一致性难以保证，鲁棒性更是有待改进。本文从神经元相关性概念入手，提出一种基于逐层增量分解的神经网络解释新方法LID-Taylor(Layer-wise increment decomposition)，且在此基础上先后引入针对顶层神经元相关性的对比提升策略，以及针对所有层神经元相关性的非线性提升策略，最后利用交叉组合策略得到最终方法SIG-LID-IG，实现了决策归因性能的鲁棒跃升。通过热力图对现有工作与提出方法的决策归因性能做了定性定量评估。结果显示，SIG-LID-IG在神经元的正、负相关性的决策归因合理性上均可媲美甚至优于现有工作。SIG-LID-IG在多尺度热力图下同样取得了精确性更高、鲁棒性更强的决策归因。

    神经网络可解释性决策相关性逐层相关性传播类激活图积分梯度

      原文链接:
    • 万方数据
    • 维普

    基于组-信息蒸馏残差网络的轻量级图像超分辨率重建

    王云涛赵蔺刘李漫陶文兵...
    2063-2078页
    查看更多>>摘要：目前，基于深度学习的超分辨算法已经取得了很好性能，但这些方法通常具有较大内存消耗和较高计算复杂度，很难应用到低算力或便携式设备上。为了解决这个问题，设计一种轻量级的组-信息蒸馏残差网络(Group-information dis-tillation residual network，G-IDRN)用于快速且精确的单图像超分辨率任务。具体地，提出一个更加有效的组-信息蒸馏模块(Group-information distillation block，G-IDB)作为网络特征提取基本块。同时，引入密集快捷连接，对多个基本块进行组合，构建组-信息蒸馏残差组(Group-information distillation residual group，G-IDRG)，捕获多层级信息和有效重利用特征。另外，还提出一个轻量的非对称残差Non-local模块，对长距离依赖关系进行建模，进一步提升超分性能。最后，设计一个高频损失函数，去解决像素损失带来图像细节平滑的问题。大量实验结果表明，该算法相较于其他先进方法，可以在图像超分辨率性能和模型复杂度之间取得更好平衡，其在公开测试数据集B100上，4倍超分速率达到56 FPS，比残差注意力网络快15倍。

    残差网络超分辨率特征蒸馏高频损失

      原文链接:
    • 万方数据