计算机应用研究杂志

计算机应用研究杂志2022年第11期

• 知识图谱平台综述

  王传庆,李阳阳,费超群,黄锡昆,

  近年来，知识图谱被广泛研究和应用。为了能够更加准确、高效地维护知识图谱的全生命周期，以及对知识图谱进行更多复杂的操作，大量知识图谱平台被设计、开发和应用。而开发者通常是基于他们所拥有的知识图谱而进行设计和开发的，缺少对知识图谱平台整体上的认识以及对应用场景特殊性需求的理解。通过调研当前主流的43个知识图谱平台，分别从知识图谱平台的功能、架构和应用三个角度对其进行系统性的分析和研究，旨在使平台开发和使用人员对知识图谱平台有更深入的认识，进而促进知识图谱平台被高效地开发和使用。

• 基于位置社交网络的兴趣点推荐研究

  李征,黄雪原,袁科,

  兴趣点推荐是基于位置社交网络中的研究热点之一。首先对从Web of Science收集的兴趣点推荐研究文献进行了分析；然后分析了影响兴趣点推荐的多种因素，并在分析传统兴趣点推荐方法基础上重点从用户历史签到信息建模和用户社交生成信息提取两个方面对基于深度学习的兴趣点推荐方法进行了分析；最后，对未来可能提高兴趣点推荐效果的研究方向进行了展望。

• 联邦学习安全防御与隐私保护技术研究

  邱晓慧,杨波,赵孟晨,胡师阳,孙璞,

  联邦学习（federated learning，FL）在多个参与方不直接进行数据传输的前提下共同完成模型训练，充分发挥各方数据价值；然而，由于联邦学习的固有缺陷以及存储和通信的安全问题，其在实际应用场景中仍面临多种安全与隐私威胁。首先阐述了FL面临的安全攻击和隐私攻击；然后针对这两类典型攻击分别总结了最新的安全防御机制和隐私保护手段，包括投毒攻击防御、后门攻击防御、搭便车攻击防御、女巫攻击防御以及基于安全计算与差分隐私的防御手段。通过对联邦学习的现有风险和相应防御手段的系统梳理，展望了联邦学习未来的研究挑战与发展方向。

• 基于加法同态的可修改区块链方案

  薛庆水,薛震,王晨阳,时雪磊,周雨卫,张天昊,

  传统区块链不可被窜改的特性限制了区块链技术的发展，而对可修改区块链的研究目前还处在初始阶段，许多方案在系统效率和安全性上还存在诸多不足。针对这些问题，首先，提出了一种改进的区块链数据结构使之适用于可修改功能；其次，使用同态加密技术设计了一种主私钥合成算法，保障了用于链上数据修改的私钥在合成过程中的安全；同时，设计了一种匹配机制减少了私钥合成过程中的通信量；最后，设计了一种对修改请求的审计方法，保证了对修改请求审计的合理性和安全性。实验结果表明，该方案不仅具有去中心化的特点，而且与其他方案相比在系统安全性和通信效率上均有所提高。

• 主从链下的物联网隐私数据跨域安全共享模型

  潘雪,袁凌云,黄敏敏,

  为了解决各个信任应用域之间的跨域安全问题，保证隐私数据的跨域共享，利用区块链技术构建了基于主从链的隐私数据跨域共享模型。首先构建了主从链，并提出基于主从链的跨域共享模型架构；设计了基于智能合约的跨域访问机制，并基于跨域访问机制提出了面向隐私数据的跨域安全共享方案；最后，对模型的稳定性、吞吐量、存储开销等方面进行了实验及对比分析。实验结果表明，该模型同最新的单链跨域模型相比，吞吐量提升了270 TPS左右，节点的平均CPU负载和平均内存开销分别下降了24%和64%；同现有多链跨域模型相比，节点的平均CPU负载和平均内存开销分别下降了15%和20%，为物联网隐私数据的跨域安全共享提供了一种有效方法。

• 基于MapReduce和MSSA的并行K-means算法

  刘卫明,崔瑜,毛伊敏,刘蔚,

  针对大数据环境下并行K-means算法存在的面对高维数据聚类效果差、数据分区不均匀、初始质心敏感等问题，提出了一种基于MapReduce和MSSA的并行K-means算法MR-MSKCA。首先，提出基于肯德尔相关系数和深度稀疏自动编码器的降维策略（dimensionality reduction strategy based on Kendall correlation coefficient and DSAE，DRKCAE）对高维数据进行特征加权和特征提取，解决了高维数据不相关特征和结构稀疏导致的聚类效果差的问题；其次，提出基于两段映射的广义超平面分区策略 （uniform partition strategy based on two-stage mapping，UPS）对数据集进行划分，获取均匀的数据分区；最后提出非均匀变异麻雀搜索算法 （non-uniform mutation sparrow search algorithm，MSSA）用于获取并行K-means的聚类质心，解决了算法初始质心敏感的问题。在UCI数据集上进行的实验显示，MR-MSKCA较MR-KNMF、MR-PGDLSH、MR-GAPKCA的运行时间分别降低了45.1%、49.1%、59.8%，聚类效果分别提升了19.2%、22.8%、24%，表明 MR-MSKCA对大数据进行聚类时有良好性能，适用于不同场景的大数据聚类分析。

• 融合级联活跃转发者的社交网络影响最大化方法

  杨书新,林仁耀,许景峰,梁文,

  已有的社交网络影响最大化研究大多基于网络图结构，没有利用级联数据蕴涵的信息，不能有效捕捉用户间的真实影响。针对此问题，基于级联数据提出融合级联活跃转发者的影响最大化方法。该方法首先设计融合活跃转发者的嵌入式神经网络模型，通过级联转发记录有监督地训练获取用户特征向量，然后根据信息可达对象数量和扩散概率计算融合活跃转发者的用户影响力，最后基于贪婪策略选择种子集。在三种大规模数据集上同四种具有代表性的方法进行对比，实验结果表明，在信息真实扩散范围方面，提出方法更具有效性。

• 基于多视图注意力机制的多维度价格预测模型研究

  宋津,米利群,苏妍嫄,

  传统的股票价格预测模型只针对单一维度价格进行预测，忽略了多维度价格之间的复杂关系。因此，为了更好地对股票价格进行准确预测和为决策者提供前瞻性信息，提出了一种新的基于多视图注意力机制的多维度价格预测模型。通过多视图的深度可分离卷积网络学习多维度股票价格潜在的复杂的输入—输出关系，更好地提取股票价格的时空特征，实现时空数据的智能关联，并使用注意力机制进一步提升模型的预测性能，进而通过时空多维度的股价历史数据来预测单和多时间步长股票价格。该模型与其他四种模型在中国银行股价数据集上进行实验和比较，发现所提模型在不同预测时长下相比于表现最好的模型，平均绝对误差分别降低了0.4%、0.5%、4.2%、3.9%，均方误差分别降低了0.8%、2%、1.9%、1.9%，平均百分比误差分别降低了0.15%、0.21%、1.24%和1.34%。因此所提模型预测精度最高，预测性能最好，并且在对其他维度的股票价格预测上具有普适性。

• MEC环境下多维属性感知的边缘服务二次聚类方法研究

  郑禾丹,马菲菲,李林霞,刘志中,

  移动边缘计算（mobile edge computing，MEC）环境下，海量的领域服务分布在边缘服务器上，如何对大规模的边缘服务进行精确的聚类是亟需解决的重要问题之一。为此提出了一种MEC环境下多维属性感知的边缘服务二次聚类方法。该方法首先分析并建立了MEC环境下边缘服务二次聚类指标模型。之后，提出了一种基于密度的最小生成树启发式分段聚类算法（heuristic segmented for MST clustering based on service density，DMSC），基于DMSC算法依据一级指标对边缘服务进行一次聚类。最后，将密度峰值算法中γ值引入到层次聚类中，构建了基于密度峰值的层次聚类算法（hierarchical clustering based on density peak，HCDP），基于HCDP算法依据二级聚类指标，在一次聚类的基础上对边缘服务进行二次聚类。在人工数据集和UCI数据集上开展了大量验证实验。实验结果表明，DMSC算法与HCDP算法提高了聚类的准确率，减少了算法的平均迭代次数，增强了算法的稳定性。

• 基于K-shell分解与邻居节点度去噪的链路预测方法

  张希康,李泽滔,

  链路预测是研究复杂网络结构和演化机制的重要工具，提高链路预测的精度具有重要价值。针对传统的基于网络拓扑结构相似性算法预测精度偏低的问题，从网络优化去噪的角度进行分析，提出了一种基于K-shell分解与邻居节点度（KSDNN）去噪的链路预测方法。该方法首先从全局的角度通过K-shell分解对复杂网络中所有节点进行重要性排序，然后从局部的角度结合节点邻居节点的度对节点重要性进行综合评判，最后对网络数据进行优化后进行链路预测。通过在四个不同的真实网络进行验证，实验结果表明，所提方法预测精度优于K-shell去噪的方法，且相较于传统算法预测精度平均提升了2%左右。

• 基于特征嵌入的去流行度偏差混合推荐算法

  李鹏,朱心如,苏忻洁,

  针对数据不均衡条件下贝叶斯个性化排序算法生成的推荐列表中存在强流行度偏差的问题，提出基于特征嵌入的去流行度偏差混合推荐算法。首先，利用卷积神经网络提取用户、物品特征确定用户偏好，并依据用户偏好对原始不均衡数据进行评分填充；其次，将卷积神经网络提取的用户偏好特征嵌入到贝叶斯个性化排序算法中进行混合推荐；最后，用评分填充数据训练混合推荐模型，得到去流行度偏差的个性化排序列表。为了验证算法的性能，在公开数据集MovieLens-100K和MovieLens-1M上进行分析与对比实验，实验结果显示流行度偏差降低了约50%~60%，精确度提高了约一倍。

• 融合注意力机制的互补产品推荐方法

  王梦茹,纪淑娟,梁永全,刘广明,

  互补产品推荐是为用户推荐可以一起搭配使用的产品。现有产品推荐方法考虑了产品的图像与文本的所有特征，但没有考虑到视觉和文本模态间的关系，此外并不是所有的特征对互补关系的贡献都相同。基于此种情况，提出了一种融合注意力机制的互补产品推荐模型（complementary product recommendation fusing with attention mechanism，CPRFA）。该模型首先用产品的图像和文本信息来丰富其特征表示；其次为了将异质产品与多模态信息统一起来，将其进一步转换为图像和文本向量表示；然后使用注意力机制自适应地为产品的不同特征分配权重；最后学习产品与候选产品之间的关系，进行互补产品的推荐。在基于Amazon数据集的实验中，所提CPRFA模型在各项指标上均优于其他基线模型，表明CPRFA模型可以更准确地为用户推荐互补产品。

• 基于改进人工势场法的物流无人配送车路径规划

  刘珂,董洪昭,张丽梅,杜秋月,

  传统人工势场法在面对多障环境时易陷入局部最优，导致路径长度和拐点数量增多从而严重降低配送效率。为此，考虑复杂环境多障密集和离散分布特征，结合相对位置检测策略和边界条件判断决策，采用自主虚拟圆作用域设计，修正路径长度和拐点数量缺陷；进一步地，基于模型预测理论，建立四轮转向车辆稳定性控制器，实现理想模型路径的精准跟踪控制；采用MATLAB软件进行模拟避障实验，并与传统算法路径搜索关键要素特征进行对比仿真。研究结果表明，所提出的改进人工势场算法相比于传统算法，全局拐点数量减少10个，路径缩短21.06%，跟踪偏差率低于6%。通过研究，解决了车辆多障环境适配及避障安全性问题，实现了指定轨迹的平稳、安全配送，为无人配送车规划算法的改进提供了理论指导。

• 改进蚁群算法在路径规划中的应用

  杨北辰,余粟,

  针对传统蚁群算法在机器人路径规划时存在收敛速度慢、易陷入局部最优等问题，提出了一种基于自适应归档更新的蚁群算法。根据路径性能指标建立多目标性能评估模型，对最优路径进行多指标优化；采用路径方案归档更新策略进行路径方案的更新和筛选，提高算法的收敛速度；当搜索路径进入不可行区域时，采用自适应路径补偿策略转移不可行路径节点，构造可行路径，减少死锁蚂蚁数量；若算法无法避开障碍或者进入停滞状态，则进行种群重新初始化，增加物种多样性，避免算法陷入局部最优。仿真实验表明，改进后的算法收敛速度更快、收敛精度更高、稳定性更好。

• 一种快速求解最短路径巡游问题的涟漪扩散算法

  马一鸣,胡小兵,周航,

  针对最短路径巡游问题（SPTP），提出了基于涟漪扩散算法（RSA）特征的SPTP分解方法。RSA通过模拟水面上涟漪传播的现象，在SPTP子问题间建立联系，相较于其他基于问题分解的算法减少了计算冗余度。进一步改进RSA，使其在维持时间复杂度不变的情况下求解多起点—多终点SPTP。在多种拓扑结构的网络中进行对比实验，结果表明，RSA在保证最优性的同时运算效率最高。RSA对于多起点—多终点SPTP的高效求解，可为多种现实问题快速提供解决方案，具有很高的应用价值。

• 基于改进UKF算法的移动机器人定位方法研究

  杨佳,彭瑞召,季泽宇,王佳豪,

  针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高的问题，提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波（UKF）移动机器人定位算法。首先建立了移动机器人定位相关模型；然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器，对状态噪声和量测噪声进行自适应地估计，减小扰动噪声给定位解算带来的误差；接着在状态更新时引入收敛因子，加快算法收敛速度；最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明，所提出的算法对状态扰动具有较强的抵制能力，对机器人定位的准确性与稳定性的提升具有显著效果。

• 概念表示增强的知识追踪模型

  张凯,刘月,覃正楚,秦心怡,

  知识追踪模型以学习者的历史学习行为数据作为输入，通过概念表示来描述学习者的概念掌握状态，从而预测学习者未来的学习表现。然而在概念的外延表示方面，当前知识追踪研究的概念外延信息被限制在一阶相关的范畴内，无法表征概念的一阶以上外延信息。为了解决这一问题，提出方法首先使用图结构描述概念内涵信息及其相互关系；其次使用图神经网络的池化操作等提取概念的外延表示，这保证了概念的外延信息来源于多阶相关关系；再与概念的内涵表示进行融合；最后预测学习者未来的答题情况。为了验证该模型的有效性和效率，选取了四个主流知识追踪模型作为对比模型，在四个常用的知识追踪数据集上进行实验。结果表明，提出模型在若干评价指标上均取得了一定的优势，说明了它的有效性；在模型性能方面，提出模型达到最优评价指标所需的迭代次数最少，说明了它的效率；在实际应用方面，以该模型为基础实现了一个智能学习平台，在三门线下课程的教学过程中判断和预测学习者未来答题情况，取得了优于其他知识追踪模型的表现。

• 基于标签推理和注意力融合的多标签文本分类方法

  田雨薇,张智,

  目前许多多标签文本分类方法主要关注文档表示，而丢失了大量标签相关的语义信息，导致分类效果不理想。针对以上问题，提出一种基于标签推理和注意力融合的分类方法，挖掘文档中与标签相关的特征以及相似标签之间的相关性，学习标签信息进行标签推理，同时采用注意力机制自学习地融合文档表示和标签表示，最终完成多标签分类任务。在AAPD和RCV1-V2数据集上进行实例验证，该方法的F1值分别达到了0.732和0.887，与其他最新方法相比其准确度均有提升，实验结果证明了标签推理和注意力融合策略的有效性。

• 基于Transformer和双重注意力融合的分层交互答案选择模型

  郑巧月,段友祥,孙岐峰,

  答案选择是问答系统中的关键组成部分，提升其准确性是问答系统研究的重要内容之一。近年来深度学习技术广泛应用于答案选择，获得了良好效果，但仍旧有一定的局限性。其中模型对问题语义信息利用度低、缺乏局部语义重视、句子间交互感知能力差等问题尤为突出。针对上述问题提出了一种基于Transformer和双重注意力融合的答案选择模型NHITAS（new hierarchical interactive Transformer for answer selection）。首先，在信息预处理部分提取问题类别和关键词对答案进行初步筛选，并引入外部知识作为句子额外语义补充；其次，采用分层交互的Transformer对句子进行语义上下文建模，提出了UP-Transformer（untied position-Transformer）和DA-Transformer（decay self-attention-Transformer）两种结构学习语义特征；最后，通过双重注意力融合过滤句子噪声，增强问题和答案之间的语义交互。在WikiQA和TrecQA数据集上对NHITAS的性能进行测试，实验结果表明所提模型对比其他模型，能够有效提升答案选择任务的效果。

• 基于互信息最大化的意图强化学习方法的研究

  赵婷婷,吴帅,杨梦楠,陈亚瑞,王嫄,杨巨成,

  强化学习主要研究智能体如何根据环境作出较好的决策，其核心是学习策略。基于传统策略模型的动作选择主要依赖于状态感知、历史记忆及模型参数等，其智能体行为很难受到控制。然而，当人类智能体完成任务时，通常会根据自身的意愿或动机选择相应的行为。受人类决策机制的启发，为了让强化学习中的行为选择可控，使智能体能够根据意图选择动作，将意图变量加入到策略模型中，提出了一种基于意图控制的强化学习策略学习方法。具体地，通过意图变量与动作的互信息最大化使两者产生高相关性，使得策略能够根据给定意图变量选择相关动作，从而达到对智能体的控制。最终，通过复杂的机器人控制仿真任务Mujoco验证了所提方法能够有效地通过意图变量控制机器人的移动速度和移动角度。

• 基于转化策略的异质超网络表示学习

  刘贞国,朱宇,刘连照,徐宙,

  与传统网络相比，超网络结构更加复杂，并对现有网络表示学习方法提出了很大的挑战。为了克服网络表示学习面临的超网络结构的挑战，提出一种基于转化策略的异质超网络表示学习方法MT2vec。首先，结合团扩展和星型扩展将抽象为超图的异质超网络转换为抽象的2-截图+关联图的异质网络；然后提出一种感知节点语义相关性的元路径游走方法来捕获节点之间的成对关系和元组关系；最后，设计一种结合多层感知器的skip-gram优化模型同时训练节点成对相似性和元组相似性来获得节点表示向量。通过在三个不同类型的超网络数据集上进行实验。结果表明MT2vec算法在链接预测和超网络重建任务中，效果优于其他基线方法。

• 基于类内方差和位置敏感哈希的多经验核学习

  黄金玻,粟兴旺,吴琳,许茹玉,王晓明,

  多随机经验核学习机（multiple random empirical kernel learning machine，MREKLM）选取少量样本来构造经验特征空间，但在投影时没有考虑数据的分布信息，并且样本选择时间长。为了利用样本的分布信息，引入了类内散度矩阵，提出了基于类内方差的多经验核学习（ICVMEKL），使得样本在投影时能考虑样本类内信息，强化了分类边界，提高了分类精度。进一步，为了降低样本选择时间，利用了基于位置敏感哈希的边界点提取方法（BPLSH）来选择样本，提出了基于位置敏感哈希算法改进的ICVMEKL（ICVMEKL_I），使构建经验核的样本不再需要从候选集中获取，降低了训练时间。多个数据集上的实验结果表明，ICVMEKL能有效提高精度，ICVMEKL_I能大幅降低训练时间，两者都表现出了良好的泛化性能。

• 无信号交叉口网联车调度与分布式控制策略

  李磊,王文格,彭景阳,

  针对多车道无信号交叉口，在高交通流量时易发生拥堵的问题，提出了一种适用于交叉口智能网联车（connected automated vehicle，CAV）通行的解决方案，将问题解耦成顺序决策和分布式控制两个问题。而车辆调度是方案中的关键点，对通行效率有很大的影响，且问题的复杂度是指数级。为解决该问题，提出一种基于队列评价模型的决策方法（queue evaluation spanning tree，QEST），将网联车存到的多个队列模型中，并以通行效率和车辆延迟建立代价函数，以此对队列进行评价，通过不断循环选择最佳的队列，优化车辆在交叉口的通行顺序，有效提升了通行效率。对第二个问题，提出一种分布式控制框架，使得车辆按预定顺序通过交叉口。结果表明，该方案在中高交通流量时能有效提升交叉口的通行效率并降低车辆延迟和能量消耗。

• 考虑疫情扩散传播风险的多目标拼车应急管理优化调度模型

  袁鹏程,林徐勋,韩印,

  为了解决在疫情背景下传统拼车出行模式面临的交互传染风险，对疫情背景下的拼车管理进行分析，提出了将低风险及潜在风险乘客分开服务的拼车策略。在进一步考虑拼车系统应兼顾的社会效益及服务质量的基础上，构建了在满足基本额定盈利及最小化等待时长的双目标拼车应急管理优化调度模型，并给出了求解该模型的组合模拟退火算法。通过具体算例对模型的有效性进行验证，结果表明模型能够较快收敛到一个稳定值，且计算结果能够反映实际场景，说明了模型及算法的有效性。最后，通过一个仿真实验对所构建模型在病毒传播中的作用进行了分析，结果显示所构建的模型可以有效抑制拼车导致的病毒传播速度。

• 多策略融合的改进粒子群优化算法

  吴大飞,杨光永,樊康生,徐天奇,

  为解决传统粒子群算法收敛精度低、收敛速度慢和易陷入局部最优的问题，提出了一种多策略融合的改进粒子群算法。首先，设计了一种基于中垂线算法的游离粒子位置更新方法，加快了游离粒子的收敛速度；其次，设计了一种在最优粒子附近生成爆炸粒子的策略，以增强算法的寻优精度和寻优速度，为适应前两个策略，还设计了一种仅依靠全局最优粒子位置的粒子速度更新策略；最后，将基于概率分层的简化粒子群优化算法的惯性权重和粒子位置更新方法用于本算法。与其他五种改进粒子群算法进行了对比实验，结果表明提出的改进算法无论是处理低维问题还是高维问题表现均具有较大优势，性能更优越。

• 基于蒙特卡罗贝叶斯推理的移动群智感知可靠任务分配机制

  杨桂松,姚秋言,

  针对现有任务分配策略的不足，研究了在工人数量有限的移动群智感知系统中任务分配策略，借助社交网络来分配任务并获得高收益。首先，建立了社交网络的动态不确定环境，利用社交网络完成任务，传播任务。然后考虑到不同社交网络对任务的偏好不同，设置任务偏好度这一不确定指标，借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程，设计基于知识梯度的采样算法选择蒙特卡罗采样点，从而实现高收益的任务分配方案。为了验证所提策略的性能，将其与四种基准的采样算法进行比较。实验结果表明，所提任务分配策略在提高收益方面是有效的。

• 基于离线利用率分析的混合关键级任务调度优化研究

  柴淞威,张凤登,唐莹,

  现主流的混合关键级调度算法在系统高关键级状态下主要通过抛弃低关键级任务来保证高关键级任务的执行，进而保证系统的正确性。此方法常常导致低关键级任务无法执行但系统资源却过剩的问题发生，故基于该问题提出复合型SDU（schedule depend on utilization）调度算法。该方法根据任务集对系统资源需求情况的不同进行利用率区间的划分，通过对各个区间实际使用情况的分析，设计相应的子算法进行调度，并提出了SDU算法对应的可调度性判据。仿真实验结果表明，相较于混合关键级任务调度领域主流的EDF-VD（earliest deadline first-virtual deadline）算法，所提SDU算法可将系统对任务集的调度率提升30%，并在相同情况下将系统对低关键级任务的执行率提升165%，证明了该算法可以极大地提高系统资源使用率，并保证系统服务完整性。

• 分层优化机制引导的视觉机械臂联合模型优化

  毛卉,陈立家,范贤博俊,王敏,王晨露,董孟豪,

  针对视觉机械臂系统整体精度不高、不易部署、校准成本高的问题，提出了具有分层优化机制的自适应多精英引导的复合差分进化算法（AMECoDEs-LO）。首先，对机械臂运动学模型和手眼标定外参模型进行系统集成；然后，以AMECoDEs算法为基础对种群中阶段性数据进行主成分分析，按照当前代各维度向量支配度的不同，划分参数优化的优先级，以参数降维优化的思想实现了对种群收敛精度和速度的隐式引导，在仿真和真实环境下与现有的一流演化算法进行了对比验证；最后针对视觉传感器对环境噪声敏感问题，加入不同强度的高斯白噪声验证系统的鲁棒性。实验结果表明，该算法精度高、收敛速度快、鲁棒性好且不需要额外的校准仪器，可用于视觉机械臂的快速部署。

• 不平衡数据下预算限制的联邦学习激励机制

  顾永跟,钟浩天,吴小红,陶杰,张艳琼,

  联邦学习的提出解决了在隐私保护下完成多客户合作的机器学习问题，而激励客户参与联邦学习是模型性能提高的一个重要前提。针对客户数据非独立同分布特征会导致联邦学习性能下降这一问题，考虑预算约束下，设计了基于单位数据成本和数据特征—EMD距离的客户端筛选方式，提出一种有效的联邦学习激励机制（EMD-FLIM），从理论上证明了机制具有诚实性，即每个客户会诚实披露数据成本和数据分布信息，同时机制具有预算可行性、个人理性及计算有效性。实验结果显示，提出的激励机制在数据分布不平衡情况下模型精度至少能达到数据量最优选择（不考虑激励）下的 94%以上，与不考虑数据分布特征的激励机制相比较，模型精度平均可提高5%以上。

• 融合多头自注意力机制的无接触心率估计模型

  张鑫,杨长强,殷若南,王梦茹,

  为了在光照变化和头部运动条件下实现准确稳定的无接触心率估计，基于U-Net模型提出一种融合多头自注意力机制的端到端心率估计模型rPPG-UNet。该模型通过使用U型编码器—解码器网络结构实现对生理特征的提取与重建，并使用Skip Connection连接编码器与解码器实现浅层时间特征的复用。该模型还融合多头自注意力机制来捕获生理特征的时间依赖性。最后，该模型采用多任务学习策略以提高心率估计的准确度，加速网络训练。在公开数据集上的实验结果表明，rPPG-UNet的性能优于其他基线模型，可以实现更准确的无接触心率估计。

• 面向高维和不平衡数据的供应链金融信用评价

  顾天下,刘勤明,

  针对供应链金融模式下中小企业的信用风险控制问题，提出了一种面向高维和不平衡数据的信用风险预测模型。首先，基于Pearson-XGBoost两阶段特征选择建立供应链金融信用评价指标体系；其次，通过改进的NM-SMOTE算法对数据集进行平衡化；最后，利用Focal loss函数对XGBoost算法改进，并通过改进的粒子群算法进行优化，从而建立最终的信用评价模型。通过实验结果表明，提出的INS-IPSO-FLXGBoost模型对于中小企业具有更好的预测效果，可以更有效地识别风险企业。

• 基于时间差约束的事件日志合并

  李欣歌,赵海燕,陈庆奎,曹健,

  在跨企业、跨系统的环境中，流程数据通常记录在单独的事件日志中，这使得无法挖掘完整的端到端的执行流程，因此提出的算法仅使用事件名称以及时间戳属性对日志进行合并。首先分别获取两个系统的过程模型以及根据活动的跨系统跟随依赖关系获得的合并模型，接着将两个系统的流程一对一进行合并并按照时间戳排序，留下与合并模型路径一致的合并流程，然后从这些流程中获得一对一的实例对，即唯一主流程仅与唯一子流程可以合并，再从这些实例对中挖掘活动间的时间约束用于剩余日志的合并，重复最后两步直到所有日志均合并或无法一对一合并日志。该算法在真实的事件日志上进行了实验，达到了满意的合并效果并获得较高的准确率与召回率。

• 基于GB-AEnet-FL网络的物联网设备异常检测

  张月,唐伦,王恺,陈前斌,

  针对物联网场景下，传统异常检测方法在海量不均衡数据中检测准确率低、数据异构导致模型泛化能力差等问题，提出了基于联邦学习的对抗双编码异常检测网络 （GB-AEnet-FL）的物联网设备异常检测算法。首先，提出了一种基于异常数据的主动特征分布学习算法，主动学习数据的潜在特征分布通过数据重构扩充异常数据，均衡正负样本比例。其次，在潜在特征层引入了对抗训练机制并添加一致性增强约束和收缩约束，提高特征提取的精度。最后，设计了一种基于动态模型选择的联邦学习算法，比较局部模型与全局模型的置信度评分，动态选择部分联邦体参与，加速模型的聚合，在一定程度上也保护了用户隐私。在四个不同数据集上进行验证，结果显示，所提算法在检测准确度优于传统算法且泛化能力得到相应提升。

• 基于小波变换和K-SVD的应急广播语音压缩方法

  鄢化彪,胡超,黄绿娥,

  针对应急广播中语音传输效率低的问题，提出了一种基于小波变换和K-奇异值分解（K-SVD）的语音压缩方法，以提升应急广播信息传输的时效性。首先，该方法舍弃语音小波分解得到的高频分量，在小波合成时用随机信号代替；其次，在低频分量的压缩感知过程中，用K-SVD字典学习算法训练的过完备字典对其稀疏表示；最后，采用改进的基于子空间回溯的广义正交匹配追踪算法重构信号。实验结果表明，在压缩效率为50%时，该方法重构应急广播语音的客观语音质量评分（PESQ）达到3.717，比其他对照算法分别提升了3%~47%，说明在保证压缩效率的同时，所提出的方法能提升应急广播语音重构质量，确保应急广播的传输时效性。

• 一种低复杂度的鲁棒自适应波束形成算法

  姚昊,武岳,

  传统基于干扰噪声协方差矩阵（interference-plus-noise covariance matrix，INCM）重构的鲁棒自适应波束形成（robust adaptive beamformer，RAB）算法在多种样本数据协方差矩阵误差和信号导向向量误差的失配环境中具有较强的鲁棒性，但目前主流的INCM重构法都是对信号和干扰的导向向量通过建立凸优化模型来估计的，这带来了很高的计算复杂度。为了解决这个问题，提出了一种低复杂度的基于INCM重构的RAB算法。该算法首先将干扰信号的导向向量分解为对应标称项和误差项的和，然后通过一种子空间方法估计得到误差项的单位向量。接下来对一个Capon空间谱功率最大问题进行求解，得到误差项的模值，以此得到重构的INCM。同时利用Capon空间谱中残差噪声的存在，使用交替投影法估计得到期望信号的导向向量，最后得到所提算法的权重向量。仿真实验表明，所提算法在多种误差环境下具有较强鲁棒性的同时，还具有较低的计算复杂度。

• 面向5G车联网场景的移动任务动态卸载策略研究

  周雯雯,陆阳,石雷,

  由于车辆自身的高速移动性和资源有限性等特征，使得采用传统通信和计算手段的车联网场景无法满足用户日益增长的数据计算需求和体验质量需求。采用5G和边缘计算技术构建的新型车联网架构可以满足以上需求，但由于网络结构的变化，需设计适合新场景下的车辆任务通信和计算策略。针对5G车联网场景下的移动车辆任务动态卸载问题进行研究，提出了对应的动态任务分配策略和卸载调度低时延算法。车辆会根据提出的策略和算法将未完成的计算任务卸载到相应的 MEC 服务器或车辆上，并且计算结果将通过边缘服务器之间的联合通信或直接从被选择接受卸载任务的附近空闲车辆上直接返回给车主。仿真结果表明，所提出的策略和算法在优化卸载延迟方面具有良好的性能，并提高了用户体验质量。

• 基于熵权法的CRSN软决策协作频谱感知方法

  林佶,李骏慧,

  在实际的无线环境中，阴影和衰落的影响会导致传感节点接收到的信号具有不同的特征。因此，深度衰落中的一些协作节点会出现严重的漏检，这将影响融合操作的最终结果。针对上述问题，提出一种基于熵权法的认知无线传感网（cognitive radio sensor network，CRSN）软决策协作频谱感知方法。该方法将传感器节点组织成逻辑组，以获得能源效率和传感性能的提高，在接收到来自所有成员节点的软传感信息后，簇头采用等增益的软融合来进行簇间融合，然后将局部决策转发给融合中心，在最终决策过程中，采用熵权法为相应的聚类局部决策分配最优权值。仿真结果表明，该方法检测概率和总误差概率方面均优于典型的协作频谱感知分簇方案。

• 智能电网中基于MQTT协议的ABAC访问控制方案

  邵瑞雪,田秀霞,

  在智能电网环境中，电力运营商和消费者通过智能电表进行大量高精度的用电数据的实时监测，用户机密数据持续暴露于未经授权的访问，在这种传统通信模式下，智能电表对家庭用户能源消耗的细粒度测量造成了严重的隐私安全问题，而现有的静态访问控制方法并不满足智能电网环境基于上下文的动态访问特性。针对此问题，提出一种基于物联网通信协议（MQTT协议）的访问控制方案，通过在MQTT协议中对树型结构的主题列表设计基于ABAC访问控制模型的动态上下文授权策略，并在WSO2系统使用XACML策略语言实现了提出的访问控制方案。性能评估结果表明，该方案能在较低的通信开销内支持动态的访问控制，以解决智能电网中用户的用电信息未经授权而泄露的隐私安全问题。

• 基于逐跳转发方式的单故障路由保护方法

  郭旭敏,耿海军,宗春梅,

  业界提出利用LFA（loop free alternates）方案来应对网络中频繁出现的故障，然而LFA并不能保护网络中所有可能出现的单故障情形。针对上述问题，提出了一种基于逐跳转发方式的单故障路由保护算法SFRPA（single failure routing protection algorithm based on hop by hop forwarding）。SFRPA首先提出了三个无环路备份下一跳选取规则，然后制定了优先级队列的操作规则，最后利用优先级队列和无环路备份下一跳选取规则为所有源目的节点对计算出一个最优的备份下一跳。该算法具有支持逐跳转发、支持增量部署、保护网络中所有可能的单故障情形三个特征。实验结果表明，与经典的路由保护方案LFA、DMPA、TBFH和IAC相比较，SFRPA不仅可以应对网络中所有可能的单故障情形，并且具有较小的路径拉伸度。

• 基于CRT的gNB间切换认证方法与密钥协商协议

  谢桢,季新生,游伟,

  针对当前UE在gNB间的切换认证与密钥协商过程存在的仅有两跳前向安全性和易受拒绝服务攻击等问题，提出了一种基于中国剩余定理（CRT）的切换认证与密钥协商协议。该协议利用秘密共享原理，令源gNB和所有可能的目标gNB构成一个群体，把真实的参数作为“秘密”在源gNB和唯一的目标gNB间共享，使得关键参数NH和NCC能在源gNB和目标gNB间安全传输。实验结果表明，该协议是安全的，相比同类的改进协议具有效率优势。

• 基于CFL的空间网络认证策略研究

  王琳,王夕冉,侯博文,石乐义,

  卫星网络作为一种新兴的网络，具有覆盖范围广、传输环节少等优点，但拓扑结构复杂、链路频繁切换，因而面临诸多网络安全威胁。为解决卫星网络中身份认证等安全性问题，结合CFL认证体制，提出了一种适用于卫星网络的安全认证策略研究。在注册阶段，用户和卫星分别向地面控制中心申请证书，地面控制中心验证用户和卫星的身份后为用户和卫星签署证书；在认证阶段，用户与卫星互相交换证书，自主生成验证密钥并验证证书，实现用户与卫星的双向快速认证。分析结果表明，所提方案能够满足卫星网络的安全需求，抵御各种常见的网络安全攻击；与其他相关方案的相比，该方案无须地面中心参与认证过程，通信开销与计算开销较小，在保证安全性的基础上，与最低计算开销方法相比，将通信效率提升了33%，有效提高了认证效率。因此，本方案不仅适合星载资源有限的卫星网络，且能够增强卫星网络的安全性。

• 一种理想格上高效盲签名方案

  黄秀菊,杜云飞,李子臣,

  为了更好地保护用户隐私安全，使签名具有抗量子性，使用拒绝抽样定理以及高低顺序位关系提出了一种理想格上安全高效的盲签名方案。该方案无须复杂的陷门函数，通过简单的计算即可实现盲签名功能。通过分析可知，该方案安全性规约于格上ISISn，m，q，η（s）困难问题，具有盲性以及one-more（OM）不可伪造性，且公私钥短，签名长度仅为llodq，具有安全高效的优势。

• 基于动态分析的底层虚拟机混淆器反混淆方法

  寇宇,王其军,

  底层虚拟机混淆器（OLLVM）是一个著名的代码混淆工具，除了用于保护商业软件的安全外，也被恶意代码的开发者所利用，以此增加分析难度。为便于安全研究人员对ARM恶意程序进行分析，提出并实现了基于动态分析的OLLVM自动化反混淆方法。对于虚假控制流，根据不透明谓词的内存特征监控内存读写并利用动态污点分析技术识别虚假控制流来完成反混淆；对于控制流平坦化，通过动态运行程序并记录基本块的执行顺序来完成反混淆；同时利用多执行路径构造来提高代码覆盖率，最后通过指令修复还原基本块之间的关系。实验结果表明，该方法可准确消除可执行程序中因混淆产生的条件分支，且反混淆后得到的程序其运行结果与未混淆的程序保持一致，能有效完成对ARM混淆程序的反混淆工作。

• 基于运动矢量多直方图修正的视频可逆隐写算法

  邱枫,钮可,李军,宁志强,

  针对基于直方图平移的视频隐写算法与视频内容相关性不强进行了研究，提出了一种基于运动矢量多直方图修正的H.264视频可逆隐写算法。该算法通过统计特定帧中宏块移动的速度特性和散乱度对人眼视觉的敏感程度设计修正参数，再根据修正参数设计多个二维直方图，最后在非特定帧中通过二维直方图修正算法嵌入信息。实验结果表明：与同类型视频隐写算法相比，嵌入容量平均提高8.2%，在满嵌时该算法的PSNR和SSIM的变化值分别平均降低19.9%和17.5%，该算法在保持较低的比特率变化下，具有更好的嵌入容量和不可感知性。

• 一种新的强分辨性零样本目标检测方法

  宋雨,李敏,何玉杰,苟瑶,吕奕龙,贺翥祯,

  零样本目标检测是近年来用于对训练中未见（unseen）类别目标进行分类和定位的一种技术。由此带来了目标检测中的新问题——目标视觉特征与其对应的类别语义信息映射关系不准确，未见类别目标与背景分辨性不强。提出的强分辨算法（adaptive channel with center distance Gaussian distribution loss，ACDG）使用特征图通道自适应加权机制，能够根据不同类别目标对特征图通道自动赋予权值，加强关键特征图的权重，抑制次要特征图的信息，增强特征提取网络的表征性，以建立更准确的视觉特征和语义特征之间映射关系。为了解决未见类别目标与背景分辨性不高的问题，提出中心距离高斯分布损失，约束预测边界框中心点与真实值（groundtruth）中心点位置的距离，进而加快损失函数收敛。为了验证所提算法的先进性，在MS COCO数据集上完成了大量实验，召回率和平均精度分别高出原始方法5.9%和4.5%。

• 集成RGB-D语义分割网络的室内语义地图构建

  宋鑫,张荣芬,刘宇红,

  针对传统视觉SLAM准确度低、实时性差、缺乏语义的问题，提出一种全新的RGB-D语义分割网络，利用室内场景中受光照等条件影响较小的深度信息来提高分割的准确性，并且设计了轻量级多尺度残差模块（MRAM）和空间金字塔池化模块（ASPP）来轻量化分割网络、提高分割的精度。首先输入的图像序列进入ORB-SLAM2网络进行关键帧筛选，之后关键帧送入语义分割网络得到二维语义标签，再将二维语义信息映射到三维点云空间，最后使用贝叶斯算法更新三维地图得到全局一致的三维点云语义地图。实验采用NYUv2数据集验证语义分割网络性能，采用TUM数据集构建点云语义地图，结果表明，提出的语义分割网络性能和速度优于现有的模型，且此语义分割网络与视觉SLAM相结合可以满足高精度、实时的稠密三维语义点云地图构建要求。

• 基于多尺度注意力机制的高分辨率网络人体姿态估计

  李丽,张荣芬,刘宇红,陈娜,张雯雯,

  针对人体姿态估计中面对特征图尺度变化的挑战时难以预测人体的正确姿势，提出了一种基于多尺度注意力机制的高分辨率网络MSANet（multiscale-attention net）以提高人体姿态估计的检测精度。引入轻量级的金字塔卷积和注意力特征融合以更高效地完成多尺度信息的提取；在并行子网的融合中引用自转换器模块进行特征增强，获取全局特征；在输出阶段中将各层的特征使用自适应空间特征融合策略进行融合后作为最后的输出，更充分地获取高层特征的语义信息和底层特征的细粒度特征，以推断不可见点和被遮挡的关键点。在公开数据集 COCO2017上进行测试，实验结果表明，该方法比基础网络HRNet的估计精度提升了4.2%。

• 基于组反馈融合机制的视频超分辨率模型

  张庆武,迟小羽,朱鉴,陈炳丰,蔡瑞初,

  现有的许多视频超分辨率（video super-resolution，VSR）工作都集中在如何有效地对齐相邻帧以更好地融合相邻帧信息，而很少在相邻帧信息融合这一重要步骤上进行研究。针对该问题，提出了基于组反馈融合机制的视频超分辩模型（GFFMVSR）。具体来说，在相邻帧对齐后，将对齐视频序列输入第一重时间注意力模块；然后，将序列分成几个小组，各小组依次通过组内融合模块实现初步融合，不同小组的融合结果经过第二重时间注意力模块；各小组逐组输入反馈融合模块，利用反馈机制反馈融合不同组别的信息；最后将融合结果输出重建。经验证，该模型具有较强的信息融合能力，在客观评价指标和主观视觉效果上都优于现有的模型。

• 基于关键帧节点自适应分区与关联的行为识别算法

  刘锁兰,田珍珍,顾嘉晖,周岳靖,

  基于视频的人体行为识别任务中由于大部分画面并不包含重要的判别信息，这对识别应用的准确性造成严重干扰。关键姿态帧既能表达视频又能降低计算量，且骨骼数据相比于图像包含更多维度的信息。因此，提出一种基于关键帧骨骼节点自适应分区与关联的行为识别算法。首先构建自适应池化深度网络以评估帧的重要性获取关键姿态帧序列；其次通过节点自学习模型建立非自然连接状态下的节点间关联；最后将改进的时空信息应用于STGCN并使用softmax分类识别。在开源的大规模数据集NTU-RGB+D和Kinetics 上与几种典型技术进行比对，验证了所提方法在减少冗余数据量的同时能保留关键动作信息，且动作识别准确率平均提高了0.63%~11.81%。

• 基于重叠域采样混合特征的点云配准算法

  胡江豪,王丰,

  针对部分重叠的两片点云配准效率低、误差大等问题，提出了一种基于重叠域采样混合特征的点云配准算法。首先，通过编码和特征交互的方式预测每个点的重叠分数，获得更丰富的点云特征；其次，提取重叠点的局部几何特征，基于重叠分数和点特征的显著性保留重叠关键点；最后，利用重叠关键点的几何信息和空间信息构建混合特征矩阵，计算矩阵的匹配相似度，采取加权奇异值分解运算得到配准结果。实验结果表明，该方法具有较强的泛化能力，能在保证配准效率的同时显著提升点云配准精度。

• 融合双重注意力网络的儿童骨龄评估方法

  张鑫,张俊华,张帅,

  骨龄评估是一种检测儿童内分泌与生长发育异常的常用方法，但深度学习方法中低质量手部X射线图像降低最终评估精度。针对该问题，提出一种增加手部X射线图像感兴趣区域面积的对齐网络，该网络以Swin Transformer结构作为主干网络学习图像手部相似性并取得仿射系数，且在训练过程中无须进行大规模手部标注。在骨龄评估网络中，针对高效通道注意力和空间注意力机制改进，提出双池化高效通道注意力和非对称卷积空间注意力方法，将这两种方法以双重注意力形式与Xception网络相结合提出DA-Xception。在RSNA数据集上进行测试，该骨龄评估方法达到5.37个月的平均绝对误差，相较于其他深度学习方法可更充分提取特征，优化评估结果。

• 基于近红外和可见光差分特征的图像融合方法

  赵国辉,张鹤,

  暗光环境拍摄的图像通常存在昏暗、噪声、偏色等退化问题。为此，提出一种基于差分特征的可见光与近红外融合方法。首先，观察到近红外与可见光图像成像不一致性，通过两者结构性差异构造差分特征；其次，利用差分特征映射为融合权重进行权重融合；最后，采用偏色校正方法对融合后易产生偏色区域进行亮度复原，使得融合后偏色区域颜色真实自然。提出的方法能切实有效地利用近红外信息，输出高质量清晰图像。实验结论表明，该方法在主观感受和客观评价上均优于现有算法。