计算机应用研究杂志

计算机应用研究杂志2023年第10期

• 面向深度网络的小样本学习综述

  潘雪玲,李国和,郑艺峰,

  深度学习以数据为驱动，被广泛应用于各个领域，但由于数据隐私、标记昂贵等导致样本少、数据不完备性等问题，同时小样本难于准确地表示数据分布，使得分类模型误差较大，且泛化能力差。为此，小样本学习被提出，旨在利用较少目标数据训练模型快速学习的能力。系统梳理了近几年来小样本学习领域的相关工作，主要整理和总结了基于数据增强、基于元学习和基于转导图小样本学习方法的研究进展。首先，从基于监督增强和基于无监督增强阐述数据增强的主要特点。其次，从基于度量学习和基于参数优化两方面对基于元学习的方法进行分析。接着，详细总结转导图小样本学习方法，介绍常用的小样本数据集，并通过实验阐述分析具有代表性的小样本学习模型。最后总结现有方法的局限性，并对小样本学习的未来研究方向进行展望。

• 基于多种云环境的任务调度算法综述

  陈红华,崔翛龙,王耀杰,

  任务调度算法是云计算资源分配部署的核心方法。针对当前云计算发展面临的任务需求和数据量指数级增长的问题，重点对任务调度算法进行了系统的梳理和归纳，以云环境为分类依据，研究分析了单云、联盟云、混合云、多云四类调度算法。在单云环境中，从传统启发式、元启发式以及混合式任务调度算法角度进行阐述。在联盟云、混合云、多云环境中，从工作流和独立任务调度算法角度进行阐述。通过比较，总结了现有算法的优点、缺点以及优化性能，并形成结论性意见和开放性问题，为未来对容器云、数据云以及兼顾资源分配与任务调度算法的研究奠定基础。

• 从扩展性角度看区块链

  王锋,张强,刘扬,刘琳琳,路阳,

  区块链集成密码学、分布式共识、P2P网络和时间戳等技术，可实现数据一致存储、难以窜改和防止抵赖等功能，解决了开放网络中不依赖任何可信第三方的信任问题。去中心化的特性使得区块链具有广阔的应用前景，但随着应用的深入与拓展，扩展性问题已成为挖掘区块链技术潜力的一个关键挑战。区块链本质上仍是分布式系统，基于此，从分布式系统的扩展性角度对区块链的研究工作进行综述，基于链上扩展、链下扩展和跨链扩展三个方面论述了区块链可扩展的思路和方法，总结了近年来的研究成果；通过对现有解决方案的总结分析，探讨了提高区块链可扩展性所面临的问题和未来的研究趋势。

• 一种基于区块链的车联网安全认证协议

  包俊,张新有,冯力,邢焕来,

  针对车联网环境下，车辆节点快速移动造成的中心服务器认证效率低、车辆隐私保护差等问题，提出了一种基于区块链的车联网安全认证协议。该协议利用Fabric联盟链存储车辆临时公钥与临时假名，通过调用智能合约，完成车辆身份认证，同时协商出会话密钥，保证通信过程中数据的完整性与机密性；利用假名机制有效避免了车辆在数据传输过程中身份隐私泄露的风险；使用RAFT共识算法高效达成数据共识。经安全性分析与实验结果表明，所提协议具有抵抗多种网络攻击的能力，且计算开销低、区块链存储性能好，能够满足车联网通信的实时要求。

• 基于节点分组信誉模型的改进PBFT共识算法

  陈苏明,王冰,陈玉全,邢涛,马宇辉,赵建立,

  针对实用拜占庭容错共识算法（practical Byzantine fault tolerance，PBFT）中存在通信开销大、缺少奖惩机制、节点缺乏积极性的问题，提出了一种基于节点分组信誉模型的改进PBFT共识算法（grouping reputation practical Byzantine fault tolerance，GR-PBFT）。首先，引入信誉奖惩机制来确保系统的安全性，再根据节点信誉进行分组以选取共识节点，解决信誉机制类共识算法产生节点信誉累计问题，降低系统中心化程度，提升了节点成为共识节点的积极性；然后，改进主节点的选举方式保证主节点的可靠性，并优化一致性协议执行流程，减少准备、确认与响应阶段的通信复杂度，提高了共识效率。仿真实验表明，GR-PBFT共识算法在共识时延、通信开销、吞吐量、安全性等方面比PBFT共识算法具有更好的性能。

• 基于超级账本的蚁群因子差分进化算法的可信服务组合优化

  冉瑞生,刘震,祁翔,彭顺顺,

  为了保障服务组合优化过程中的QoS数据的真实性，提出了一种基于超级账本平台的可信框架；同时为了提高服务组合的优化效率，提出了一种蚁群因子的差分进化算法的服务组合优化方法（ACOF-DE）。首先，在超级账本平台上部署相应节点，构建可信框架，保障候选服务的真实性；然后，将所提出的算法以智能合约的形式，在区块链上对服务组合的优化问题进行求解，使组合过程在可信的环境下执行。该算法通过引入多种蚁群因子，比如蚁群路径因子、最优蚁群因子、信息素因子以及基于蚁群因子的差分计算，帮助算法动态控制搜索空间、记录迭代过程中的关键信息，以提高算法优化能力。最后，通过仿真实验证明可信框架可以有效地保障数据的可信； ACOF-DE相比其他智能优化算法拥有更佳的优化效率。

• 用于连续时间中策略梯度算法的动作稳定更新算法

  宋江帆,李金龙,

  在强化学习中，策略梯度法经常需要通过采样将连续时间问题建模为离散时间问题。为了建模更加精确，需要提高采样频率，然而过高的采样频率可能会使动作改变频率过高，从而降低训练效率。针对这个问题，提出了动作稳定更新算法。该方法使用策略函数输出的改变量计算动作重复的概率，并根据该概率随机地重复或改变动作。在理论上分析了算法性能。之后在九个不同的环境中评估算法的性能，并且将它和已有方法进行了比较。该方法在其中六个环境下超过了现有方法。实验结果表明，动作稳定更新算法可以有效提高策略梯度法在连续时间问题中的训练效率。

• 基于自适应交互学习的CPS时间序列异常检测

  伍冠潮,凌捷,

  对信息物理系统（CPS）的时间序列进行检测是一种重要的异常检测手段，然而现有的一些时间序列异常检测方法往往忽略了时间序列内部的依赖关系，使得预测或重构数据建立起的依赖关系较差，进而影响异常检测性能。针对以上问题，提出一种基于自适应交互学习的CPS时间序列异常检测方法。利用神经网络识别CPS的隐藏状态，然后通过全局自适应融合与交互学习来保留时间序列的依赖关系；接着使用无迹卡尔曼滤波跟踪时间序列的变化趋势，以此增强预测过程的鲁棒性；最后计算异常分数并评估异常情况。应用该方法在三个CPS数据集上实验获得的平均性能为F1分数0.940、精度0.965、召回率91.7%。实验结果表明，相较于近年来的其他研究方法，该方法能够较好地保留时间序列的依赖关系，提取更准确的时间序列特征，进而提高模型的预测性能，使得异常检测的召回率和F1分数得到较好提升，具有良好的应用前景。

• 基于相对熵和二元熵的多粒度直觉语言TODIM决策方法

  郭奉佳,高建伟,陈炜,

  针对评估信息为多粒度直觉语言集的决策问题，提出一种基于相对熵和二元熵的TODIM方法。该方法首先定义了直觉语言数的相对熵和二元熵，以度量决策信息的差异和不确定性；其次，构建了基于相对熵和二元熵的专家赋权模型，并建立了主观权重完全已知、部分已知和完全未知场景下的属性赋权模型；最后，为集结多粒度群体决策信息，提出了多粒度直觉语言加权算术平均（MIL-WAA）算子。算例分析表明，该方法能够较好地度量决策信息的不确定性和差异性，并考虑了决策者的有限理性行为，具有一定的合理性和有效性。

• 基于双层记忆网络的多领域端到端任务型对话系统

  方明弘,万里,戴凡杰,

  为了将知识有效地融入到对话推理，提出了一种基于双层记忆网络的多领域端到端任务型对话系统。首先，该模型用知识行的形式代替三元组的形式表示知识，提升了知识定位的性能；其次，采用了双层记忆网络结构将知识和对话历史进行分别建模，提高了模型的推理能力；最后，使用了动态编码器对多种领域的数据进行编码，提升模型的泛化能力。通过实验分析，该模型的F1和BLEU指标在InCar和CamRest数据集上相较于对比算法均有一定的提升，验证了该模型的有效性和先进性。

• 融合一致性社交关系的协同相似嵌入推荐模型

  吴永庆,孙鹏,金尧,丁治辰,

  为了解决推荐系统中新用户评级预测冷启动和数据稀疏等问题，提出了一种融合一致性社交关系的协同相似嵌入推荐模型（collaborative similarity embedding recommendation model incorporating consistent social relationships，CSECSR）。首先，模型通过预热层对图形嵌入进行等权重传播和聚合；其次，采样具有一致性的社交关系邻居，并利用关系注意力机制对这些关系进行聚合；最后，利用用户和项目最终嵌入值的内积进行评分预测，设计具有自适应裕度的BPR损失和相似性损失的损失函数对模型进行优化。在Ciao、Epinions和FilmTrust数据集上与其他代表性的推荐模型进行了对比，实验结果表明所提推荐模型预测误差明显优于其他模型，证明了所提推荐模型的有效性。

• 基于Spark和AMPSO的并行深度卷积神经网络优化算法

  刘卫明,罗全成,毛伊敏,彭喆,

  针对并行DCNN算法在大数据环境下存在冗余参数过多、收敛速度慢、容易陷入局部最优和并行效率低的问题，提出了基于Spark和AMPSO的并行深度卷积神经网络优化算法PDCNN-SAMPSO。首先，该算法设计了基于卷积核重要性和相似度的卷积核剪枝策略（KP-IS），通过剪枝模型中冗余的卷积核，解决了冗余参数过多的问题；接着，提出了基于自适应变异粒子群优化算法的模型并行训练策略（MPT-AMPSO），通过使用自适应变异的粒子群优化算法（AMPSO）初始化模型参数，解决了并行DCNN算法收敛速度慢和容易陷入局部最优的问题；最后，提出了基于节点性能的动态负载均衡策略（DLBNP），通过均衡集群中各节点负载，解决了集群并行效率低的问题。实验表明，当选取8个计算节点处理CompCars数据集时，PDCNN-SAMPSO较Dis-CNN、DS-DCNN、CLR-Distributed-CNN、RS-DCNN的运行时间分别降低了22%、30%、37%和27%，加速比分别高出了1.707、1.424、1.859、0.922，top-1准确率分别高出了4.01%、4.89%、2.42%、5.94%，表明PDCNN-AMPSO在大数据环境下具有良好的分类性能，适用于大数据环境下DCNN模型的并行训练。

• 基于图卷积网络融合依存信息的事件检测方法

  张紫月,王羽,徐建,

  句子级别细粒度的事件检测任务旨在对触发词进行识别与分类。针对现有事件检测方法中存在的过度平滑及缺乏依存类型信息的问题，提出了一种基于图卷积网络融合依存信息的事件检测方法。该模型首先使用双向长短期记忆网络对句子进行编码，同时根据依存分析构建多阶句法图和依存句法图；然后利用图卷积网络融合句子的依存信息，从而有效地利用多跳信息和依存标签信息。在自动文本抽取数据集上进行实验，在触发词识别和分类这两个子任务中分别取得了81.7%和78.6%的F1值。结果显示，提出的方法能更加有效地捕获句子中的事件信息，提升了事件检测的效果。

• 基于时空残差张量学习的城市路网交通数据修复

  李金龙,李若南,吴攀,于广婧,许伦辉,

  针对城市道路网络环境下各种软/硬件故障导致的交通数据缺失问题，提出了一种基于时空残差张量学习（spatial-temporal residual tensor learning，ST-RTL）的交通数据修复方法。该方法通过构造带缺失值的三维交通张量以最大程度表征原始路网时空信息；并在高斯分布假设基础上，采用Gibbs采样完成对缺失数据的CANDECOMP/PARAFAC（CP）张量分解与低秩重构。考虑到张量修复过程产生的残差值，研究设计一种可动态迭代的双向残差优化结构以捕捉剩余时空依赖特性，实现对缺失交通数据的精准修复。采用公开的杭州地铁客流数据进行模型构建与验证。结果表明，当缺失率为10%~80%时，三种缺失场景（随机、聚类和混合缺失）对张量结构破坏存在较大差异，其中聚类缺失的破坏程度最大，此时，ST-RTL的评估指标MAPE、RMSE和MAE分别位于3.1071~7.0371、16.3779~58.4286、3.7434~8.0135；且随着缺失率递增，ST-RTL模型各指标呈加速增加趋势。与HaLRTC、GAIN和BGCP等代表性基准模型相比，所建立的ST-RTL模型在可接受计算代价范围内具有更低的性能指标和更强的稳定性，能为智能交通系统提供高质量的基础数据。

• 混合哈里斯鹰优化算法求解带模糊需求的低碳多式联运路径规划问题

  黄琴,张惠珍,马良,杨健豪,

  针对带限制的低碳多式联运路径规划问题的研究，在考虑模糊需求和碳排放量约束的条件下构建了路径成本、碳排放量等目标最小化的多目标多式联运数学模型。首先，根据模型特点使用机会约束规划处理用梯形模糊数表示的不确定需求；其次，改进了哈里斯鹰算法，采用路径重连算法、两种交叉算子和两种变异算子代替原算法中的搜索过程，在保留算法原有特性的前提下使其成功应用于离散优化问题。最后，以广西省南宁市到黑龙江省哈尔滨市的多式联运网络进行路径优化分析，给出了多个合理的路径方案。HHHO与其他算法进行对比结果显示，HHHO、NSGA-Ⅱ、GA、SA和PSO均在规定时间内得到了一组含有5个解的近似最优解集，HHHO的解集更加接近最优解集；HHHO及其他四种算法运行时间分别为86.50 s、118.26 s、101.67 s、81.22 s和68.40 s，HHHO在运行时间上比GA和NSGA-Ⅱ更快，验证了模型的正确性以及混合哈里斯鹰算法的有效性。

• 基于Prim-DMGA算法的闭环供应链网络鲁棒优化研究

  孙军艳,陈泽飞,陈智瑞,李晓朋,

  针对不确定环境下的闭环供应链网络优化问题，在需求不确定及设施中断风险的条件下，基于鲁棒对等优化方法建立了一种以闭环供应链网络总成本最小为目标的鲁棒优化模型，以解决供应链网络中的不确定性问题，并提出了Prim-DMGA。首先基于Prim算法得到高质量的初始种群，其次让路径规划方案和设施选址方案在两层自适应GA的不断反馈中达到最优。实验结果表明，Prim-DMGA得到的目标函数值优于单层Prim-MGA与传统GA，且在求解大规模算例时，求解结果优于CPLEX软件。研究结论表明，Prim-DMGA能以较少的计算时间获得质量更优的解，鲁棒优化模型可以有效减少不确定因素带来的不利影响，提高闭环供应链网络的鲁棒性能。

• 基于改进聚类算法的交通事故多发点识别方法

  王艺霖,肖媛媛,左鹏飞,杨博,刘悦霞,段宗涛,

  道路交通事故多发点事故发生频率高且严重性突出，为提高道路通行的安全与效率，需要找到事故多发点所在位置。针对现有密度聚类算法对交通事故多发点识别时需要设置中心点个数以及容易扩大聚类范围等问题，提出一种限制簇扩展的自适应搜索密度峰值聚类算法（limit cluster expansion and adaptive search clustering by fast search and find of density peaks，LA-CFDP）。LA-CFDP算法通过增加中心点限制条件自动确定中心点个数，引入参数扩展因子限制簇扩展范围，从而提高算法对事故多发点识别的适应性和准确性。在英国四个城市2019年交通事故数据集上的实例分析表明，LA-CFDP算法对四个城市聚类结果的轮廓系数值达到0.72~0.92，DBI值均降低到0.37以下。聚类结果符合事故多发点的定义及特征，能够为交通事故多发点治理提供可靠依据。

• 引入动态分化和邻域诱导机制的双蚁群优化算法

  禹博文,游晓明,刘升,

  为提高传统蚁群算法在解决旅行商问题时的优化效果，提出了一种引入动态分化和邻域诱导机制的双蚁群优化算法。该算法首先引入混沌随机策略，在算法初始化阶段改变原始的贪心策略，使初始信息素混沌分布，以保持种群的多样性，从而提高解的精度；其次，将蚁群分为孤立蚁群与正常蚁群，两组蚂蚁分别在当前最优路径与离群路径附近搜索；在种群间采取诱导机制，正常蚁负责搜索最优路径，孤立蚁混沌随机释放信息素，将正常蚁群诱导至新的路径邻域，从而有效地平衡收敛速度与解的多样性之间的矛盾。通过对不同规模的旅行商问题仿真结果的比较，验证了所提算法的有效性。

• 考虑竞争环境的联邦学习多维契约激励机制研究

  杨扬,殷红建,王超,

  针对现有激励机制无法满足竞争环境下联邦学习（FL）落地实施需要的现实问题，提出了一种适于竞争环境的多维契约激励机制。首先，引入了竞争强度描述数据拥有者和任务发布者之间的竞争关系；其次，创新性地设计了一种金钱和FL模型使用权相组合的MM（monetary-the FL model）组合激励；再次，在MM组合激励的基础上，分别在完全信息场景和不完全信息场景下，以任务发布者利润最大化为目标，构建了适于竞争环境的联邦学习多维契约激励机制设计优化问题；进一步，通过理论推导分析了契约可行性及契约最优性，并在此基础上给出了适于竞争环境的联邦学习最优契约设计算法；最后，实验结果表明，以MM组合激励为基础的多维契约激励机制提高了竞争环境下数据拥有者参与联邦学习的意愿。

• 基于多重分形及其关联特征组合的心电信号分类

  卢清,李秋生,叶莉华,许德鹏,

  多重分形理论只是对分形体几何支集上任意一点观察到的奇异指数作统计分析。多重分形关联研究的是具有不同奇异指数的两点之间的空间关联特性，是对多重分形单点统计的推广，两者特性具有一定的互补性。为此研究了一种多重分形及其关联特征进行组合的心电信号分类方法。首先对四种类型心电信号的多重分形及其关联特性进行分析并获得各自的特征。然后结合概率分布以选择合适的特征进行组合，组合后的特征送入支持向量机中分类。该方法在MIT-BIH心律失常数据库上进行了测试，经过20次训练测试得到97.90%的平均准确率。相比独立运用多重分形特征，该方法获得的分类准确率有明显提高。

• 面向图数据的结构化正则路径查询方法

  邱涛,王屿涵,邓国鹏,孙尧,吕光华,夏秀峰,

  正则路径查询是一种应用正则表达式在图数据上进行查询的技术，通常利用有限状态自动机实现查询匹配。现有正则路径查询方法的匹配结果为顶点对的序列，未能充分保留图的结构，为了解决这一问题，提出了一种面向图数据的结构化正则路径查询方法，通过在不同的序列间加以结构化约束，使得查询结果由路径转变为子图。为了实现这一目的，首先定义了一种结构化的正则路径查询语言，并设计了结构化的查询解析以及基于此结构的匹配算法。实验在模拟数据集和真实数据集上进行了测试与分析，验证了网络规模对查询速度的影响，并设置了对照实验。实验结果表明，提出方法能够在保证满足正则表达式约束的前提下实现结构化查询。

• 基于产业互联网络节点创新要素的链路预测方法

  何建佳,廖耀文,周洋,

  产业互联网络是一种为“智造”赋能的异质跨界合作网络，会促进创新要素在节点间流通，而节点创新要素又会影响合作链路预测结果。针对这一问题，提出一种基于节点创新要素的链路预测方法。首先阐述产业互联网络的概念和特性，分析网络中创新要素的流通方式；然后分别从两个维度测算网络节点的创新要素量；最后综合利用节点局部信息和节点创新要素信息计算节点相似性。在四个产业互联网络数据集的实验结果表明，所提方法与其他方法相比具有更好的预测性能。

• 融合多策略的增强麻雀搜索算法及其应用

  李大海,李鑫,王振东,

  针对麻雀搜索算法（SSA）易陷入局部最优和寻优精度低等问题，提出一种融合多策略的增强麻雀搜索算法（ESSA）。首先，在发现者飞行位置引入莱维飞行和云自适应权重，以扩大算法搜索范围并丰富其种群多样性；其次，通过基于模糊控制的自适应透镜成像策略对当前最优位置进行反向学习，以增强算法跳出局部最优的能力；最后选用CEC2017中的12个函数作为测试集，将ESSA和标准SSA，以及其他四种改进麻雀算法（ISSA、MSSSA、HSSA、SHSSA）进行性能测试。实验结果表明ESSA能够获得更好的搜索性能。将ESSA应用于三维无人机路径规划问题，仿真结果表明ESSA在无人机三维路径寻优上也能获取最优的结果。

• 融合评分上下文和物品相似度的推荐算法

  卢泽伦,古万荣,毛宜军,陈梓明,

  推荐系统中用户的评分往往会受到评分上下文的影响，即用户先前对一些物品的评分会影响其对当前物品评分的客观性。稀疏线性方法在计算物品相似度时将受到上下文影响的用户评分与其他评分同等看待，然而该部分评分并不能客观地反映出物品之间的相似度。针对以上问题，在稀疏线性方法的基础上提出了融合评分上下文和物品相似度的推荐算法，算法分为三个阶段：第一个阶段使用加权评分计算物品最近邻进行特征选择；第二个阶段利用评分误差权重减少算法模型对受到上下文影响的评分的拟合，训练得出物品相似度矩阵；第三个阶段根据用户评分和物品相似度进行评分预测以完成物品推荐。在MovieLens的四个数据集上进行实验，采用平均准确率（MAP）、平均倒数排名（MRR）和归一化折损累计增益（NDCG）指标来评估算法效果。实验结果表明，融合评分上下文将进一步提高物品相似度的准确性，从而提高推荐的性能。

• 逐层Transformer在类别不均衡数据的应用

  杨晶东,李熠伟,江彪,姜泉,韩曼,宋梦歌,

  为解决临床医学量表数据类别不均衡容易对模型产生影响，以及在处理量表数据任务时深度学习框架性能难以媲美传统机器学习方法问题，提出了一种基于级联欠采样的Transformer网络模型（layer by layer Transformer， LLT）。LLT通过级联欠采样方法对多数类数据逐层删减，实现数据类别平衡，降低数据类别不均衡对分类器的影响，并利用注意力机制对输入数据的特征进行相关性评估实现特征选择，细化特征提取能力，改善模型性能。采用类风湿关节炎（RA）数据作为测试样本，实验证明，在不改变样本分布的情况下，提出的级联欠采样方法对少数类别的识别率增加了6.1%，与常用的NEARMISS和ADASYN相比，分别高出1.4%和10.4%；LLT在RA量表数据的准确率和F1-score指标上达到了72.6%和71.5%，AUC值为0.89，mAP值为0.79，性能超过目前RF、XGBoost和GBDT等主流量表数据分类模型。最后对模型过程进行可视化，分析了影响RA的特征，对RA临床诊断具有较好的指导意义。

• 基于熵权的全局记忆LF蚁群聚类算法

  熊伟超,蒋瑜,

  针对LF蚁群聚类算法没有区分数据集属性重要度、算法效率低和聚类效果不稳定的问题，提出一种基于熵权的全局记忆LF算法（weighted global ant colony optimization，WGACO）。该算法首先通过熵权法计算各属性熵权，修改欧氏距离计算公式，以提升聚类精度；使用权重最大的属性值对数据对象进行初始化，增强聚类效果的稳定性；引入全局记忆矩阵减少蚂蚁的无效移动，提升算法效率；加入算法的收敛条件，提升算法实用性。选取UCI数据库中的7个真实数据集和3个人工生成的数据集进行数值实验，并与GMACO、SMACC、ILFACC三种改进LF的算法进行比较，实验结果表明，所提算法在精度、算法效率和稳定性上都有比较好的提升，在处理高维数据上也有较好的表现。最后，WGACO在商场会员用户细分上表现良好，体现了其实用价值。

• 基于GMEC转换算法的Petri网结构控制器综合方法

  郁希,黎良,

  针对含不可控变迁Petri网系统禁止状态控制器设计问题，提出了一种基于矩阵变换和整数线性规划的结构控制器综合方法。该方法的关键是对代表系统合法状态的广义互斥约束（generalized mutual exclusion constraint，GMEC）进行转换。首先，根据Petri网系统的关联矩阵，将库所集分为无关库所集、不可控库所集和补足库所集。其次，通过对非允许GMEC中补足库所的权值和不可控库所的权值进行处理，并运用整数线性规划将非允许GMEC转换为允许GMEC。在允许GMEC的基础上，根据库所不变量原理设计出Petri网系统的结构控制器。最后，以某零件加工系统为例验证了所提方法的泛用性和高效性，为实际智能制造系统的监督控制器设计提供有效参考方案。

• 一种TCN的改进模型及其在短期光伏功率区间预测的应用

  宋绍剑,姜屹远,刘斌,

  为了提高光伏功率预测的精度，提出了一种基于时序卷积网络（temporal convolutional network，TCN）的新型短期光伏功率区间预测模型。首先，采用深度残差收缩网络（deep residual shrinkage network，DRSN）的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力，并削弱冗余特征的不利影响；然后，利用樽海鞘群算法（slap swarm algorithm，SSA）对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优，以克服原TCN感受野不足的问题；接着，采用核密度估计（kernel density estimation，KDE）方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析，获得模型预测输出的区间。最后，通过对比仿真实验得到的结果表明，提出的SSA-DRSN-TCN模型的RMSE平均值为0.27，优于LSTM、GRU、CNN-LSTM和TCN等模型；而且，KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间，验证了所提模型在提高光伏功率预测性能上的有效性。

• 基于PVC-CAE的轴承剩余寿命预测方法

  张远亮,李海浪,

  轴承由于在制造、安装以及工况上的不同，退化过程有很大差异，在轴承的剩余使用寿命预测中，特征的轴承个体差异会直接影响到后续模型的训练难度和预测精度。为了在提取特征时减小轴承的个体差异性，提出了一种并行方差约束卷积自编码（parallel variance constrained convolutional auto-encode，PVC-CAE）的轴承退化特征提取模型。具体方法是在卷积自编码的框架内定义并行方差约束，通过改进卷积自编码的损失函数，搭建出PVC-CAE模型。PVC-CAE模型可以有效地降低同标签特征的轴承个体差异性，提升预测精度。预测流程为：先用PVC-CAE模型在频域信号内提取特征，再用LSTM网络预测。通过PRONOSTIA实验平台所获取的实验数据集以及西安交大轴承数据集对所提方法进行了验证，同时与另外三种方法进行对比，实验结果表明，所提方法在轴承剩余使用寿命预测中取得了较好的结果，并且在不同的工况下具有一定的泛化性。

• 基于图注意力的异构图社交推荐网络

  吴相帅,孙福振,张文龙,张志伟,王绍卿,

  针对现有社交推荐算法忽视了用户潜在关联和项目之间的协作关系，提出了一个新的算法模型GATHGN（GAT based heterogeneous graph neural network），在该模型框架中对用户关联和项目关系统一建模。首先，挖掘用户显式社交关系、潜在关联关系和用户—项目关联关系，从而提取用户社交高阶特征和潜在兴趣高阶特征；而后，基于图注意力机制聚合上述两种高阶特征，逐层更新用户融合特征；最后，依据更新的用户融合特征与项目特征计算最终的推荐结果。在Yelp数据集和Flickr数据集上的实验结果表明，GATHGN的命中率与归一化折损累计增益较基线算法有显著提升。

• 基于层次注意力机制的源代码迁移模型

  李征,徐明瑞,吴永豪,刘勇,陈翔,武淑美,刘恒源,

  针对源代码迁移模型存在的迁移代码语义一致性问题，在词符注意力机制的基础上引入了语句注意力机制，提出了一种基于层次注意力机制的源代码迁移模型HPGN（hierarchical pointer-generator network），设计了状态传递机制。HPGN在迁移过程中，语句注意力机制对齐源代码语句和迁移代码语句的特征，词符注意力机制从对齐的代码语句中提取词符，状态传递机制传递相邻迁移代码语句的特征，从而提升了迁移代码的语义一致性。在真实项目数据集的实验结果表明，HPGN比最佳对比模型提高了3.4个总体分值，同时有着更少的模型参数量。此外，消融实验验证了状态传递机制和HPGN层次架构的有效性。

• 结合特征对齐与实例迁移的跨项目缺陷预测

  李莉,赵鑫,石可欣,苏仁嘉,任振康,

  为解决跨项目缺陷预测中源项目和目标项目分布差异较大的问题，提出了一种基于特征对齐和实例迁移的两阶段缺陷预测方法（FAIT）。首先，在特征对齐阶段，根据边缘概率分布进行特征的边缘分布对齐；然后，基于源项目和目标项目构建条件分布映射矩阵完成条件分布对齐；最后，在实例迁移阶段，通过改进了权重调整策略的TrAdaBoost方法构建跨项目缺陷预测模型。以F1作为评价指标，当目标项目有标签实例比例为20%时，FAIT性能最佳，且两过程特征对齐优于单一过程特征对齐。此外，FAIT的预测性能在AEEEM和NASA数据集上分别提高了10.69%、15.04%。FAIT在一定程度上解决了源项目与目标项目的分布差异，能够取得较好的缺陷预测性能。

• 基于一致性图卷积模型的多模态对话情绪识别

  谭晓聪,郭军军,线岩团,相艳,

  多模态对话情绪识别是一项根据对话中话语的文本、语音、图像模态预测其情绪类别的任务。针对现有研究主要关注话语上下文的多模态特征提取和融合，而没有充分考虑每个说话人情绪特征利用的问题，提出一种基于一致性图卷积网络的多模态对话情绪识别模型。该模型首先构建了多模态特征学习和融合的图卷积网络，获得每条话语的上下文特征；在此基础上，以说话人在完整对话中的平均特征为一致性约束，使模型学习到更合理的话语特征，从而提高预测情绪类别的性能。在两个基准数据集IEMOCAP和MELD上与其他基线模型进行了比较，结果表明所提模型优于其他模型。此外，还通过消融实验验证了一致性约束和模型其他组成部分的有效性。

• 双无线供能IRS辅助的无线通信系统的吞吐量优化研究

  陈健锋,崔苗,张广驰,

  在未来物联网等新型无线网络场景中，需要进行信息和能量同步传输，而且通信环境复杂多变，通信设备维护成本较高。一方面，智能反射面（IRS）能通过对无线信道的智能调控提高无线通信与无线传能的性能，另一方面，通过无线能量传输对IRS进行供能，解决部署IRS时存在的供能不便的问题，降低设备维护成本。研究双无线供能IRS辅助的无线通信系统的吞吐量优化，在该系统中，多天线基站先向IRS无线传输能量，然后在IRS的辅助下向多个单天线用户发送信息。针对基站与IRS之间的信道不受阻和受阻两种情况，分别提出两时隙和三时隙的传输模式，并研究优化它们的吞吐量。具体而言，研究联合优化基站的发射波束成形、IRS的反射波束成形以及各时隙长度，在基站最大发射功率、各用户最小接收速率、各时隙持续时间和IRS反射系数的模一约束下，最大化系统的总吞吐量。由于优化变量高度耦合，难以直接求最优解，提出了基于交替优化、连续凸逼近和半正定松弛的优化算法，以求得优化问题的高质量次优解。仿真结果显示，所提联合优化算法取得了明显高于基准算法的吞吐量性能，并且揭示了两时隙和三时隙传输模式的适用场景。

• 高效快速融合的双LAN太赫兹无线局域网MAC协议

  古金东,任智,陈春宇,刘洋,

  为了使两个独立运行的太赫兹无线局域网能快速完成协调融合以及提升融合后网络的性能，提出一种高效快速融合的双LAN太赫兹无线局域网MAC协议——EFC-MAC（efficient and fast convergence of MAC protocols）。首先，针对现有网桥节点选举机制不完善以及网络协调融合机制存在不足之处的问题，提出了在第一个网间节点进行申请入网时就开始进行网桥节点的选举，并将选举结果在下一超帧的BP时段进行通告的机制，并根据网络是否已经完成了协调融合而决定是否申请CTA以转发heartbeat消息的机制，使网络能高效快速完成融合；然后，针对网间节点申请公共时隙方式不够灵活的问题，提出根据P-CTAP所剩时隙量来动态申请CTA的机制，提升了网络的性能；最后，针对网桥节点切换机制尚不明确的问题，提出了采用一个CAP时段长度完成网桥节点切换的机制。仿真结果表明，所提协议有效提高了网络吞吐量，提升了时隙利用率以及降低了数据传输时延。

• 基于纠错反馈的FCrSK带内频分多址干扰对消算法

  康远鹏,杨超,聂小红,郑霖,

  LoRa技术近年来在低轨卫星通信中得到广泛关注，但仍存在抗多普勒频移能力差和多址容量低的问题。为此，基于具有良好抗快时变衰落的折叠调频斜率键控调制（FCrSK）波形，设计了带内频分多址接入方式。其中每个用户采用不同初始频率信道实现多址接入，且所有用户均共享相同的频带资源。并且分析了该多址方式存在的多址干扰问题，给出了一种基于纠错反馈的带内频分多址干扰对消方法，该技术相较于LoRa体现出更好的多址接入容量和更强的多普勒鲁棒性。

• 基于任务需求匹配的网络连通质量控制方法

  何杏宇,王怡,杨桂松,贾明权,周玥,徐心玥,

  现有多智能体系统网络研究方法缺乏对局部网络质量与区域性任务需求之间的匹配分析，这将影响任务的完成效率和质量，为此提出一种基于任务需求匹配的网络连通质量控制方法。首先，利用智能体移动状态分析系统网络的间歇连通性；然后，结合任务需求以及系统的间歇网络连通性构建基于主从模式的多智能体子网集合，进而从三个方面评估子网集合的连通质量；最后，提出基于网络连通质量控制的多智能体移动优化模型，用最大的子网集合连通质量表示多智能体网络连通质量，在智能体移动距离和网络连通质量的约束下求解任务完成率最大化的多智能体移动策略，通过该策略形成多智能体网络以执行任务。实验结果表明，该方法可以有效控制网络连通质量，维持任务完成率并提高智能体移动效用。

• 基于Tamarin的MQTT协议安全性分析方法

  郑红兵,王焕伟,赵琪,董姝岐,井靖,

  MQTT是物联网中被广泛应用的消息传输协议，其安全性问题备受关注。当前MQTT协议安全性分析主要面向协议实现平台，缺少面向协议标准的安全性测试，导致协议标准本身存在的安全缺陷难以发现。针对该问题，采用协议形式化分析技术，提出了一种基于Tamarin的MQTT协议安全性分析方法。该方法首先面向MQTT协议3.1.1标准，构建了协议状态机，并依据Tamarin语法规则，完成了形式化描述；然后针对保密属性和认证属性，给出了MQTT协议需要满足的安全属性引理描述；最后，基于Dolev-Yao威胁模型在Tamarin中完成了对47种协议安全属性的验证。结果显示有9种保密属性违反和29种认证属性违反，对结果进行攻击测试，验证了该方法对MQTT协议安全性分析的有效性，并提出了一种基于身份重认证的优化改进方案。

• 基于流量切片的DNS隐蔽通道检测

  刘阳洋,阮树骅,曾雪梅,

  针对DNS隐蔽信道（DCC）流量变形策略对现有检测方法的绕过性问题，提出了一种基于流量切片的DCC检测方法。该方法首先将实验环境出口流量基于滑动窗口分批，再基于主机端聚合形成流量切片，每个切片包含一个较短时间跨度中归属同一主机的DNS报文与Web报文，再对切片内DNS报文的数据量、请求行为、响应行为以及与Web报文的关联行为实施面向DCC检测的特征工程，并在此基础上建立DCC检测模型。对比实验表明，所构建的DCC检测模型在常规DCC流量切片集上检测准确性达到99.83%，误报率仅0.08%，在6类不同流量变形策略的变形DCC流量切片集上有平均95%以上的检出能力，远优于其他检测方案，证明了所提出的方法应对DCC流量变形的有效性。同时，该方法能在主机单个流量切片上对DCC通信作出有效检测，是一种具有良好实时性的检测方法。

• 基于动态间隔压缩的鲁棒网络流水印算法

  马香港,李腾耀,刘粉林,冯王昕,杨春芳,

  针对基于间隔质心的流水印缺乏纠错能力且难以抵御多流攻击的问题，提出一种基于动态间隔压缩的鲁棒网络流水印算法。该算法在基于间隔质心流水印基础上利用编解码技术增强其纠错能力，将携带同一水印信息的网络流量采用动态间隔压缩的方式调制为多种模式以抵御多流攻击。同时在检测端对水印进行分层检测，减少检测端计算资源浪费。实验结果表明，当检测阈值设为0.8时，误报率低于5%，且水印检测率可高于原始间隔质心方法10%左右，合并多条水印数据流后也无明显静默间隔。可见该算法具有良好的鲁棒性和隐蔽性，能够有效提高网络流水印的可用性。

• 基于KFCMSA的(k，l)加权社交网络匿名算法

  史伟,王园园,李刚,张兴,

  图数据隐私保护的研究目前主要集中在简单图，适应范围有限。将权重图数据的隐私保护作为研究对象，可以改善权重图发布之后数据的可用性及有效性。针对在利用聚类匿名化方法处理社交网络数据时，需要增删大量的边和节点，造成严重的数据失真的问题进行了研究。提出了（k，l）加权社交网络匿名算法KFCMSA（联合k成员模糊聚类和模拟退火），并利用改进的簇划分算法将权重社交网络聚类成不同的簇，对同一簇中节点的边权重进行泛化，使节点满足l多样性。在实现k度匿名的同时有效减少了边的改变量，提高了数据的可用性，实现最优聚类的同时防止了同质性攻击。聚类质量实验和数据可用性分析表明该算法具有较高的性能优势和较高的边保留率。

• 基于透视网格的自适应窄带表面粒子提取方法

  周志强,吴桐,张严辞,

  为了提升基于粒子的流体表面重建效率，提出了一种基于透视网格的自适应窄带表面粒子提取方法。与基于物体空间的方法相比，该方案根据粒子密度、离散系数等信息自适应提取视锥范围内最靠近视点的表面粒子，使表面粒子数、内存消耗仅与可见的表面区域相关，而不是整个流体表面或模拟域。此外，利用透视网格沿视线排布的优势，提出了基于粒子密度的自适应厚度估计方法。实验结果表明，该方案有效减少了40%～76%的表面粒子和30%～50%的内存开销，解决了表面粒子冗余和空洞问题，并以较低的代价获取了厚度信息。该方案为后续的表面重建和渲染带来了明显的性能提升，可以更好地处理大规模粒子集的重建和渲染。

• 基于对比记忆网络的弱监督视频异常检测

  李文中,吴克伟,孙永宣,焦畅,熊思璇,

  异常检测使用有限的训练集获得区分度高的特征，但是当异常实例与正常实例存在较多相似特征时，模型会因为异常特征参与正常特征编码产生误差。针对上述问题，提出了一种新型的对比记忆网络的弱监督视频异常检测方法。该方法在自动编码器的基础上使用对比学习框架，分离出与实际异常相似的样本特征，并设计记忆网络抑制正常样本内偏向异常的特征表达，提高了重建样本的稳定性。该算法构建了一种两阶段的异常行为检测网络。在阶段一，利用对比学习方法来增加正常行为特征和异常行为特征的差异，并利用该阶段学习到的特征构造记忆网络的增强项与抑制项。在阶段二，将记忆网络增强项设为多时刻正常行为特征，并利用记忆网络的抑制项更新增强项中偏向异常的特征信息，从而区分编码中正常与异常特征。该方法在UCF Crime和ShanghaiTech数据集的平均AUC值达到83.26%和87.53%，相较于现有方法分别提升了1.14%和2.43%。结果显示，该方法能够有效预测异常事件的发生时间。

• 基于先验知识的单视图三维点云重建算法研究

  陈雅丽,李海生,王晓川,李楠,

  单幅图像的三维重建是一个不适定问题，由于图像与三维模型间存在的表示模式差异，通常存在物体自遮挡、低光照、多类对象等情况，针对目前单幅图像三维模型重建中重建模型具有歧义性的问题，提出了一种基于先验信息指导的多几何角度约束的三维点云模型重建方法。首先，通过预训练三维点云自编码器获得先验知识，并最小化输入图像特征向量与点云特征向量的差异，使得输入图像特征分布逼近点云特征分布；然后，利用可微投影模块将图像的三维点云表示形式从不同视角投影到二维平面；最后，通过最小化投影图与数据集中真实投影图的差异，优化初始重建点云。在ShapeNet和Pix3D数据集上与其他方法的定量定性比较结果表明了该方法的有效性。

• 场景关系图学习的群组行为识别

  焦畅,吴克伟,于磊,谢昭,李文中,

  为解决群组行为识别中复杂个体关系描述不准确，造成的个体关系推理不可靠的问题，关注于面向个体、群体、场景三个方面来构建场景关系图，提出场景关系图网络用于实现群组行为识别。该网络包括特征提取模块、场景关系图推理模块以及分类模块。特征提取模块通过卷积神经网络提取个体特征、群组特征、和场景特征。为了充分描述场景对于个体和群组描述的影响，场景关系图推理模块通过使用两分支网络分别建立个体—场景关系图以及群组—场景关系图帮助学习个体特征和群组特征。场景关系图推理同时考虑了个体特征对群组特征的影响，并引入了跨分支关系。分类模块用于将个体特征和群体特征进行分类预测。实验结果显示该方法在volleyball和collective activity数据集上的群组识别准确率分别提升了1.1%和0.5%，证实了提出的场景关系图在描述个体特征和群组特征上的有效性。

• 基于多维注意力融合的驾驶场景分割增强算法

  刘奕晨,章坚武,胡晶,

  针对使用注意力机制的语义分割模型计算资源消耗与精度不平衡的问题，提出一种轻量化的语义分割注意力增强算法。首先，基于驾驶场景中物体的形状特点设计了条状分维注意力机制，使用条形池化代替传统方形卷积，并结合降维操作分维度提取长程语义关联，削减模型计算量。接着融合通道域与空间域上的注意力，形成可叠加与拆解的轻量化多维注意力融合模块，全方位提取特征信息，进一步提升模型精度。最后，将模块插入基于ResNet-101骨干网的编码—解码网络中，指导高低层语义融合，矫正特征图边缘信息，补充预测细节。实验表明，该模块有较强的鲁棒性和泛化能力，与同类型注意力机制相比，削减了约90%的参数量以及80%的计算量，且分割精度依旧取得了稳定的提升。

• 物体显著性排名感知网络用于高效图像检索

  李林峰,陈程立诏,王恒森,

  针对目前图像检索领域主要依靠语义相似性检索图片而忽略了场景中物体重要性关系问题，提出了一种基于场景感知的物体显著性排名算法SASR，使图像检索更关注场景中物体的相互关系。SASR分为两个阶段，在第一阶段，提出了基于视点数据的“组合阈值”物体级显著性排名真值标签标注方法，该方法简化了排名标签的标注；在第二阶段，提出了基于图卷积网络的物体级显著性排序网络，该网络解决了多个在物体级排序问题中存在的特异性难点。该算法改善了目前显著性排名标签生成方式并进行了大量对比实验，在现有SALICON数据集上的实验结果表明，其提升了显著性排名的性能，在NUS-WIDE数据集上的实验结果表明在该算法的支撑下，图像检索性能平均提升了2%，证明了其有效性。

• 融合比例先验和损失感知的目标检测模型的正负样本分配算法

  庄旭君,左华红,韩屏,

  针对目标检测模型在训练过程中正负样本分配时没有考虑真实框的长宽比、对物体不同分布的适应能力差等不足，提出了比例先验和损失感知的分配算法RLA。RLA不改变原有检测模型的结构，首先根据真实框的长宽比选择等比例的中心区域，然后计算锚点综合损失，考虑真实框内物体的实际分布，最后通过动态损失阈值的方式区分正负样本。该算法解决了基于IoU分配时适应性差、难以选出最佳正样本等问题，对偏心物体和长宽比悬殊物体的样本分配更加合理。与已有的样本分配算法对比，该算法在MS COCO数据集上的表现更优，比基线FCOS的AP提升1.66%；在模型结构相同时，比ATSS和PAA算法的AP分别提升了0.76%和0.24%，证明了RLA算法的有效性。