计算机应用研究杂志

计算机应用研究杂志2024年第2期

• REST API自动化测试综述

  陈静,魏强,武泽慧,王新蕾,

  REST API已经成为访问和使用云服务、Web、移动应用程序的重要途径，如何对这些API进行自动化测试以保证服务的安全性和可靠性是亟待解决的问题。目前虽然关于REST API自动化测试的研究成果众多，但仍缺少对测试技术全面的分析和总结。梳理了该领域近10年的代表性成果，首先总结了REST API自动化测试的发展历程；然后结合REST API自动化测试特征，提炼了测试的通用流程；接着分别从预处理、测试用例生成、测试用例执行与监测、结果分析四个环节阐述现有成果的技术特征，对比分析其优缺点；最后论述当前研究存在的不足，讨论可能的解决思路，展望了下一步研究方向。

• 基于深度学习的遥感图像旋转目标检测研究综述

  陈天鹏,胡建文,

  由于遥感图像中的目标具有方向任意、分布密集和尺度差异大等特点，使得遥感图像目标检测成为一个颇具挑战性的难题。针对该难题，系统梳理了近三年来深度学习遥感图像旋转目标检测的相关工作。首先介绍旋转框的表示方法及其特点；然后按照特征提取网络、旋转锚框和候选框生成、标签分配及采样策略、损失函数四个方面对当前遥感图像旋转目标检测的现有方法进行分析；再对常用的遥感图像旋转目标数据集进行介绍，对比分析不同算法的性能；最后对遥感图像旋转目标检测进行了展望。

• 深度学习在多核缓存预取中的应用研究综述

  张建勋,乔欣雨,林炳辉,

  当前人工智能技术应用于系统结构领域的研究前景广阔，特别是将深度学习应用于多核架构的数据预取研究已经成为国内外的研究热点。针对基于深度学习的缓存预取任务进行了研究，形式化地定义了深度学习缓存预取模型。在介绍当前常见的多核缓存架构和预取技术的基础上，全面分析了现有基于深度学习的典型缓存预取器的设计思路。深度学习神经网络在多核缓存预取领域的应用主要采用了深度神经网络、循环神经网络、长短期记忆网络和注意力机制等机器学习方法，综合对比分析现有基于深度学习的数据预取神经网络模型后发现，基于深度学习的多核缓存预取技术在计算成本、模型优化和实用性等方面还存在着局限性，未来在自适应预取模型以及神经网络预取模型的实用性方面还有很大的研究探索空间和发展前景。

• 基于精确分类和最优匹配机制微电网交易决策方法

  王嘉瑶,宋翔宇,朱俊武,

  随着国家对电力市场改革的不断推进和售电市场的优化，微电网将成为未来电能发展和电网运营管理改革的重要载体。为了提升产消者和消费者的订单匹配效率以及经济效益，首先提出了一种基于区块链技术的微电网电能安全交易，利用双链完成交易双方信息的认证，并提出基于Shapley值分配合作博弈的定价策略。其次，对参与微电网交易的消费者进行精确分类，提高订单交易匹配效率。再次，在订单交易阶段提出基于总优先指数的匹配满意度函数，建立满意稳定的微电网交易双边匹配模型。最后，交易双方通过智能合约完成无第三方信任机构的交易结算。算例结果表明，基于区块链技术和最大满意度及稳定性的微电网交易方法可以完成微电网内部的直接交易，保证了微电网交易的稳定性，并提高了参与微电网交易双方的满意度及匹配稳定性。

• 基于隐私保护联邦学习与区块链的图像分类方案

  茆启凡,王亮亮,王子涵,

  传统的中心化图像分类方法受制于数据隐私问题和计算资源限制，无法满足实际需求。现有的联邦学习框架依赖中心服务器，存在单点故障和数据中毒攻击等安全挑战。为解决这些问题，提出了一种面向隐私保护联邦学习与区块链的图像分类方案，通过将联邦学习与区块链技术相结合，实现在分布式环境下进行图像分类任务的可靠性和安全性。图像分类模型通过联邦学习进行训练，并上传至区块链网络进行验证和共识；在分类阶段，模型通过加权组合得到最终分类结果。实验结果表明，该方案在确保用户隐私的同时提高了图像分类的准确度，为解决图像分类中的数据隐私和安全问题提供了一种有效途径，并为提高分类准确性作出了积极探索。

• 面向个性化推荐的node2vec-side融合知识表示

  倪文锴,杜彦辉,马兴帮,吕海滨,

  推荐系统中知识图谱对系统的推荐效果起到很重要的作用，图谱中的知识表示成为影响推荐系统的关键因素，这也成为当前的研究热点之一。针对推荐系统中知识图谱的结构特点，在传统node2vec模型基础上增加关系表示和多元化游走策略，提出一种基于node2vec的知识表示node2vec-side，结合推荐系统知识图谱网络结构，旨在挖掘大规模推荐实体节点间潜在的关联关系，降低表示方式复杂度，提高可解释性。经过时间复杂度分析可知，提出的知识表示方式在复杂度上低于Trans系列和RGCN。在传统知识图谱数据集FB15K、WN18和推荐领域数据集MovieLens-1M、Book-Crossing、Last.FM上分别进行链接预测对比实验。实验结果表明：在MovieLens-1M数据集上，hits@10分别提升了5.5%～12.1%，MRR提升了0.09～0.24；在Book-Crossing数据集上，hits@10分别提升了3.5%～20.6%，MRR平均提升了0.04～0.24；而在Last.FM数据集上，hits@1提升了0.3%～8.5%，MRR平均提升了0.04～0.16，优于现有算法，验证了所提方法的有效性。

• 基于进化集成学习的用户购买意向预测

  张一凡,于千城,张丽丝,

  在电子商务时代背景下，精准预测用户的购买意向已经成为提高销售效率和优化客户体验的关键因素。针对传统集成策略在模型设计阶段往往受人为因素限制的问题，构建了一种自适应进化集成学习模型用于预测用户的购买意向。该模型能够自适应地选择最优基学习器和元学习器，并融合基学习器的预测信息和特征间的差异性扩展特征维度，从而提高预测的准确性。此外，为进一步优化模型的预测效果，设计了一种二元自适应差分进化算法进行特征选择，旨在筛选出对预测结果有显著影响的特征。研究结果表明，与传统优化算法相比，二元自适应差分进化算法在全局搜索和特征选择方面表现优异。相较于六种常见的集成模型和DeepForest模型，所构建的进化集成模型在AUC值上分别提高了2.76%和2.72%，并且能够缓解数据不平衡所带来的影响。

• 面向知识图谱链接预测任务的解释子图生成模型

  姚俊萍,袁聪,李晓军,郭毅,王浩,周志杰,

  近年来图神经网络（GNN）发展迅速，相关模型在知识图谱链接预测任务上的性能显著提升。为解释性能提升的原因，研究人员需要提取GNN学习到的子图模式。然而现有GNN解释器在知识图谱这类典型多关系（multi-relation）图数据场景下的解释准确性尚未被验证，且相关工具尚未实现，导致解释子图提取困难。针对该问题，提出一种将多关系的知识图谱转换为单关系（uni-relational）图的知识图谱链接预测模型，该模型通过将知识图谱中的实体组合为新的节点，并将关系作为新节点的特征，生成只有单一关系的新图，并在新图上训练去噪自编码器使其获得链接预测能力，最后使用GNN解释器生成子图解释。在三个基准数据集上的实验表明，与不进行转换的GraIL相比，基于单关系转换的链接预测模型的相对AUC指标提升显著。最后，该模型选取FB15K-237数据集进行解释子图提取实验，验证了模型在直接提取链接预测解释方面的有效性。

• 利用提示调优融合多种信息的低资源事件抽取方法

  苏杭,胡亚豪,潘志松,

  针对现有流水线式事件抽取方法依靠大量训练数据、在低资源情况下难以快速迁移运用等问题，利用提示调优技术，提出适用于低资源场景下的流水线式事件抽取方法（low-resource event extraction method using the multi-information fusion with prompt tuning，IFPT）。该方法通过构造语义映射和提示模板充分利用事件类型描述、实体类型等多种信息，能够高效使用有限训练数据，流水线式地完成事件检测和论元抽取。实验结果表明，在低资源情况下，IFPT方法论元抽取性能超过了所有基准模型，采取流水线方式能够达到与SOTA模型相媲美的性能。

• 基于层级图标签表示网络的多标签文本分类

  徐江玲,陈兴荣,

  多标签文本分类是一项基础而实用的任务，其目的是为文本分配多个可能的标签。近年来，人们提出了许多基于深度学习的标签关联模型，以结合标签的信息来学习文本的语义表示，取得了良好的分类性能。通过改进标签关联的建模和文本语义表示来推进这一研究方向。一方面，构建的层级图标签表示，除了学习每个标签的局部语义外，还进一步研究多个标签共享的全局语义；另一方面，为了捕捉标签和文本内容间的联系并加以利用，使用标签文本注意机制来引导文本特征的学习过程。在三个多标签基准数据集上的实验表明，该模型与其他方法相比具有更好的分类性能。

• 基于IG-NRS与ICK双向压缩的KMS自学习案例知识匹配

  张建华,贺龙飞,张淑唯,曹子傲,温丹丹,

  案例知识匹配可有效缓解知识过载问题，确保知识应用水平。针对知识管理系统自学习案例知识匹配的冗余性问题，提出了一种基于IG-NRS与ICK的双向压缩方法。该方法首先设计NRS的改进模型IG-NRS，据此约简案例知识属性集，实现邻域决策系统的纵向压缩；在此基础上，通过引入谱聚类判别并剔除不一致案例知识实现其横向压缩；再藉由知识视图相似度锁定目标案例知识簇与最相似案例知识，从而确定知识匹配结果。在多个UCI数据集上的实验结果表明，该方法能有效减少知识管理系统自学习案例知识的冗余，取得更高的知识匹配效率和有效性。

• 融合多粒度信息的用户画像生成方法

  邵一博,秦玉华,崔永军,高宝勇,赵彪,

  现有用户画像方法缺乏不同粒度文本信息表示，且特征提取阶段存在噪声，导致构建画像不够准确。针对以上问题，提出一种融合多粒度信息的用户画像生成方法（user profile based on multi-granularity information fusion，UP-MGIF）。首先，该方法在嵌入层融合字粒度、词粒度表示向量以扩充特征内容；其次，在改进双向门控循环单元网络基础上，结合降噪自编码器和注意力机制设计一种特征提取混合模型Bi-GRU-DAE-Attention，实现特征降噪和语义增强；最后，将鲁棒性强的特征向量输入到分类器中实现用户画像生成。实验表明，该用户画像生成方法在医疗和互联网两个画像数据集上的分类准确率高于其他基线方法，并通过消融实验验证了各个模块的有效性。

• 面向文献评价的引文网络结构多样性研究

  鲁英杰,盛立琨,张应龙,

  鉴于从海量文献中寻找高质量文献的重要性，提出了一种文献评价指标——引文网络结构多样性。大规模数据集上的数据分析实验分析了该模型作为文献评价指标的可行性，并针对数据集引用关系存在缺失的情况提出改进模型，使之更加适用于引文网络分析。数据分析实验结果显示文献引文网络结构多样性与引用量显著线性相关，且引文网络结构多样性是影响文献发表后引用量变化趋势的重要因素。在引用量预测实验中，各结构多样性在85.8%的实验中提升了模型的预测性能，其中组合结构多样性在长期引用量预测实验中效果突出，对决定系数R2最高提升22.19%，平均提升14.55%，对均方误差MSE最高提升22.76%，平均提升17.34%。

• 基于多目标优化的联邦学习进化算法

  胡智勇,于千城,王之赐,张丽丝,

  传统联邦学习存在通信成本高、结构异构、隐私保护力度不足的问题，为此提出了一种联邦学习进化算法。应用稀疏进化训练算法降低通信成本，结合本地化差分隐私保护参与方隐私，同时采用NSGA-Ⅲ算法优化联邦学习全局模型的网络结构、稀疏性，调整数据可用性与隐私保护之间的关系，实现联邦学习全局模型有效性、通信成本和隐私性的均衡。不稳定通信环境下的实验结果表明，在MNIST和CIFAR-10数据集上，与FNSGA-Ⅲ算法错误率最低的解相比，该算法所得解的通信效率分别提高57.19%和52.17%，并且参与方实现了（3.46，10-4）和（6.52，10-4）-本地化差分隐私。在不严重影响全局模型准确率的前提下，该算法有效降低了联邦学习的通信成本并保护了参与方隐私。

• 基于Prompt的两阶段澄清问题生成方法

  王培冰,张宁,张春,

  在自然语言相关系统中，当用户输入存在歧义时，生成澄清问题询问用户有助于系统理解用户需求；基于Prompt的方法可以更好地挖掘预训练语言模型的潜在知识，但往往需要手动设计模板，限制其生成澄清问题的多样性。为解决这一问题，提出了TSCQG（two-stage clarification question generation）方法。首先，在动态Prompt模板生成阶段，利用歧义上下文和预训练语言模型生成动态的Prompt模板；然后在缺失信息生成阶段，将Prompt模板与外部知识相结合，充分利用预训练语言模型的生成能力生成相应的缺失信息。实验结果表明，在CLAQUA数据集的多轮对话情况中，BLEU值和ROUGE-L值分别达到了58.31和84.33，在ClariQ-FKw数据集上，BLEU值和ROUGE-L值分别达到了31.18和58.86。实验结果证明了TSCQG方法在澄清问题生成任务上的有效性。

• 无人机辅助的双层深度强化学习任务卸载算法

  陈钊,龚本灿,

  为了解决无人机轨迹优化、用户功率分配和任务卸载策略问题，提出了一种双层深度强化学习任务卸载算法。上层采用多智能体深度强化学习来优化无人机的轨迹，并动态分配用户的传输功率以提高网络传输速率；下层采用多个并行的深度神经网络来求解最优卸载决策以最小化网络的时延和能耗。仿真结果表明，该算法使得无人机能够跟踪用户的移动，显著降低系统的时延和能耗，能够给用户提供更优质的任务卸载服务。

• 基于概率路由的出租车共乘调度算法

  蔡文广,刘佳旭,张小欣,

  针对现有的拼车方案大多服务在线乘客请求，而忽略了离线乘客请求，导致出租车资源无法得到充分利用这一问题，提出了一种基于挖掘历史出行轨迹数据的概率路由拼车优化算法。该算法根据乘客请求的历史时空数据计算出区域概率转移矩阵，并使用该矩阵优化平台为出租车推荐拼车路径，提供了历史数据和拼车问题相融合的一种解决方案，可以有效提高出租车的载客量。在保障离线乘客接载率、在线乘客忍耐度的同时，使用松弛时间的度量指标，可以在O(n)内对整条路径的乘客忍耐时间进行评估预测，并用迪杰斯特拉算法对绕行区域进行路径规划，让出租车的绕行距离最短。使用滴滴GAIA真实数据集对算法有效性进行验证，结果显示，该算法在服务请求数量上高于基准算法12%。

• 改进近邻人工蜂群算法求解柔性作业车间调度问题

  李瑞,徐华,杨金峰,顾一帆,

  为了更好地解决以最小化最大完工时间为目标的柔性作业车间调度问题，提出了一种改进的人工蜂群算法。首先，采用随机选择和反向学习策略来提高初始蜜源的质量。同时，设计了一种新颖的特征表示方式，用于计算蜜源之间的距离。在引领蜂阶段，通过引入交叉和变异策略来优化种群中的近距离蜜源。在探索蜂阶段，引入了六种变邻域方法，以扩大解空间的搜索范围。而在侦查蜂阶段，则根据蜜源的潜力值剔除局部最优个体。在15个数据集上进行了广泛实验，实验结果表明，该改进算法性能明显优于其他四种著名的群智能优化算法。该研究为解决柔性作业车间调度问题提供了一种新的有效方法，对于实际生产调度具有重要的实用价值。

• 基于金枪鱼群算法优化极限学习机的混凝土抗压强度预测

  张博吾,耿秀丽,

  混凝土抗压强度是建筑结构设计与评价的一个重要指标，它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高，不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题，提出一套基于新式仿生算法金枪鱼群算法优化极限学习机（TSO-ELM）的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优，有效提升了ELM的预测准确度。在仿真实验部分，通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明，该方法可以有效提高预测的速度与精准度，迭代次数更少，同时具有良好的泛化性，为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。

• 融合改进哈里斯鹰和改进动态窗口的机器人动态路径规划

  黄志锋,刘媛华,任志豪,张文敏,张孝文,

  针对动态环境的移动机器人路径规划问题，提出了一种改进哈里斯鹰算法（IHHO）与改进动态窗口算法（IDWA）的融合算法（IHHO-IDWA）。首先，针对哈里斯鹰算法后期搜索性能不足等问题，提出了融合自适应混沌和核心种群动态划分策略、融合黄金正弦策略以及动态云最优解扰动策略来提高算法的性能。其次，针对动态窗口算法存在规划的路径长和易陷入死锁等问题，提出了三个改进策略：增加子函数，保证算法能够规划出更短的路径；提出自适应权重策略，平衡算法局部避障能力和全局搜索性能；设定初始航向角，避免路径冗余。最后，通过测试函数、CEC2014函数的数值实验和静态、动态路径规划实验，验证了IHHO和IDWA性能有明显提升；通过50×50大型动态地图验证了融合算法较对照组算法规划的路径缩短了11.51%，证明了该方法的优越性。

• 基于改进双树RRT*算法的冗余机械臂末端路径规划

  吴剑雄,毕卓然,李宗道,李清都,

  针对冗余机械臂的冗余特性与相关RRT*算法在规划机械臂末端路径的应用中存在的搜索效率较低、收敛性不稳定以及没有充分考虑到机械臂末端几何构型与自身运动特性对路径规划影响的问题，提出一种改进策略。首先，引入一种基于根尾节点连线夹角的采样点选择方式，并设置目标逼近区域。根据连续采样成功次数动态选择改进采样与随机采样。接着，将双树扩展策略与上述方法相结合。最后，将初始可行路径进行二次重连得到最终的优化路径。通过验证，改进双树RRT*方法能够有效地提升搜索效率、收敛性以及路径的优越性。虚拟碰撞体与胶囊碰撞体的引入也能较好地应对机械臂末端结构与运动特性带来的影响。使用Mujoco物理仿真引擎进行机械臂运动验证，证明该策略可以为冗余机械臂末端规划出一条较优的可行路径。

• 融合优化可调Q因子小波变换的改进密度峰值聚类算法

  史曼曼,宋朝炀,张景祥,

  为提升时间序列的聚类精度，提出一种融合优化可调Q因子小波变换的改进密度峰值聚类（improved density peaks clustering based on optimal tunable Q-factor wavelet transform，OTQWT-IDPC）算法，该算法利用可调Q因子小波变换的能量优化选择策略及改进粒子群优化算法确定的最佳Q因子分解时序信号，通过最优特征子带的能量、均值、标准差和模糊熵构建特征子空间，并采用主成分分析降低特征维度，以减少特征冗余。同时，考虑到距离较远而周围密集程度较大的K近邻样本对局部密度的贡献率，引入权重系数及K近邻重新定义DPC的局部密度，并利用共享最近邻描述样本间的相似性。在BONN癫痫脑电信号和CWRU滚动轴承数据集上进行对比实验，结果表明，该算法的聚类精度分别为95%、94%，且Jacarrd、FMI和F1值指标均优于其他对比算法，证明了OTQWT-IDPC算法的有效性。

• 基于互信息和融合加权的并行深度森林算法

  毛伊敏,李文豪,

  针对大数据环境下并行深度森林算法中存在不相关及冗余特征过多、多粒度扫描不平衡、分类性能不足以及并行化效率低等问题，提出了基于互信息和融合加权的并行深度森林算法（parallel deep forest algorithm based on mutual information and mixed weighting，PDF-MIMW）。首先，在特征降维阶段提出了基于互信息的特征提取策略（feature extraction strategy based on mutual information，FE-MI），结合特征重要性、交互性和冗余性度量过滤原始特征，剔除过多的不相关和冗余特征；接着，在多粒度扫描阶段提出了基于填充的改进多粒度扫描策略（improved multi-granularity scanning strategy based on padding，IMGS-P），对精简后的特征进行填充并对窗口扫描后的子序列进行随机采样，保证多粒度扫描的平衡；其次，在级联森林构建阶段提出了并行子森林构建策略（sub-forest construction strategy based on mixed weighting，SFC-MW），结合Spark框架并行构建加权子森林，提升模型的分类性能；最后，在类向量合并阶段提出基于混合粒子群算法的负载均衡策略（load balancing strategy based on hybrid particle swarm optimization algorithm，LB-HPSO），优化Spark框架中任务节点的负载分配，降低类向量合并时的等待时长，提高模型的并行化效率。实验表明，PDF-MIMW算法的分类效果更佳，同时在大数据环境下的训练效率更高。

• 融合用户社交关系的自适应图卷积推荐算法

  王光,尹凯,

  为了缓解推荐系统中不同用户社交空间与兴趣空间的内在信息差异和忽视高阶邻居的问题，提出了一种融合用户社交关系的自适应图卷积推荐算法（adaptive graph convolutional recommendation algorithm integrating user social relationships，AGCRSR）。首先，模型在嵌入层使用映射矩阵将初始特征向量转换为自适应嵌入；其次，引入注意力机制聚合不同方面的用户嵌入，通过图卷积网络来线性学习用户和项目的潜在表示；最后，通过自适应模块聚合用户表示并利用内积函数预测用户对项目的最终推荐结果。在数据集LastFM和Ciao上与其他基线算法进行了对比实验，实验结果表明AGCRSR的推荐效果较其他算法有显著提升。

• 基于知识粗糙熵的快速属性约简算法

  王小雪,殷锋,杨雅雯,

  针对基于正域的属性约简算法在约简过程中存在重复计算属性相对重要度从而导致算法效率低的问题，从属性度量和搜索策略的角度提出基于知识粗糙熵的快速属性约简算法。首先，在决策信息系统中通过引入知识距离提出知识粗糙熵以度量知识的粗糙程度；其次，利用知识粗糙熵作为属性显著度的评价标准来评估单个属性的重要程度；最后，利用属性重要度对所有条件属性进行排序，且通过属性依赖度删除冗余属性，从而实现快速约简。在六个公开数据集上将所提算法与其他三种算法在运行效率和分类精度上进行对比实验。结果表明，该算法的运行效率比其他三种算法分别提高了83.24%，28.77%和59.92%；在三种分类器中，分类精度分别平均提高了0.83%、0.63%和1.37%。因此，所提算法在保证分类性能的同时，能以更快的速度获得约简。

• 基于GRA-GCRITIC和改进加权双向投影的区间Fermatean模糊多属性群决策方法

  赵敬华,施佳,荣海迎,林杰,

  针对司法案件决策环境的复杂性及评价信息的模糊性，提出一种基于GRA-GCRITIC（grey relational analysis-group criteria importance through intercriteria correlation）和改进加权双向投影的区间Fermatean模糊Hamacher-TODIM多属性群决策方法。首先考虑到各位专家对各评价方案下各指标评价信息的差异性，提出一种GRA-GCRITIC方法，该方法将灰色关联融入到CRITIC中，以确定指标综合权重比单一获取的指标权重更加客观可靠；其次，结合信任关系对加权双向投影法进行改进，兼顾主客观关系，利用专家个体与群体评价信息的隶属度及非隶属度矩阵间的相似度得到专家权重；最后，考虑到决策者的损失规避心理，将融合了Hamacher算子的TODIM方法拓展至区间Fermatean模糊环境中，通过具体算例可得到其综合优势度及排序，验证了所提方法的可行性及灵活性。

• 面向运动想象脑电信号识别的多层判别字典对学习方法

  商俊燕,丁辉,胡学龙,

  面向运动想象的脑机接口（brain computer interface，BCI）能够利用自主想象的特定动作触发脑电信号直接实时控制外部电子设备。运动想象脑电信号（motor imagery electroencephalogram，MI-EEG）存在信噪比低、类内差异大、类间差异小等特点，导致MI-EEG的识别率较低且不稳定。针对该问题，提出了多层判别字典对学习（multilayer discriminant dictionary pair learning，MDDPL）方法。与基于字典学习的MI-EEG识别方法不同，MDDPL将字典对学习融入多层学习模型，通过一系列非线性方法将数据投影到更具判别力的子空间。在综合字典和分析字典的共同作用下，前一层的编码向量作为当前层的输入，同时在每一层模型上构建基于分析字典的多分类项，以保证稀疏编码的分类误差最小化，增强模型的类别区分能力。另外，对最后一层的稀疏编码施加低秩约束，以保证同类编码的紧凑性和相似性。在目标式求解中，使用交替更新策略得到每个参数的解析解，使得参数同时得到最优解。在国际BCI竞赛数据集上的实验结果表明，MDDPL方法在所有对比算法中取得了最佳的分类性能。

• 基于线上-线下超网络模型的舆论演化仿真分析

  曾荣燊,李弼程,陈刚,熊尧,

  目前在舆论演化模型及其动力学规则的研究中大多数都没有考虑线下网络，导致其无法真实反映舆论传播过程。为解决上述问题，首先利用线上-线下社交网络映射方法得到线上-线下社交网络拓扑结构；然后构建线上-线下超网络模型，集成舆论事件态势信息形成舆论演化仿真环境；最后，利用传播学原理制定线上-线下超网络模型动力学交互规则，进行舆论动力学仿真。将提出型用于事件实例分析，仿真结果与舆论事件实际发展情况之间的余弦相似度达到0.99，平均差值为1%。实验结果表明，所提模型取得了比其他方法更好的仿真效果，验证了线上-线下超网络模型和舆论动力学交互规则的正确性和有效性。

• 基于BERT的多视角事件日志修复

  张振虎,王丽丽,袁永旺,

  在业务流程执行过程中，由于信息系统故障或者人工记录出错等问题导致事件日志中数据的丢失，从而产生缺失的事件日志，使用这种缺失日志会严重影响业务流程分析结果的质量。针对这种缺失日志的修复问题，现有研究大部分仅从数据视角或者行为视角进行展开，很少从数据和行为相融合的视角开展事件日志的修复工作。提出了一种基于BERT模型的多视角事件日志修复方法。该方法利用双层BERT模型，从数据和行为融合的视角训练模型，通过BERT模型的预训练任务（（masked attribute model，MAM）和（masked event model，MEM））以及Transformer编码块的注意力机制捕获输入属性的双向语义信息和长期依赖关系，使用微调策略进行模型训练，以预测的形式修复事件日志中的缺失值。最后，通过公开可用的数据集进行评估分析，结果表明，该方法在修复事件日志方面表现良好。

• 基于半监督动态深度融合神经网络的软测量

  郭小萍,种佳林,李元,

  半监督深度神经网络建模方法已被广泛应用于软测量，但基于分层训练的网络在特征提取过程局限于挖掘每层输入的有效信息，忽略了原始输入有效信息的丢失，逐层累积，从而导致原始输入的特征表示准确率低下；另外，缺乏挖掘过程时空相关性，也会导致模型性能退化。提出一种半监督动态深度融合神经网络（semisupervised dynamics deep fusion neural network，SS-DDFNN）方法。该方法在特征提取网络的每层都重构原始输入数据并预测质量变量，通过在预训练损失中使用重构原始输入误差，减小原始输入有效信息的丢失；同时融入注意力机制和t分布随机邻域嵌入提取时空相关信息，应用提取的特征建立门控神经网络质量预测模型。实验结果显示，相较于SAE、GSTAE和SIAE模型，所提方法在脱丁烷塔案例中的预测精度分别提升了2.8%、1.1%和0.9%；在工业聚乙烯生产案例中，分别提升了2.7%、1.0%和0.7%。实验结果验证了所提方法的有效性。

• 基于事件驱动深度强化学习的建筑热舒适控制

  李竹,傅启明,丁正凯,刘璐,张颖,陈建平,

  住宅暖通空调系统通常耗用大量能源，同时也极大地影响居住者的热舒适性。目前，强化学习广泛应用于优化暖通空调系统，然而这一方法需要投入大量时间和数据资源。为了解决该问题，提出了一个新的基于事件驱动的马尔可夫决策过程（event-driven Markov decision process，ED-MDP）框架，并在此基础上，提出了基于事件驱动的深度确定性策略梯度（event-driven deep deterministic policy gradient，ED-DDPG）方法，通过事件触发优化控制，结合强化学习算法求解最优控制策略。实验结果显示，与基准方法相比，ED-DDPG在提升学习速度和减少决策频率方面表现出色，并在节能和维持热舒适方面取得了显著成果。经过实验验证，该方法在优化住宅暖通空调控制方面展现出强大的鲁棒性和适应性。

• 设备端基于深度学习的智能家居服务推荐框架

  陈佳雯,黄志明,蔡泽卓,陈星,

  随着智能家居的普及，用户期望通过自然语言指令实现智能设备的控制，并希望获得个性化的智能家居服务。然而，现有的挑战包括智能设备的互操作性和对用户环境的全面理解。针对上述问题，提出一个支持设备端用户智能家居服务推荐个性化的框架。首先，构建智能家居的运行时知识图谱，用于反映特定智能家居中的上下文信息，并生成用例场景语句；其次，利用预先收集的通用场景下，用户的自然语言指令和对应的用例场景语句训练出通用推荐模型；最后，用户在设备端以自然语言管理智能家居设备和服务，并通过反馈微调通用模型的权重得到个人模型。在基本指令集、复述集、场景指令集三个数据集上的实验表明，用户的个人模型相比于词嵌入方法的准确率提升了6.5%~30%，与Sentence-BERT模型相比准确率提升了2.4%~25%，验证了设备端基于深度学习的智能家居服务框架具有较高的服务推荐准确率，能够有效地管理智能家居设备和服务。

• 基于数据影响的业务流程一致性检查方法

  白少康,方贤文,钱陈婧,

  近年来，业务流程的精确管理受到越来越多的关注，作为业务流程管理内容之一的一致性检查技术正变得越来越重要。现有的一致性检查技术主要从模型的控制流角度出发，并未考虑业务流程中的数据或数据的变化对业务流程产生的影响，为此提出了一种基于数据影响的业务流程一致性检查方法。首先，通过业务流程建模符号（business process modeling notation，BPMN）模型中数据和行为之间的依赖关系来分析数据对偏差活动预期行为的影响，进而获取偏差活动的预期行为集；其次，通过在BPMN模型中引入决策模型和符号（decision model and notation，DMN）决策表来充分捕获当前实例执行的数据上下文与行为上下文之间的关系，以区分有效数据更改和异常数据更改，找到偏差活动的有效预期行为集。最后，通过设计数据对偏差活动影响的各类成本函数提出了有效一致性检查方法。实验结果表明，相比已有工作，该方法在进行业务流程一致性检查时提高了业务流程的一致性，可以成功捕获偏差活动作出反应的适应行为，使得业务流程在复杂多变的环境下表现得更加准确、合理。

• 多域网络中基于时延感知的虚拟网络映射方法

  赵季红,崔曌铭,曲桦,张富,

  随着各种时延敏感型应用的出现，如何提高系统的时延性能已经成为了学术界的热门话题。然而，现有的多域映射算法很难满足虚拟网络对时延性能的要求。因此，为了解决这一问题，提出了一种基于时延感知的多域虚拟网络映射算法（time delay sensitive virtual network embedding，TDS-VNE）。在节点映射阶段定义了一个节点传播时延评价函数（D），在链路映射阶段定义了路径时延感知参数。仿真结果表明，提出的映射算法降低了平均网络传播时延且在虚拟网络请求接受率、长期收益成本比等指标上具有良好的效果。

• 基于多IRS辅助的MU-MISO系统安全通信方案

  王丹,黄池,

  在无线通信系统中，智能反射面（intelligent reflecting surface，IRS）可以调控反射单元的相移来反射信号，用于增强用户信号并抑制窃听者信号，解决基站和用户之间的安全通信问题。针对该问题，以系统加权和保密速率最大化为目标提出一种多IRS辅助多用户多输入单输出（multi user-multiple input single output，MU-MISO）系统的安全通信方案。该方案首先将最大化加权和保密速率问题分解为发射波束形成和人工噪声向量优化、多IRS相位矩阵优化的两个子问题；其次，采用半定松弛、引用文献定理、辅助变量替换、一阶泰勒近似等方法，将每个子问题转换为简单凸问题进行求解；最后，基于交替优化算法依次求解两个凸优化子问题。数值仿真结果表明，与另外三个方案相比，所提方案可以有效增强系统的安全通信性能，并表明了多IRS部署比单个IRS可以实现更好的系统安全性。

• 基于改进式免疫遗传算法的车联网任务卸载方案

  陈发堂,李璐,张若凡,

  为了解决车联网场景下卸载决策和资源分配不合理的问题，提出了一种改进的启发式车联网任务卸载策略。该策略利用改进式的双种群免疫遗传算法（IDP-IGA），在保留了精英种群的同时引入了自适应移民算子，并在满足车辆最大容忍时延和路侧单元最大可分配资源的前提下，优化系统的时延-能耗开销。仿真结果表明，所提算法具有良好收敛性，与传统算法和遗传-粒子群优化算法相比，能够显著降低系统的时延-能耗开销，在任务卸载过程中实现最优的资源分配方案。

• 基于可解释网络解耦表征的低成本雷达定位解算方法

  刘磊,林杰,

  为降低调频连续波（FMCW）雷达成本，同时提高定位精度，设计可解释解耦表征模型。该模型由网络解算器、虚假信号生成器以及可解释潜变量三部分组成。首先处理雷达信号获得中频频谱；然后输入到网络解算器中生成位置潜变量；再通过物理机制对潜变量进行转换，生成虚假中频信号频谱；最后，设计局部光滑损失函数对模型进行自监督训练，实现潜变量的解耦物理表征。实验结果表明：所提算法能对雷达系统频谱信号的粗粒度进行超分辨率细化，其机理能有效应对雷达系统的硬件公差、环境噪声、安装误差等问题，并可自动地训练出雷达的解算网络，从而具有大规模室内、机载联网定位的应用潜力。

• 车联网中支持直接撤销的外包属性签名方案

  徐智宇,王亮亮,

  数字签名在应对车联网中数据窜改威胁时扮演着重要作用，然而现有的签名方案在灵活性、效率、隐私保护、用户密钥管理等方面存在诸多问题，难以在车联网中释放其潜力。针对这些问题，提出了一个面向车联网的直接可撤销外包属性签名方案。该方案使用了基于线性秘密分享的签名策略机制，赋予车联网用户在签名生成和验证方面的灵活性和隐私保护。此外，设计了一种高效的用户密钥直接撤销机制，以提供对用户的实时撤权。所提方案还构造了一种外包验证方法，从而显著降低了验证者的计算和存储开销。安全性分析结果表明，所提方案在选择消息攻击下具有不可伪造性，并且能够抵抗合谋攻击。实验结果表明了该方案相较于其他方案的优势及其在车联网中的实用性。

• 基于演化博弈的拟态防御策略优化

  王敏,付文昊,王宝通,石乐义,

  网络空间拟态防御是近些年出现的一种主动防御理论，以异构冗余和动态反馈机制不断调整执行环境来抵抗攻击。然而，面对黑客的多样化攻击手段，仅凭借拟态防御抵抗攻击是不安全的。为了增强系统的安全防御能力，在目前已有的防御系统基础上提出更为合理的防御选取方法。将有限理性的演化博弈引入到拟态防御中，构建了由攻击者、防御者和合法用户组成的三方演化博弈模型，并提出了最优防御策略求解方法。该博弈模型利用复制动态方程得到了演化稳定策略。仿真实验结果表明，系统通过执行推理的演化稳定策略可以降低损失，遏制攻击方的攻击行为，对拟态防御系统中防御策略选取和安全性增强具有一定的借鉴意义。

• 基于切比雪夫混沌映射和PUF的RFID三方认证协议

  徐森,刘佳鑫,杨硕,赵洋,

  针对射频识别（RFID）三方认证协议存在的安全需求和资源开销的平衡问题，利用切比雪夫多项式的半群性质以及混沌性质提出了一个基于切比雪夫混沌映射和物理不可克隆函数（PUF）的RFID三方认证协议：使用切比雪夫混沌映射来实现标签、阅读器和服务器三方共享秘密；使用随机数实现协议每轮会话的新鲜性以抵抗重放攻击，同时也实现了阅读器与标签的匿名性；使用PUF函数实现标签本身的安全认证以及抵抗物理克隆攻击。安全分析表明，该协议能有效抵抗追踪、重放、物理克隆和去同步攻击等多种恶意攻击，使用BAN逻辑分析方法和Scyther工具验证了其安全性。与近期协议对比分析表明，该协议弥补了同类RFID协议的安全缺陷，在满足各种安全属性需求的同时尽量平衡硬件开销，契合了RFID硬件资源受限的处境，适用于RFID三方认证场景。

• 访问控制日志驱动的ABAC策略自动提取与优化增强

  夏桐,袁凌云,车兴亮,陈美宏,

  为解决基于属性的访问控制（ABAC）策略自动提取的低质量问题，提出一种基于访问控制日志驱动的ABAC策略自动提取与优化增强方法。首先，构建集成学习模型，将用户行为和权限分配映射为策略逻辑树，识别访问授权决策的关联性及潜在规律，初步生成策略；其次，通过单属性优化和规则二元约简两种方法深度优化策略，简化策略结构并压缩策略规模；最后，提出基于误差度量的规则冲突解决方法，以增强互斥、完备的ABAC策略，并进一步基于多目标优化的策略性能平衡算法实现不同场景需求的最优模型选择。分别在平衡数据集和稀疏数据集上进行测试和验证，实验结果表明，该方法在平衡数据集上的准确性最高可达96.69%，可将策略规模压缩至原来的19.7%。在稀疏数据集上的准确性最高可达87.74%，可将策略规模压缩至原来的23%。此方法兼顾策略的预测精度与结构的简洁性，同时适用于平衡日志和稀疏日志，确保访问控制系统在实际应用中能够实现高效、安全的访问授权管理。

• 基于图像伪装与双向差值扩展的密文域可逆信息隐藏算法

  廖文兴,刘成语,林松,柳晓龙,

  数字图像在云环境下的安全性问题已成为信息安全领域的研究热点之一。为解决传统密文域可逆信息隐藏算法缺乏伪装性，容易受到恶意攻击与信息隐藏空间容量小的问题，提出了基于图像伪装加密与双向差值扩展的大容量密文域可逆信息隐藏算法。该算法首先利用矢量量化与离散小波变换两种技术对原始图像进行伪装加密，从而保证隐蔽性，使得图像在云环境中安全传递；其次采用基于双向差值扩展的信息隐藏技术对伪装加密图像进行秘密信息的嵌入，以实现高容量的信息隐藏。实验结果表明，所提算法不仅实现了图像伪装，而且最终得到的含密伪装图像与原始图像在视觉上无明显差别，峰值信噪比达到40 dB以上，对原始图像起到了很好的伪装效果；同时实现了高容量的秘密信息嵌入，图像平均嵌入率接近0.6 bpp，表现出了良好的实验性能。

• 面向爆炸压力场的体绘制自动传输函数设计

  陆曼君,解利军,祁佳晨,王攀,姚成宝,

  直接体绘制广泛应用于可视化领域，其中传输函数决定了最终绘制的效果。大规模爆炸数据属于复杂的时变数据，其压力场的取值范围和分布会随时间剧烈变化。为了实现对冲击波传播特征的连续跟踪，提出了一种基于标量-时间梯度（scalar-temporal gradient，STG）二维空间的自动传输函数设计方法。结合爆炸过程中的物理规律，将STG空间划分为多种状态并总结了状态之间的转移规律。将冲击波的传播特征编码为一段一定长度的状态转移链（state transitions chain，STC），称为时变特征。传输函数中的颜色以时变特征为单位，基于完全状态转移链自动分配。传输函数中的不透明度采用基于压强变化速率的分段非线性曲线，凸显压强变化剧烈的特征。选取了两类典型的大规模爆炸场景对方法进行了验证，绘制结果中都包含了丰富的明显可区分的冲击波传播特征。结果表明，生成的传输函数在整个时间维度上都能稳定、准确地捕捉冲击波的传播特征。

• 基于网络流跟踪的信号灯检测方法

  武悦,陈海华,于乔烽,

  结合信号灯信息对机动车行进速度进行引导，减少机动车启停次数，可有效减少废气排放，缓解其造成的污染问题。针对信号灯转换时刻的获取问题，提出了一种基于网络流跟踪的信号灯检测方法。首先，该方法在数据集中引入辅助信号灯类别进行训练，将视频序列中该类目标检测结果关联为踪片，并通过踪片建模多目标跟踪任务。其次，该方法将多目标跟踪任务转换为最小费用流优化任务，以踪片作为节点建立最小费用流网络，提出了适合于信号灯的费用构建方式，通过最短路径算法求解，得到视频序列中辅助信号灯的多条轨迹。最后，基于求解的轨迹结果和图像分类技术，实现信号灯检测性能的提升。该方法的跟踪性能相较于对比算法有大幅提升，并将小目标信号灯检测响应的mAP提升至94.35%。实验结果表明，基于网络流的建模方式能极大地提升信号灯的跟踪准确率，结合跟踪轨迹还能大幅提高视频序列中小目标信号灯的检测准确率，并可有效确定信号灯状态的转换时刻。

• 轻量化改进XYZNet的RGB-D特征提取网络

  于建均,刘耕源,于乃功,龚道雄,冯新悦,

  针对用于位姿估计的RGB-D特征提取网络规模过于庞大的问题，提出一种轻量化改进XYZNet的RGB-D特征提取网络。首先设计一种轻量级子网络BaseNet以替换XYZNet中的ResNet18，使得网络规模显著下降的同时获得更强大的性能；然后基于深度可分离卷积设计一种多尺度卷积注意力子模块Rep-MSCA（reparameterized multi-scale convolutional attention），加强BaseNet提取不同尺度上下文信息的能力，并约束模型的参数量；最后，为了以较小的参数代价提升XYZNet中PointNet的几何特征提取能力，设计一种残差多层感知器模块Rep-ResP（re-parameterized residual multi-layer perceptron）。改进后的网络浮点计算量与参数量分别降低了60.8%和64.8%，推理速度加快了21.2%，在主流数据集LineMOD与YCB-Video上分别取得了0.5%与0.6%的精度提升。改进后的网络更适宜在硬件资源紧张的场景下部署。

• 基于边界辅助的弱监督语义分割网络

  杨大伟,迟津生,毛琳,

  由于弱监督语义分割任务中种子区域的随机生长机制，导致弱监督语义分割网络经常出现错分割和漏分割的问题，为此，提出一种基于边界辅助的弱监督语义分割网络。该网络利用边界信息和语义信息，为种子区域的生长提供参考，使种子区域可以自然生长至目标边界，并在目标被遮挡或重叠时正确区分目标类别，生成可以覆盖更完整目标的伪像素掩码。以此伪像素掩码作为监督信息训练分割网络，可以改善弱监督语义分割网络由于伪像素掩码无法准确覆盖目标区域导致的错分割和漏分割问题，提升弱监督语义分割网络精度。在通用数据集PASCAL VOC 2012验证集和测试集上对该网络进行评估，mIoU分别达到71.7%和73.2%。实验结果表明，其网络性能优于当前大多数图像级弱监督语义分割方法。

• 基于特征点动态选择的三维人脸点云模型重建

  陈素雅,何宏,

  针对典型的点云配准方法中伪特征点过多导致配准效率低和配准结果不精确的问题，提出一种基于特征点动态选择的三维人脸点云模型重建方法。该方法在粗配准阶段，采用动态特征矩阵求解法获取粗匹配特征变换矩阵以避免伪特征点的干扰。在精配准过程中，采用二次加权法向量垂直距离法在人脸流形表面选择更有效的特征点以减少伪特征点的数量，并采用基于特征融合与局部特征一致性的迭代最近点方法进行精配准。经过对比实验验证了算法的可行性，实验结果表明，该算法能够实现高精度且快速的三维人脸点云模型重建，且均方根误差达到1.816 5 mm，相较其他算法，其在模型重建精度和效率方面都有所提升，具有良好的应用前景。

• 基于多尺度特征融合和对比池化的点云补全网络

  马精彬,朱丹辰,张亚,王晓明,

  点云补全在点云处理任务中具有重要作用，它可以提高数据质量、辅助生成精确三维模型，为多种应用提供可靠的数据支撑。然而，现有基于深度网络的点云补全算法采用的单层次全局特征提取方法较为简单，没有充分挖掘潜在语义信息，并在编码过程中丢失部分细节信息。为解决这些问题，提出了一种多尺度特征逐级融合的点云补全网络，并结合注意力机制提出了一种全新的池化方法。实验结果表明，在PCN、ShapeNet34和ShapeNet55三个数据集上取得了SOTA水平，证明该网络具有更好的特征表示能力和补全效果。