一種基於增強學習算法的雙層貝葉斯網絡推理算法
2023-09-19 02:56:30 2
一種基於增強學習算法的雙層貝葉斯網絡推理算法
【專利摘要】本發明提供一種基於增強學習算法的雙層貝葉斯網絡推理算法，包括以下步驟：步驟S1、初始化節點的增強學習概率表；步驟S2、分別更新橫軸方向和縱軸方向上的條件選擇概率的；步驟S3、對橫軸的取值組合和縱軸的節點進行判斷，刪除冗餘的取值組合和節點。本發明的基於增強學習算法的雙層貝葉斯網絡推理算法通過建模雙層網絡參數之間的概率依賴關係，根據已知網絡狀態推理分析後續網絡狀態，並採用增強學習的算法對推理的過程中所獲取的網絡節點的不確定信息進行學習和判斷，進而對其進行分級，得到其概率信度值，進一步將得到的雙層貝葉斯網絡模型進行簡化，只保留其中對推理最有用的信息，使其更利於實現和精準推理。
【專利說明】
一種基於增強學習算法的雙層貝葉斯網絡推理算法
【技術領域】
[0001]本發明涉及一種推理算法，特別地，涉及一種基於增強學習算法的雙層貝葉斯網絡推理算法。
【背景技術】
[0002]對網絡進行認知是通過感知外部環境，經過自身的理解與學習，從而調整網絡內部的相應配置來適應外部環境的變化。認知過程是在動態自適應過程中不斷地學習和積累相關經驗，並以此為依據來對網絡進行相關的調整、判決和再配置的過程。其中的自適應動態調整過程是發生在問題出現之前，而不是之後，所以對網絡的性能改善是著眼於整個網絡的端到端服務質量(Quality of Service,QoS)性能。由於上述特性,傳統的網絡認知能夠為用戶提供更良好的QoS保障，初步的具備了自感知、自學習、自優化、自配置或重配置等基本特徵。
[0003]目前，網絡的QoS已經成為國內外研究的熱點，相關研究主要集中在以下幾個方面:
[0004]1、網絡環境感知技術
[0005]該技術主要研究了高級用戶參數轉變為合適的網絡級目標的過程，發現了在不同層次中QoS表現的不一致性，並找到了一種對QoS屬性的自動映射方法，形成策略和行為集合的基礎。
[0006]2、網絡QoS智能決策
[0007]該智能決策的主要成果是借鑑生物學方法研究網絡QoS，力圖藉助生物昆蟲群體聚集表現出來的固有特性來增強網絡QoS保障過程的智能性，從優化的角度改進並完善傳統的QoS方法。
[0008]3、網絡自適應配置
[0009]針對信道容量和路徑延遲提出了的QoS路由算法，並提出了一種保障用戶QoS水平的動態自配置方法。該方法採用效用函數對用戶QoS優先級進行初始化，利用網絡主動性和中斷管理機制，通過認知節點對用戶QoS優先級進行判定和動態修正，提出了一種基於蟻群的頻譜感知路由算法。該方法是一種無線網絡中生物激勵的路由算法。
[0010]綜上所述，現在國內外研究網絡QoS的焦點主要集中在為QoS保障算法增強智能性、自適應性，建立網絡QoS的目標參數映射及認知參數建模與表達等方面。但是這些方法在實際操作過程中有諸多缺點:
[0011](I)這些研究大都針對某一局部、具體的控制方法，難以上升為具有全局意義的方法和機理；
[0012](2)現有的研究成果缺乏對網絡態勢的全局性評估，缺乏對網絡層次(學習者)的認知能力、知識水平等個性特徵的了解；
[0013](3)不能完全滿足使用者的不同需要，不能為學習者提供個性化再配置的數據支持和指導。
[0014]Simon曾經指出，自然界中的大部分複雜系統都表現出分層結構。從理論角度講，層次結構為從簡單進化為複雜提供了可能性；從動力學角度講，分層系統具有可分解性，這一特性可以使其行為過程和描述方式更加簡化。因此，複雜系統的增強學習問題可以通過分層的方法得以簡化。
[0015]基於上述的分析和描述，傳統的複雜網絡優化問題可以通過分層的方式得到簡化和解決，將複雜網絡中不同節點之間通過一定的層次關係進行描述和建模，可使得原本是僅通過一個複雜網絡模型進行解決的高維度問題進行了降維的處理，從而使得問題得到了相應的簡化，並為提出高效率和高可靠性的算法提供了可能性。
【發明內容】
[0016]鑑於以上所述現有技術的缺點，本發明的目的在於提出一種基於增強學習算法的雙層貝葉斯網絡推理算法，其既能充分利用已建立的貝葉斯網絡概率模型進行推理，又能利用增強學習算法獲得網絡節點的概率信度值，進而對某些未知區域進行探索，協調了算法的全局和局部尋優能力；且該算法也不需要大量可信實例數據就能得到很好的實驗效果，提升了算法的有效性和可靠性。
[0017]為實現上述目的及其他相關目的，本發明提供一種基於增強學習算法的雙層貝葉斯網絡推理算法，所述雙層貝葉斯網絡包括頂層貝葉斯網絡、底層貝葉斯網絡集合以及頂層貝葉斯網絡節點與底層貝葉斯網絡集合間的對應關係；
[0018]所述基於增強學習算法的雙層貝葉斯網絡推理算法至少包括以下步驟:
[0019]步驟S1、通過雙層貝葉斯網絡模型中的貝葉斯網絡節點的替換，得到相關節點的條件依賴表，進而在橫軸和縱軸兩個方向建立相關節點的增強學習概率表，初始化的增強學習概率表即為所述條件依賴表，其中，所述橫軸表示某個節點所依賴的網絡節點的所有取值組合以及各個取值組合所對應的條件選擇概率，縱軸表示某個節點所依賴的網絡節點集合中的各個特定的節點以及各個特定的節點對所述節點的選擇影響程度，所述選擇影響程度也用一個條件選擇概率表示；
[0020]步驟S2、在橫軸方向，對所述節點所依賴的網絡節點的所有取值組合進行環境的評估，利用環境的反饋信息和取值組合本身的知識，進行條件選擇概率的更新；在縱軸方向，對所述節點所依賴的網絡節點集合中的各個特定的節點進行環境的評估，利用環境的反饋信息和節點本身的知識，進行條件選擇概率的更新；
[0021]步驟S3、在橫軸方向，通過相關的學習過程之後，最後得到所述節點所依賴的網絡節點的各個取值組合的條件選擇概率；如果某些取值組合的條件選擇概率小於第一閾值，那麼認為所述取值組合的信息就是冗餘的，將其從所述增強學習概率表中刪除；在縱軸方向，通過相關的學習過程之後，最後得到所述節點所依賴的網絡節點集合中的各個特定的節點的條件選擇概率；如果某些節點的條件選擇概率低於第二閾值，那麼認為所述節點的信息是冗餘的，將其從所述增強學習概率表中刪除。
[0022]根據上述的基於增強學習算法的雙層貝葉斯網絡推理算法，其中:步驟S2中，在橫軸方向，環境會根據取值組合的表現，給出獎勵或懲罰的信息；如果某個取值組合的環境反饋為獎勵，則將增加這個取值組合的概率，反之，如果某個取值組合的環境反饋為懲罰，則將減少這個取值組合的概率。
[0023]進一步地，根據上述的基於增強學習算法的雙層貝葉斯網絡推理算法，其中:如果當前的推理取值組合的評估值優於當前的最優推理取值組合的評估值，則環境反饋為獎勵；反之，環境反饋為懲罰。
[0024]根據上述的基於增強學習算法的雙層貝葉斯網絡推理算法，其中:步驟S2中，在縱軸方向，環境根據節點的表現，給出獎勵或懲罰的信息；如果某個節點的環境反饋為獎勵，則將增加這個節點的概率，反之，如果某個節點的環境反饋為懲罰，則將減少這個節點的概率。
[0025]進一步地，根據上述的基於增強學習算法的雙層貝葉斯網絡推理算法，其中:如果當前的推理節點的評估值優於當前的最優推理節點的評估值，則環境反饋為獎勵；反之，環境反饋為懲罰。
[0026]根據上述的基於增強學習算法的雙層貝葉斯網絡推理算法，其中:在雙層貝葉斯網絡中，假定R為頂層貝葉斯網絡節點與底層貝葉斯網絡集合間的對應關係，其中，Rij代表頂層貝葉斯網絡中第i個節點和底層貝葉斯網絡集合中第j個元素之間的對應關係，則i節點的狀態值必須與第j個貝葉斯網絡根節點的狀態值相同。
[0027]如上所述，本發明的基於增強學習算法的雙層貝葉斯網絡推理算法，具有以下有益效果:
[0028](I)通過對不確定信息進行分級，並得到其概率信度值，可以將得到的雙層貝葉斯網絡進行簡化，使其更利於實現和推理；
[0029](2)能將多餘的冗餘信息進行剔除，只保留裡面對推理最有用的信息，從而使得該算法更加的準確和精準。
【專利附圖】
【附圖說明】
[0030]圖1顯示為本發明的雙層貝葉斯網絡的模型示意圖；
[0031]圖2顯示為本發明的基於增強學習算法的雙層貝葉斯網絡推理算法的過程示意圖。
【具體實施方式】
[0032]以下通過特定的具體實例說明本發明的實施方式，本領域技術人員可由本說明書所揭露的內容輕易地了解本發明的其他優點與功效。本發明還可以通過另外不同的【具體實施方式】加以實施或應用，本說明書中的各項細節也可以基於不同觀點與應用，在沒有背離本發明的精神下進行各種修飾或改變。
[0033]需要說明的是，本實施例中所提供的圖示僅以示意方式說明本發明的基本構想，遂圖式中僅顯示與本發明中有關的組件而非按照實際實施時的組件數目、形狀及尺寸繪製，其實際實施時各組件的型態、數量及比例可為一種隨意的改變，且其組件布局型態也可能更為複雜。
[0034]本發明將傳統的複雜網絡優化問題進行了簡化，並建立一個雙層貝葉斯網絡推理模型。在該雙層貝葉斯網絡推理模型中，為表示具有一定邏輯關係的層次結構，雙層貝葉斯網絡包括頂層和底層，並使用貝葉斯網絡來描述網絡節點之間的對應關係。
[0035]該雙層貝葉斯網絡(Hybrid Bayesian Networks, HBN)結構採用三元組表示:HBN= {G，T，R}，定義如下:
[0036](I)G為整體貝葉斯網絡結構，即頂層貝葉斯網絡；
[0037](2) T為G中節點所對應的替換貝葉斯網絡集合，即底層貝葉斯網絡的集合，若G中的節點沒有可對應的貝葉斯網絡，則T為空；
[0038](3)R為頂層貝葉斯網絡節點與T中底層貝葉斯網絡間的對應關係，其中，Rij代表了 G中第i個節點和集合T中第j個元素之間的對應關係，且要求i節點的狀態值與第j個貝葉斯網絡根節點的狀態值相同。
[0039]可以看出，該雙層貝葉斯網絡模型HBN與一般貝葉斯網絡的區別在於:其中某些節點對應了另一個貝葉斯網絡。在應用該模型時，可以用T代替頂層貝葉斯網絡G中的節點。因此，採用雙層的貝葉斯網絡模型進行狀態分析時，可以通過底層貝葉斯網絡集合T中的貝葉斯網絡完成信息的收集和分析，並按照條件依賴關係R將不同網絡實體與頂層結構進行連接，從而動態構建貝葉斯網絡。
[0040]在本發明的基於增強學習算法的雙層貝葉斯網絡推理中，節點證據可分為兩大類:(I)具體證據，即能夠確定節點為某一取值狀態；(2)不確定證據，以不定性表示節點的具體取值。若貝葉斯網絡節點i的某一證據e為不確定證據，該不確定證據可表示為條件選擇概率。由此可知，底層貝葉斯網絡和頂層貝葉斯網絡節點進行連接時，實際上是把底層貝葉斯網絡實體所獲得的證據和信息賦給了頂層貝葉斯網絡。由於該底層貝葉斯網絡根節點的狀態值與頂層節點的狀態值相同，因此，可以將底層貝葉斯網絡節點的推理結果作為不確定證據，輸入到相應頂層貝葉斯網絡節點。即採用雙層貝葉斯網絡完成對雙層貝葉斯網絡節點的不確定信息的分級表示，以此動態構建雙層貝葉斯網絡結構，並將此不確定信息作為證據輸入貝葉斯網絡中進行推理，最後得到概率信度值。
[0041]但是，在實際操作該雙層貝葉斯網絡模型HBN時，動態地置換貝葉斯網絡節點會使頂層貝葉斯網絡結構變得越來越複雜，並且每個節點對應的條件依賴表也將呈指數級的增長，造成維護的成本增高，並降低推理的效率和準確度。此外，若對同一節點分別置換不同的貝葉斯網絡又很容易造成網絡結構的混亂，這些都為推理帶來一定的困難。
[0042]為解決上述的問題和困難，本發明基於增強學習的算法來解決動態構建貝葉斯網絡的推理問題。因為在這個過程中，在將不確定信息輸入貝葉斯網絡進行推理，得到相關的概率信度值是個關鍵的步驟，該概率信度值的存在將決定不確定信息的可信度，其中高可信的信息應保留在貝葉斯網絡中，進行更精確的推理；而低可信的信息應該拋棄，因為它們的存在將嚴重地影響貝葉斯網絡的精確推理。因此，在雙層貝葉斯網絡模型中採用增強學習的算法可以在推理的過程中對這些不確定信息進行學習和判斷，並對其進行分級，得到其概率信度值。
[0043]參照圖1，本發明的雙層貝葉斯網絡中，第一層是頂層貝葉斯網絡，它表示一個較粗粒度的節點或某個問題的層次化後的子問題以及它們之間的關聯，圖中是由A、B、C、D、E來表示相關的節點變量，其中節點C、D條件依賴於節點A，節點E條件依賴於節點B，而節點A和E之間時相互獨立的。而第二層表示頂層貝葉斯網絡節點所對應的底層貝葉斯網絡。它表示一個較細粒度的節點或某個問題的層次化後的另一個子問題以及它們之間的關聯。圖中是由1、2、3、4來表示相關的節點變量，其中節點2、3、4條件依賴於節點I。整個第二層的貝葉斯網絡可以將第一層中的節點E替換，由此來表示這兩層之間的關係是通過節點E來進行關聯的。對應到某個現實的問題就是，某個要解決的問題是可以進行層次化表示，並可簡單地拆分成雙層結構，每層代表問題的一個子問題，並用節點表示子問題的變量，然後通過在不同層次構建相應的貝葉斯網絡來表示這些節點之間的關聯和依賴程度。但是這些子問題之間並不是相互獨立的。它們之間是通過某個節點或某些節點進行關聯的。這個節點或某些節點稱之為「關鍵節點」，如節點E。通過將這些節點進行替換，可以得到一個表示全局變量之間依賴和獨立關係的貝葉斯網絡模型。
[0044]參照圖2，頂層的節點D被底層的貝葉斯網絡所替代，相當於底層貝葉斯網絡中的節點I條件依賴於節點A，故節點I的取值是受到節點A所影響的，即P (I |A)，底層貝葉斯網絡中的節點2、3、4的取值是受到節點I取值的影響的，它們條件依賴於節點1，即P (2，3，4|1)。
[0045]同樣，底層貝葉斯網絡中的節點5的取值是受到節點2，3，4取值的影響的，它們條件依賴於節點2，3，4，即p(5|2，3，4)。節點5的條件依賴表如圖2中的表格所示。其中該條件依賴表的橫軸表示節點5的父節點2，3，4的所有取值組合以及各個取值組合所對應的條件選擇概率，縱軸表示單個節點2，3，4，以及各個節點本身對節點5的選擇影響程度，該選擇影響程度也用一個條件選擇概率表示。此處為了簡化問題描述，每個節點條件選擇概率的取值範圍為[0，I]。通過對上述條件依賴表進行增強學習，可使得該雙層貝葉斯網絡模型中的某些變量或某些變量的信息可以被剔除。
[0046]下面結合圖2中的具體實施例詳細說明本發明的基於增強學習算法的雙層貝葉斯網絡推理算法，具體步驟如下:
[0047]步驟S1、通過雙層貝葉斯網絡模型中的貝葉斯網絡節點的替換，得到相關節點的條件依賴表，並在橫軸和縱軸兩個方向建立相關節點的增強學習概率表，該增強學習概率表的初始化表格就是條件依賴表，因為每個節點都有條件依賴表，故該模型中的每個節點也都對應一個增強學習概率表。增強學習概率表與前面提到的條件依賴表雖然在表現形式上是一樣的，但是它們所表示的物理意義是不同的，條件依賴表是表示貝葉斯網絡中節點的依賴程度，而增強學習概率表表示的是增強學習算法所要更新的概率值。在增強學習概率表中，橫軸表示的是某個節點所依賴的網絡節點的所有取值組合以及各個取值組合所對應的條件選擇概率向量，縱軸表示的是某個節點所依賴的網絡節點集合中的各個特定的節點以及各個特定的節點對該節點的選擇影響程度，該選擇影響程度也用一個條件選擇概率向量表示。故橫軸和縱軸分別對應的是節點冗餘的信息和節點本身，可通過增強學習的策略來對多餘的節點冗餘的信息和節點本身進行剔除。在橫軸方向，節點5是條件依賴於節點2，3，4，故其條件選擇概率向量有23=8個組合條目，表示為{pl，p2，…，p8}，它們的初始概率都是相同的。由於並沒有任何的先驗知識，故它們的取值是相同的，都為1/8。在縱軸方向，節點5是條件依賴於節點2，3，4，故其條件選擇概率向量有3個條目，表示為{P1，P2，P3}，它們的初始概率也都是相同的，同樣由於沒有任何的先驗知識，故它們的取值是相同的，都為1/3。
[0048]步驟S2、在橫軸方向，對上述8個取值組合進行環境的評估，利用環境的反饋信息和取值組合本身的知識，進行條件選擇概率的更新。環境會根據取值組合的表現，給出獎勵或懲罰的信息。如果某個取值組合的環境反饋為獎勵，則將增加這個取值組合的概率，反之，如果某個取值組合的環境反饋為懲罰，則將減少這個取值組合的概率。具體地，如果當前的推理取值組合的評估值優於當前的最優推理取值組合的評估值，則環境反饋為獎勵；反之，環境反饋為懲罰。
[0049]在縱軸方向，對上述3個節點進行環境的評估，利用環境的反饋信息和節點本身的知識，進行統概率的更新。環境會根據節點的表現，給出獎勵或懲罰的信息。如果某個節點的環境反饋為獎勵，則將增加這個組合的概率，反之，如果某個節點的環境反饋為懲罰，則將減少這個節點的概率。具體地，如果當前的推理節點的評估值優於當前的最優推理節點的評估值，則環境反饋為獎勵；反之，環境反饋為懲罰。
[0050]步驟S3、在橫軸方向，通過相關的學習過程之後，最後得到各個取值組合的條件選擇概率向量10.145，0.145，...,0.005，0.005}。如果某些取值組合的選擇概率小於某個閾值，比如是0.008，那麼我們認為這些取值組合的信息就是冗餘的，應該從這個增強學習概率表中刪除，如圖2中所選中的組合。
[0051]在縱軸方向，通過相關的學習過程之後，最後得到各個節點的條件選擇概率向量為{0.45，0.45，0.1}。如果某些節點的條件選擇概率低於某個閾值(該閾值的確定是通過大量的預實驗中，讓算法性能獲得最優的一個取值，在此處設為0.008)，那麼就認為這些節點的信息就是冗餘的，它的存在並不能對該貝葉斯網的推理產生更好的影響，應該從增強學習概率表中刪除，如圖2中所選中的節點。
[0052]本發明通過通過上述的增強學習過程，我們可以將多餘的節點冗餘信息和節點本身進行剔除，得到最終的簡化圖，其中的第二層節點4是可以從該網絡中剔除的，在此處，剔除的節點及其與其他節點的聯繫用虛線進行表示，從而可以深度地簡化該雙層貝葉斯網絡結構，使得推理更加的準確和可靠，也提升了推理的運算效率。
[0053]綜上所述，本發明的基於增強學習算法的雙層貝葉斯網絡推理算法通過建模雙層網絡參數之間的概率依賴關係，根據已知網絡狀態推理分析後續網絡狀態，並採用增強學習的算法對推理的過程中所獲取的網絡節點的不確定信息進行學習和判斷，進而對其進行分級，得到其概率信度值，進一步將得到的雙層貝葉斯網絡模型進行簡化，只保留其中對推理最有用的信息，使其更利於實現和精準推理。所以，本發明有效克服了現有技術中的種種缺點而具高度產業利用價值。
[0054]上述實施例僅例示性說明本發明的原理及其功效，而非用於限制本發明。任何熟悉此技術的人士皆可在不違背本發明的精神及範疇下，對上述實施例進行修飾或改變。因此，舉凡所屬【技術領域】中具有通常知識者在未脫離本發明所揭示的精神與技術思想下所完成的一切等效修飾或改變，仍應由本發明的權利要求所涵蓋。
【權利要求】
1.一種基於增強學習算法的雙層貝葉斯網絡推理算法，其特徵在於，所述雙層貝葉斯網絡包括頂層貝葉斯網絡、底層貝葉斯網絡集合以及頂層貝葉斯網絡節點與底層貝葉斯網絡集合間的對應關係； 所述基於增強學習算法的雙層貝葉斯網絡推理算法至少包括以下步驟: 步驟S1、通過雙層貝葉斯網絡模型中的貝葉斯網絡節點的替換，得到相關節點的條件依賴表，進而在橫軸和縱軸兩個方向建立相關節點的增強學習概率表，初始化的增強學習概率表即為所述條件依賴表，其中，所述橫軸表示某個節點所依賴的網絡節點的所有取值組合以及各個取值組合所對應的條件選擇概率，縱軸表示某個節點所依賴的網絡節點集合中的各個特定的節點以及各個特定的節點對所述節點的選擇影響程度，所述選擇影響程度也用一個條件選擇概率表示； 步驟S2、在橫軸方向，對所述節點所依賴的網絡節點的所有取值組合進行環境的評估，利用環境的反饋信息和取值組合本身的知識，進行條件選擇概率的更新；在縱軸方向，對所述節點所依賴的網絡節點集合中的各個特定的節點進行環境的評估，利用環境的反饋信息和節點本身的知識，進行條件選擇概率的更新； 步驟S3、在橫軸方向，通過相關的學習過程之後，最後得到所述節點所依賴的網絡節點的各個取值組合的條件選擇概率；如果某些取值組合的條件選擇概率小於第一閾值，那麼認為所述取值組合的信息就是冗餘的，將其從所述增強學習概率表中刪除；在縱軸方向，通過相關的學習過程之後，最後得到所述節點所依賴的網絡節點集合中的各個特定的節點的條件選擇概率；如果某些節點的條件選擇概率低於第二閾值，那麼認為所述節點的信息是冗餘的，將其從所述增強學習概率表中刪除。
2.根據權利要求1所述的基於增強學習算法的雙層貝葉斯網絡推理算法，其特徵在於:步驟S2中，在橫軸方向，環境會根據取值組合的表現，給出獎勵或懲罰的信息；如果某個取值組合的環境反饋為獎勵，則將增加這個取值組合的概率，反之，如果某個取值組合的環境反饋為懲罰，則將減少這個取值組合的概率。
3.根據權利要求2所述的基於增強學習算法的雙層貝葉斯網絡推理算法，其特徵在於:如果當前的推理取值組合的評估值優於當前的最優推理取值組合的評估值，則環境反饋為獎勵；反之，環境反饋為懲罰。
4.根據權利要求1所述的基於增強學習算法的雙層貝葉斯網絡推理算法，其特徵在於:步驟S2中，在縱軸方向，環境根據節點的表現，給出獎勵或懲罰的信息；如果某個節點的環境反饋為獎勵，則將增加這個節點的概率，反之，如果某個節點的環境反饋為懲罰，則將減少這個節點的概率。
5.根據權利要求4所述的基於增強學習算法的雙層貝葉斯網絡推理算法，其特徵在於:如果當前的推理節點的評估值優於當前的最優推理節點的評估值，則環境反饋為獎勵；反之，環境反饋為懲罰。
6.根據權利要求1所述的基於增強學習算法的雙層貝葉斯網絡推理算法，其特徵在於:在雙層貝葉斯網絡中，假定R為頂層貝葉斯網絡節點與底層貝葉斯網絡集合間的對應關係，其中，Rij代表頂層貝葉斯網絡中第i個節點和底層貝葉斯網絡集合中第j個元素之間的對應關係，則i節點的狀態值必須與第j個貝葉斯網絡根節點的狀態值相同。
【文檔編號】G06N5/04GK104299036SQ201310307121
【公開日】2015年1月21日 申請日期:2013年7月19日 優先權日:2013年7月19日
【發明者】李捷, 褚靈偉, 董晨, 陸肖元 申請人:上海寬帶技術及應用工程研究中心