我们提出了MC-CIM，一个计算内存（CIM）框架，用于强大，但低功耗，贝叶斯边缘智能。具有确定性权重的深神经网络（DNN）不能表达他们的预测不确定性，从而对误诊的后果是致命的诸如外科机器人的应用来说，对应用来说造成危急风险。为了解决这个限制，DNN的贝叶斯推论已经受到关注。使用贝叶斯推断，不仅是预测本身，而且还可以提取预测置信度以规划风险感知的动作。然而，DNN的贝叶斯推断是计算昂贵的，不适合实时和/或边缘部署。使用Monte Carlo Dropout（MC-Tropout）的贝叶斯DNN近似值和低计算复杂性具有高的鲁棒性。增强该方法的计算效率，我们讨论了一个新的CIM模块，除了内存重量输入标量产品之外，还可以对内存概率丢弃进行支持，以支持该方法。我们还提出了计算重复使用的MC-Dropout的重新使用，其中每个连续实例可以利用来自之前的迭代的产品和计算。甚至更多，我们讨论如何通过利用组合优化方法来最佳地订购随机实例，以最小化整体MC-Dropout工作负载。讨论了基于CIM的MC-Tropout执行的应用，用于自主无人机的MNIST字符识别和视觉径管（VO）。框架可靠地给出了MC-CIM在很大程度上的非理想中的预测信心。提出了MC-CIM，具有16x31 SRAM阵列，0.85 V电源，16nm低待机电源（LSTP）技术在其最佳计算和外围配置中消耗了30个MC-Dropout实例的30个MC-Dropout实例，节省了43％的能量与典型相比执行。
translated by 谷歌翻译
土壤侵蚀是对世界各地环境和长期土地管理的重大威胁。人类活动加速的土壤侵蚀会造成陆地和水生生态系统的极端变化，这在现场阶段（30-m）的当前和可能的未来没有得到充分的调查/预测。在这里，我们使用三种替代方案（2.6、4.5和8.5）估计/预测通过水侵蚀（薄板和RILL侵蚀）的土壤侵蚀速率，共享社会经济途径和代表性浓度途径（SSP-RCP）情景。田间尺度的土壤侵蚀模型（FSSLM）估计依赖于由卫星和基于图像的土地使用和土地覆盖的估计（LULC）集成的高分辨率（30-m）G2侵蚀模型，对长期降水量的规范观察，以及耦合模型比较项目阶段6（CMIP6）的方案。基线模型（2020年）估计土壤侵蚀速率为2.32 mg HA 1年1年，具有当前的农业保护实践（CPS）。当前CPS的未来情况表明，在气候和LULC变化的SSP-RCP方案的不同组合下，增加了8％至21％。 2050年的土壤侵蚀预测表明，所有气候和LULC场景都表明极端事件的增加或极端空间位置的变化很大程度上从南部到美国东部和东北地区。
translated by 谷歌翻译
我们研究了一种新颖的方法，用于在网络控制系统中使用二次成本进行弹性分布式优化的方法，容易出现使代理行为不良的外源性攻击。与普遍采用的过滤策略相反，我们从共识问题的游戏理论表述中汲取灵感，并认为在恶意药物的存在下增加竞争可以提高韧性。分析和数值结果证实了我们的直觉，表明（i）我们的策略揭示了完全协作和全面竞争之间的非平凡性能权衡，（ii）基于竞争的方法可以超越基于平均值的最先进算法子序列减少。最后，我们研究了通信拓扑和连接性对性能的影响，并指出了对强大的网络设计的见解。
translated by 谷歌翻译
端到端的学习模型表明，在执行语音隔离方面具有显着的能力。尽管它们在现实世界中广泛应用，但对他们对分组的机制并因此将单个说话者隔离开来知之甚少。在这项工作中，我们知道谐调是这些网络分组源的关键提示，我们对Convtasnet和DPT-NET进行了彻底的研究，以分析它们如何对输入混合物进行谐波分析。我们进行彻底研究，在其中应用低通，高通和带路的多个传球循环过滤器，以凭经验分析最重要的隔离谐波。我们还研究了这些网络如何通过引入合成混合物中的不连续性来决定将哪种输出通道分配给估计来源。我们发现，端到端网络非常不稳定，并且在面对人类无法察觉的变形时性能差。用频谱图替换这些网络中的编码器会导致整体性能降低，但稳定性更高。这项工作有助于我们理解这些网络依赖语音隔离的信息，并揭示了两种概括源。它还将编码器指定为负责这些错误的网络的一部分，从而可以重新设计专家知识或转移学习。
translated by 谷歌翻译
有时，图像传达的含义超出了它们所包含的对象列表。相反，图像可能会表达有力的信息以影响观众的思想。推断此消息需要有关对象之间关系以及有关组件的一般常识知识的推理。在本文中，我们使用场景图，图像的图表来捕获视觉组件。此外，我们使用从概念网络提取的事实来生成知识图，以了解对象和属性。为了检测符号，我们提出了一个名为SKG-SYM的神经网络框架。该框架首先使用图形卷积网络生成图像的场景图及其知识图的表示。然后，该框架融合了表示形式，并使用MLP对其进行分类。我们进一步扩展网络以使用注意力机制，该机制了解图表的重要性。我们在广告数据集上评估我们的方法，并将其与基线象征主义分类方法（RESNET和VGG）进行比较。结果表明，我们的方法在F评分方面优于重新连接，并且基于注意力的机制与VGG具有竞争力，而模型的复杂性较低。
translated by 谷歌翻译
在本研究中，提出了基于人工神经网络（ANN）预测负载的基于粒子群优化（PSO）的需求响应（DR）模型。德克萨斯州奥斯汀市的住宅区的电气负荷和气候数据被用作ANN的输入。然后，使用日前价格数据的结果用于解决负载转移和降低成本问题。根据结果，提议的模型具有降低付款成本和峰值负载的能力。
translated by 谷歌翻译
语音信号的多分辨率光谱特征代表大脑通过将皮质细胞调整为不同光谱和时间调制的方式来感知声音。这些功能会产生语音信号的较高维度表示。本文的目的是评估语音信号的听觉皮层表示对这些相应信号的估计发音特征的贡献。自从获得语音信号的声学特征的发音特征一直是不同语音社区感兴趣的主题，我们研究了将语音信号作为声学特征的多分辨率表示的可能性。我们使用威斯康星州X射线微束（XRMB）的清洁语音信号数据库来训练馈送前进的深神经网络（DNN），以估计六个区域变量的关节轨迹。使用适当的量表和速率向量参数选择了最佳的多分辨率光谱特征来训练模型，以获得最佳性能模型。实验与地面真相变量的相关性达到0.675。我们将该语音反演系统的性能与使用MEL频率曲线系数（MFCC）进行的先前实验进行了比较。
translated by 谷歌翻译
在低地球轨道（LEO）Mega Constellation中，有相关的用例，例如基于卫星成像的推断，其中大量卫星在不共享其本地数据集的情况下协作机器学习模型。为了解决这个问题，我们提出了一种基于联合学习（FL）的新一套算法，包括基于FedAVG的新型异步流程，其对异构情景具有比最先进的异构情景更好的鲁棒性。基于MNIST和CIFAR-10数据集的广泛数值评估突出了所提出的方法的快速收敛速度和优异的渐近试验精度。
translated by 谷歌翻译
拓扑数据分析（TDA）研究数据的形状模式。持续同源性（pH）是TDA中广泛使用的方法，其总结了多个尺度的数据的同源特征，并将它们存储在持久图（PDS）中。在本文中，我们提出了一种随机持久性图（RPDG）方法，其生成从数据产生的那些随机PDS序列。RPDG由（i）基于对持久性图推断的成对交互点处理的模型，并通过可逆跳转马克可蒙特卡罗（RJ-MCMC）算法来生成PDS样本。基于合成数据集的第一示例演示了RPDG的功效，并提供了与用于采样PDS的其他现有方法的详细比较。第二个例子演示了RPDG求解材料科学问题的效用，给出了小样本大小的真实数据集。
translated by 谷歌翻译
我们提供了机器人智能系统和控制（RISC）LAB MULTIAGEGGENT测试，用于在室外环境中的可靠搜索和救援和空中运输。该系统包括三个多陆无人机（无人机）的团队，能够在室外场中自主搜索，拾取和运输随机分布的物体。该方法涉及基于视觉的物体检测和定位，具有我们的新颖设计，基于GPS的UAV导航和下降区的物体的安全释放。我们的合作策略可确保无人机之间安全的空间分离，我们可以使用已启用的通信共识，防止下落区域的冲突。所有计算都在每个UAV上执行。我们描述了系统的完整软件和硬件架构，并使用全面的户外实验展示其可靠的性能，并通过将我们的结果与最近的一些类似的作品进行比较。
translated by 谷歌翻译