计算机应用研究杂志

计算机应用研究杂志2023年第4期

• 根因分析研究综述

  程燕,王磊,赵晓永,

  作为问题发现和问题解决之间的关键问题与枢纽环节，根因分析目前的研究主要包括基于数据驱动和基于因果驱动两大类方法。鉴于数据驱动方法在缩小根因范围方面具有优势，因而目前根因研究主要聚焦在基于关联规则挖掘、基于启发式搜索、基于机器学习和基于深度学习等数据驱动方法，鲜有从因果知识的角度对根因进行分析，也尚未基于方法维度对根因进行归纳分析研究，缺乏相关研究成果。因此，对近几年根因分析的主要成果进行梳理总结，分析在不同方法维度下根因分析的区别及优势，并提出融合因果知识的根因分析方法，将非对称Shapley值与因果链图相结合以提升根因分析的准确度，最后讨论了现有的研究难点与发展趋势，提出有意义的未来研究方向。

• 表面缺陷检测的机器视觉技术研究进展

  程锦锋,方贵盛,高惠芳,

  物体表面缺陷检测技术是工业质检领域的一项重大课题，对工业生产有着重要的意义。针对近些年基于机器视觉的表面缺陷检测技术进行梳理总结。首先，列举了几种缺陷检测在工业领域的应用场景；其次从特征提取和分类算法的角度简要阐述了传统的机器视觉方法；重点探讨了缺陷检测中常用的经典神经网络结构和缺陷检测算法的最新发展，并介绍了两种常用的缺陷检测算法优化方式；最后，分析了缺陷检测领域面临的三大挑战：实时性问题、小样本问题和小目标问题，目的是为工业表面缺陷检测的研究提供有益的参考和脉络梳理。

• 无线传感器网络节点重部署研究进展

  王明华,黄畅,王彦,杨金涛,

  传感器节点随机部署导致的分布不均匀往往会使无线传感器网络的感测区域产生覆盖空洞或冗余覆盖，严重影响网络性能，因此需要重部署对网络拓扑进行修复。总结和分析近年来重部署相关的主要研究方向和成果。首先回顾了三种基础的节点感测模型；再从研究问题、策略设计优化目标和分类方法等三个方面对节点的重部署进行了全面的梳理；然后着重针对典型的传感器节点和Sink节点的重部署策略进行分类解释和比较分析；最后讨论强化学习框架下的节点重部署策略和安全监测需求下无线传感器网络迁移部署，并指出重部署策略的应用前景与发展趋势以及未来的优化方向。

• 基于子问题渐进式推理的3D视觉问答

  李长健,杨昱威,肖枭,雷印杰,

  3D视觉问答可以帮助人们理解空间信息，在幼儿教育等方面具有广阔的应用前景。3D场景信息复杂，现有方法大多直接进行回答，面对复杂问题时容易忽视上下文细节，从而导致性能下降。针对该问题，提出了一种基于子问题渐进式推理的3D视觉问答方法，通过文本分析为复杂的原始问题构建多个简单的子问题。模型在回答子问题的过程中学习上下文信息，帮助理解复杂问题的含义，最终利用积累的联合信息得出原始问题的答案。子问题与原始问题呈现渐近式推理关系，使得模型具有明确的错误解释性和可追溯性。在现有3D数据集ScanQA上进行的实验表明，所提方法在EM@10和CIDEr两个指标上分别达到了51.49%和61.68%，均超过了现有的其他3D视觉问答方法，证实了该方法的有效性。

• 一种室内动态场景下RGB-D SLAM的前端优化方法

  李泳,刘宏杰,周永录,余映,

  针对动态物体会导致位姿估计误差过大的问题，提出一种适用于动态场景下的RGB-D SLAM算法。首先，将目标检测的结果根据物体是否具有自主移动能力划分为动态物体与潜在动态物体，并使用大津法在对应的深度图中完成检测框内区域的前、背景分割；然后，结合检测框的位置坐标与深度信息确定潜在动态物体与动态物体在三维空间内是否关联，初步筛选出具有一定运动概率的潜在动态物体；最后，通过运动一致性检测算法来最终确定是否将潜在动态物体作为动态物体处理。实验部分选用公开的TUM数据集，结果表明，该算法在保持实时性的同时具有较高的定位精度和鲁棒性。

• 考虑乘客信任程度的营运车辆合乘线路规划

  王志建,郭健,张强,

  车辆合乘是解决交通拥堵的有效方法，然而乘客对车辆合乘行为缺乏信任是影响合乘发展的难题。针对这一问题，通过引入信任度权重和用户偏好来衡量合乘的信任水平，以车辆的总行驶距离最短以及总信任度值最高为目标函数，同时考虑了车辆搭载容量约束、车辆行驶距离约束、乘客需求响应约束以及车辆站点服务约束，构建了考虑乘客信任程度的合乘模型，然后针对该模型采用改进的遗传算法进行求解。最后采用北京市新发地周边地区的营运车辆数据进行算法验证。结果表明，该模型能够在有效减少车辆总行驶距离的同时保障较高的乘客合乘信任水平，相较于仅考虑距离优化的模型，距离成本增加了14.8%，信任水平提升了3.3倍。通过对优化结果的对比分析，验证了模型和算法的有效性。

• 封闭园区内无人驾驶洗扫车路径规划及控制

  叶明,周俊充,郑毅,卢祥伟,刘永刚,

  为实现封闭园区自动洗扫车的无人驾驶功能，设计了一种基于封闭园区场景的路径规划与控制算法。采用改进的A-Star算法并融合三阶贝塞尔曲线构建全局路径规划层；基于状态空间采样设计局部路径规划层，考虑洗扫车转向约束、安全碰撞距离、道路边界距离等约束设计代价函数得到最优局部路径；使用Pure-Pursuit跟踪算法对局部路径规划层输出的最优路径进行追踪；搭建Simulink-ROS联仿平台，在Simulink中编写规划控制算法并编译植入到ROS平台下进行仿真验证；最后采用MDC300F车载计算机对算法进行多工况实车实验。结果表明，该规划控制算法能够控制自动环卫洗扫车在多工况场景下完成跟车、避障、会车等无人驾驶功能。

• 一种新的基于隐喻地图的RPA路径规划算法

  李超群,黄晓芳,周祖宏,廖敏,

  智能化地制定机器人流程自动化（robotic process automation，RPA）执行路径有利于企业节约相关人力成本以及提高RPA的推广，提出基于改进深度双Q网络（double deep Q-learning algorithms，DDQN）算法进行RPA路径规划。首先针对存在RPA的作业环境即Web页面，不满足深度增强算法的探索条件的问题，借助隐喻地图的思想，通过构建虚拟环境来满足路径规划实验要求。同时为了提高DDQN算法探索效率，提出利用样本之间的位置信息的杰卡德系数，将其作为样本优先度结合基于排名的优先级（rank-based prioritization）构建新的采样方式。通过随机采用任务样本在虚拟环境上进行验证，证明其符合实验要求。进一步比较改进DDQN、深度Q网络（deep Q network，DQN）、DDQN、PPO以及SAC-Discrete算法的实验结果，结果显示改进算法的迭代次数更少、收敛速度更快以及回报值更高，验证了改进DDQN的有效性和可行性。

• 一种新的基于多样性赋权证据推理的集成学习方法

  汤凯,李康乐,孙国文,李红宇,张昳哲,贺维,

  在集成学习中使用平均法、投票法作为结合策略无法充分利用基分类器的有效信息，且根据波动性设置基分类器的权重不精确、不恰当。以上问题会降低集成学习的效果，为了进一步提高集成学习的性能，提出将证据推理（evidence reasoning，ER）规则作为结合策略，并使用多样性赋权法设置基分类器的权重。首先，由多个深度学习模型作为基分类器、ER规则作为结合策略，构建集成学习的基本结构；然后，通过多样性度量方法计算每个基分类器相对于其他基分类器的差异性；最后，将差异性归一化实现基分类器的权重设置。通过多个图像数据集的分类实验，结果表明提出的方法较实验选取的其他方法准确率更高且更稳定，证明了该方法可以充分利用基分类器的有效信息，且多样性赋权法更精确。

• 基于数据增强和相似伪标签的半监督文本分类算法

  盛晓辉,沈海龙,

  为了减少对有标记数据的依赖，充分利用大量无标记数据，提出了一个基于数据增强和相似伪标签的半监督文本分类算法（semi-supervised text classification algorithm with data augmentation and similar pseudo-labels，STAP）。该算法利用EPiDA（easy plug-in data augmentation）框架和自训练对少量有标记数据进行扩充，采用一致性训练和相似伪标签考虑无标记数据及其增强样本之间的关系和高置信度的相似无标记数据之间的关系，在有监督交叉熵损失、无监督一致性损失和无监督配对损失的约束下，提高无标记数据的质量。在四个文本分类数据集上进行实验，与其他经典的文本分类算法相比，STAP算法有明显的改进效果。

• 鲁棒自适应对称非负矩阵分解聚类算法

  高海燕,刘万金,黄恒君,

  对称非负矩阵分解SNMF作为一种基于图的聚类算法，能够更自然地捕获图表示中嵌入的聚类结构，并且在线性和非线性流形上获得更好的聚类结果，但对变量的初始化比较敏感。另外，标准的SNMF算法利用误差平方和来衡量分解的质量，对噪声和异常值敏感。为了解决这些问题，在集成学习视角下，提出一种鲁棒自适应对称非负矩阵分解聚类算法RS3NMF（robust self-adaptived symmetric nonnegative matrix factorization）。基于L2，1范数的RS3NMF模型缓解了噪声和异常值的影响，保持了特征旋转不变性，提高了模型的鲁棒性。同时，在不借助任何附加信息的前提下，利用SNMF对初始化特征的敏感性来逐步增强聚类性能。采用交替迭代方法优化，并保证目标函数值的收敛性。大量实验结果表明，所提RS3NMF算法优于其他先进的算法，具有较强的鲁棒性。

• 基于改进距离和相似度的区间值概率不确定语言决策方法

  侯琼,倪静,

  针对属性值为区间值概率不确定语言术语集（interval-valued probabilistic uncertain linguistic term set，IVPULTS）、专家权重未知的多属性群决策问题，提出一种融合距离和相似度的决策方法。首先，由于现有的IVPULTS中元素的无序性导致距离测度及决策结果不唯一，利用区间优势度方法对区间值概率进行排序，从而形成有序的IVPULTS；同时考虑到现有距离测度区分能力不高，利用不确定语言距离度量方法扩充现有距离公式。其次，基于距离与相似测度存在的对偶关系，为IVPULTS定义了距离相似度公式，并利用改进的相似—信任网络分析法确定不同专家的权重。再次，设计了基于改进距离和相似—信任网络的TOPSIS决策方法（improved distance and similarity-trust network TOPSIS，IDSTN-TOPSIS），从而得到唯一且稳定的方案排序。最后，以新冠疫情下某医疗用品制造公司熔喷布弹性供应商选择为例，验证了所提方法的有效性和优越性。

• 融合画像和文本信息的轻量级关系图注意推荐模型

  刘超,朱波,

  针对当前基于图神经网络的推荐系统受数据稀疏影响推荐效率不高的问题，提出融合画像和文本信息的轻量级关系图注意推荐模型（LightRGAN）。首先，利用用户画像和项目画像初始化用户和项目的嵌入表示。其次，引入评论、项目描述和项目类型作为辅助信息，并通过基于多头注意力机制的文本嵌入网络挖掘同一用户评论集和描述集中文本之间的潜在联系。然后，通过融合注意力机制的轻量级关系图卷积网络学习用户和项目的嵌入表示。最后，对各层嵌入表示加权求和并通过预测网络计算匹配分数。在三个公开数据集上的实验结果表明LightRGAN的效果优于多个现有的基线模型，评估指标HR@20、NDCG@20较最优基线模型最少提升了2.58%、2.37%。

• 基于多视图知识表示和神经网络的旅游领域实体对齐方法

  刘璐,飞龙,高光来,

  针对目前旅游领域实体对齐任务中的长尾实体过多和现有知识以及标注数据稀缺的问题，提出一种基于多视图知识表示和神经网络相结合的实体对齐方法。采用预训练模型完成多视图的知识表示学习，获得了实体的结构嵌入、关系嵌入和描述信息嵌入，然后利用卷积神经网络对结合了三种视图嵌入的实体综合嵌入进行相似度计算。实验精准率达到91.4%、召回率达到87.9%、综合指标F1值达到89.6%。结果表明，该方法有效地完成了旅游领域的实体对齐任务。

• 民航领域突发事件的实体链接方法

  冯兴杰,彭洲,张成豪,冯小荣,

  实体链接的相关研究主要集中于医疗、生物和新闻领域，但在民航领域的研究较少。因此针对民航领域实体链接任务进行了研究，发现在实体链接中存在实体变体多、歧义少等问题。为解决上述问题，提出了一种基于语义推断的实体链接框架以及一种用于增强框架鲁棒性的负采样策略。在民航领域数据集上进行了对比实验，结果表明所提框架链接效果优于现有基准框架，并通过消融实验，验证了负采样策略的有效性。在负采样策略的作用下，该实体链接框架的Acc@top1高达0.875。

• 区分交互意图的图卷积协同过滤算法

  郑特驹,刘向阳,

  近几年提出了一些基于图卷积网络的协同过滤推荐模型，然而大部分模型将邻域权重视为常量且不区分用户和物品间的交互关系，无法获取令用户满意的推荐列表。因此，为了得到用户和物品更准确的嵌入表示，提出一种区分交互意图的图卷积协同过滤推荐算法MiGCCF（multi-intention graph convolutional collaborative filtering）。该算法将交互关系进行分解，细粒度分析用户与物品间的交互意图，并引入注意力机制，在消息传播过程中赋予邻域可学习的注意力权重，挖掘用户对于不同交互物品的喜爱度。在Gowalla与Amazon-book上的实验表明，该算法相比于基准算法，在两个数据集上的HR@50和NDCG@50指标分别提高了12.5%和8.5%，具有更好的性能表现。

• 基于三支决策的KNN渐进式文本分类方法

  马新宇,黄春梅,姜春茂,

  在传统的文本分类中，KNN算法以其简单、分类准确率高、非参数得到了广泛的应用。但是传统KNN算法在进行文本分类的过程中，需要计算待分类文本与每一个训练样本的相似度，当面对海量的文本时，分类的效果会明显降低。针对此问题，提出了一种基于三支决策的KNN渐进式文本分类方法用于提高其分类效率，结合三支决策在分类问题中的优势，将三支决策与KNN算法相结合，对标题、摘要、关键词等进行渐进式的分类处理，从而完成待分类文本的分类，提高文本分类的效率和性能。实验表明，该算法能够在确保KNN算法分类准确率的基础上，同时提高分类效率。

• F-TCKT:融合遗忘因素的深度时序卷积知识追踪模型

  张鹏,文磊,

  智慧教育中，对学生的知识水平进行追踪是很重要的技术之一。传统的深度知识追踪方法的主要关注点集中在循环神经网络（recurrent neural network，RNN）上，但RNN存在梯度消失或者梯度爆炸的问题，并且很多知识追踪方法没有考虑到学习过程中遗忘行为对结果的影响。针对以上问题，为了准确地预测学生的知识水平，提出了一种融合遗忘因素的深度时序卷积知识追踪模型（temporal convolutional knowledge tracking with forgetting，F-TCKT）。该模型引入了三个影响学生遗忘行为的因素，包括学习相同知识点的时间间隔、学习的时间间隔和同一知识点的学习次数。首先利用全连接网络计算得到表示学生遗忘程度的向量并与学生的答题记录进行拼接，然后使用梯度稳定的时间卷积网络（temporal convolutional network，TCN）和注意力机制预测学生下一次答题正误的概率。经实验验证，与传统方法相比，F-TCKT具有更好的预测性能。

• 反向人工蜂群算法求解混合流水车间调度问题

  可晓东,陶翼飞,罗俊斌,宋君乐,丁小鹏,

  针对以最小化最大完工时间为优化目标的混合流水车间调度问题，提出一种融合反向学习策略的反向人工蜂群算法求解该问题。首先，根据混合流水车间调度问题的特点，建立了对应的数学模型和仿真优化模型；其次，在寻优过程中为了避免陷入局部最优，分别在种群初始化、雇佣蜂和观察蜂三个阶段引入了反向学习策略，采用两点间逆序策略和元素交换策略加快寻优速度，并采用精英保优策略保留最优解；最后，选取2个实例和21个不同规模的benchmark算例进行仿真实验，通过与相关算法的实验结果进行对比分析，验证了所提算法能有效求解此类问题。

• 多任务实时声音事件检测卷积模型与复合数据扩增

  刘臣,倪仁倢,周立欣,

  现有的声音事件检测研究多为对离线音频进行分析，且模型参数量较多、计算效率低，不适用于实时检测。提出一种面向多任务实时声音事件检测的轻量化卷积神经网络模型，它将唤醒与检测任务整合成多任务学习框架，此外模型的卷积结构联合了稠密连接、Ghost模组与SE注意力机制；另外还提出了一种复合数据扩增方法，将音频变换、随机裁剪与频谱掩蔽相结合。实验结果显示，该模型在ESC-10和Urbansound8K数据集上的平均预测准确率高于当前新型的基线模型2%以上，同时模型的参数和内存更少。研究表明，多任务学习的方式节省了计算量，又因为卷积结构复用了中间层特征，模型可以快速地反馈检测结果。另外，复合数据方法相比传统方法使模型获得了更好的性能和鲁棒性。

• 基于知识量加权的直觉模糊均值聚类方法

  郭凯红,吴峥,李冬,

  针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题，提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量，据此实现数据集特征加权，再利用核空间密度与核距离初始化聚类中心，以提高高维特征数据集的计算精度与聚类效率，最后基于类间样本距离与最小知识量原理建立聚类优化模型，得到最优迭代算法。基于UCI人工数据集的实验结果表明，所提方法较大程度地提高了聚类的准确性与迭代效率，分类正确率及执行效率分别平均提高了10.63%和31.75%，且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果，为该理论在其他相关领域的潜在应用开创了新例。

• 基于图注意力的高阶网络节点分类方法

  陈东洋,郭进利,

  为了更好地学习网络中的高阶信息和异质信息，基于单纯复形提出单纯复形—异质图注意力神经网络方法—SC-HGANN。首先，用单纯复形提取网络高阶结构，将单纯复形转换为单纯复形矩阵；其次，使用注意力机制从特征单纯复形中得到异质节点的特征；再次，对同质和异质单纯复形矩阵进行卷积操作后，得到同质特征与异质特征，通过注意力算子进行特征融合；最后，得到目标节点的特征并将其输入到节点分类模块完成分类。与GCN、HGNN、HAN等基线方法相比，提出的方法在三个数据集上的macro-F1、micro-F1、precision和recall均有所提升。表明该方法能有效地学习网络中的高阶信息和异质信息，并能提升网络节点分类的准确率。

• 基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

  张杰,马菲菲,郑禾丹,刘志中,

  近年来，国内外学者针对基于预测的动态多目标优化算法开展了深入研究，并提出了一系列有效的算法，然而已有的研究工作通常采用单一的预测策略，使得算法不能有效地应对剧烈的环境变化。针对上述问题，提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地，当环境发生变化时，该方法首先基于代表性个体预测策略生成一部分群体；其次，基于拐点预测策略生成一部分新群体，特别地，为了提高种群的多样性，根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体；为了提高问题的求解效率，对社会学习优化算法进行了改进，为每个进化空间设计了适用于动态多目标优化问题的算子；最后，将混合预测策略与改进的社会学习优化算法结合，构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集，与四种代表性算法进行了性能对比；并以反向世代距离（inverted generational distance，IGD）对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。

• 基于高斯分布建模的序列推荐算法

  欧道源,梁京章,吴丽娟,

  目前大多数序列推荐系统（SRS）都假设需要预测的下一项与用户的上一项输入有关，然而真实场景中，用户可能会在浏览过程中误点击与自身兴趣偏好不一致的项目（不可靠实例）。针对此问题，提出了一种基于高斯分布建模的序列推荐算法。该算法首先通过一个含有多头自注意力的不确定性感知图集合网络（uncertainty-aware graph ensemble network ，UAN），通过降低输入项的不确定性来提取输入的序列模式；其次将提取的输入序列模式建模为一个高斯分布，得到序列信息中的动态用户偏好以及偏好的不确定性；再将传统的推荐目标函数拓展为一个采样损失函数和一个不确定性正则化器，赋予每个训练实例适当的不确定性；最后将高损失且低不确定性的不可靠实例去除，增强序列推荐的准确性。该算法在三个公开的数据集Book-Crossing、MovieLens-1M和Steam上进行实验测试，结果表明，该算法相对于效果较好的基线取得了5.3%左右的提升，得到了更优的序列推荐结果，并能通过有效降低输入序列信息的不确定性，从而提升推荐准确率。

• 线性编码联邦学习

  史洪玮,王志超,施连敏,杨迎尧,

  联邦学习能够在边缘设备的协作训练中，保护边缘设备的数据隐私。而在通用联邦学习场景中，联邦学习的参与者通常由异构边缘设备构成，其中资源受限的设备会占用更长的时间，导致联邦学习系统的训练速度下降。现有方案或忽略掉队者，或根据分布式思想将计算任务进行分发，但是分发过程中涉及到原始数据的传递，无法保证数据隐私。为了缓解中小型规模的多异构设备协作训练场景下的掉队者问题，提出了编码联邦学习方案，结合线性编码的数学特性设计了高效调度算法，在确保数据隐私的同时，加速异构系统中联邦学习系统速度。同时，在实际实验平台中完成的实验结果表明，当异构设备之间性能差异较大时，编码联邦学习方案能将掉队者训练时间缩短92.85%。

• 基于自适应图正则化与联合低秩矩阵分解的数字文化遗产多标签众包答案聚合方法

  王春雪,徐琳琳,俞天秀,

  多标签答案聚合问题是通过融合众包收集的大量非专家标注来估计样本的真实标签，由于数字文化遗产数据具有标注成本高、样本类别多、分布不均衡等特点，给数据集多标签答案聚合问题带来了极大挑战。以往的方法主要集中在单标签任务，忽视了多标签任务的标签关联性；大部分多标签聚合方法虽然在一定程度上考虑了标签相关性，但是很敏感地受噪声和离群值的影响。为解决这些问题，提出一种基于自适应图正则化与联合低秩矩阵分解的多标签答案聚合方法AGR-JMF。首先，将标注矩阵分解成纯净标注和噪声标注两部分；对纯净标注采用自适应图正则化方法构建标签间的关联矩阵；最后，利用标注质量、标签关联性、标注人员行为属性相似性等信息指导低秩矩阵分解，以实现多标签答案的聚合。真实数据集和莫高窟壁画数据集上的实验表明，AGR-JMF相较于现有算法在聚合准确率、识别欺诈者等方面具有明显优势。

• 保留低阶和高阶关系的图表示深度学习集成算法

  欧阳勐涔,张应龙,夏学文,徐星,

  高质量学习图中节点的低维表示是当前的一个研究热点。现有浅模型的方法无法捕捉图结构的非线性关系，图神经网络技术中的图卷积模型会产生过平滑问题。同时，如何确定不同跳数关系在图表示学习中的作用亦是研究中尚需解决的问题。以解决上述问题为目的，提出一个基于T（T>1）个前馈神经网络的深度学习模型，该框架利用深度模型抽取图结构的非线性关系，T个子模型有效地捕获图的局部和全局（高阶）关系信息，并且它们在最终的向量表示中赋予了不同的作用、从而发挥不同跳数关系的优势。在顶点分类和链接预测任务中的实验结果表明，该框架比现有方法具有竞争力，对比基准算法可以获得20%左右的提升。

• 三值光学计算机模拟器的设计与实现

  王哲河,沈云付,李双,张红红,江家宝,王春腾,

  三值光学计算机（ternary optical computer，TOC）作为一种新体系结构的计算机，具有处理器位数众多且易扩展、位功能可重构、位可分组使用等特点，在海量或复杂数据的快速处理方面有很大潜力，但它的应用开发探索尚处于初期。为了扩展其应用范围，提出了一种基于三值光学计算机体系架构的模拟器TOCSim设计方案。该方案通过软件形式模拟TOC的运行过程，并在普通PC机上实现其雏形。TOCSim主要模拟TOC处理器的重构策略、处理器位的分配策略、中间结果解码以及运算效果模拟等过程。通过本模拟器的模拟效果图与TOC原型机上的运行结果光图进行对比，表明该模拟器的设计方案是正确的、可行的。

• 一种应对COVID-19疫情的社会接触自动检测方法

  沈颂,沈国峰,

  由于新冠病毒的高传染性，及早发现患者的密切接触者对于遏制疫情爆发至关重要。而受限于技术发展的水平，目前关于接触检测的方法和研究均需人工参与。提出了一种面向未来的自动化方法，利用加载在感知设备上的移动智能体和边缘协调器在街道上组成多智能体系统，基于对感染者的感知、跟踪和边缘计算，实现了感染者与行人之间的接触概率估算。系列仿真给出了应用部署中的参数比较。仿真结果表明，提出的街道征用模式及边缘计算算法可以进一步改善检测率。

• 基于图神经网络的程序脆弱性指数评估方法

  黄甦雷,马骏驰,段宗涛,

  软错误会导致隐性偏差，严重影响计算机系统的可靠性。计算程序脆弱性指数是防护隐性偏差的先决条件。针对传统方法中程序语义提取不足，无法全面反映错误传播机理的问题，提出了一种基于图注意力网络的程序脆弱性指数评估方法EpicGNN。将脆弱性指数预测的任务转换为图神经网络的图回归任务，应用不同类型的边来表示不同的指令关系；引入结构化多头自注意力机制量化节点间、节点到图在错误传播中的重要程度；依据该重要性聚合节点信息、图信息形成图的表示向量，并利用回归模型预测脆弱性指数。实验结果表明，EpicGNN在spec2000、spec2006、rodinia等数据集上的平均绝对误差相比现有模型减少了0.037~0.258，对未见过的图仍然有良好的泛化性能。

• MySQL缓冲区自适应管理仿真研究

  王楠,吴云,

  由于MySQL使用配置参数的方式调节线性预读的阈值以及冷热LRU算法的冷热比例，导致缓冲区存在性能瓶颈。针对以上问题，提出一种缓冲区自适应管理的方法，该方法通过遗憾最小化的强化在线学习技术设计了自适应阈值调整算法以及自适应冷热缓存替换算法。首先，对MySQL中的预读算法以及冷热缓存替换算法进行深入研究，明确了预读阈值以及冷热比例大小对两种算法的具体影响；其次，通过FIFO历史队列以及增加辅助字段的方式，设计了一套参数评估流程，实时评估当前参数是偏大或偏小；最后，设计了一种参数调整模型，该模型利用MySQL原生的预读算法以及缓存替换算法的性能监控指标，实现对参数的合理调整。在FIU数据集上进行了900组仿真实验，实验表明，相较于MySQL原生的基准预读算法以及冷热缓存算法，自适应后的两种算法能够在基本不牺牲算法运行速度的基础上，有效减少8%的磁盘I/O以及增加24%的缓存命中率；相对于最新的缓存替换算法，自适应后的冷热缓存替换算法在保证缓存命中率的前提下，将速度提升至1.6倍。

• 基于节点偏序关系的路由可用性框架研究

  胡睿乾,耿海军,宋艳涛,

  为了维护路由可用性，需要采取一定的路由保护策略来防止网络故障可能对网络造成的影响。因此，提出了一种基于节点偏序关系的路由可用性框架，该框架首先利用节点之间的偏序关系构造有向无环图，然后根据构造的有向无环图为每个节点计算备份下一跳节点。在此框架基础上，根据节点之间的偏序关系提出了四种路由保护方法。实验结果表明，四种路由保护算法都拥有较高的故障保护率，能有效降低故障造成的网络中断，在真实拓扑中故障保护率可以到达89.76%，在模拟拓扑中故障保护率达到98.995%，几乎接近100%。

• 压缩感知算法在阵列测向中的相干信号分辨

  任东升,侯进,党辉,游玺,杨鹏熙,杜茂生,

  现有算法在进行信号重建时，需要原始信号的稀疏信息来控制初始原子集的大小和算法迭代的最大次数，这削弱了重建精度，增加了计算复杂度，限制了其实际应用能力。为了克服这个问题，提出了基于正交匹配追踪算法的改进算法。该算法将阵元个数作为假设稀疏度，在稀疏度未知的初始阶段扩展初始原子集。最后通过对测量信号的幅度进行阈值过滤以实现信号的分辨和信源数的估计。为解决测向人员面对监测软件所指示的多个信号示向度中，无法分辨哪些指示方向是同一个信号源所产生的折反射信号的问题，首次提出了基于压缩感知算法的相干关系分析和相干信号分辨的模型。实测数据结果表明，该算法在不同环境下可以清晰分辨相干信号，并且能够适应多种实验平台。

• 移动群智感知中基于联邦学习的参与者选择机制

  张宇,江海峰,杨浩文,肖硕,

  移动群智感知的发展使得一些任务收集的数据量过大，需要在不接收参与者原始数据的情况下评估数据质量并进行参与者选择。针对这一问题，提出一种基于联邦学习的移动群智感知参与者选择机制。考虑参与者智能终端资源水平、所处交互状态构建参与者智能终端资源评价机制，提出基于线性回归和长短期记忆网络的智能终端资源预测模型。通过预训练测试模型，评估参与者提供的数据质量，结合历史任务完成情况建立参与者信誉评价模型，实现对参与者的动态评价选择。仿真实验结果表明，所提的参与者选择机制在任务完成质量、能量消耗、通信轮数及任务完成时间等多方面体现出较好的性能。

• 边缘计算中拥塞感知的接入网络与副本联合选择策略

  田荣倜,胡志刚,

  针对边缘计算中服务副本选择过程中多用户资源争用导致的服务质量降低的难题，提出了一种网络接入点选择和服务副本选择联合优化方法。首先，依据用户所在位置，贪心地为每条用户请求选择合适的网络接入点，以避免大量用户同时选择同一个基站而造成网络拥塞。其次，网络中存在多个服务副本，在服务副本选择阶段，依据每个副本的负载以及用户的移动路径，基于改进的免疫遗传算法为每条用户请求选择合适的服务副本，以期提高整个系统的运行效率。仿真实验结果表明，相比于已有方案，该策略能有效提高用户服务质量。

• 基于DP-HAFS算法的移动边缘计算卸载策略

  王亭惠,陈桂芬,

  针对移动边缘计算的计算资源有限、系统处理任务总开销过高的问题，提出一种基于动态感知—混合人工鱼群（DP-HAFS）算法的卸载策略。首先，构建本地—边缘—云端三层网络架构，采用基于细粒度的部分卸载模式；然后，针对一个终端设备被多个基站覆盖的场景，提出基站选择策略进行最优基站的选择；最后，采用DP-HAFS算法对卸载决策进行动态修正，得到最优卸载策略。仿真结果表明，所提卸载策略在任务数量较多的场景下能有效降低系统总开销。

• 基于安全协议代码的形式化辅助建模研究

  葛艺,黄文超,熊焰,

  随着安全协议形式化分析技术的不断发展，利用工具自动验证虽已得到实现，但建模环节仍需依赖专业人员手工建模，难度大且成本高，限制了此技术的进一步推广。为了提高建模的自动化程度，提出了依据安全协议代码进行形式化模型辅助生成的方案。首先，使用污点分析获取协议的通信流程，并且记录密码学原语操作；然后，根据通信流程之间的序列关系构建协议通信状态机；最终，根据目前主流的安全协议形式化分析工具Tamarin的模型语法生成形式化模型。实验结果表明，此方案可以生成形式化模型中的关键部分，提高了形式化建模的自动化程度，为形式化分析技术的推广作出贡献。

• 基于内生安全体系结构的蜜罐技术研究

  原浩宇,郭军利,许明洋,

  为增强蜜罐对未知漏洞、未知后门、未知攻击的防范能力，提高蜜罐的动态性、数据搜集能力、诱捕能力和溯源能力，基于内生安全体系结构，将其与蜜罐技术紧密结合，提出了一种能够主动防御兼诱捕的内生安全蜜罐模型。该模型利用内生安全动态、异构、冗余的特性解决蜜罐的安全性问题，利用内生安全特有的感知能力提高蜜罐的诱捕性和溯源性。最终理论分析和实验结果也表明，内生安全蜜罐在安全性、诱捕能力和溯源能力上都有明显提升。

• 基于分组卷积和快照集成的图像隐写分析方法

  赵昊天,钮可,邱枫,潘晓中,

  现存的大多数隐写分析方法的泛化能力较弱，无法对未知隐写算法有效检测，使得其分类的准确性在实际运用过程中大幅度降低。针对这个问题，提出了一种基于分组卷积和快照集成的图像隐写分析方法（snapshot ensembling steganalysis network，SENet）。首先，残差卷积块和分组卷积块对图像的特征进行提取并利用；其次，在每个训练周期中得到性能最好的模型作为快照模型；最后将选定的快照模型进行集成后对图像进行分类。该方法应用分组卷积和快照集成的技术，避免了传统集成方法的高训练成本以及单一分类器泛化能力有限的问题。实验结果表明，该方法可以提升隐写分析模型的准确率，并且在训练集和测试集失配时，也能够有效地进行分类，具有较高的模型泛化能力。

• 可证明安全的后量子两方口令认证密钥协商协议

  倪亮,张亚伟,王念平,周恒昇,刘笑颜,谷兵珂,

  口令认证密钥协商可以在客户机和服务器之间建立安全的远程通信，且可以将一个低熵口令放大为一个高熵的会话密钥。然而，随着量子计算技术的快速发展，基于大数分解和离散对数等经典数学难题的PAKA协议面临着严峻的安全挑战。因此，为了构建一个高效安全的后量子PAKA协议，依据改进的Bellare-Pointcheval-Rogaway（BPR）模型，提出了一个基于格的匿名两方PAKA协议，并且使用给出严格的形式化安全证明。性能分析结果表明，该方案与相关的PAKA协议相比，在安全性和执行效率等方面有一定优势，更适用于资源受限的物联网（Internet of Things，IoT）智能移动设备。

• 无证书的多变量盲签密方案

  俞惠芳,刘悦,

  盲签密能保障消息的不可见性和不可追踪性，能应用于电子现金、电子选举和智能卡等领域。随着量子算法发展，传统盲签密的安全性面临严重威胁。为了解决此问题，提出无证书的多变量盲签密方案（CLMBSCS）。CL-MBSCS具备有效抗量子计算的特性，消除了密钥的托管和证书的管理。签名部分使用改进的多变量签名模型，分离公钥和私钥分以便隐藏待签名消息，从而提高了其安全性。CL-MBSCS的安全性强、计算效率高且应用前景广阔。

• 基于支持对挖掘的主动学习行人再识别

  金大鹏,李旻先,

  基于监督学习的行人再识别方法需要大量人工标注的数据，对于实际应用并不适用。为了降低大规模行人再识别的标注成本，提出了一种基于支持对挖掘主动学习（support pair active learning，SPAL）的行人再识别方法。具体地，建立了一种无监督主动学习框架，在该框架中设计了一种双重不确定性选择策略迭代地挖掘支持样本对并提供给标注者标注；其次引入了一种约束聚类算法，将有标签的支持样本对的关系传播到其他无标签的样本中；最后提出了一种由无监督对比损失和监督支持样本对损失组成的混合学习策略来学习具有判别性的特征表示。在大规模行人再识别数据集MSMT17上，该方法相比于当前最先进的方法，标注成本降低了64.0%，同时mAP和rank1分别提升了11.0%和14.9%。大量实验结果表明，该方法有效地降低了标注成本并且优于目前最先进的无监督主动学习行人再识别方法。

• 利用局部监督的跨模态行人重识别研究

  江锴威,王进,张琳钰,芦欣,刘国庆,

  跨模态行人重识别技术旨在从非重叠视域不同模态的摄像头捕获的行人图像中，识别出特定行人，行人图像间存在巨大的跨模态差异以及模态内部差异，导致识别率不高。为此，提出了一种利用局部监督的跨模态行人重识别方法（LSN）。首先将可见光图像转换成与红外图像更为接近的灰度图像，在图像层面缓解跨模态的差异，并使用共享参数的双流网络，提取具有判别性的共享特征，在特征层面缓解跨模态差异；其次，设计了局部监督网络，增强了对背景、遮挡等噪声的鲁棒性，缓解了模态内部差异；最后，设计了跨模态分组损失、联合身份损失对网络进行约束。实验结果显示，在SYSU-MM01数据集上，评价指标rank-1和mAP分别达到了53.31%、50.88%；在RegDB数据集上，达到了73.51%、68.55%，实验结果优于同类方法，验证了该方法的有效性和先进性。

• 抽样切分卷积实现跨尺度特征融合及内镜图像去模糊

  严靖易,李小霞,秦佳敏,文黎明,周颖玥,

  针对内镜图像去模糊过程中语义信息难以提取和细节纹理重建困难的问题，设计了一种新的抽样切分卷积，并将其应用于跨尺度特征融合过程中：通过等间隔抽样将大尺度特征无损切分成小尺度特征块，再与小尺度特征进行卷积融合。过程中大尺度特征的所有值都参与了特征融合，避免了细节信息的丢失；未对小尺度特征进行插值，避免了语义信息的模糊。为进一步实现特征互补，设计了特征交互融合模块，先用语义特征激活细节特征，再将两者融合。针对内镜图像亮通道、中间通道和暗通道的特征差异性设计了梯度重建和频域重建损失函数，提升了重建图像的锐度。在EAD和Kvasir-SEG数据集上，该算法的PSNR分别达到32.88 dB和33.01 dB，SSIM分别达到0.972和0.973。实验结果表明，该算法的性能优于主流去模糊算法，视觉上重建图像的纹理更清晰，且未产生伪影。

• 基于局部敏感判别宽度学习的高光谱图像分类

  曹鹤玲,宋昌隆,楚永贺,

  宽度学习系统（BLS）以其良好的学习性能与泛化能力，在高光谱图像（HSI）分类中得到了广泛应用。然而宽度学习系统仅关注各类样本的可分性，忽略了样本之间的相对关系以及所蕴涵的判别信息，在一定程度上限制了宽度学习系统在高光谱图像分类任务中的性能。为此，提出一种局部敏感判别的宽度学习系统（LSDBLS）方法。该方法通过引入局部敏感判别分析考虑标记样本的判别信息与数据样本的局部流形结构，通过标记样本构建类内图和类间图来表征数据样本之间的相对关系。在此基础上，将类内图和类间图引入到宽度学习系统的目标函数中，通过最小化类内图以及最大化类间图，使得同类样本尽可能地聚集，不同类的样本尽可能地远离，增强LSDBLS对数据特征的判别能力。通过在三个HSI数据集上的实验结果表明，LSDBLS取得了良好的效果。

• 基于多层二部图的高光谱模糊聚类算法

  刘怡俊,龙锦涛,杨晓君,

  针对传统模糊聚类算法对初始聚类中心非常敏感以及对高光谱图像处理效果不佳的问题，为减少聚类数据的复杂度、降低聚类过程的计算成本以提升聚类性能，提出了一种基于多层二部图的高光谱模糊聚类算法。首先使用SuperPCA预处理方法对超像素分割得到的每个同质区域进行PCA来学习HSI数据不同区域的固有低维特征，从而获得高光谱数据的低维表示；其次，构造一个多层二部图矩阵来描述数据点和锚点之间的关系，降低了计算复杂度；最后，在模糊聚类中加入基于多层二部图的非负正则项来约束模糊隶属度矩阵的解空间。在Indian Pines和Pavia University数据集上进行的实验表明，所提算法能提高聚类效果与性能。

• 基于结构重参数化的太阳斑点图像弱监督去模糊方法

  邓林浩,蒋慕蓉,杨磊,谌俊毅,金亚辉,

  针对云南天文台拍摄的模糊太阳斑点图像使用有监督学习模型进行重建时容易产生伪像、训练时间长、重建结果过分依赖参考图像等问题，提出一种基于结构重参数化与多分支模块相结合的弱监督去模糊方法重建太阳斑点图。首先，结合单尺度与多尺度网络设计去模糊模型，在模型中构造多分支模块提取不同尺度的特征，增强细节信息，减少伪像生成；其次，对每个分支结构进行重参数化，使得结构参数的重用贯穿整个特征提取过程，节省计算时间；之后，将去模糊模型分别嵌入退化学习与逆退化学习的弱监督训练中，先对模糊图像进行等级划分，利用退化模型分别学习不同等级的退化，构成对应等级的配对数据集，再使用去模糊模型对数据集进行逆退化，实现太阳斑点图的重建。实验结果表明，该方法与现有深度学习去模糊方法相比，模型训练效率更高，对参考图像的依赖较小，能够满足太阳斑点图像高分辨率重建要求。

• 融合多注意力机制的脊椎图像分割方法

  普钟,张俊华,黄昆,周奇浩,

  针对脊椎CT、MR图像分割模型分割性能不高的问题，基于U型网络提出了脊椎分割网络MAU-Net。首先引入坐标注意力模块，使网络准确捕获到空间位置信息，并嵌入到通道注意力中；然后提出基于Transformer的双支路通道交叉融合模块代替跳跃连接，进行多尺度特征融合；最后提出特征融合注意力模块，更好地融合Transformer与卷积解码器的语义差异。在脊柱侧凸CT数据集上，Dice达到0.929 6，IoU达到0.859 7。在公开MR数据集SpineSagT2Wdataset3上，与FCN相比，Dice提高14.46%。实验结果表明，MAU-Net能够有效减少椎骨误分割区域。

• 名词引导局部特征提取的基于文本的实例分割方法

  郑剑,沈士涛,于祥春,庞庆威,吴宗錝,

  局部特征信息在图像分割中扮演着重要角色，然而基于文本的实例分割任务具有对输入文本表达式的依赖性，无法直接从原始的输入图像中提取局部特征信息。针对这一问题，提出了一种具体的名词引导局部特征提取的深度神经网络模型（NgLFNet），NgLFNet模型可根据输入文本表达式中的关键名词来自动挖掘待分割对象的局部特征信息。具体地，该模型首先通过语句分析得到关键名词；其次通过文本和图像编码器提取相应特征，并利用关键名词通过多头注意力机制获取高关注区域局部特征；然后逐步融合多模态特征；最后在解码修正模块利用得到的局部特征对预测掩膜进行更细致的修正，从而得到最终结果。将该方法与多种主流基于文本的实例分割方法进行对比，实验结果表明该方法提升了分割效果。

• 一种基于序贯三支决策的图像识别方法

  张耀洪,苟光磊,吕艳娜,杨雨,

  基于序贯三支决策的图像识别方法仅考虑测试样本与支持向量机（SVM）分离超平面的符号距离，忽略了已有粒度层的信息，图像识别性能有待提高。提出一种新的置信度评价（dual confidence score and ensembling，DCE），将符号距离结合测试样本与特征空间中每一类训练样本中心的距离作为基本置信度，用于序贯三支决策时，将较粗粒度层无法识别图像的置信度与当前粒度层的置信度合并进行评价，有效地利用已有信息，提高识别准确度，在粒度层较粗时也能进行决策，提升了识别效率。在Caltech-101和Caltech-256数据集上使用两个经典预训练模型进行验证，与现有三支决策图像识别方法相比，实验结果表明该方法能有效提升识别的准确度和效率。

• 基于空间关联性注意力的图像描述生成方法

  张红良,李广明,

  图像中物体间的关联性能够有效提升图像描述的效果，但是直接使用全局特征表示物体间的关系无法准确捕获图像的关联性特征。为准确捕获图像的关联性特征以提高描述的准确性，提出了一种基于空间关联性的图像描述生成方法。该方法使用Faster R-CNN提取图像的视觉特征和物体的空间位置信息，再将视觉特征与空间位置信息在高维空间融合后指导Transformer捕获图像的关联性特征；最后将视觉特征和关联性特征分别作为视觉注意力和空间关联性注意力的高层语义输入指导单词序列的生成。使用COCO数据集进行实验验证，在BLEU_4和CIDEr上分别得分38.1%和124.8%，相较于基线模型提升了1.8%和4.7%，证明了该方法的可行性。