-
题名“艾武大模型+”:一种军事大模型系统的开发与实证
- 1
-
-
作者
崔翛龙
高志强
姬纬通
沈佳楠
张敏
邱鑫源
-
机构
武警工程大学反恐指挥信息工程教育部重点实验室(立项)
-
出处
《数据采集与处理》
CSCD
北大核心
2024年第3期588-597,共10页
-
基金
国家社会科学基金(2022-SKJJ-C-093)
武警部队科技创新团队创新研究项目(ZZKY20222103)。
-
文摘
智能化指挥是新型指挥控制理论研究的重要方向,大模型是智能交互、任务规划和辅助决策等智能化指挥能力实现的重要支撑。本文兼顾理论与实践,梳理大模型军事能力需求,设计面向智能化指挥的大模型应用框架,提出“艾武大模型+”的系统架构、信息流程和协同架构,梳理工程实现的关键技术,以智能化指挥实证案例及选型分析验证“艾武大模型+”系统在多模态交互和特定任务军语理解的能力优势,拓展有/无人平台的末端协同和指令控制,为重大国防军事专项、智能化指挥研究与落地应用提供参考。
-
关键词
军事大模型
提示工程
智能化指挥
专用语料
多模态交互
-
Keywords
military large model
prompt engineering
intelligent command
specialized corpus
multimodal interaction
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种面向战术边缘的智能云服务模型
- 2
-
-
作者
郑会吉
邱鑫源
余思聪
崔翛龙
-
机构
武警工程大学
武警工程大学反恐指挥信息工程研究团队
-
出处
《火力与指挥控制》
CSCD
北大核心
2023年第6期7-13,共7页
-
基金
国家自然科学基金(U1603261)
网信融合基金资助项目(LXJH-10(A)-09)。
-
文摘
针对战术边缘环境下遂行作战任务时面临资源紧张匮乏、数据处理能力弱、指挥通信时延大及相应的需求等问题,引入新兴的边缘计算技术和人工智能算法,提出一种面向战术边缘的智能云服务模型,以实现将强大云服务能力向战术边缘环境扩展,为战场终端用户提供快速、稳定、高效的信息服务和数据处理能力,分别从模型框架、功能服务、指挥控制、相关技术等方面对模型进行描述;通过仿真实例对模型进行验证分析。
-
关键词
战术边缘
云服务
边缘计算
人工智能
-
Keywords
tactical edge
cloud service
edge computing
artificial intelligence
-
分类号
TJ01
[兵器科学与技术—兵器发射理论与技术]
-
-
题名联邦学习通信开销研究综述
被引量：6
- 3
-
-
作者
邱鑫源
叶泽聪
崔翛龙
高志强
-
机构
武警工程大学研究生大队
武警工程大学反恐指挥信息工程研究团队
武警工程大学乌鲁木齐校区
-
出处
《计算机应用》
CSCD
北大核心
2022年第2期333-342,共10页
-
基金
国家自然科学基金资助项目(U1603261)
武警工程大学基础研究基金资助项目(WJY202124)。
-
文摘
为了解决数据共享需求与隐私保护要求之间不可调和的矛盾,联邦学习应运而生。联邦学习作为一种分布式机器学习,其中的参与方与中央服务器之间需要不断交换大量模型参数,而这造成了较大通信开销;同时,联邦学习越来越多地部署在通信带宽有限、电量有限的移动设备上,而有限的网络带宽和激增的客户端数量会使通信瓶颈加剧。针对联邦学习的通信瓶颈问题,首先分析联邦学习的基本工作流程;然后从方法论的角度出发,详细介绍基于降低模型更新频率、模型压缩、客户端选择的三类主流方法和模型划分等特殊方法,并对具体优化方案进行深入的对比分析;最后,对联邦学习通信开销技术研究的发展趋势进行了总结和展望。
-
关键词
联邦学习
通信开销
模型压缩
并行计算
客户端选择策略
-
Keywords
federated learning
communication overhead
model compression
parallel computing
client selection strategy
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP309
[自动化与计算机技术—控制科学与工程]
-
-
题名基于元强化学习的自适应卸载方法
- 4
-
-
作者
郑会吉
余思聪
邱鑫源
崔翛龙
-
机构
武警工程大学信息工程学院
武警工程大学反恐指挥信息工程联合实验室
-
出处
《电讯技术》
北大核心
2024年第2期177-183,共7页
-
基金
国家自然科学基金资助项目(U1603261)。
-
文摘
计算卸载是移动边缘网络中的一个关键问题,基于深度学习的算法为高效生成卸载策略提供了一种解决方法。但考虑到移动终端设备的动态性以及不同任务场景之间的转换,需要大量的训练数据和较长的训练时间重新训练神经网络模型,即这些方法对新环境的适应能力较弱。针对这些不足,提出了一种基于元强化学习(Meta Reinforcement Learning,MRL)的自适应卸载方法,先对外部模型进行预训练,处理具体任务时再基于外部模型训练内部模型。该方法能快速适应具有少量梯度更新的样本的新环境。仿真实验表明,该算法能够适应新的任务场景,效果良好。
-
关键词
移动边缘计算(MEC)
自适应卸载
元强化学习
-
Keywords
mobile edge computing(MEC)
adaptive offloading
meta reinforcement learning
-
分类号
TN929
[电子电信—通信与信息系统]
-
