当前位置 >> 新闻动态 >> 中心动态
中心动态

喜报!未来媒体网络协同创新中心新增3项国家自然科学基金项目


    2021年8月18日,2021年国家自然科学基金评审结果揭晓,未来媒体协同创新中心研究人员获得1项面上基金、2项青年基金资助。


    此次获得资助的3位研究人员均为2020刚刚加入中心研究团队的“新生力量”,中心长聘轨副教授、博士生导师陈思衡和王钰是中心自海外引进的高水平人才,师资博士后黄一航是中心团队长期培养的优秀毕业生。自成立以来,中心始终秉承以重大任务为导向的团队管理机制,以及多层次的复合型人才培养机制,取得了丰硕成果。


    此次具体项目资助情况如下:

    项目负责人陈思衡

    项目名称:时空图散射网络理论和关键技术研究

    项目类别:面上基金

    项目简介

    非规则时空信号是指通过在空间或时间上不规则采样获得的,且同时具有位置坐标和时间标签的数据。非规则时空信号的研究,为包括无人驾驶、人体行为分析在内的诸多重要应用提供了技术支撑,已成为信号处理和机器学习领域共同关注的前沿热点课题。目前,很多方法注重理论而低估实用性,而另一系列方法聚焦在特定场景下的实际效果而忽略理论依据。这样顾此失彼的现状限制了这一方向的进一步发展。针对现有工作的不足,本项目拟创造性地提出兼具数学设计和端到端可学习能力的图散射网络。在现有散射变换方法的基础上,针对时空图领域的特性,充分结合图信号处理和时空图神经网络技术,旨在保障理论依据的同时,提升实际效果。围绕着这一核心思路,提出新的算法框架,对算法进行相关的理论分析,并为实际任务制定新的解决方案。该项目有望在算法和理论上解决非规则时空信号处理和分析的关键问题,引领新的算法设计思路,为无人驾驶等应用问题提供先进的解决方案。

 

    项目负责人王钰

    项目名称:基于自监督学习的通用语音信号表征学习研究

    项目类别:青年基金

    项目简介

    表征学习对于多媒体信息的处理和理解至关重要, 表征学习算法的性能直接决定了下游的感知和认知任务的性能。近年来,受到语言和视觉领域的启发,无需人工标注信息的自监督学习算法在面向语音信号的表征学习领域开始崭露头角。但是,现有的算法没有充分捕获语音信号的多层次、多尺度、结构化的信息,因此只能应用于有限的下游任务。本项目致力于研究通用的语音信号的自监督表征学习算法,旨在提出能够广泛应用于下游语音信号处理任务的自监督表征学习算法。具体内容包括:研究基于多粒度信息的自监督表征学习和融合算法,捕获语音信号中包含的复杂异构的语义信息;研究基于多任务学习的自监督表征算法,提升语音信号表征对下游任务的泛化能力;研究基于知识蒸馏的模型压缩算法,将模型更高效的应用于实际场景。综上所述,本项目旨在实现高鲁棒性、高泛化能力、低耗的通用语音表征的自监督学习算法,能够为推动智能语音处理技术在智能终端落地提供有力支持。

 

    项目负责人:黄一航

    项目名称:面向5G广播的交互式智能化传输关键技术研究

    项目类别:青年基金

    项目简介

    合理利用广播传输模式不仅能够提升5G网络的承载能力,还能大幅降低网络运营成本。然而,现有通信系统中的广播模式主要采用低谱效的传输参数以确保用户的接收可靠性,并且由于其智能化程度不够,大量传输策略仍有巨大优化空间。为了解决上述问题,本项目基于5G单播系统的交互能力并结合机器学习算法在处理多维度复杂问题上的显著优势,从时频资源分配、上下行链路协同和单频网区域划分三个方面研究兼具高谱效和高可靠性的5G智能化广播传输方案。具体包括:提出以用户信道质量为特征、以指针网络为算法核心的动态时频资源分配方法,并基于概率统计理论给出高效的最优性评估方法;利用神经随机过程构造以带外辅助信息为参数的信道质量预测模型,基于该模型制定具有低上行消耗、高下行谱效特点的上下行协同传输策略;利用卷积神经网络的空间特征提取优势,设计以用户位置分布为特征的单频网区域划分算法,通过挖掘单频网增益来提升小区边缘用户的频谱效率。