计算机应用研究杂志

计算机应用研究杂志2022年第4期

• 基于机器学习的SDN流量工程研究综述

  郝学余,吕光宏,

  随着软件定义网络（SDN）的兴起以及机器学习方法在分类、预测以及控制任务取得的巨大成功，寻找新的流量工程（TE）技术，自适应、动态地管理或路由网络中的流量，保证服务质量（QoS）以及提升用户体验质量（QoE）成为网络研究热点。首先介绍了SDN基本架构以及SDN流量工程研究内容及目标；其次分析了监督学习与强化学习在SDN流量工程中的应用，分析已有算法的优劣；最后总结了未来研究方向及挑战。

• 航空制造知识图谱构建研究综述

  邱凌,张安思,李少波,张仪宗,沈明明,周鹏,

  目前航空装备制造企业在设计、制造相关流程中积累了大量数据，基于知识图谱技术可以对这些数据进行有效融合与管理，对不断更新的制造知识进行挖掘，为航空制造企业智慧化升级提供有力的知识支撑。为探明知识图谱在航空制造领域的理论支撑体系与实际应用情况，通过文献调研分析航空制造知识图谱架构、定义及特点。阐明知识图谱领域构建过程中的核心技术并进行研究综述，对比航空制造知识图谱与通用知识图谱构建技术上的异同，并提出了三个切合实际的航空制造知识图谱应用方向及其解决方案。最后对未来航空制造知识图谱的挑战进行了分析及展望，为后续该领域的研究提供一些思路。

• 基于机器学习的时尚穿搭推荐研究综述

  史英杰,杨珂,王建欣,杜方,

  时尚产业是全球最具商业利益的产业之一，基于机器学习的时尚穿搭推荐技术利用互联网时尚社区的海量穿搭数据学习穿衣搭配技巧，实现个性化的时尚穿搭推荐服务于时尚产业，受到工业界和学术界的广泛关注。结合时尚穿搭的特点提出了基于机器学习的时尚穿搭推荐基本框架，并在此基础上对近几年国内外相容性预测与诊断、智能穿搭生成等关键技术的相关研究工作进行总结分析，指出该研究领域所面临的挑战性问题和未来的研究方向。

• 基于区块链和密文属性加密的访问控制方案

  张晓东,陈韬伟,余益民,王会源,

  随着数字社会的到来，使得数据成为了重要的生产要素，为了充分释放数据要素价值，作为数据安全共享的访问控制技术是实现数据安全应用与治理的关键。因此，围绕分布式架构下密文及密钥的安全性问题提出了一种基于区块链的密文访问控制方案。该方案利用密文生成算法与验证合约实现外包密文存储的真实性与完整性验证；设计了基于安全多方计算的属性密码，实现了用户私钥的链下安全多方计算并确保了私钥的唯一性，极大缓解了单属性权威的计算压力，可有效保护用户属性隐私、避免单点故障；定义了格式化的事务数据结构，实现了访问控制的全过程追责。通过安全性分析、性能分析和实验仿真分析表明，该方案在安全性和性能上均满足通用区块链的需求，为数据开放共享提供了一种通用的区块链访问控制方案。

• 基于链上数据的区块链欺诈账户检测研究

  周健,张杰,闫石,

  针对区块链上存在的欺诈账户给交易带来的安全问题，提出了基于机器学习的欺诈账户的检测及特征分析模型，将以太坊上真实的链上数据进行特征提取后作为模型的数据来源，通过对不同的机器学习方法进行比较得到最优模型并进行迭代训练以获得最佳的预测模型，同时引入 SHAP值对数据特征进行分析。实验结果表明，基于XGBoost的欺诈账户检测模型在RMSE、MAE和R2三组指标上达到了0.205、0.084和0.833，优于其余的对比模型，并结合SHAP值识别出预测欺诈账户的关键因素，为区块链的交易安全提供决策参考。

• 基于时间加权改进的LDTW算法

  朱紫纯,吕盛坪,廖鑫婷,江城,罗勇,

  在时间序列相似性度量研究中，动态时间弯曲（dynamic time warping，DTW）是最为常用的算法之一，但其存在病态对齐问题且未考虑时间属性影响。限制对齐路径长度DTW（DTW under limited warping path length，LDTW）和时间加权DTW（time-weighed DTW，TDTW）分别尝试解决上述两个问题中的一个，但未能同时解决DTW两方面的不足。为此提出一种综合时间权重的LDTW（time-weighting LDTW，TLDTW）算法。首先通过测量两个时间序列中时间点对的距离构建时间权值矩阵；然后在LDTW累计成本矩阵递归填充过程中融合对应的时间权值，以实现在考虑时间因素影响的同时保留有效抑制病态对齐特性。基于UCR数据集进行1-NN分类实验，实验结果显示基于TLDTW相似度量的分类准确率优于其他对比算法，且进一步对比验证了其可靠性。

• 基于Lasso-MIDAS模型的混频时间序列预测研究

  罗楠,王璐,吴江斌,夏正兰,

  针对传统的时间序列预测方法在处理复杂丰富的大数据时常面临变量间抽样频率不同、数据相关性复杂等问题，基于Lasso算法和混频数据抽样模型（MIDAS）提出了不改变数据结构的混频时序预测模型Lasso-MIDAS。该模型通过融合MIDAS处理混频信息的机制和Lasso算法的压缩特性来实现估计预测，实时修正对预测最有效的混频变量集；根据常见的正则化方法岭回归设计了Ridge-MIDAS模型用做对比。实验结果表明，Lasso-MIDAS在预测性能上优于标准MIDAS模型及对比模型，验证了该方法在混频时间序列预测方面的有效性。

• 基于特征点界标过滤的时间序列模式匹配方法

  刘畅,李正欣,张晓丰,赵永梅,郭建胜,张凤鸣,

  动态时间弯曲距离能度量不等长的时间序列、且具有较高的匹配精度，因此广泛应用在时间序列模式匹配中。但其计算复杂度较高，制约了在大规模数据集上的应用。为了实现时间序列模式度量结果和计算复杂度的平衡，提出一种基于特征点界标过滤的时间序列模式匹配方法。首先，提出一种特征点界标过滤的特征提取方法，保留时间序列主要特征，压缩时间维度；然后，利用动态时间弯曲距离对特征序列进行相似性度量；最后，在应用数据集上对所提方法进行有效性验证。实验结果表明，所提方法在保证高精度的前提下，能有效降低计算复杂度。

• 基于可区分度的连续空间属性约简算法研究

  张敏,朱启兵,黄敏,

  针对现有粗糙集属性约简方法中存在的连续数据处理时的信息丢失、粒化策略引入不一致信息、参数寻优困难等问题，提出一种适用于连续型数据、基于类别可区分度的非单调性启发式属性约简算法。首先以各样本的标签为依据对论域进行划分，同一标签的样本组合成一个簇，定义每个簇的类间可区分度和类内可区分度；其次，以最大化类间可区分度、最小化类内可区分度为约简原则，定义了一种新的属性重要性判别准则以确定最优约简集，从而提高后续分类器的分类性能。在十一个UCI数据集上与其他六种属性约简算法进行对比实验。结果表明，与六种算法相比，所提算法获得的约简集平均维度减小了1.16，平均分类精度提高了3.42%，其表现出更好的约简性能。

• 类中心极大的多视角极大熵聚类算法

  丁健宇,祁云嵩,赵呈祥,

  在数据稀少、数据维度高、多视角聚类任务的情况下，传统极大熵聚类算法会因类中心趋于一致，从而导致聚类失败。为解决此类问题，在传统极大熵聚类算法的基础上，引入类中心惩罚机制，融合权重矩阵实现多视角划分融合，构建出类中心极大的多视角极大熵聚类算法。该算法通过调整每个视角上的权重来体现某个视角的重要性，并通过类中心极大惩罚项解决了多视角聚类任务下，因数据稀少、数据维度高导致每个视角上的类中心趋于一致的问题。通过大量实验进一步证明，该算法在处理高维度、数据稀少、存在干扰数据和多视角的数据集时，其聚类效果明显优于传统的聚类算法。

• 基于动态二分网络表示学习的推荐方法

  张阳阳,陈可佳,张杰,

  构建用户—项目交互网络并学习其表征是一种有效的推荐方法。已有的方法大多将交互网络视为静态同质网络，忽略了交互时序性和节点异质性的影响。针对这一问题，提出一种基于动态二分网络表示学习的推荐方法，首先构建时序加权二分网络；然后将用户节点和项目节点分别映射到不同的向量空间以保留网络的异质性，选择图卷积网络来聚合节点的一阶和高阶邻居信息；最后使用多层感知机学习两类节点嵌入的非线性关系并进行top-N推荐。在Amazon和Taobao数据集上的实验结果表明，该方法在HR和NDCG推荐指标上均显著优于相关的基于静态、异质网络表示学习的方法。

• 基于双向映射学习的多标签分类算法

  王庆鹏,高清维,卢一相,孙冬,

  现有的多标签学习算法往往只侧重于实例空间到标签空间的正向投影，正向投影时由于特征维数降低所产生的实例空间信息丢失的问题往往被忽略。针对以上问题，提出一种基于双向映射学习的多标签分类算法。首先，利用实例空间到标签空间的正向映射损失建立线性多标签分类模型；然后，在模型中引入重构损失正则项构成双向映射模型，补偿由于正向映射时导致的鉴别信息的丢失；最后，将双向映射模型结合标签相关性和实例相关性充分地挖掘标签之间、实例之间的潜在关系，并利用非线性核映射提高模型对非线性数据的处理能力。实验结果表明，与近年来的其他几种方法相比，该方法在汉明损失、一次错误率和排序损失上的性能平均提升17.68%、17.01%、18.57%；在六种评价指标上的性能平均提升了12.37%，验证了模型的有效性。

• 基于结构性质保持和相关性学习的多标记分类算法

  张其亮,娄恒瑞,居殿春,

  现有的多标记学习技术大多只考虑了相关性学习问题而忽略了数据因变换而引起的结构性质不一致问题，导致原始特征数据的结构性质因映射变换发生改变，从而影响了模型的分类性能。为了解决这一问题，提出了基于结构性质保持和相关性学习的多标记分类算法。首先，构造了线性映射函数以实现特征空间与标记空间的映射；然后借鉴图正则化思想，引入基于特征数据的结构性质保持策略以降低特征数据因线性变换引起的结构性质差异；最后，针对标记数据引入基于标记对的相关性学习策略进一步优化算法参数，以提高模型的分类性能。在不同规模的标准数据集上进行测试，结果表明所提算法与一些流行的多标记分类算法相比具有更优的分类性能，验证了所提算法的有效性。

• NEMTF：基于多维度文本特征的新闻网页信息提取方法

  翁彬月,秦永彬,黄瑞章,任丽娜,田悦霖,

  目前主流的网页抽取方法存在两大问题：提取信息类型单一，难以获取多种类新闻信息；多依赖HTML标签，难以扩展至不同来源。为此提出一种基于多维度文本特征的新闻网页信息提取方法，利用新闻文本的写作特点划分出写作、语义和位置特征，通过多通道卷积神经网络融合为多维度文本特征，用于提取多种类新闻网页信息；仅需少量数据集训练，就可提取新来源的新闻网页信息。实验结果表明，该方法在性能上高于当前最优方法。

• MASGC：融合特定屏蔽机制的简单图卷积情感分析模型

  姜宇桐,钱雪忠,宋威,

  方面级情感分析目前是基于图卷积神经网络（GCN）来整合句子的语法结构，它能够有效地解决长范围词汇依赖不准确的问题，但GCN却拥有不必要的复杂性和冗余计算。此外，它忽略了属性与上下文之间相对位置的关系。为此，提出了一种新的模型来解决上述问题。首先建立双向GRU层，接着使用位置感知转换增加靠近方面词的上下文词的重要程度，然后通过移除非线性和折叠连续层之间的权重矩阵来降低复杂性；再与特定屏蔽层进行融合实现单层MASGC结构，生成一种新的基于检索上下文的注意力机制；最后通过全连接层给出分类结果。该模型在五个数据集上进行了大量实验，实验结果表明其具有更高的准确率和更少的训练时间。

• 考虑群组结构的在线社交网络竞争性舆情信息传播模型研究

  侯艳辉,孟帆,王家坤,管敏,张昊,

  针对在线社交网络中竞争性舆情信息同时传播的问题，在无标度网络的基础上引入群组结构，构建竞争性舆情信息传播模型，考虑舆情信息内容、用户亲密度、社会强化效应因素并进行仿真研究。仿真结果表明，引入群组结构的无标度网络充分契合了在线社交网络的复杂性质；群组数量、群组规模、用户亲密度、社会强化效应对竞争性舆情信息的传播有不同的促进作用；控制舆情信息内容的重要性与模糊度可有效调控竞争性舆情信息的传播与扩散。

• 融合高低层语义信息的自然语言句子匹配方法

  姜克鑫,赵亚慧,崔荣一,

  针对目前自然语言句子匹配方法未能融合公共语义信息以及难以捕获深层次语义信息的问题，提出了一种融合高低层语义信息的自然语言句子匹配算法。该算法首先采用预训练词向量GloVe和字符级别的词向量获取句子P和句子Q的词嵌入表示；其次，使用双向LSTM（long-short term memory）对P和Q进行编码，再初步融合P和Q获取低层语义信息；然后，计算P与Q的双向注意力，拼接得到语义表征，再计算其自注意力获取高层语义信息；最后，采用启发式的融合函数将低层语义信息和高层语义信息进行融合，得到最终的语义表征，使用卷积神经网络预测得到答案。在文本蕴涵识别和释义识别两个任务上评估了该模型。在文本蕴涵识别任务SNLI数据集和释义识别任务Quora数据集上进行了实验，实验结果表明该算法在SNLI测试集上的准确率为87.1%，在Quora测试集上的准确率为86.8%，验证了算法在自然语言句子匹配任务上的有效性。

• 句子级状态下LSTM对谣言鉴别的研究

  庞源焜,张宇山,

  针对目前网络谣言鉴别研究，文本学习往往会受到文本读入内容过长导致长距离信息丢失或者是为了捕捉局部信息而依赖于长期输入表示从而影响鉴别结果。通过提出S-LSTM（sentence-state long short term memory networks）算法在保留字词节点信息的同时对句子进行聚合，从而保留句子的局部和全局信息，进而提升网络谣言鉴别的精确性和有效性。与TextGCN、Bi-GCN、Att_BiLSTM等几种深度网络谣言鉴别方法的对比中，该方法在两组模型测试上的准确率分别达到78.87%、90.30%，均取得了不错的效果，在考虑句子全局信息的情况下，其对谣言鉴别效果会有不错的提升。

• 基于自编码神经网络的半监督联邦学习模型

  侯坤池,王楠,张可佳,宋蕾,袁琪,苗凤娟,

  联邦学习是一种新型的分布式机器学习方法，可以使得各客户端在不分享隐私数据的前提下共同建立共享模型。然而现有的联邦学习框架仅适用于监督学习，即默认所有客户端数据均带有标签。由于现实中标记数据难以获取，联邦学习模型训练的前提假设通常很难成立。为解决此问题，对原有联邦学习进行扩展，提出了一种基于自编码神经网络的半监督联邦学习模型ANN-SSFL，该模型允许无标记的客户端参与联邦学习。无标记数据利用自编码神经网络学习得到可被分类的潜在特征，从而在联邦学习中提供无标记数据的特征信息来作出自身贡献。在MNIST数据集上进行实验，实验结果表明，提出的ANN-SSFL模型实际可行，在监督客户端数量不变的情况下，增加无监督客户端可以提高原有联邦学习精度。

• 基于层级集成的个性化空间音频技术

  卢金燕,戚肖克,

  个性化的头相关传输函数（head-related transfer function，HRTF）可以有效改善空间音频质量。针对个性化HRTF难以精确获得的问题，提出了一种基于层级集成的个性化空间音频生成方法。该方法通过三个模型逐层建立个性化HRTF中的定位信息。首先，采用高斯混合模型建立用户无关的共用模型。然后，采用自编码器获得与用户有关的HRTF的隐表示，利用深度神经网络在人体生理参数与HRTF的隐表示之间建立非线性映射，得到用户有关的个性化模型。为了尽可能恢复个性化HRTF细节信息，对上述模型降维过程中的残差进行线性建模，得到残差模型。对于目标用户，任意空间位置处的个性化的HRTF可以通过集成三个层次下的模型获得，用于生成三维空间音频。最终，实验结果表明，提出的算法可以有效降低HRTF频谱损失，提升对个性化HRTF的预测性能。

• 融合链接预测相似度矩阵的属性网络嵌入算法

  伍杰华,高学勤,王涛,

  在属性网络中，与节点相关联的属性信息有助于提升网络嵌入各种任务的性能，但网络是一种图状结构，节点不仅包含属性信息还隐含着丰富的结构信息。为了充分融合结构信息，首先通过定义节点的影响力特性、空间关系特征；然后根据链接预测领域基于相似度的定义构建相似度矩阵，将节点二元组中的关联向量映射到相似度矩阵这一关系空间中，从而保留与节点相关的结构向量信息；再基于图的拉普拉斯矩阵融合属性信息和标签特征，将上述三类信息集成到一个最优化框架中；最后，通过二阶导数求局部最大值计算投影矩阵获取节点的特征表示进行网络嵌入。实验结果表明，提出的算法能够充分利用节点二元组的邻接结构信息，相比于其他基准网络嵌入算法，本模型在节点分类任务上取得了更好的结果。

• 融合多策略的改进麻雀搜索算法

  张晓萌,张艳珠,刘禄,张硕,熊夫睿,

  针对麻雀搜索算法收敛速度缓慢、寻优精度不足和容易陷入局部最优等缺点，提出了一种融合正弦搜索策略和多样性变异处理策略的改进麻雀搜索算法。通过引入正弦搜索策略，自适应调整个体权重提高算法收敛速度；针对个体聚集程度过高问题，采用多样性变异处理，引入生物学中种群聚集度的概念和柯西变异对最优解进行扰动，提高算法逃离局部最优的可能。通过九个不同特征的基准函数进行寻优测试，测试结果表明改进算法能够更快地收敛于最优值，有更好的平均值和标准差，表明了其具备更优的收敛速度、收敛稳定性和逃离局部最优值的能力。通过应用该改进优化算法于分数阶PID控制器的参数整定上，进一步验证了改进策略的有效性和可行性。

• 随机扰动不同种群变异策略的多目标进化算法

  郝秦霞,汪连连,

  为了提高多目标优化问题非支配解集的收敛性和多样性，解决算法后期易陷入局部最优的问题，根据不同差分进化策略特点，添加随机扰动，基于改进切比雪夫机制提出了一种自适应差分进化策略的分解多目标进化算法（MOEA/D-ADE-levy）。首先，使用混合水平正交实验产生均匀权重向量并应用于改进切比雪夫机制分解子问题得到均匀分布的初始种群；其次，将种群分为优秀个体、中间个体和较差个体，对不同个体采用不同的变异策略，对变异因子F和交叉概率CR采用自适应机制，提高非支配解集的收敛性和多样性；最后，对陷入局部最优的解集增加Lévy随机扰动，增大其全局搜索的能力，跳出局部最优。采用DTLZ测试函数验证算法有效性，将所提算法与NSGA2、NSGA3、MOEA/D、MOEA/D-DE等常用算法进行比较，使用GD和IGD评价指标对算法进行多样性和收敛性分析，实验结果表明，该算法在收敛性和多样性方面得到了改进与提高，能得到更优的Pareto解集。

• 基于改进北极熊算法的制造云服务组合优化

  廖文利,魏乐,王宇,

  为了提高云制造环境下制造服务组合优化的效率，提出了一种基于改进北极熊算法的制造云服务组合优化方法。该方法对制造服务进行实数编码，并以服务功能和服务质量为评价指标，使用改进的北极熊算法对制造云服务组合优化问题进行求解，得到最优的服务组合方案。同时通过引入动态视野，对算法的局部搜索进行调整，并与遗传算法中的变异策略相结合，以提高求解多目标问题的效率，同时降低因初始参数影响而导致算法陷入局部最优的可能。算例分析表明，改进的北极熊算法在求解制造云服务组合优化问题上比原始北极熊算法、标准遗传算法、改进的灰狼优化算法和改进的粒子群优化算法具有更高的效率。

• 基于FT_SSIM和ICAGA_CNN在小样本场景下雷达动作识别方法研究

  蒋留兵,潘波,吴岷洋,朱柏青,车俐,

  针对基于小样本场景下人体动作识别出现训练效果差、过拟合现象以及传统对抗生成网络收敛速度慢、对计算机性能要求高等问题，从数据增强及超参数优化方面提出了解决方案。首先，搭建AWR1243雷达数据采集平台，对采集的回波信号进行预处理。其次，利用STFT进行时频分析以及新提出的FT_SSIM算法进行数据增强。再者，利用提出的ICAGA_CNN进行分类识别，并与传统的数据增强算法、超参数优化进行实验对比。为了验证该算法具有一定的泛化能力，先后选择了在公开KTH人体动作数据集以及利用雷达的实测数据进行验证。实验结果表明，一方面，提出算法有效避免了小样本场景下过拟合的发生，降低了传统数据增强对计算机性能的要求，加快了收敛的速度；另一方面，其具有更好的识别精度，平均识别率达到98.5%。这也说明了提出的算法在小样本场景下雷达动作识别具有很好的表现。

• 基于人际关系的传染病传播仿真模型研究

  张亚楠,龙华,邵玉斌,杜庆治,陈腾飞,宋肖肖,

  通过建立一种基于人际关系的传染病传播仿真模型对传染病传播过程以及预测在相关防控措施下疫情发展的趋势进行研究。基于人际关系描述个体间的接触与交互，以个体为单位建立仿真模型，根据中国卫健委平台收集武汉地区COVID-19疫情的初期数据调整模型参数，估算基本再生数（R0）验证模型，并模拟不同疫情防控手段的场景，探讨不同干预措施下疫情传播的趋势。建立的基于人际关系的传染病传播模型首先模拟了武汉疫情初期的传播过程，估算武汉封城前COVID-19的R0；然后对扬州疫情发展趋势进行了初步预测，发现疫情已进入可控阶段。通过探讨在人口密集接触场所（以学校为例）中不同的干预措施对疫情发展的影响，针对学生秋季开学提出相关防控意见，讨论了个体在社交接触网络中的社交移动距离对疫情传播的影响。

• 结合分辨矩阵与蚁群优化算法改进的特征选择方法

  杨震宇,叶军,季雨瑄,敖家欣,王磊,

  目前已有蚁群算法优化的特征选择方法，大多采用的是以属性依赖度和信息熵属性重要度作为路径上启发搜索因子，但这类搜索方法在某些决策表中存在算法早熟或搜索到的特征子集包含了冗余特征，从而导致选择精度显著下降。针对此类问题，根据条件属性在分辨矩阵中的占比提出了一种属性重要度的度量方法，以分辨矩阵重要度作为路径上启发因子，设计了一种基于分辨矩阵与蚁群算法优化的特征子集搜索方法。该算法从特征核出发，蚁群依次选择概率大的特征加入特征核集，直至找到最小特征子集算法终止。通过实例验证和UCI数据集实验结果表明，与基于属性依赖度和信息熵属性重要度的特征选择方法相比，在通常情况下，该算法能较小代价找到最小特征子集，并且可以有效减少计算工作量。

• 多策略的郊狼优化算法

  张新明,杨方圆,刘国奇,

  郊狼优化算法（coyote optimization algorithm，COA）是最近提出的一种群智能优化算法，具有独特的搜索结构和较好的优化性能。为了进一步提高COA的优化性能，提出了一种多策略的郊狼优化算法（multi-strategy COA，MSCOA）。首先，对于组内最优郊狼，采用一种全局最优郊狼引导的成长策略提高其社会适应能力，对于组内最差郊狼，采用一种最优郊狼引导强化策略强化最差郊狼的能力；其次，对于组内其他郊狼采用一种动态调整信息交流的组内成长策略提升组内郊狼之间的信息共享程度，并将这种组内成长策略与一种改进的迁移策略融合，更进一步提升搜索能力；最后采用动态分组策略减少参数手动设置，提高算法的可操作性。以上多种策略的使用更好地平衡了探索与开采，使算法的性能最大化。大量来自CEC2014测试集的复杂函数实验结果表明，与COA相比，MSCOA具有更强的搜索能力、更快的运行速度和更高的搜索效率，与其他优秀优化算法相比，具有更明显的优势。

• 基于综合几何关系稀疏自注意力机制的图像标注方法研究

  李艳,金小峰,

  针对基于Transformer框架的图像标注任务中提取视觉特征容易引入噪声问题且为了进一步提高视觉的上下文信息，提出了一种基于综合几何关系稀疏自注意力机制的图像标注方法。首先通过结合图像区域的绝对位置、相对位置和空间包含关系提取详细全面的视觉表示，获取图像中潜在的上下文信息；其次提出了注意力层权重矩阵的稀疏化方法，该方法解决了Transformer忽略图像区域的局部性并引入噪声信息的问题；最后，采用了强化学习方法作为指导策略，实现模型在句子级别优化目标序列。通过在MS-COCO数据集上进行的对比实验结果表明，提出的方法在BLEU1、BLEU4、METEOR、ROUGE-L、CIDEr和SPICE指标上分别比基线模型提升了0.2、0.7、0.1、0.3、1.2和0.4，有效提升了图像自动标注的性能。

• 基于特征融合方法的轻微认知衰退静息态脑电数据自动检测技术研究

  段子敬,赵冰蕾,李春波,郭薇,

  轻微认知衰退是阿尔茨海默病的早期阶段，而利用脑电信号进行轻微认知衰退的特征提取与分类是诊断轻微认知衰退的重要方法。在基于脑电人工智能轻微认知衰退自动检测技术中，现有研究只提取脑电波信号中的某一个特征或简单地拼接多个特征，这会导致这些方法并不能较好地考虑特征之间的相关性，并且会引发维度灾难的问题；提出了一种基于卷积神经网络的轻微认知衰退静息态脑电数据自动检测算法，通过提取脑电的功率谱及脑网络特征，并通过矩阵运算的方式对这两种特征进行融合，利用卷积神经网络对融合后的特征进行分类，该方法在上海某医院采集的数据集上获得较高的准确率。此外，通过输入特征集的不同子集，该方法找到了对轻微认知衰退最有贡献的几组特征，从而具有一定的可解释性。在本数据集上证明了功率脑网络对于轻微认知衰退自动诊断的优势。

• 基于随机森林算法的谷物粉分类及硬件加速

  徐雷钧,项厚友,倪利华,

  针对传统谷物粉种类检测速度较慢的问题，基于ZYNQ平台实现随机森林算法辅助微波无损检测技术对谷物粉种类进行高效准确识别。通过对随机森林模型硬件实现的分析研究，提出了一种改进模型参数结构，有效节省了硬件存储资源的消耗。为了缩短算法预测时间并降低系统功耗，在硬件实现时引入提前终止识别机制，在保证准确率不变的前提下避免不必要的决策树预测过程。针对Zedboard开发板，设计一种模型参数存储方案，充分利用片上资源保证系统正常工作。实验结果表明，与传统CPU实现随机森林算法相比，该方案在ZYNQ上运行的实测时间缩短约54.2%，同时没有引起识别精度的损失。

• 基于变长基因型遗传算法的多供应点应急物资调度优化

  吴凡,杨冰,洪思,

  如何及时、高效地调度应急物资以减小突发事件带来的伤害成为社会关注的焦点问题。在综合考虑新冠肺炎疫情这类特殊突发事件特点的前提下，构建了一类多供应点多式联运应急物资调度网络，并以运输成本最低、时间惩罚最少、配送员被感染风险最小为优化目标建立了一类多目标调度优化模型。考虑到基于聚类思想的优化算法在解决多供应点，尤其是多目标调度优化问题中缩减可行域方法科学性存疑的局限性，提出了一类考虑完全可行域思想的变长基因型混合小生境遗传算法，并借助23个基准测试实例验证了这一算法的有效性，更新了部分实例的现有最优解。在此基础上，通过比较多供应点应急物资多式联运算例中四类遗传算法的仿真结果进一步验证了混合小生境等改进策略的优越性。

• 考虑销售方式和物流服务策略的运营模式研究

  赵亚男,贾蔚,

  针对商家在进入大型电商平台面临的销售方式选择和物流服务策略问题，提出三种运营模式:a）转售模式，标记为A；b）代理+无平台物流模式，标记为B；c）代理+平台物流模式，标记为C。以一个电商平台和一个商家组成的分析框架为研究对象，构建两者之间的博弈模型。通过比较三种模式下的均衡结果，并结合企业的不同权力结构，发现当平台拥有绝对权力时，C模式对平台最优。当物流服务敏感系数和市场规模都较大时，B模式对拥有绝对权力的商家最优。此外，如果两者都没有绝对权力，只有当商家首先决定物流服务策略，然后平台决定销售方式时，B模式对双方最优；否则，A模式最优。本研究可为平台和商家运营模式的选择提供理论支持和决策指导。

• 基于深度学习的心律模拟算法及其应用

  龙坡,陈浩,何晶,何堃,

  研究基于Van der Pol方程的心律模型有助于进行心律调控，为心律失常等心脏疾病治疗提供指导。针对已有Van der Pol方程时间尺度与真实生物心律不一致的问题，引入时间尺度参数，改进Van der Pol方程。针对心律模型的数值模拟问题，提出一种基于深度神经网络的算法。针对现有神经网络算法带来的假解问题，提出一种新的采样策略构建训练数据集。为进一步提高求解的精度，引入自适应采样策略。开展数值实验，将Runge-Kutta法给出的数值解与所提深度神经网络算法的计算结果进行对比。结果显示，深度神经网络算法的计算结果相对于Runge-Kutta数值解的最大平均误差不超过0.3%。还利用深度神经网络算法模拟牛蛙心脏搏动细胞动作电位信号以及外部驱动信号对该电位信号的调控作用，结果显示，深度神经网络算法可以很好地模拟动作电位的脉冲波形及外部驱动信号的调控作用。

• 改进平衡优化器算法的WSN覆盖优化

  李守玉,何庆,陈俊,

  针对无线传感器网络在节点部署过程中存在节点覆盖空白及重叠覆盖的问题，提出一种改进平衡优化器算法（IEO）的网络覆盖优化。首先，利用环绕反向学习提高初始化种群质量，增强算法的优化能力；其次，引入动态正余弦因子进一步平衡全局搜索与局部开发能力，促使粒子种群对搜索空间中进行广泛搜索和深度挖掘；最后，通过在浓度更新阶段加入circle混沌映射增加种群多样性，提高算法逃离局部最优的能力。实验结果表明，将IEO算法应用于WSN的覆盖优化实验中，与标准平衡优化器算法及其他改进算法相比，其能有效降低部署成本，表现出了更高的网络覆盖率，改善了网络的监测质量。

• 基于时空加权目标函数的无线传感网分簇协议

  赵远亮,王涛,李平,吴雅婷,孙彦赞,王瑞,

  针对无线传感器网络中能量受限的特点，提出了基于时空相关加权目标函数粒子群优化算法（SC-WOFPSO）的分簇协议。首先，该协议使用Kohonen神经网络提取节点间的数据相似性。在分簇过程中，该协议综合考虑了节点间的数据相似性、节点间距离以及节点剩余能量等因素，使用PSO算法进行迭代寻优，寻找最优的簇头集合；在成簇过程中，网络中的非簇头节点为每个簇头分别计算goal函数值，选择加入函数值最大的簇头。最后从网络总能量消耗、网络寿命和网络吞吐量三个性能指标出发，验证了该协议能够有效降低网络能耗、提高网络寿命、网络吞吐量。

• 无线局域网多机器人系统轮询MAC协议研究

  杨志军,郑皓元,丁洪伟,

  多机器人系统是一个结构复杂的团体，为了实现机器人之间的高效合作，必须解决机器人之间的信息交互问题，提出将无线局域网的多机器人系统与轮询系统结合的MAC（multiple access control）协议。首先，研究MAC协议中PCF（point coordination function）访问机制，建立轮询系统模型，将该模型应用于多机器人集中式体系架构中，并对其数据传输方式进行分析；推导了门限、完全、限定K=1机器人系统信息传输的平均排队队长、时延、轮询周期的表达式；最后通过MATLAB及ROS系统对三种系统的理论值和仿真值进行分析比较。结果表明，该多机器人系统的信息传递率随着到达率的增加而显著增加。综合对比实验结果，在保证公平性的前提下，门限服务系统在加速信息处理速率、改善系统性能方面比其他两种服务策略更加稳定；在机器人增加时，完全服务系统在信息处理速度上较其他两种服务更好。

• 基于报文哈希链的签名认证方法

  韩明轩,蒋文保,郭阳楠,

  针对TCP/IP协议缺乏内生安全机制引起的网络安全问题，以及IPSec等附加的安全增强技术存在效率低的问题，提出了一种基于报文哈希链的签名认证方法。该方法将所传输报文的哈希值通过迭代哈希形成一个关于报文序列的哈希链，通信双方通过报文哈希链确保报文序列的完整性；在进行报文签名认证时，通信双方只需按一定间隔对数据报文进行签名认证就能确保多个报文的完整性和不可抵赖性，并能显著提高报文安全传输的效率。通过实验证明，在相同网络环境以及通用软件实现方式下，基于报文哈希链的签名认证方法的平均比特率比IPSec逐包签名方法的平均比特率有显著提高，且这种签名认证方法能有效防范中间人攻击。

• 基于OT的多方匿名身份查询协议

  张爱娈,李祯祯,丁海洋,张珍珍,李子臣,

  多方数据源的隐私信息安全检索是网络安全中亟待解决的问题，不经意传输技术的特点是能够保证各个参与方的数据安全，因此将不经意传输技术与密码学中的同态密码及对称密码相结合，设计了一种多方数据源匿名查询协议。首先，基于不经意传输的思想设计了一种三方匿名查询协议，给出了协议的模型及协议的具体流程。其次，对协议的正确性与安全性进行了证明与分析。最后，将三方匿名查询协议扩展到多方查询协议，并将其应用于数字产品交易中黑名单用户的验证，解决了在网络安全交易过程中买家用户恶意交易问题。实验数据表明，该算法在保证各方数据安全的情况下查询结果正确且效率高。

• Cybertwin中的格上生物特征认证密钥交换协议

  汤永利,殷明辉,赵宗渠,郭小杰,邓大智,

  针对基于Cybertwin的网络架构中通信双方存在信道安全以及隐私保护的问题，提出新的格上认证密钥交换协议。使用生物特征认证技术实现Cytertwin服务下的用户实名制登录和强身份认证需求，保证Cybertwin服务对用户网络行为的审计和追踪。通过引入通信方身份信息构造格上抗碰撞哈希函数，使身份信息在公共信道传输过程中能够应对量子威胁，同时满足用户匿名性和不可追踪性。最后基于RLWE问题设计了新的和解机制，通过两轮交互共享安全会话密钥。协议在BPR模型下满足理论可证明安全，具有抗量子攻击、抗临时秘密值泄露攻击、抗生物特征猜测攻击等安全特性。仿真实验表明该协议计算和通信开销适用于Cybertwin服务下数量庞大的终端互连需求。

• 一种面向指纹探测欺骗的智能博弈对抗机制

  李少辉,张国敏,宋丽华,王秀磊,

  指纹探测作为网络侦察的重要组成部分，是攻击者成功实施网络攻击的先决条件。针对攻防双方在指纹探测过程中的博弈对抗特征，设计了一种新型对抗攻击者指纹探测的欺骗机制，并通过建立不完全信息动态博弈模型有效刻画指纹探测欺骗过程，在此基础上讨论了欺骗指纹生成的基本方法。针对扩展指纹库规模导致的解空间爆炸问题，提出了一种基于遗传算法思想的智能指纹混淆算法，即两阶段最优策略选取算法（two-stage optimal strategy selection algorithm，TSOSA），并建立了仿真实验环境。结果表明，与传统的贪婪算法相比，TSOSA更加有效地隐藏了网络资产的真实指纹特征，降低了攻击者的成功探测概率，进而增强了网络的安全防护能力。

• 面向航空差旅消费的可监管交易隐私保护方案

  周星光,刘一,

  针对航空差旅消费的潜在隐私泄露风险，提出一种可监管的交易隐私保护密码学方案，为航空公司、集团客户和差旅人员三方交易提供安全保障。通过在交易密文中额外添加一位接收方公钥，双接收方能够独立解密并获得相同的交易信息，确保了作为额外接收方的监管者能够分布式审查航空公司和集团客户之间的真实交易金额；通过设计同态加密算法，密文交易数据可以被正常分析，而隐藏的交易额可以通过零知识证明协议保证其正确性。实验分析表明，在添加了一位接收方的情况下，依然保持较高的执行效率。该方案不仅增加了交易系统的监管功能，还可解决航空差旅交易中隐私保护与精准核算的内在冲突。

• 可实现丰富认证策略的两方属性基会话密钥协商协议

  胡声洲,钟婷婷,何华,王幸福,

  为解决云环境中基于传统属性基加密技术会话密钥协商协议的数据访问策略不能反映跨多个属性之间复杂关系，导致其用户认证能力和灵活性不足问题，提出一种基于附加属性关系条件的线性密钥分享方案的用户认证结构，并基于该结构构造了一种属性基会话密钥协商协议。该协议提供了更加通用的基于用户属性的认证策略，同时维护了其模糊身份认证特性，实现对满足复杂属性关系条件的用户之间交换会话密钥。该协议在基于属性的Blake-Johnson-Menezes（BJM）模型、选择访问结构安全模型和判定性q-并行双线性Diffie-Hellman指数（q-PBDHE）假设下证明了该协议的安全性。通过实验比较分析类似协议的性能，结果表明该协议在包含较多复杂属性条件认证场景中使用具有较高效率，具有广泛的应用场景。

• 面向电力场景的双通道图像拼接窜改检测模型

  刘正,田秀霞,白万荣,

  随着电力生产智能化的推进，电力图像被广泛应用。然而由于图像编辑软件的发展导致部分电力图像被恶意窜改，严重影响电力生产进程。其中以拼接窜改最为常见。基于深度学习技术，提出了一种双通道CenterNet的图像拼接窜改检测模型。原色图像通道提取窜改图像的色调、纹理等特征，隐写分析通道发掘图像窜改区域的噪声特征。同时设计了一种基于注意力机制的特征融合模块，自适应地对双通道的特征进行加权融合，以增强检测模型的特征识别能力。实验结果表明，所提模型可以达到更优的检测性能，在电力图像的窜改检测应用中具有实际意义。

• 基于生物特征识别的门限身份认证方案

  刘尧,郭帅,杨晓元,

  在传统生物特征身份认证系统中，针对重要目标的保护时，单一用户的身份认证方案存在用户权限过高的问题。为了解决此类问题，利用BGN半同态加密算法，结合Shamir秘密共享设计了一种基于生物特征识别的门限身份方案。主要使用在双线性对上BGN同态加密算法进行数据保护，利用第三方认证中心进行秘密分割，服务器在密文状态下对用户的身份进行认证，实现门限身份认证。通过性能分析验证了该方案的安全性和高效性。

• 面向云服务的轻量级匿名订阅系统

  柳欣,张波,张斌,孙世文,

  针对已有匿名订阅系统订阅方式不灵活、用户端运算量大以及用户访问次数不受限制等缺陷，在Canard等人系统的基础上，提出一个面向云服务的轻量级匿名订阅系统。新系统的构造过程使用了关于掌握Au-Susilo-Mu签名的知识证明、改进的集合成员证明以及双线性对运算的性能优化技术。与已有系统相比，新系统同时满足以下性质：允许用户一次性订阅多种服务类型；对用户的访问次数作出限制；不允许用户与他人共享使用电子钱包；为用户提供了较强的隐私保护等级。该系统可证能安全地实现匿名订阅的功能。仿真实验表明，当被证明的秘密值在50~1 050内变化时，用户在Access协议中的运行效率较同类系统提高了79.5%~83.2%。

• 多层特征融合和并行自注意力的孪生网络目标跟踪算法

  束平,许克应,鲍华,

  目标跟踪是计算机视觉方向上的一项重要课题，其中尺度变化、形变和旋转是目前跟踪领域较难解决的问题。针对以上跟踪中所面临的具有挑战性的问题，基于已有的孪生网络算法提出多层特征融合和并行自注意力的孪生网络目标跟踪算法（MPSiamRPN）。首先，用修改后的ResNet50对模板图片和搜索图片进行特征提取，为处理网络过深而导致目标部分特征丢失，提出多层特征融合模块（multi-layer feature fusion module，MLFF）将ResNet后三层特征进行融合；其次，引入并行自注意力模块（parallel self-attention module，PSA），该模块由通道自注意力和空间自注意力组成，通道自注意力可以选择性地强调对跟踪有益的通道特征，空间自注意力能学习目标丰富的空间信息；最后，采用区域提议网络（regional proposal network，RPN）来完成分类和回归操作，从而确定目标的位置和形状。实验显示，提出的MPSiamRPN在OTB100、VOT2018两个测试数据集上取得了具有可竞争性的结果。

• 基于影响函数的跨领域小样本的行人重识别方法

  戴锡笠,吴杨,龚海刚,刘明,

  在行人重识别领域，如何快速在一个新城市进行行人重识别系统的部署为行人重识别领域带来了巨大的挑战。一般情况下，在新城市中没有足够的标注数据来训练一个强大的行人重识别模型，只能依赖少量由目击者提供的罪犯照片。首次对该实际应用场景进行正式研究，将其定义为跨领域小样本行人重识别问题，并仔细讨论分析其与现有行人重识别场景的异同。随后，提出一种基于影响函数的样本权重法来指导模型的训练，并在三个公开数据集Market、Duke和CUHK上对方法进行实验对比。实验结果表明，该方法可以有效地处理不同数据集之间的偏置，性能也超过了已有方法。

• 轻量级多信息图卷积神经网络动作识别方法

  井望,李汪根,沈公仆,范宝珠,

  针对如何在保持低参数量和低计算量前提下构建高性能模型的问题，提出一种轻量级多信息图卷积神经网络（LMI-GCN）。LMI-GCN通过将关节坐标、关节速度、骨骼边、骨骼边速度四种不同信息编码至高维空间的方式进行信息融合，并引入可以聚合重要特征的多通道自适应图和分流时间卷积块以减少模型参数量。同时，提出一种随机池数据预处理方法。在NTU-RGB+D120数据集上与基线方法SGN（语义引导神经网络）相比，在两种评估设置cross-subject和cross-setup上提高5.4%和4.7%。实验结果表明，LMI-GCN性能高于SGN。

• 颜色恢复和边缘保持的低照度图像超分辨率重建方法

  郭林,陈亮亮,程德强,江曼,寇旗旗,钱建生,

  针对常规图像超分辨率重建方法应用于低照度环境下的图像时存在纹理信息丢失、颜色偏移失真和重建性能退化等问题，提出了一种颜色恢复和边缘保持的低照度图像超分辨率重建方法。在锚定邻域回归（ANR）的图像超分辨率重建方法基础上引入颜色恢复和边缘保持的照度增强函数，从而提高图像内容和边缘纹理的显著性；选择最小加权二乘滤波作为中心环绕函数（WLS）以抑制高频特征退化；同时针对YCbCr颜色空间的Y通道分量采用边缘保持的照度增强函数计算其反射分量，进一步增强边缘纹理特征。实验结果表明，所提方法获得了更好的视觉效果，相比于其他方法，该方法峰值信噪比（PSNR）提高了63.15%、结构相似度（SSIM）提高了46.86%、感知质量（PI）提高了4.12%。

• 基于卷积特征聚合的细粒度图像检索方法

  苟光磊,朱东旭,杨雨,

  针对卷积神经网络（CNN）全连接层得到的是图像类别的全局语义信息，无法有效抑制背景噪声以及表示图像局部的细节信息，导致细粒度图像检索任务中负样本靠前的问题，提出了一种选择性加权来聚合卷积特征并利用k相互最近邻（k-reciprocal nearest neighbor，k-RNN）重排的图像检索方法。该方法主要是通过提取并筛选CNN最后一层特征来聚合形成单维全局特征向量，再引入k相互最近邻算法对检索出的结果进行重排。在细粒度基准数据集CUB-200-2011、室内场景数据集Indoor和普通类别数据集Caltech-101进行验证评估。实验结果表明该方法能够有效改善检索出负样本靠前的问题，相比SCDA方法，该方法检索精度及召回率有显著提升。

• 基于多级上下文引导的实时语义分割网络

  文凯,熊俊臣,邹伟,唐伟伟,

  针对实时语义分割方法中因忽略其本质所导致的分割精度不高的问题，提出了一种多级上下文引导的轻量化网络。首先，将深度可分离卷积及非对称卷积相结合，设计了基于并行非对称卷积的上下文引导模型以学习局部特征及其周围上下文构成的联合特征；其次，将该模型堆叠于网络来实现特征的多级优化；最后，通过通道注意模型筛选出与更高阶段语义一致的浅层特征，从而提高分割效果。实验结果表明，所提网络在Cityscapes数据集上以94.7的帧速率获得了72.4%的平均交并比，并在CamVid数据集上取得显著的性能提升。同当前的其他实时语义分割方法相比，该网络性能更优。

• 基于对抗学习的医学图像分割领域自适应研究

  王绍帆,马驰,胡辉,路生亮,

  为了解决跨领域医学图像分析中不匹配的问题，提出了一种基于对抗学习的无监督领域自适应框架（UAL-DAF）。具体而言，该框架通过外观转移模块（ATM）和结合条件生成对抗网络的语义转移模块（STM）分别缩小了跨领域医学图像外观和语义层次的差异。最后，在具有挑战性的医学图像分割实验中，结果显著优于已有方法。因此，该框架能够提取领域自适应知识的外观和语义层次信息，实现领域知识的协同融合。

• 融合多路特征和注意力机制的强化学习关键帧提取算法

  曹春萍,苑凯歌,

  针对现有视频关键帧提取算法对运动类视频中运动特征提取不准导致的漏检和误检问题，提出一种融合多路特征和注意力机制的强化学习关键帧提取算法。该算法首先通过人体姿态识别算法对视频序列进行人体骨骼关节点提取；然后使用S-GCN和ResNet50网络分别提取视频序列中的运动特征和静态特征，并将两者进行加权融合；最后应用注意力机制对特征序列进行视频帧重要性计算，并利用强化学习进行关键帧的提取和优化。实验结果表明，该算法能较好地解决运动类视频在关键帧提取中出现的漏误检问题，在检测含有关键性动作的视频帧时表现较好，算法准确率高、稳定性强。