计算机应用研究杂志

计算机应用研究杂志2022年第12期

• 基于机器学习的蜂窝网络故障管理框架及方法综述

  雷泽临,苏俭,郭伟,

  网络故障管理旨在检测、识别和纠正网络中发生的错误状况，为用户获得可靠稳定的网络服务提供保障，近年来，如何利用机器学习方法进行蜂窝网络故障管理引起了广泛关注。首先介绍了蜂窝网络故障管理的研究背景，明确网络故障管理的流程和功能；接着介绍现有蜂窝网络故障管理框架；随后对现有机器学习在蜂窝网络故障管理中的方法研究进行评述，从故障管理周期入手，分别对实现故障检测、故障诊断以及故障预测的机器学习方法展开介绍、总结和对比分析，为相关领域的研究提供参考。

• 多类不平衡数据分类方法综述

  李昂,韩萌,穆栋梁,高智慧,刘淑娟,

  现实中许多领域产生的数据通常具有多个类别并且是不平衡的。在多类不平衡分类中，类重叠、噪声和多个少数类等问题降低了分类器的能力，而有效解决多类不平衡问题已经成为机器学习与数据挖掘领域中重要的研究课题。根据近年来的多类不平衡分类方法的文献，从数据预处理和算法级分类方法两方面进行了分析与总结，并从优缺点和数据集等方面对所有算法进行了详细分析。在数据预处理方法中，介绍了过采样、欠采样、混合采样和特征选择方法，对使用相同数据集算法的性能进行了比较。从基分类器优化、集成学习和多类分解技术三个方面对算法级分类方法展开介绍和分析。最后对多类不平衡数据分类研究领域的未来发展方向进行总结归纳。

• 基于车联网的隐私保护数据聚合研究综述

  刘辉,张磊,李晶,

  随着智能网联汽车的普及，用户数据的隐私问题成为了车联网发展中亟待解决的问题。针对车联网聚合方案的研究现状，对当前方案中存在的问题进行分析总结。首先，系统地介绍了车联网中主流系统模型和车联网中常见的攻击模型；其次，对当前国内外应用在车联网中的聚合方案的安全性、效率和优劣进行分析总结，分别从签名阶段聚合方案、用户数据收集和传输阶段聚合方案和云平台处理数据阶段聚合方案三方面对其进行讨论；最后，阐述了车联网聚合方案中存在的问题及解决方法，展望了车联网聚合方案未来的研究方向。

• 一种基于门限签名的区块链共识算法

  胡荣磊,丁安邦,于秉琪,

  针对区块链应用于物联网环境下的特点和要求，分析了目前广泛应用于联盟链的实用拜占庭容错算法（PBFT）的弊端以及目前应用于共识网络中的门限签名算法存在的普遍问题，提出改进的共识算法。首先，新共识机制将网络中的节点分组用部分节点的两两通信代替所有节点的两两通信，减少了通信量；其次，将组合公钥的思想引入到门限签名中，减少了通信量与计算量；最后，在节点之间引入信用分机制，优化视图切换协议。仿真结果表明，新提出的共识算法在数据吞吐量以及通信时延方面有了明显提升，并且得到了通信量最低时的最佳分组方式。

• 基于图神经网络的比特币交易预测

  韩忠明,王宇航,毛雅俊,陈福宇,

  快速、准确的数字货币交易预测在应对交易风险、促进交易等方面具有重要意义，利用比特币的交易用户评价可将比特币交易建模为具有连续时间特性的动态网络，交易预测可转换为动态网络的链接预测问题。为更有效预测比特币交易，针对现有的图神经网络方法忽略了及时反馈网络中产生的新信息的重要性，难以准确完成比特币交易预测的问题，提出一种新的基于图神经网络的模型用于比特币交易预测。该方法通过时间注意力机制聚合用户的邻域信息，并引入了一种新颖的信息反馈机制，更充分地利用网络信息。实验在两个真实数据集上进行，结果表明，改进的模型比最好的对比模型在AUC、AP和F1指标下分别高出约7%、6%和22%，能对比特币交易进行更准确的分析预测。

• 基于时空图卷积网络的多变量时间序列预测方法

  李怀翱,周晓锋,房灵申,李帅,刘舒锐,

  为了扩大时空图卷积网络的预测范围，将它应用在关联关系未知场景下的多变量时间序列预测问题，提出一种附加图学习层的时空图卷积网络预测方法（GLB-STGCN）。图学习层借助余弦相似度从时间序列中学习图邻接矩阵，通过图卷积网络捕捉多变量之间的相互影响，最后通过多核时间卷积网络捕捉时间序列的周期性特征，实现对多变量的精准预测。为验证GLB-STGCN的有效性，使用天文、电力、交通和经济四个领域的公共数据集和一个工业场景生产数据集进行预测实验，结果表明GLB-STGCN优于对比方法，在天文数据集上的表现尤为出色，预测误差分别降低了6.02%、8.01%、6.72%和5.31%。实验结果证明GLB-STGCN适用范围更广，预测效果更好，尤其适合自然周期明显的时间序列预测问题。

• 一种融合胶囊网络的分类方法

  王静红,张戴鹏,

  目前的ADMET分类方法在对具有多特征性和特征关联性的化合物数据进行ADMET分类时存在不足。而且，对ADMET分类结果不具备可解释性。针对上述问题，提出一种融合胶囊网络的分类模型（CapsMC）。CapsMC模型首先提出一种feature-to-image图像转换算法。使用该算法将特征之间的关联关系和依赖关系作为考量纳入到分类依据中，实现特征的多层次提取。其次，探索胶囊网络的高级应用，提出一种认知推理机制。使用该机制对特征进行认知推理，实现ADMET的可解释性分类。模型在五种ADMET数据集上的实验结果表明，CapsMC模型可以高效实现ADMET的可解释性分类。

• 一种基于协同作用网络的特征模块搜索算法

  白嵩楠,林晓惠,周惠巍,

  如何利用数据挖掘领域的特征选择技术，从高维复杂的组学数据中提取关键特征一直是研究重点。对此，针对组学数据特征间存在的复杂关联关系进行研究，提出了基于协同作用网络的特征模块搜索算法。该算法利用交互增益值构建协同作用网络，通过衡量候选节点与当前特征模块连接的紧密程度，同时结合节点自身分类性能实现模块搜索，确定重要特征。在十个数据集上对该算法的性能进行了测试分析，在分类准确率、灵敏度、特异性三项指标上该算法与对比算法相比均有优势，这表明其所确定的网络模块性能更优。

• 基于注意力机制和异质信息网络元路径的推荐系统

  姜征和,陈学刚,

  异质信息网络（HIN）包含丰富的网络结构和语义信息使其常见于推荐系统中。然而，当前推荐系统的研究工作主要是基于元路径提供的间接信息进行推荐，而未充分利用直接交互信息。为了充分利用这些信息，提出一种融合注意力机制和异质信息网络元路径的三元交互模型（AMMRec）。在异质信息网络中使用隐式反馈矩阵构造用户相似度矩阵和项目相似度矩阵，运用异质信息网络的表示学习方法获得对应的特征向量嵌入，通过注意力机制对其进行修正；设计注意力神经网络，将不同元路径的表示向量进行融合；拼接用户嵌入、元路径嵌入和项目嵌入，通过全连接神经网络生成推荐结果。在真实数据集上的实验结果表明，AMMRec的推荐精度最高提升了9.5%。此外，AMMRec对推荐结果具有良好的可解释性。

• 基于改进成对约束扩充的标签传播聚类算法

  吴颖豪,刘虹,张岐山,

  针对半监督聚类算法性能受到成对约束数量多寡的限制问题，现有的研究大都依赖于原始成对约束的数量。因此，首先提出了基于灰关联分析的成对约束初始化算法（initialization algorithm of pair constraints based on grey relational analysis，PCIG）。该算法通过均衡接近度计算数据对象间的相似度，并根据相似度的取值来确定可信区间，然后借鉴网络结构初始化方法来扩充数据对象间的成对关系。最后，将其应用于标签传播聚类算法。通过在五个基准数据集上进行实验，基于改进成对约束扩充的标签传播聚类算法与其他方法相比NMI值和ARI值有所提升。实验结果证明了改进成对约束扩充可以有效改善标签传播算法的聚类效果。

• 利用提示调优实现两阶段模型复用的关系实体抽取方法

  苏杭,胡亚豪,谢艺菲,潘志松,

  关系实体抽取旨在从非结构化文本中识别命名实体并抽取实体间语义关系，现有的两阶段关系实体抽取方法存在模型无法复用、调优参数量大等问题，不便于工程实现。利用提示调优对已有方法进行改进，提出两阶段模型复用的关系实体抽取方法REPT（a model-reused method of two-staged relations and entities extraction with prompt tuning）。首先微调预训练语言模型进行关系分类，而后利用提示调优并复用前一阶段微调的预训练语言模型抽取实体。实验结果表明，该方法在调优参数只占基线模型约50%的情况下，达到与SOTA模型相媲美的性能。

• 基于ADASYN-SFS-RF的欺诈检测模型泛化性能提升及可解释性研究

  汪万敏,智路平,

  针对行业欺诈行为形式多样、操作隐蔽，且数据分布极端不平衡等问题，研究采用ADASYN（adaptive synthetic sampling approach for imbalanced learning）算法将分类决策边界向困难的实例进行自适应移动实现数据扩增，以解决不平衡数据造成的过拟合问题。采用基于随机森林的序列向前搜索策略算法筛选出最优特征子集对欺诈进行检测，降低ADASYN算法添加噪声数据对分类边界确定的影响，构建欺诈检测模型，并使用LIME对模型检测结果作出局部解释，提高模型的使用价值。实验表明，该模型可以较好地克服传统欺诈检测模型对多数类样本误分类的缺陷，有助于提高行业对交易欺诈行为识别的效率。同时，通过LIME对模型检测出的随机样本进行有效解析，便于决策者对算法模型的检测结果作出实证分析，起到明显的预警及决策参考价值。

• 融入情感和话题信息的中文方面级情感分析

  周法国,孙冬雪,

  近年来的方面级情感分析模型应用图卷积神经网络（GCN）学习语句的语法结构信息，但是在建模时忽略了已知情感词信息和评论所属的已知话题环境，渐渐不能满足中文社交网络情感分析需求。针对以上问题，提出一种基于词典和深度学习软融合的字词双通道模型（2D-SGCN）。该模型首先基于基础情感词典扩展得到微博领域词典，获得领域适用性的情感词；其次使用预训练模型获得字、词初始特征向量，并在字维度融入方面词和话题信息，分别使用Bi-LSTM和融入情感信息的GCN（SGCN）学习全局与局部信息；应用注意力机制得到方面词最终特征并进行多维度融合；最后将话题和方面词结合进行分类纠正。在SemEval-2014的Restaurant数据集上F1为73.67%，在NLPCC2012数据集上F1为91.5%，证明了该模型的有效性。

• 基于智能垃圾桶的垃圾分类动态收运路径优化问题研究

  闫芳,邓德萍,柴福良,

  针对城市生活垃圾分类收运过程中存在的环境二次污染和垃圾产生量不确定性等问题，提出了一种基于智能垃圾桶的动态收运车辆路径优化方法。建立以最小化碳排放成本、燃油消耗成本、固定成本和车辆延迟到达惩罚成本为目标的动态车辆路径优化模型。采用滚动时域的方式将动态问题转换为一系列静态问题，并设计两阶段算法进行求解。首先采用粒子群算法对收运车辆路径进行规划，而后在每个时域末，综合考虑待清运垃圾桶的位置和垃圾量、垃圾收运车辆的位置和装载量以动态调整现有车辆路径。研究结果表明，相较于传统的静态收运方案，动态垃圾收运方案能够在降低车辆运输成本和碳排放成本的同时，显著降低由于清运不及时造成的环境二次污染的风险。

• 基于WGAN-GP的搜索式路径规划算法

  周齐,杨晓君,林浩申,廖伦稼,孙博,

  为了提升搜索式路径规划算法在C字型障碍中的探索效率，提出了一种基于对抗生成网络的A*算法。首先使用训练更为稳定的梯度惩罚Wasserstein对抗生成网络（WGAN-GP）生成存在可行路径的感兴趣区域；然后使用A*算法优先探索该区域，使得路径规划能够被有效引导；最终形成一条连续的路径。经过实验仿真验证，其相较于传统A*算法节约了31%的规划时间、减少了22.84%的探索空间，提升了路径规划算法的效率。实验结果表明，改进的A*算法具有较高的探索效率，能够更好地应用于机器人路径规划中。

• 基于模糊需求的应急物资中心选址—路径问题的算法研究

  彭大江,叶春明,万孟然,

  突发事件爆发后，应急决策通常面临信息不对称的情形，由此获得合理的解决方案非常困难。研究需求量不确定的场景下，同时决策应急物资中心选址方案和配送路径的问题。首先引入三角模糊数刻画模糊需求，提出模糊需求下的应急物资中心选址—路径模型；然后定义Q-学习中的状态、动作和奖励，形成超启发式算法的上层策略；最后以一种新架构封装低层算子，提出一种基于Q-学习的超启发式算法。通过数值实验验证了算法的有效性，同时通过案例分析体现了模型和算法在实际应用中的可行性。

• 用于函数优化和特征选择的翻筋斗觅食海鸥优化算法

  徐明,龙文,羊洋,

  针对基本海鸥优化算法（SOA）在处理复杂优化问题中存在低精度、慢收敛和易陷入局部最优的不足，提出了一种基于翻筋斗觅食策略的SOA算法（SFSOA）。该算法首先采用基于倒S型函数的控制参数A非线性递减策略更新海鸥个体的位置，以改善个体的质量和加快收敛速度；引入一种基于翻筋斗觅食策略的学习机制以增加海鸥个体位置的多样性，避免算法在搜索后期陷入局部最优值。选取八个基准函数优化问题进行数值实验，并与基本SOA、灰狼优化算法和改进SOA进行比较，结果表明，所提算法具有较高的解精度、较快的收敛速度和较强的全局搜索能力，能有效地处理复杂函数优化问题。最后，将SFSOA用于求解特征选择问题，获得了满意的结果。

• 多机器人从正六边形区域在线撤离算法研究

  张妍,魏琦,刘銮,孙洁,张文馨,

  针对多机器人在线撤离未知多边形区域展开研究，在原有撤离区域模型（三角形、正方形、圆形）的基础上提出多机器人从正六边形区域在线撤离问题。设置出口在正六边形区域的边界上，2k（k≥1）个具有无线通信能力的机器人从相同起点出发，协作搜索出口并撤离。使用机器人全部从出口撤离的时间作为算法的开销，分析算法的效率。根据机器人数量和初始位置分情况讨论，k=1时，机器人的初始位置分别位于正六边形区域的边界和内部；k>1时，机器人初始位置在正六边形区域的边界。针对上述几种情况，分别给出了高效的多机器人协作在线撤离算法，并证明在机器人起点相同的情况下，增加机器人数量对减少算法开销具有正向的意义。

• 动态优化问题的瞬态自适应麻雀搜索算法求解

  刘睿,莫愿斌,

  动态优化普遍存在于工业过程控制领域，是实现系统稳态与产值最大化的重要手段，应用并发展更加高效的动态优化方法逐渐成为了当前研究的热点。鉴于此，提出一种基于瞬态自适应麻雀搜索算法（TASSA）的动态优化问题求解方案。首先，分析了原始麻雀搜索算法的缺陷，为了提升全局勘探能力，引入瞬态搜索策略指导加入者的寻优过程；其次，采用随迭代而变化的惯性权重调节具体的搜索方式，增强了算法的动态适应能力，并通过九组基准函数的数值测试确认了改进策略的有效性；最后，采用时域等分的方式，在控制变量参数化（CVP）的框架下利用TASSA对三组典型的动态优化问题进行求解，对比不同文献中的方法，所提算法取得了更精确的结果。

• 多策略协同优化的改进HHO算法

  柴岩,任生,

  为进一步提升哈里斯鹰优化算法（HHO）的收敛精度和迭代速度，提出一种多策略协同优化的改进HHO算法（MSHHO）。首先采用拉丁超立方抽样方法初始化种群，加强个体在解空间区域的均匀化分布程度；其次引入融合莱维飞行的自适应阿基米德螺旋机制于局部搜索阶段，完善算法开采机制并有效增强个体邻域的搜索严密性，提高算法收敛精度；最后鉴于算法在迭代后期易于陷入局部极值情形，采取柯西变异和反向学习的混合变异策略交替扰动最优个体以助其快速逃离局部极值区，加快算法迭代速度。通过对基准测试函数的求解对比分析、Wilcoxon秩和检验和CEC2014复杂函数对比分析，证实了改进算法优异的寻优性能和稳健的鲁棒性。

• 变量块内部迭代算法求解零空闲流水车间问题

  李杰,李艳武,

  零空闲流水车间问题（NIFSP）是流水车间问题中带有约束条件的典型NP-hard问题，在大多数现实场景下，零空闲约束是对机器的基本要求。而目前关于NIFSP问题提出的算法对于较大规模算例、综合性能及参数调整的灵活性较差。为此，以最小化最大完工时间为目标，提出了一种可变内部迭代算法VIIA。在VIIA的初始化阶段，使用改进的FRB5产生初始解，提高了FRB5的效率，在保证算法性能的同时极大地缩短了CPU消耗时间。在破坏重建阶段，通过增加对移除工件块数量的内部迭代，从而灵活调整参数值。VIIA增大了邻域搜索，以适应不同规模的算例。为了验证VIIA算法的性能，将该算法与在流水车间调度问题中表现优秀的几种算法进行了比较。实验结果证明了VIIA在NIFSP问题求解上性能的优越性，并且在最优解的搜索上，性能明显优于对比算法。

• 考虑时间与能耗约束的柔性作业车间调度优化

  张国辉,卫世文,张海军,陆熙熙,

  随着能源价格日益上涨以及国家节能减排措施的不断推进，制造业正朝着绿色生产方向转型。针对受调整时间和能耗约束的柔性作业车间调度问题，建立以最大完工时间、总调整时间和总能耗为目标的数学模型。设计改进的NSGA-Ⅱ与禁忌搜索结合的多目标混合算法（MOGATS）进行求解。算法设计三种初始化规则保证初始解的质量和多样性。为提高算法搜索效果，将Pareto等级引入交叉算子中，并在变异算子中加入模拟退火算法提升算法的局部搜索能力。最后，在Pareto前沿中找到各个目标的最优个体作为初始解，进行禁忌搜索以提高解的质量。通过与其他算法的实验结果进行对比，验证MOGATS算法能够有效求解考虑机器调整的柔性作业车间多目标问题。

• 基于内在奖励的技能获取和组合方法

  赵英,秦进,

  现有的内在奖励随着agent不断探索环境而逐渐消失，导致了agent无法利用内在奖励信号去指引agent寻找最优策略。为了解决这个问题，提出了一种基于内在奖励的技能获取和组合方法。该方法首先在agent与环境交互过程中寻找积极状态，在积极状态中筛选子目标；其次从初始状态到达子目标，子目标到达终止状态所产生的一条轨迹中发现技能，对技能中出现一个或者两个以上的子目标进行组合；最后用初始状态到子目标的距离和初始状态到子目标的累积奖励值对技能进行评估。该方法在Mujoco环境中取得了较高的平均奖励值，尤其是在外在奖励延迟的情况下，也能取得较好的平均奖励值。说明该方法提出的子目标和技能可以有效地解决内在奖励消失后，agent无法利用内在奖励信号学习最优策略的问题。

• 基于双矫正机制的源域无关域适应学习

  邹聪,汪云云,

  标准域无监督域适应学习是从相关的源域学习知识迁移到目标域，通常假设源域数据在训练阶段是可直接使用的。但是由于隐私和安全问题，在一些现实的应用中，源域数据往往是不可直接获取的，如何有效利用目标域数据从而减少噪声类的输出或特征的产生是源域无关域适应学习的巨大挑战。为解决这个问题，提出了一个基于双矫正机制的源域无关域适应学习模型（source-free domain adaptation with dual-correction mechanism，DCM）。首先，探索目标域样本信息结构，对噪声类输出进行矫正；其次，采用教师—学生模型指导特征的学习，最大化高置信度特征间的一致性以及低置信度特征间的差异性。最后，在数字集、Office-31和Office-Home数据集上的实验结果证实了DCM的有效性。

• 共享充电桩下负荷时间分布均衡的小区电动汽车充电方案优化

  梁士栋,赵勍,何建佳,何胜学,

  针对电动汽车充电负荷增加、电网安全性降低，以及停车困难小区只能使用共享充电桩等问题，提出了一种充电桩选择与电动汽车充电优化的组合模型。该模型以共享充电桩之间充电时间标准差和全天充电负荷标准差之和最小为目标。考虑到电动汽车充电桩分配方案以及电动汽车充电方案两者的重要程度并不相同，提出了一种随着迭代次数的增加，变化概率不断改变的动态概率遗传算法。改进后的遗传算法用于求解该模型，通过求解一个算例，进一步阐述所提算法的原理和过程，验证了该算法的可行性和有效性。

• 融合教育心理学理论的分组教学优化算法

  闫恩奇,马良,刘勇,

  针对分组教学优化算法（group teaching optimization algorithm，GTOA）存在求解精度不高、易陷入局部最优的不足，提出了一种融入教育心理学理论的分组教学优化算法（educational psychology group teaching optimization algorithm，EPGTOA）。在杰出组学生的教学阶段融入支架式教学理论，在教学过程中帮助学生构建知识体系，更快地提高该组学生的学习能力，从而加强算法的局部搜索能力；在学生学习阶段融入建构主义发展观理论，学生逐渐形成自己独特的认知结构，吸收教师传授的知识，提高学习能力，从而增强算法的全局搜索能力。为验证EPGTOA的有效性，选取21个标准测试函数，将EPGTOA与GTOA和基于信息共享的分组教学优化算法、灰狼算法、蜉蝣算法、飞蛾扑火算法、教与学算法算法进行仿真实验，同时采用Wilcoxon检验和平均绝对误差对改进算法所得的数据进行统计分析，结果表明在5%的水平上是显著的。在算法稳定性、求解精度和收敛速度上，EPGTOA都比GTOA有所增强，尤其在求解高维问题上，改进算法有更好的性能。

• 超标量处理器中寄存器别名表恢复方法的改进研究

  杨思博,黎炜桁,于敦山,祖靖昭,李世平,

  寄存器重命名是超标量处理器用于提升指令集并行度的重要方法，其基本实现方式是通过寄存器别名表来记录逻辑寄存器和物理寄存器的映射关系，当发生分支预测错误时需要对寄存器别名表中的内容进行恢复。针对于现有的恢复方法没有利用重命名的局部性特征，在处理器的指令窗口增加时暴露出实现代价过大的问题，提出了一种基于区间进行寄存器别名表恢复的改进型恢复方法，通过对walk方法的改造，使用区间计分板来确定需要扫描的地址范围，并精确地控制每个区间的扫描，可以大大减小资源浪费。通过对逻辑综合结果和性能进行分析，相比于检查点恢复的传统设计，这种方法使用更少的面积和功耗，达到与检查点方式恢复接近的性能，也具有更好的扩展潜力。

• 虚拟现实中手重映射的偏移检测阈值研究

  孙佳,吕健,潘伟杰,徐兆,

  针对虚拟现实交互（virtual reality interaction，VRI）中环境限制导致使用手的操作效率较低的问题，提出了虚拟现实中手重映射的固定偏移检测阈值估计方法以提高使用手的操作效率，该方法从人的心理感知出发，引入心理测量函数计算出偏移检测阈值从而提升交互体验。首先，根据双选择强制选择（two alternative forced choice，2AFC）理论设计实验，记录被试者使用不同偏移的虚拟手完成目标抓取任务过程中的感觉差异作为评价标准，同时记录被试者完成任务的时间，根据心理测量函数（Quickpsy）对感觉差异进行计算，估计重映射交互的检测阈值；通过协方差确定虚拟手偏移量超过阈值后的方向、幅度和轴向及其相互作用是影响触碰任务性能的显著因素，若在阈值范围内，上述因素就不再影响任务性能；最后，以某虚拟现实（virtual reality，VR）医院物资智能配送系统为例验证所提方法的可行性。研究结果表明，适当的偏移缩短了用户完成触碰任务的时间，能够在提升交互效率的同时降低传统偏移量计算方法对VR的交互保真度的影响。

• 需求随机波动下多设备批量生产系统的视情维护策略研究

  陈水侠,刘勤明,李佳翔,

  针对需求随机波动情况下多设备批量生产系统的设备维护问题，提出了一种基于滚动生产计划和设备退化状况的视情维护策略。首先，通过滚动时域规划方法预测不同产品的随机需求并在此基础上以总生产成本最小确定滚动生产计划。其次，在每一滚动生产周期开始前检测系统中各设备的退化水平，利用Gamma过程描述退化增量，以最小维护成本率确定当前退化状态下各设备的最佳维护时间，同时为避免生产过程中断利用提前延后维护策略对预防维护进行动态调整。在系统层，利用生产转换时机对需要维护的组件进行组合维护。再次，引入时间约束和服务水平约束，建立批量生产与视情维护的联合优化模型，以总成本最小为目标，确定实际生产计划和维护计划。最后，通过算例以整个生产计划期内的总成本和故障次数为度量验证了所提多设备批量生产系统视情维护策略的有效性。

• 基于简化因果图的工业过程故障根本变量诊断

  郭小萍,洪升园,李元,

  在对工业过程故障进行根本原因诊断时，由于过程的自身特性和反馈控制等因素的干扰，使得变量因果图过于复杂从而使故障传播路径难以解释且不能找到导致故障的根本变量。提出一种简化因果图的方法，通过两步走对收敛交叉映射法构建的因果图实现简化，保留主要的故障传播路径。首先采用模糊综合评判法判别因果图中不确定性的关系；然后通过求解最大生成树，得到赋权无向图，并根据变量间因果关系选取根节点，分析赋权无向图获得新路径，从而将其改进成赋权有向图。在田纳西—伊斯曼过程进行验证实验，并与传统收敛交叉映射法进行比较，结果验证了所提出方法的有效性。

• 不完美排错软件可靠性增长模型效用量化研究

  张策,孙智超,王金勇,袁雨飞,盛晟,吕为工,

  为了进一步提升现有非齐次泊松过程类软件可靠性增长模型的拟合和预测性能，首先从故障总数增长趋势角度对不完美排错模型进行深入研究，提出两个一般性不完美排错框架模型，分别考虑了总故障数量函数与累计检测故障函数间的线性关系与微分关系，并求得累计检测的故障数量与软件中总故障数量函数表达式；其次，在六组真实的失效数据集上对比了提出的两种一般性不完美排错模型和六种不完美排错模型拟合预测性能表现。实例验证结果表明，提出的一般性不完美排错框架模型在大多数失效数据集上都具有优秀的拟合和预测性能，证明了新建模型的有效性和实用性；通过对提出的模型与其他不完美排错模型在数据集上的性能的深入分析，为实际应用中不完美排错模型的选择提出了建议。

• 基于SBERT模型的代码片段推荐

  邓斯元,魏乐,舒红平,

  在当前的软件开发环境中，海量的低质量、无意义的代码知识为开发人员进行代码复用造成了阻碍，大大降低了软件开发效率。为了快速准确地为开发人员推荐高质量的代码知识，提出了基于SBERT（sentence-BERT）模型的代码片段推荐方法CSRSB（code snippets recommendation based on sentence-BERT）。该方法首先获取海量的高质量数据来构建代码语料库，并基于深度学习模型SBERT为代码片段对应的自然语言描述和用户输入的自然语言查询生成具有丰富语义的句向量，通过比较点积相似度来实现代码片段的推荐。使用命中率、平均倒数排名和平均准确率这三个常用推荐评估指标与现有相关研究中的方法进行对比来验证该方法的有效性。实验结果表明，CSRSB在有效提高代码片段推荐准确度的同时也能够做到快速推荐。

• 一种融合D_BBAS方法的重复缺陷报告检测

  曾方,谢琪,崔梦天,

  为了更有效地获得缺陷报告的非结构化信息的特征，提出一种D_BBAS（Doc2vec and BERT BiLSTM-attention similarity）方法，它基于大规模缺陷报告库训练特征提取模型，生成能反映深层次语义信息的缺陷摘要文本表示集和缺陷描述文本表示集；利用这两个分布式的表示集计算出缺陷报告对的相似度，从而得到两个新的相似度特征；这两个新特征将与基于结构化信息生成的传统特征结合后参与重复缺陷报告的检测。在著名开源项目Eclipse、NetBeans 和Open Office的缺陷报告库上验证了D_BBAS方法的有效性，其中包含超过50万个缺陷报告。实验结果表明，相比于代表性方法，该方法的F1值平均提升了1.7%，证明了D_BBAS方法的有效性。

• 基于参数区间不确定性分析的无人机辅助物联网鲁棒优化

  王巍,谷壬倩,刘华真,郝亚奇,

  无人机辅助物联网技术被广泛应用于灾害应急通信中，但物联网设备的通信中存在多种不确定因素。针对位置参数区间存在不确定性的问题，提出了无人机辅助物联网通信的鲁棒优化方法。使用椭球不确定集对地面物联网设备位置参数区间不确定性进行描述，建立了包含不确定性的物联网设备通信鲁棒优化模型，并对模型进行了求解。为提高模型求解的准确性，提出一个有关位置参数区间不确定和椭球误差域之间的相关分析方法，分析了两类不确定因素对物联网设备通信模型的影响程度。以地面物联网设备最优部署和通信最小功率为目的，设计了仿真实验。结果表明，在不确定因素存在时，所提优化模型能有效实现地面物联网设备间的最优部署和通信功率最小化。

• 一种空间信息网络缓存决策策略

  蔡睿妍,钱杨,魏德宾,

  针对空间信息网络（space information network，SIN）中卫星节点缓存容量有限，且卫星高速移动使得星间链路时变，导致地面用户内容访问延迟增大的问题，提出一种基于人工蜂群算法的空间信息网络缓存决策策略（satellite improved artificial bee colony，SIABC）。首先根据低轨卫星节点链路切换的周期性和可预知性，建立网络分区模型，对空间信息网络的卫星节点进行分区，在此基础上，建立区域节点协作缓存模型，使得整个网络区域内的卫星节点有选择性地缓存不同流行度的内容，同时兼顾区域内节点的协作缓存，从而流行度高的内容缓存在网络边缘。仿真结果表明，与现有缓存机制相比，该缓存策略能够明显提高内容的平均缓存命中率，并显著降低用户的内容访问时延。

• 基于多链路故障的网络切片生存性算法

  桂佳宁,朱国晖,张鼎媛,

  为了保证当底层网络的多条物理链路发生故障时用户业务能够不间断，提出一种基于多链路故障的网络切片生存性算法。通过区分切片上承载的业务类型，当高可靠低延迟切片请求到达后，将物理节点按节点重要度排序后进行映射，再对故障链路采用多备份路径算法，选取带宽资源消耗最少的路径依次对故障链路进行重映射，当高带宽切片请求到达后，采用广度优先搜索的节点映射算法，再通过多备份路径对故障链路进行恢复。仿真结果表明，该算法能够提高切片平均映射成功率、长期平均收益开销比、物理链路利用率和故障恢复率，缩短平均故障恢复时延。

• 云边协同计算中基于深度强化学习的任务二次申请卸载策略

  杨昆仑,王茂励,王亚林,马旭,

  现有的任务卸载策略通常在一个时隙内制定卸载决策，没有考虑多个卸载时隙间的内在联系，因此无法根据任务的实际需求进行卸载。针对该问题，提出了一种基于深度强化学习的任务二次申请卸载策略（DQN-TSAO）。首先提出了一种支持任务进行二次申请卸载的云边端三层架构，建立了任务卸载优先级模型、时延模型和能耗模型；然后以最小化系统能耗为目标，将能耗优化问题转变为最大累积卸载奖励的马尔可夫决策过程；最后通过DQN-TSAO算法提取各个时隙的任务卸载特征，使任务在与环境不断交互的过程中获得多个时隙内的最佳卸载决策。仿真结果表明DQN-TSAO算法能够有效降低一段时间内的系统总能耗。

• 基于一维卷积神经网络与改进D-S证据理论的警务云安全数据融合技术

  李伟,何明,徐兵,钱发华,李晨,

  针对系统内评估信息来源单一、准确度偏差过大与异构数据提取融合不充分的问题，提出一种可扩展攻击行为的多源异构网络安全数据融合框架。首先，建立以攻击模式为核心的安全事件分析模型，进一步精简安全数据；其次，针对决策层数据特征提取不足的问题，建立了基于攻击行为的1D-CNN （1D convolutional neural network，1D-CNN）模型，对警务安全数据进行特征学习和重构；最后，为了进一步提高警务云安全数据的分类能力，模型改进了D-S证据理论并结合多源安全数据的可信度进行数据融合。实验分析表明，基于1D-CNN的改进D-S证据理论模型进一步提高了警务云中安全事件的报警识别率，与其他相关技术相比，该模型具有较好的分析能力，对警务云的安全入侵检测和漏洞分析具有重要意义。

• 基于分形编码和LIC混沌系统的图像压缩加密算法

  王佳琪,张淼,佟晓筠,王翥,

  随着数字图像在网络中的广泛应用，其在安全、传输、存储等方面的问题亟待解决。提出的算法为分形编码提供了新型安全方案，分形图像编码具有压缩比高和重构质量高的特点，而混沌的不可预测性和初值敏感性适用于图像加密，将分形编码和混沌加密有效结合可以充分发挥两者的优势。此外，通过耦合增强构造新的混沌系统，改善了种子映射复杂度低、混沌范围有限等问题，并设计了置乱扩散同时进行的加密结构来提高算法效率。实验表明，提出算法的密钥空间大、密钥敏感性强、相邻像素相关系数和信息熵都接近理想值，能够抵抗多种常见攻击，且加密速度更快，能满足实际应用的需要。压缩性能方面，在满足重构视觉质量的同时达到了较其他方案更高的压缩比。

• 基于频域水印的人脸图像窜改检测认证方法

  李书领,魏君飞,庄岩,曹仰杰,李颉,任红军,

  以DeepFake为代表的AI换脸技术为人们的生活带来诸多负面影响，现有的人脸窜改检测算法鲁棒性较弱，缺乏可解释性。针对这一问题提出一种离散小波变换（DWT）、离散余弦变换（DCT）、奇异值分解（SVD）相结合的人脸频域水印算法（face frequency-domain watermarking，Face-FW），通过提取图像人脸特征并压缩加密生成二值水印嵌入图像频域以达到检测人脸窜改、认证原人脸归属人的目的，同时提出动态特征融合算法以降低Face-FW适用范围。选取人脸图像标准数据集CASIA-FaceV5和IMDB-WIKI部分图像嵌入水印并窜改人脸生成测试集CASIA-DF和IMDB-DF。实验结果表明，Face-FW在两个测试集上分别有97.6%和96.9%的检测窜改成功率，优于对比方法，并且算法能够根据非特征融合水印提供人脸认证，具有较强的鲁棒性和可解释性。

• 基于ON-LSTM与自注意力机制的单词DGA域名检测方法

  刘立婷,欧毓毅,凌捷,

  针对单词DGA域名字符随机性低，字符结构和分布与良性域名相似，现有方法对其检测效果不佳的问题，提出一种单词DGA域名检测方法。首先，对域名进行BiGRAM字符编码，使模型的输入涵盖更多的域名特征；其次，构建ON-LSTM-SA特征提取模块，充分提取域名的层级语义特征并为其分配权重；最后，通过softmax函数输出分类结果。实验结果表明，相较于四种对比模型，该方法在检测性能和多分类性能方面均表现最佳，具有更高的鲁棒性和泛化能力。

• 基于强化学习的无线传感器网络入侵检测攻防博弈研究

  蔡玲如,朱理,黄瑞崧,蔡伟鸿,陈银冬,

  无线传感器网络易遭到各种内部攻击，入侵检测系统需要消耗大量能量进行攻击检测以保障网络安全。针对无线传感器网络入侵检测问题，建立恶意节点（malicious node，MN）与簇头节点（cluster head node，CHN）的攻防博弈模型，并提出一种基于强化学习的簇头入侵检测算法——带有近似策略预测的策略加权学习算法（weighted policy learner with approximate policy prediction，WPL-APP）。实验表明，簇头节点采用该算法对恶意节点进行动态检测防御，使得博弈双方快速达到演化均衡，避免了网络出现大量检测能量消耗和网络安全性能的波动。

• 面向特征融合的图像多窜改检测与定位算法

  兰萍,李燕,

  现有的图像窜改检测方法大多只针对某一种窜改方式，且存在窜改区域边界检测精度不高的问题，对此，提出了一种基于U型网络的双流编码器—解码器架构的图像窜改检测方法。首先利用编码器与解码器之间跳跃连接的方式来融合窜改图像中的低级和高级特征，并使用空洞卷积和CBAM注意力机制对编码器输出的特征进行融合，使得网络对不同尺度大小的窜改区域都有较好的定位性能；其次为了提高网络对窜改区域的边界检测精度，使用图像形态学方法制作了窜改边界数据集；最后使用多损失函数来同时优化网络的性能，即采用交叉熵和均方根损失函数来分别度量预测图的窜改区域损失和窜改边界损失。在CASIA、Columbia、NIST16、Coverage四个公开数据集上的实验结果表明，所提方法可以有效地检测出拼接和复制—粘贴两种窜改方式所伪造图像的窜改区域，输出像素级别的窜改区域定位图，且与其他主流窜改检测方法相比，所提方法在CASIA和Columbia数据集上的AUC值达到最高，在Columbia数据集上的F1值达到最高。

• 一类图像载体与多混沌系统的动态音频加密算法

  巫朝霞,妥永强,

  针对单一混沌系统在加密中有密钥空间小、安全性较低等问题，提出了图像载体与多混沌系统的动态音频加密算法。首先对明文音频进行分块以提升算法运行效率。通过初始密钥与明文音频特征值生成高级密钥，显著增加了密钥空间。设计多种混沌系统相结合的随机数发生器，并通过NIST sp800_22随机性测试来验证其随机性。将明文音频信息转移至特征矩阵P中得到音频图像，最后通过循环余数置乱算法与扩散得到加密音频图像与加密音频。仿真实验与性能测试表明：该加密算法密钥空间大、密钥敏感性强、加密音频能量分布均匀，具有较强的抗攻击性能、鲁棒性以及高效的加密效率。

• 基于XDense-RC-net的CXR图像分类算法

  程文娟,于国庆,

  卷积神经网络逐渐应用于胸部X射线（chset X-ray，CXR）图像分类领域，目前普遍使用迁移学习技术进行分类研究，但在快速构建网络时未能考虑CXR图像的特异性。针对上述问题，提出了一种新型的XDense-RC-net方法。该方法对DenseNet模型进行改进，在原密集连接层引入新提出的空间注意力机制，实现特征提取和特征融合，优化DenseNet的transition模块，同时使用两种不同的池化策略增强模型的抗扰动能力。实验使用chest X-ray14多标签14分类数据集和COVIDx单标签3分类数据集对XDense-RC-net进行验证。在多标签分类实验中，平均AUC值达到0.854，比基准方法提升了0.109。在单标签分类实验中，平均准确率达到96.75%，相较于基准方法提升了7.75%。结果显示，XDense-RC-net提升了CXR图像分类的精度，并能够泛化至多标签和单标签两种不同的分类任务中。

• 局部特征表征的6D位姿估计算法

  王晨露,陈立家,李珅,范贤博俊,王敏,连晨轩,王赞,刘名果,

  为解决有纹理模型在遮挡条件下6D位姿估计精确度不高的问题，提出了一种局部特征表征的端到端6D位姿估计算法。首先为了得到准确的定位信息，提出了一个空间—坐标注意力机制（spatial and coordinate attention），通过在YOLOv5网络中加入空间—坐标注意力机制和加权双向特征金字塔网络（bidirectional feature pyramid network），YOLOv5-CBE算法的精确度（precision）、召回率（recall）、平均精度均值（mAP@0.5）分别提升了3.6%、2.8%、2.5%，局部特征中心点坐标误差最高提升了25%；然后用 YOLOv5-CBE算法检测局部特征关键点，结合3D Harris关键点通过奇异值分解法（singular value decomposition）计算模型的6D位姿，最高遮挡70%的情况下仍然可以保证二维重投影精度（2D reprojection accuracy）和ADD度量精度（ADD accuracy）在95%以上，具有较强的鲁棒性。

• 最大化中心模式和微小模式生成对抗网络

  孙志伟,马韬,赵婷婷,闫潇宁,许能华,

  为了解决生成对抗网络（GAN）在生成图像时出现的模式崩塌问题，提出了一种最大化中心模式和微小模式损失生成对抗网络（MMMGAN）。首先，将具有相同标签的生成图像的模式定义为中心模式和微小模式，中心模式和微小模式分别代表相似模式的集合和学习完中心模式后可能的模式变化。其次，基于上述的定义提出最大化中心模式和微小模式损失。最后，引入该损失函数，在保证生成图像的分布逼近真实图像的前提下，绝大多数评价指标都得到了改善，提升了生成图像的多样性。拓展性的实验结果表明，提出的最大化中心模式和微小模式损失应用于两种及其以上不同类型任务中，模式崩塌得到了有效缓解。

• 多尺度Transformer与层次化边界引导的显著性目标检测

  杨世伟,王永雄,兰博天,

  针对显著性目标检测算法中全局和局部信息难以联合表征和目标边界难以细化的问题，提出了一种多尺度Transformer与层次化边界引导的显著性目标检测算法。首先，构建Transformer模型提取全局信息，同时通过自注意力机制获取有判别性的浅层局部特征，对全局和局部信息进行联合表征。然后，引入Tokens-to-Token方法提取多尺度特征，使模型实现尺度变换平滑的编解码。进一步，提出了一种层次化的边界学习策略，引导模型在每个解码特征层提取精细化的显著性目标边界特征，提升显著性目标边界的预测准确性。实验结果表明，提出的算法在四个公开显著性目标检测数据集上均优于八种主流的显著性目标检测算法，并且通过消融实验验证了提出模型和边界学习策略的有效性。

• 基于宽度自编码器的VSLAM快速回环检测方法

  尚朝辉,丁德锐,魏国亮,蔡洁,

  回环检测对于视觉同步定位和建图（visual simultaneous localization and mapping，VSLAM）系统减小累计误差和重定位具有重要意义。为缩短回环检测在线运行时间，同时满足准确率召回率需求，提出了一种基于宽度自编码器的快速回环检测算法（fast loop closure detection-broad autoencoder，FLCD-BA）。该检测算法改进了宽度学习网络，通过无监督的方式从输入数据中自主学习数据特征，进而运用于回环检测任务。与传统的深度学习方法不同，该网络使用伪逆的岭回归算法求解权重矩阵，通过增量学习的方法实现网络的快速重构，从而避免了整个网络的重复训练。所提算法在三个公开数据集上进行了实验，无须使用GPU设备，且网络的训练时间相比词袋模型以及深度学习的方法有较大缩短。实验结果表明该算法在检测回环时具有较高的准确率和召回率，测试中每帧的平均运行时间仅需21 ms，为视觉SLAM系统的回环检测提供了一种新算法。

• 基于多任务学习CNN辅助Transformer的手部mesh重建

  谢苏,张孙杰,王永雄,颜婷丽,

  针对当前手势姿态估计算法未充分利用2D信息辅助3D手部mesh重建的问题，首次在手部Mask、2D热力图的基础上提出引入RGB图像的HOG特征图，通过多任务学习CNN的框架对2D信息进行特征提取，并针对手的拓扑结构进行信息融合增强。为了解决Transformer encoder中的隐层embeddings维度一致性以及参数过大问题，设计了一种新的 MLP（multi-layer perception）模块嵌入Transformer encoder之间，达到embeddings的数量渐进增加以及其维度渐进减少的目的，从而完成手部mesh精细化的预测。实验结果表明该CNN与Transformer混合的新框架在 FreiHAND 和 RHD 数据集均取得了较好效果。

• 基于DSPP的单目图像深度估计

  张竞澜,魏敏,文武,

  空洞空间金字塔池化（ASPP）在深度学习各种任务中均有应用，传统ASPP模块只考虑了提升卷积感受视野，但ASPP中的每次空洞卷积选取的像素点分散，会丢失大量像素点间的信息，而深度估计属于密集预测任务。针对ASPP模块这一弊端提出了一种动态密集的DSPP模块。该模块用一种动态卷积代替空洞卷积，结合ASPP的思想，采用不同大小的卷积尺寸，并结合通道注意力充分利用每一层的特征，解决了ASPP丢失信息的问题，与ASPP相比在大大减小模块参数量的前提下，提升了整体模型的准确率。在NYU Depth v2数据集上与主流算法相比，深度图在均方根误差（RMSE）上降低了12.5%，到0.407，并且准确率（δ<1.25）提高了3.4%，达到0.875，验证了算法的有效性。