计算机应用研究杂志

计算机应用研究杂志2024年第4期

• 卷积神经网络的正则化方法综述

  陈琨,王安志,

  近年来，卷积神经网络已经广泛应用于计算机视觉各个领域中并取得了显著的效果。正则化方法是卷积神经网络的重要组成部分，它能避免卷积神经网络在模型训练的过程中出现过拟合现象。目前关于卷积神经网络正则化方法的综述较少，且大多缺乏对新提出的正则化方法的总结。首先对卷积神经网络中的正则化方法相关文献进行详细的总结和梳理，将正则化方法分为参数正则化、数据正则化、标签正则化和组合正则化；然后在ImageNet等公开数据集上，基于top-1 accuracy、top-5 accuracy等评价指标，对不同正则化方法的优缺点进行对比分析；最后讨论了卷积神经网络的正则化方法未来的研究趋势和工作方向。

• 车联网安全标准综述

  底晓强,曹金辉,魏心悦,李旭生,戴维一,李木犀,

  车联网（IoV）安全标准是保障车联网产业发展的压舱石。为了让研究者全面清晰的了解IoV产业的安全需求，基于IoV的“云-管-端”三层体系架构，从IoV安全标准视角出发，统计分析了IoV的安全标准和政策文件，对比分析了国际和国内标准化组织发布的IoV安全标准的侧重点、总结了各层的安全需求、防护技术和安全标准之间的对应关系，给出了IoV安全标准的发展趋势和建设建议。

• 一种监管友好的可编辑区块链方案

  俞望年,赵赫,谭海波,程昊天,赵越,马志宇,

  现有区块链内容监管方案均采用事后治理方式，缺乏事前审计，且存在签名失效和多版本区块验证效率低的问题。针对这些问题，首先，设计了一种可动态调整可追责的数据审计方法，实现了对区块链交易数据的事前审计；其次，设计了一种编辑可控的数字签名方案RCDSS（redaction-controlled digital signature scheme），解决了因编辑操作造成的签名失效问题；最后，设计了一种区块链数据一致性验证协议，实现了对查询结果的高效验证。安全分析和性能测试结果表明了其安全性和有效性。该方案在实现监管可控的情况下，仍然保持了较高的区块生成和验证效率，为区块链内容监管提供了一种新的解决思路。

• 基于节点动态评分机制的分组共识算法

  沈学利,李欣儒,

  针对实用拜占庭容错（practical Byzantine fault tolerance，PBFT）共识算法三阶段流程通信开销大，主节点随机选取且缺乏奖惩机制等问题，提出基于节点动态评分机制的分组共识算法（dynamic scoring practical Byzantine fault tolerance，DS-PBFT）。首先，优化一致性协议，简化三阶段通信流程从而提高共识效率；其次，提出节点评分分组机制，通过节点在共识过程中的历史行为进行评分，并分为共识组和候选组，降低恶意节点参与共识过程的可能性；最后，提出动态过程选择参与共识的节点，优化视图切换协议和垃圾回收机制，减少参与共识的节点数量，从根本上提高共识效率。用Docker容器模拟多个节点的仿真实验表明，在网络稳定、可信节点较多的联盟链中，提出的DS-PBFT共识算法在共识时延、吞吐量、容错性和通信复杂度等方面比PBFT共识算法及其他改进算法相比具有更好的性能，能够快速达成共识，提高共识效率。

• CS-Raft:适用于联盟链的拜占庭容错共识算法

  翟社平,聂浩楠,陆娴婧,杨锐,

  针对目前联盟链共识算法的性能不足，提出了一种基于信用评分的可拜占庭容错联盟链共识算法CS-Raft。首先，为所有节点赋予信用评分属性，节点的信用评分根据节点的共识行为、活跃度、加入集群时间等指标进行更新，信用评分越高代表节点可信度越高；其次，根据节点信用评分选取监督节点，监督节点具有检验权，可以参与领导人选举，监督节点的设置可以有效抵抗拜占庭恶意节点的攻击；最后，改善了领导人选举中选票分裂问题，对领导人选举的速度进行提升。经实验分析，CS-Raft算法相较于PBFT算法在实现拜占庭容错的同时，有效地减少了共识时间延迟、提高了系统吞吐量，并加快了其领导人选举速度。

• 基于特征增强与时空信息嵌入的涡扇发动机剩余寿命预测

  李勇成,李文骁,雷印杰,

  针对现有的剩余寿命预测方法对原始数据利用率不高以及多维数据特征提取能力不足的问题，提出了一种基于特征增强和时空信息嵌入的卷积神经模型。首先，通过特征增强模块在原始数据基础上进一步提取工况特征与手工特征作为辅助特征；其次，提出了时空嵌入模块，对原始数据进行时空信息编码以嵌入时间序列信息和空间特征信息；最后，拼接上述特征并通过回归预测模块捕获数据内在关系得到回归预测结果。在通用的涡扇发动机模拟数据集（C-MAPSS）上对该模型预测效果进行了测试。实验结果表明，与现有主流深度学习方法相比，该模型在四个子集上的均方根误差平均减少了8.8%，且在多工况的运行条件和故障类型下，其预测精度均优于现有先进算法，充分证明了该模型在涡扇发动机剩余使用寿命预测方面的有效性和准确性。

• 模型未知的离散事件系统故障诊断方法

  张志恒,王德光,

  针对离散事件系统模型难以建立的大型实际系统，无法对其进行有效故障诊断的问题，提出一种基于主动学习的故障诊断方法。首先，为获取到的系统事件日志添加正常/故障标签，并将日志集划分为训练集和测试集，提出一种基于抽象技术的迭代算法提取训练集中日志的故障特征样本。然后，通过故障特征样本构造初始故障识别器，并利用测试集中的日志检验识别器的准确性。仿真结果表明，该故障诊断算法使得模型未知下诊断精度更高。最后，实例说明系统模型未知下故障诊断算法的应用。与现有研究相比，提出的方法可以在系统模型未知下进行故障诊断且算法复杂度为多项式，诊断精度更高，应用范围更加广泛。

• 基于申威NMII的锁死故障监测与诊断

  郜晨,何升,杭骁骞,

  国产申威处理器的不可屏蔽核间中断（NMII）具有必须由某一核心主动发起的特性，导致目前无法适用Linux通用的锁死故障监测算法，严重情况下将影响关键领域的数据处理。针对该问题设计适用于申威架构的锁死故障监测与诊断系统。采用链式结构发送NMII请求，结合定时器事件和内核线程进行锁死时间戳检查，实现系统内单核心的软锁死与硬锁死监测；基于故障容错机制，采用主从式结构监测所有核心状态，当主核心发生故障时，执行容错措施并迁移主核心，实现系统内多核心故障的锁死监测；设计基于NMII的任务模型，实现锁死故障核心的诊断信息输出并扩展NMII应用场景。测试结果表明，所提算法在低与高故障风险下均可实现锁死故障的准确检出并作出实时诊断，满足申威平台锁死故障监测与诊断的可靠性与实时性要求。

• 基于图嵌入编码形态信息的非均匀多任务强化学习方法

  贺晓,王文学,

  传统强化学习方法存在效率低下、泛化性能差、策略模型不可迁移的问题。针对此问题，提出了一种非均匀多任务强化学习方法，通过学习多个强化任务提升效率和泛化性能，将智能体形态构建为图，利用图神经网络能处理任意连接和大小的图来解决状态和动作空间维度不同的非均匀任务，突破模型不可迁移的局限，充分发挥图神经网络天然地利用图结构归纳偏差的优点，实现了模型高效训练和泛化性能提升，并可快速迁移到新任务。多任务学习实验结果表明，与以往方法相比，该方法在多任务学习和迁移学习实验中均表现出更好的性能，在迁移学习实验中展现出更准确的知识迁移。通过引入图结构偏差，使该方法具备更高的效率和更好的迁移泛化性能。

• 基于Informer算法的网联车辆运动轨迹预测模型

  赵懂宇,王志建,宋程龙,

  自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹，并作出反应以降低行车风险，而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。为解决这一问题，提出了一种以Informer算法为基础的轨迹预测模型，并根据公开数据集NGSIM进行实验分析。首先通过对称指数移动平均法（sEMA）对原始数据进行滤波处理，并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理，减少了不同车辆之间的运动误差，通过考虑车辆的本身速度信息与周围环境的车辆运动信息，提高了预测精度，最后经过解码器得到未来时刻的车辆轨迹分布。结果表明，模型对车辆的轨迹预测误差在0.5 m以内；通过对轨迹预测的MAE与MSE结果分析可知，预测时间超过0.3 s以后，Informer模型的轨迹预测效果明显优于其他算法，验证了模型和算法的有效性。

• TRGATLog：基于日志时间图注意力网络的日志异常检测方法

  陈旭,张硕,景永俊,王叔洋,

  为解决现有日志异常检测方法往往只关注定量关系模式或顺序模式的单一特征，忽略了日志时间结构关系和不同特征之间的相互联系，导致较高的异常漏检率和误报率问题，提出基于日志时间图注意力网络的日志异常检测方法。首先，通过设计日志语义和时间结构联合特征提取模块构建日志时间图，有效整合日志的时间结构关系和语义信息。然后，构造时间关系图注意力网络，利用图结构描述日志间的时间结构关系，自适应学习不同日志之间的重要性，进行异常检测。最后，使用三个公共数据集验证模型的有效性。大量实验结果表明，所提方法能够有效捕获日志时间结构关系，提高异常检测精度。

• 基于周期图卷积与多头注意力GRU组合的交通流量预测模型

  钟林岚,张安勤,田秀霞,

  为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征，同时避免道路突发情况引起的误差累计效应，提出一种基于周期图卷积（periodic graph convolution network，PGCN）与多头注意力门控循环单元（multi-head attention gated recurrent unit，MAGRU）组合的交通流量预测模型。首先，模型的时空数据融合模块利用交通流量的周期相似性构建周期图，同时将空间和时间编码信息添加至交通流量序列数据；然后在时空特征提取模块中，GCN子模块捕获周期特征图中的空间特征，MAGRU子模块捕获序列数据中的时间特征；最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明，该模型相较于多个最新基准模型，在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%，R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进，并能有效减少误差累积效应。

• 一种基于信息熵加权的属性约简算法

  罗帆,蒋瑜,

  针对现有邻域粗糙集模型中存在属性权重都相同，无法保证关键属性在属性约简时能够被保留的问题，提出了一种基于信息熵加权的属性约简算法。首先，采用了类间熵、类内熵策略，以最大化类间熵最小化类内熵为原则给属性赋予权重；其次，构造了基于加权邻域关系的加权邻域粗糙集模型；最后，基于依赖关系评估属性子集的重要性，从而实现属性约简。在基于UCI数据集上与其他三种属性约简算法进行对比实验，结果表明，该算法能够有效去除冗余，提高分类精度。

• 基于任务权重自动优化的多任务序数回归算法

  曾梦岳,肖燕珊,刘波,

  目前，只有少量面向多任务学习的序数回归方法。这些方法假设不同的任务具有相同的权重，对整体模型具有相同的贡献。然而，在真实应用中，不同任务对于整体模型的贡献往往是不同的。为此，提出了一种基于任务权重自动优化的多任务序数回归算法。首先，提出了基于支持向量机的多任务序数回归模型，通过分类器参数共享，实现不同任务之间的信息迁移；其次，考虑到不同任务对整体模型可能具有不同贡献，赋予每个任务一个权重，这些权重将在学习过程中自动优化求解；最后，采用了启发式框架，交替地建立多任务序数回归模型和优化任务权重。实验结果表明，提出方法相比于其他多任务序数回归方法，平均0-1误差降低了3.8%~12.3%，平均绝对误差降低了4.1%~11%。考虑了每个任务的不同权重，通过自动优化这些权重，降低了多任务序数回归模型的分类误差。

• 基于网格近邻优化的密度峰值聚类算法

  刘继,杨金瑞,

  密度峰值聚类（DPC）将数据样本点的局部密度和相对距离进行结合，能对任意形状数据集进行聚类处理，但密度峰值聚类算法存在主观选择截断距离、简单分配策略和较高时间复杂度等问题。为此，提出了一种基于网格近邻优化的密度峰值聚类算法（KG-DPC算法）。首先对数据空间进行网格化，减少了样本数据点之间距离的计算量；在计算局部密度时不仅考虑了网格自身的密度值，而且考虑了周围k个近邻的网格密度值，降低了主观选择截断距离对聚类结果的影响，提高了聚类准确率，设定网格密度阈值，保证了聚类结果的稳定性。通过实验结果表明，KG-DPC算法比DBSCAN、DPC和SDPC算法在聚类准确率上有很大提升，在聚类平均消耗时间上DPC、SNN-DPC和DPC-NN 算法分别降低38%、44%和44%。在保证基本聚类准确率的基础上，KG-DPC算法在聚类效率上有特定优势。

• 基于时效性和相关性约束的周期模式挖掘

  闫海博,荀亚玲,任姿芊,侯亚飞,胡晓莹,

  传统周期模式挖掘忽略了模式本身的相关性和时效性，导致获取到一些实用价值有限的弱相关且时效性较低的模式。因此，提出了新颖的基于时效性和相关性约束的周期模式挖掘方法（correlation and recency periodic frequent pattern-breadth first search，CRPFP-BFS）和（correlation and recency periodic frequent pattern-depth first search，CRPFP-DFS）。将给定的数据库压缩到一个列式结构的列表CRPFP-List中，CRPFP-BFS和CRPFP-DFS 分别采用广度优先和深度优先搜索方式递归地进行挖掘，同时利用支持度、周期、时效性以及相关性剪枝策略减少搜索空间，以有效地发现相关时效周期模式。与当前最先进算法在密集数据集和稀疏数据集上进行对比实验，结果表明CRPFP-BFS和CRPFP-DFS具有较低的内存占用和更高的运行效率，并且具有良好的可扩展性，其中CRPFP-DFS适合于内存要求严格的情况，CRPFP-BFS在长事务稀疏数据集下的运行效率更高。

• 基于可重构阵列的CNN数据量化方法

  朱家扬,蒋林,李远成,宋佳,刘帅,

  针对卷积神经网络（CNN）模型中大量卷积操作，导致网络规模大幅增加，从而无法部署到嵌入式硬件平台，以及不同粒度数据与底层硬件结构不协调导致计算效率低的问题，基于项目组开发的可重构阵列处理器，面向支持多种位宽的运算单元，通过软硬件协同和可重构计算方法，采用KL（Kullback-Leibler）散度自定义量化阈值和随机取整进行截断处理的方式，寻找参数定长的最佳基点位置，设计支持多种计算粒度并行操作的指令及其卷积映射方案，并以此实现三种不同位宽的动态数据量化。实验结果表明，将权值与特征图分别量化到8 bit可以在准确率损失2%的情况下将模型压缩为原来的50%左右；将测试图像量化到三种位宽下进行硬件测试的加速比分别达到1.012、1.273和1.556，最高可缩短35.7%的执行时间和降低56.2%的访存次数，同时仅带来不足1%的相对误差，说明该方法可以在三种量化位宽下实现高效率的神经网络计算，进而达到硬件加速和模型压缩的目的。

• 融合小生境机制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、算法过早收敛等问题，提出一种融合小生境的麻雀搜索算法NSSA。首先，NSSA使用一种基于发现者相似性形成自适应物种的小生境策略将麻雀种群自动划分为以发现者为中心的若干个小种群或物种，且使跟随者朝所属物种内的发现者位置移动，以保持种群的多样性。其次，通过结合模糊逻辑的差分变异并使用发现者所属物种内的其他个体信息对发现者进行变异操作，以提高算法跳出局部最优的能力。选用CEC2017测试集中的12个函数作为实验测试集，将NSSA与CSSOA、ISSA、MSSSA、SHSSA、MSWOA进行性能测试。实验结果表明，在大多数多峰目标函数上，NSSA与排名第二的算法相比，收敛精度提升了10%以上。对NSSA的各改进策略进行了消融实验，结果表明，在综合改进策略的共同作用下，NSSA的综合优化性能排名第一。最后将NSSA应用于压力容器设计问题，结果表明，相比于其他算法，NSSA仍能够获得最优的解。

• 融入武装部队的鲸鱼优化算法用于社区发现

  张其文,关定坤,

  针对于鲸鱼优化算法（WOA）多样性不足、两搜索阶段信息交流效率低、不平衡的问题，这里借用武装部队协同作战机理，提出一种新的WOA用于社区发现。为解决包围捕食阶段多样性不足的问题，引入“邻居潜力”学习模型，提高WOA的全局搜索能力和学习广度；为解决两捕食阶段信息交流效率的低问题，提出鲸鱼指挥官领导的气泡网捕食，确保搜索信息能有效利用；为解决两种捕食机制不平衡的问题，采用改进的学习自动机引导鲸鱼种群向有希望区域移动。同时，考虑到复杂网络社区发现是离散问题，提出了一种基于拓扑特性的新编码离散演化规则。最后，通过真实数据集测试并与其他算法比较，结果表明，该算法相较于对比算法具有更优的寻优能力，验证了算法的有效性。

• MCI患者高阶动态功能连接的图论网络构建方法及分类

  王霞,王勇,吴海锋,张珊,王卓然,

  针对在低阶脑网络应用图论忽视了功能连接高阶动态性的问题，提出了一种基于高阶动态功能连接的图论网络构建方法（GNC-HodFC），提取高阶FC网络的图论特征以对轻度认知障碍患者和健康被试者进行差异性分析及分类。首先定义了表征高阶动态脑网络连接的图论节点和边；然后利用滑动窗相关技术提取低阶功能连接信息，提出平稳性判据，选取最优特征子集以构建图论的节点；最后提出自适应阈值策略对高阶动态功能连接信息进行选取以构建图论的边，最终完成高阶动态脑网络的图构建。实验结果表明，GNC-HodFC的平均分类准确率可以达到70.5%，优于其他三种对比方法，且患者组和健康组的图论特征中存在显著性差异，GNCHodFC方法可以为轻度认知障碍的诊断提供新的辅助手段。

• 二级垃圾回收中转设施选址问题的降阶回溯算法

  刘书傲,宁爱兵,林道晗,刘睿石,张惠珍,

  随着我国城市化进程的加快和经济的高速发展，城市中因生产生活所产生的垃圾废料量日益增加，如何有效地建立回收中转设施是当前社会需要解决的问题。对二级垃圾回收设施选址问题进行研究，其实质为组合优化中的NP-hard问题。首先根据实际情况对二级垃圾回收中转设施选址问题进行数学建模，研究该问题的数学性质并给予证明，利用这些性质减小问题规模，降低求解难度；然后设计符合该问题的分配子算法、上下界子算法，基于以上算法提出一种可以在减小问题规模的同时得到精确解的降阶回溯算法；最后通过分析和模拟若干个示例进一步阐述该算法的原理及执行过程，结果表明该算法能通过减小问题规模，降低问题求解的难度。

• 基于双分支注意力U-Net的语音增强方法

  曹洁,王宸章,梁浩鹏,王乔,李晓旭,

  针对语音增强网络对全局语音相关特征提取困难、对语音局部上下文信息的捕捉效果不佳的问题，提出了一种基于双分支注意力U-Net的时域语音增强方法，该方法使用U-Net编码器-解码器结构，将单通道带噪语音经过一维卷积后得到的高维时域特征作为输入。首先利用残差连接设计了基于Conformer的残差卷积来增强网络降噪的能力。其次设计了双分支注意力机制结构，利用全局和局部注意力获取带噪语音中更丰富的上下文信息，同时有效表示长序列特征，提取更多样的特征信息。最后结合时域频域损失函数构建了加权损失函数对网络进行训练，提高网络的语音增强性能。使用了多个指标对增强语音的质量和可懂度等进行评价，在公开数据集Voice Bank+DEMAND上的增强后的语音感知质量（PESQ）为3.11，短时可懂度（STOI）为95%，信号失真度（CSIG）为4.44，噪声失真测（CBAK）为3.60，综合质量测度（COVL）为3.81，其中PESQ相较于SE-Conformer提高了7.6%，相较于TSTNN提高了5.1%。实验结果表明，所提方法在语音降噪的各个指标都表现出更优的实验结果，能够完成语音增强任务的相关要求。

• 改进双向动态JPS算法的移动机器人全局路径规划

  刘荣华,王欣,吴迪,谢春圆,

  针对跳点搜索（jump point search，JPS）算法在寻路过程中所存在的路径拐点多、中间搜索跳点数多、寻找跳点的过程中扩展节点数多和寻路时间较长等问题，提出改进双向动态JPS算法。改进算法动态定义正、反扩展方向上的目标点，动态定义启发函数，并利用动态约束椭圆对算法的扩展区域加以限制，以区分椭圆内、外区域的扩展优先级。在算法从起点和目标点两个方向上分别向对方进行扩展的过程中，以寻找到的新的代价最小点为新椭圆的焦点，椭圆的方位和约束区域也随之动态调整。仿真结果表明，经过优化改进的双向动态JPS算法在一般地图中有一定的表现，在障碍物较少且目标点距离起点较近的室内环境地图中表现尤为良好。

• 基于对比学习的心电信号情绪识别方法

  龙锦益,方景龙,刘斯为,吴汉瑞,张佳,

  现有的机器学习和深度学习在解决基于心电信号的情绪识别问题时主要使用全监督的学习方法。这种方法的缺点在于需要大量的有标签数据和计算资源。同时，全监督方法学习到的特征表示通常只能针对特定任务，泛化性较差。针对这些问题，提出了一种基于对比学习的心电信号情绪识别方法，该方法分为预训练和微调两步。预训练的目的是从未标记的心电数据中学习特征表示，具体为：设计了两种简单高效的心电信号增强方式，将原始数据通过这两种数据增强转换成两个相关但不同的视图；接着这两种视图在时间对比模块中学习鲁棒的时间特征表示；最后在上下文对比模块中学习具有判别性的特征表示。微调阶段则使用带标记数据来学习情绪识别任务。在三个公开数据集上的实验表明，该方法在心电信号情绪识别准确率上与现有方法相比提高了0.21%~3.81%。此外，模型在半监督设定场景中表现出高有效性。

• 基于模态语义增强的跨模态食谱检索方法

  李明,周栋,雷芳,曹步清,

  在跨模态食谱检索任务中，如何有效地对模态进行特征表示是一个热点问题。目前一般使用两个独立的神经网络分别获取图像和食谱的特征，通过跨模态对齐实现跨模态检索。但这些方法主要关注模态内的特征信息，忽略了模态间的特征交互，导致部分有效模态信息丢失。针对该问题，提出一种通过多模态编码器来增强模态语义的跨模态食谱检索方法。首先使用预训练模型提取图像和食谱的初始语义特征，并借助对抗损失缩小模态间差异；然后利用成对跨模态注意力使来自一个模态的特征反复强化另一个模态的特征，进一步提取有效信息；接着采用自注意力机制对模态的内部特征进行建模，以捕捉丰富的模态特定语义信息和潜在关联知识；最后，引入三元组损失最小化同类样本间的距离，实现跨模态检索学习。在Recipe 1M数据集上的实验结果表明，该方法在中位数排名（MedR）和前K召回率（R@K）等方面均优于目前的主流方法，为跨模态检索任务提供了有力的解决方案。

• 面向降雨预报的雷达回波预测序列外推方法

  罗健文,邹茂扬,杨昊,陈敏,杨康权,

  雷达回波外推方法广泛应用于降雨预报中。针对雷达回波中的预测精度不够高的问题，提出了一种基于循环神经网络的深度学习模型DIPredRNN。该模型通过引入空间和通道的双注意力机制，将长时间的时间信息和通道信息结合起来，提高了时间记忆的长期依赖；通过引入隐藏状态和输入的交互框架，保留了更多的特征，提高了时间记忆的短期依赖。该模型在HKO-7数据集和四川数据集上同经典模型以及诸多先进模型进行实验对比，该模型从外推图像、MSE、SSIM、CSI-30~50 dbz多个指标对比中都取得最佳效果。实验证明了DIPredRNN提高了雷达回波预测效果，拥有先进的性能。

• 移动边缘计算中的无人机三维部署和内容缓存优化方法

  唐焕博,陈星,张建山,

  随着无线网络中的移动数据流量爆炸式增长，支持高速缓存的无人机被应用于移动计算领域充当边缘服务器，为网络中的用户提供按需服务。为了在满足其他资源约束的条件下，给用户带来更好的体验，通过联合优化无人机部署、缓存放置和用户关联以实现最小化所有用户的内容访问时延，并为用户提供质量不同的内容缓存服务。针对多无人机和地面基站协同提供缓存服务的场景，提出了一种基于迭代优化的联合优化算法。该算法通过迭代求解由目标问题分解得到的三个子问题的方式来获得具有收敛性保证的次优解决方案。首先，采用基于连续凸近似的算法求解无人机部署子问题；其次，采用基于贪心的算法求解内容缓存子问题；然后，利用基于罚函数的连续凸近似算法求解用户关联子问题；最后，对上述过程重复迭代，得到目标问题的一个次优解。多次仿真实验验证了所提算法的有效性和可行性。仿真结果表明，与基准算法相比，所提联合优化算法在平均内容访问时延、缓存命中率两方面均具有更好的性能。

• 基于联邦共识机制的多视频流带宽分配策略

  张春阳,杨志刚,刘亚志,李伟,

  针对瓶颈链路中视频带宽分配不均导致的用户QoE不公平以及带宽利用率低的问题，提出了一种基于联邦深度强化学习的分布式视频流公平调度策略。该策略能够根据客户端网络状态和视频QoE等级动态生成带宽分配权重因子，服务器端的拥塞控制算法则根据带宽分配权重因子为瓶颈链路中的每个视频流分配带宽，以保障瓶颈链路中视频流的公平传输。每个视频终端都运行一个带宽分配agent，且多个agent以联邦学习的方式周期性地训练，以便代理模型能够快速收敛。带宽分配agent通过共识机制同步联邦训练参数，实现了在异步播放请求条件下带宽分配agent模型参数的分布式聚合，并确保了agent模型参数的安全共享。实验结果表明，与最新方案相比，提出策略在QoE公平性和整体QoE效率方面分别提高了10%和7%，这表明提出策略在解决视频流带宽分配不均问题和提升用户体验方面具有潜力和有效性。

• 智能反射面辅助的OFDM系统稀疏信道估计研究

  朱俊杰,彭玲,

  针对智能反射面（IRS）辅助的宽带正交频分复用（OFDM）系统的信道估计，当前大多数研究都是基于单符号全导频设置，且级联信道系数过多会导致导频开销较大。为此，提出了一种基于时域-角域块稀疏的两阶段信道估计方案。首先，通过分析信道在时域和角域上存在的共同稀疏特性，将级联信道矩阵转换为时域-角域上的块稀疏表示，并将信道估计问题转换为块稀疏矩阵恢复问题。其次，考虑传输导频限制和时域-角域块稀疏特性，提出了一种两阶段稀疏信道估计方案对级联信道进行稀疏恢复。仿真结果表明，相比另外三种基准方案，该方案可以使用较少的导频获得更优的信道估计性能，有效减少了导频开销，且估计准确度更高。

• 基于进化多任务多目标优化的边缘计算任务卸载

  孔珊,郑玉琦,

  目前边缘计算卸载的主流方案是将其建模为一个多目标优化问题，即最小化能耗和延时。不同于已有研究，主要考虑边缘计算中，不同卸载区域的任务具有一定的相似性，可以利用任务的相似性加快算法的收敛速度和求解效果。以此基于进化多任务优化，提出一种进化多任务多目标优化算法求解不同区域的任务卸载问题。该算法考虑了多个独立的待优化区域，将每个区域的任务卸载系统模型建模为一个多目标优化问题。通过学习不同区域的用户分布和待处理任务的相似性来动态调节种群的交流程度，加快了收敛速度，通过一次进化，实现对两个不同区域的优化。实验结果表明，算法在收敛速度及最优解分布的均匀性上均取得较好效果，可以获得边缘计算下的卸载部署优化方案。

• 一种基于联邦学习参与方的投毒攻击防御方法

  刘金全,张铮,陈自东,曹晟,

  联邦学习分布式的训练结构易受到投毒攻击的威胁，现有方法主要针对中央服务器设计安全聚合算法以防御投毒攻击，但要求中央服务器可信且中毒参与方数量需低于正常参与方。为了解决上述问题，提出了一种基于联邦学习参与方的投毒攻击防御方法，将防御策略的执行转移到联邦学习的参与方。首先，每个参与方独立构造差异损失函数，通过计算全局模型与本地模型的输出并进行误差分析，得到差异损失权重与差异损失量；其次，依据本地训练的损失函数与差异损失函数进行自适应训练；最终，依据本地模型与全局模型的性能分析进行模型选取，防止中毒严重的全局模型干扰正常参与方。在MNIST与FashionMNIST等数据集上的实验表明，基于该算法的联邦学习训练准确率优于DnC等投毒攻击防御方法，在中毒参与方比例超过一半时，正常参与方仍能够实现对投毒攻击的防御。

• 基于JPEG图像的模块化可逆信息隐藏方法

  张成,欧博,廖鑫,

  当前的可逆信息隐藏方法为了寻求更好的嵌入性能，通常会基于给定的图像内容对修改模式和嵌入参数作出自适应的调整。然而，通过细化自适应程度或扩大解空间来寻找更优解时，会造成计算复杂度高、时间成本难以承受等问题。为此，提出了一种适用于JPEG图像的模块化可逆嵌入方法来提高自适应寻优的效率。通过比较不同情况下最优解的嵌入性能，对原有的解空间进行优化、筛选，从而生成一个适用于不同图像的通用修改模式集合。每一个修改模式被定义为在多直方图修改框架下的最优嵌入点集合。在嵌入时，为给定的图像内容自适应地从预设的解集中选定合适的修改模式。实验在USC-SIPI数据集上与五个具有代表性的方法进行了比较。相比于同类算法，所提算法可将峰值信噪比提升0.03~1.81 dB。对于文件大小扩展，所提算法的性能结果可比两个经典方法分别减少12.4%和5.1%。实验结果表明，相比于主流经典方法，该方法在含密图像质量和文件大小扩展方面有更好的性能表现，并能以较低的计算复杂度取得与最近的高效方法相近的自适应嵌入效果。

• 多级敏感区域室内定位中的隐私保护算法

  宋威燃,黄芯怡,乐燕芬,

  随着城市智能化发展，室内定位技术已成为各类位置服务的重要应用基础。在一些室内应用场景中，服务器端需要在保护用户位置隐私的前提下，完成特定区域的用户访问统计。为此，提出了一种基于布隆过滤器和Paillier同态加密的多级敏感区域室内定位算法，旨在保护用户位置隐私的同时服务器能判断用户是否进入特定区域。算法根据区域的类别或敏感级别对室内进行划分，利用Paillier算法对服务器端和用户端的数据进行加密，设计了一种改进的基于布隆过滤器的算法在密文域完成用户位置的判定，减少了加密运算带来的巨大通信开销与计算开销。在公共数据集上的实验结果表明，与已有的空间布隆过滤器算法相比，提出的哈希数组合并算法在同样的通信和计算开销时具有更低的误判率，也可扩展至其他应用中实现多类数据集的编码。

• 适用于智能家居的格上基于身份多方认证密钥协商协议

  倪亮,刘笑颜,谷兵珂,张亚伟,周恒昇,王念平,

  随着物联网应用的日益普及，物联网设备终端数量激增、种类多样、层次复杂，常处于不可控的环境之中，因此，确保数据传输过程的安全性和隐私性至关重要。对基于物联网架构的智能家居服务进行探讨得出，启用智能家居应用需涉及多个方面，如用户、云、物联网智能集线器（the IoT smart hub，ISH）和智能设备，它们需要多方验证以进行安全通信。由此提出了一种针对智能家居应用的格上基于身份多方认证密钥协商协议，并证明在eCK模型下是安全的。其安全性可以归约到环上带误差学习（ring learning with errors，RLWE）问题的困难性，能够抗量子计算攻击。所提协议由一个格上基于身份的加密方案转换而成，无须公钥证书，避免了部署一个庞大的公钥基础设施（public key infrastructure，PKI）。通过信息交互实现显式认证，且可具有一定的匿名性质，与其他相关的后量子格上多方认证密钥协商协议方案相比，该协议在安全性和执行效率方面更具优势。

• 面向电力物联网流数据的一种具有隐私保护的KNN查询方法

  易叶青,易颖杰,刘云如,毛伊敏,

  电力物联网是一个智慧服务系统，为人们提供了状态全面感知、信息高效处理、应用便捷灵活的服务，然而在享受服务的同时却面临着隐私泄露的风险。目前有关电力数据的隐私保护的成果主要集中在安全聚合，对于诸多基础服务的核心技术（如KNN查询）却鲜有涉及。与传统关系型数据不同的是，电力物联网采集的是用户用电的流数据，并且电力参数的各数据之间还具有动态相关性，攻击者可以通过数据挖掘等手段推测未来数据的变化趋势。为此，提出了一种具有隐私保护的KNN查询方法。首先，提出了基于桶距离的相似性度量模型，并证明了桶距离的相似性度量模型与基于欧氏距离的相似性度量模型的误差上界和下界；同时通过该模型，能将相似性度量转换为集合的交操作；构造了一种隐私保护函数，通过代入不同参数，可为各智能终端生成不同的数据隐私保护函数和查询隐私保护函数；在此基础上，提出了基于桶划分和随机数分配的数据编码方案，编码数据经过隐私保护函数加密后，具有密文不可区分的特点，能有效抵抗选择明文攻击、数据挖掘攻击、统计分析攻击、ICA攻击以及推理预测等攻击手段。分析和仿真表明，提出的安全KNN查询方法不仅具有较高的安全性，而且开销较低。

• 边缘辅助群智感知位置隐私保护多任务分配机制

  敖山,常现,王辉,申自浩,刘琨,刘沛骞,

  为了解决群智感知中隐私泄露和多任务分配的问题，提出了一种边缘辅助群智感知位置隐私保护（EALP）多任务分配机制。首先，考虑群感知任务具有地理相近特征，利用改进的模糊聚类（FCM）算法对任务位置进行聚类组合，改进聚类数目指标，提高多任务分配的合理性。接着，为了防止云平台和感知用户之间的共谋，在任务分配阶段，提出一种位置隐私保护协议，在感知用户、云服务器和边缘节点之间部署同态加密，云感知平台能够安全地计算感知用户的移动距离，而不知道感知用户的位置和任务聚类中心位置。最后，提出了一种基于蚁群算法多任务分配优化方案，兼顾平台和感知用户两者利益，优化感知用户执行任务路径。实验结果表明，与同类方法相比，所提机制在保护位置隐私的前提下提高了任务完成率，降低了系统的感知成本和用户移动成本。

• 结合注意力机制与多尺度特征融合的视频彩色化方法

  周柯明,孔广黔,邓周灰,

  针对现有视频彩色化方法难以同时保证着色质量和时间一致性的问题，提出一种结合注意力机制和多尺度特征融合的视频彩色化方法AMVC-GAN。首先，提出以GAN为主体的视频彩色化网络模型，通过在GAN的生成器中设计以循环时间网络为主体的多尺度特征融合模块，来获取不同时间频率的信息；其次，为了有效地考虑相邻帧之间的关系，将不同时间频率提取的特征进行融合，加强帧与帧之间的联系，以此增强彩色化的时间一致性；最后，为了获取更多的有效信息，在主网络的上采样部分引入了注意力模块，并通过使用PatchGAN来对结果进行优化训练，以增强最终的着色效果。在DAVIS和VIDEVO数据集上与先进的全自动视频彩色化方法进行对比实验。结果表明，AMVC-GAN在多项指标上排名第一，具有更好的时间一致性和着色效果。相比于其他方法，AMVC-GAN能够有效地减少时间闪烁，同时保证着色效果更为真实、自然。

• TCSNGAN:基于Transformer和谱归一化CNN的图像生成模型

  钱惠敏,毛邱凌,陈实,韩怡星,吕本杰,

  生成对抗网络（generative adversarial network，GAN）已成为图像生成问题中常用的模型之一，但是GAN的判别器在训练过程中易出现梯度消失而导致训练不稳定，以致无法获得最优化的GAN而影响生成图像的质量。针对该问题，设计满足Lipschitz条件的谱归一化卷积神经网络（CNN with spectral normalization，CSN）作为判别器，并采用具有更强表达能力的Transformer作为生成器，由此提出图像生成模型TCSNGAN。CSN判别器网络结构简单，解决了GAN模型的训练不稳定问题，且能依据数据集的图像分辨率配置可调节的CSN模块数，以使模型达到最佳性能。在公共数据集CIFAR-10和STL-10上的实验结果表明，TCSNGAN模型复杂度低，生成的图像质量优；在火灾图像生成中的实验结果表明，TCSNGAN可有效解决小样本数据集的扩充问题。

• 基于可靠性集成的无监督域自适应行人重识别

  文锐,孔广黔,段迅,

  为了缓解基于伪标签的无监督域自适应行人重识别（UDA person ReID）方法中噪声标签带来的负面影响，提出了一种基于可靠性集成的无监督域自适应行人重识别（UDA-RI）方法。该方法包含渐进式伪标签提炼策略和基于可靠性集成策略两个部分。渐进式伪标签提炼策略通过建立一个不确定性的定量标准来衡量伪标签的可靠性，并采用渐进式采样使得模型得到更加稳定的训练。基于可靠性集成策略考虑了来自不同适应时刻的知识，将来自不同迭代的模型按照可靠性高低分配的权重进行了集成，并将自集成后的两种不同架构的模型再进行集成作为最终推理模型。实验表明，与目前先进的无监督域自适应行人重识别方法相比，UDA-RI方法在Market1501、DukeMTMC-ReID和MSMT17数据集上都取得了优越的性能。

• 基于形变估计与运动补偿的医学CT图像层间超分辨率算法

  郑智震,郑茜颖,俞金玲,

  针对医学断层图像层间分辨率较低的问题，提出了基于形变估计与运动补偿的医学CT图像层间超分辨率算法用于生成切片间图像，从而提高层间分辨率。首先利用U-Net对相邻两幅图像作多尺度特征提取与融合；其次，为了处理层间图像的复杂形变，使用基于自适应协作流的变形扭曲模块来实现相邻切片间的双向形变估计，设计层级信息递进融合模块对金字塔特征层进行特征聚合，对生成图进行运动补偿；最后经过后处理网络以减少异常像素点。该算法在两种CT数据集上进行验证，平均PSNR值分别达到了35.59 dB和30.76 dB，输出图能较好地恢复图像细节。与现有的一些方法对比，相关实验证明了该算法的有效性。

• 基于二重语义相关性图卷积网络的跨模态检索方法

  刘佳楠,范晶晶,赵建光,朱杰,

  随着深度神经网络的不断发展，跨模态检索模型的构建也随之取得了长足的进步。以图卷积网络（GCN）为基础的跨模态检索方法可以较好地捕获数据的语义相关性，因此越来越受到人们的关注。但是，目前大部分研究多将标签之间和样本之间的相关性融入到跨模态表示当中，并没有考虑到标签集合之间的相关性对于跨模态检索模型性能的影响。在多标签场景下，标签集合之间的多标签相关性可以有效地描述对应样本之间的语义关系，因此充分发现多标签相关性并将其融入到跨模态表示中，对于提高跨模态检索模型的性能有着重要的意义。提出了一种基于二重语义相关性图卷积网络 （dual semantic correlation graph convolutional networks，DSCGCN） 的跨模态检索方法，该方法利用GCN自适应地发现标签之间和多标签之间的语义相关性，并将此二重语义相关性融入到样本公共表示中。此外，还提出了一种多标签相似性损失，用于使生成的样本公共表示相似性更接近于语义相似性。通过在NUS-WIDE、MIRFlickr-25K和MS-COCO三个数据集上的实验可以发现，由于引入了多标签语义相关性，DSCGCN可以获得令人满意的检索效果。

• 基于多传感信息融合的语义词袋SLAM优化算法

  袁鹏,谷志茹,刘中伟,焦龙飞,毛麒云,

  针对室外大范围场景移动机器人建图中，激光雷达里程计位姿计算不准确导致SLAM （simultaneous localization and mapping）算法精度下降的问题，提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM（multi-sensor information fusion SLAM based on semantic word bags）。采用视觉惯性系统引入激光雷达原始观测数据，并通过滑动窗口实现了IMU （inertia measurement unit）量测、视觉特征和激光点云特征的多源数据联合非线性优化；最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化，进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示，相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位，MSW-SLAM算法能够有效探测轨迹中的闭环信息，并实现高精度的全局位姿图优化，闭环检测后的点云地图具有良好的分辨率和全局一致性。

• 改进视觉Transformer的视频插帧方法

  石昌通,单鸿涛,郑光远,张玉金,刘怀远,宗智浩,

  针对现有的视频插帧方法无法有效处理大运动和复杂运动场景的问题，提出了一种改进视觉Transformer的视频插帧方法。该方法融合了基于跨尺度窗口的注意力和可分离的时空局部注意力，增大了注意力的感受野并聚合了多尺度信息；对时空依赖和远程像素依赖关系进行联合建模，进而增强了模型对大运动场景的处理能力。实验结果表明，该方法在Vimeo90K测试集和DAVIS数据集上的PSNR指标分别达到了37.13 dB和28.28 dB，SSIM指标分别达到了0.978和0.891。同时，可视化结果表明，该方法针对存在大运动、复杂运动和遮挡场景的视频能产生清晰合理的插帧结果。

• AF-CenterNet:基于交叉注意力机制的毫米波雷达和相机融合的目标检测

  车俐,吕连辉,蒋留兵,

  对于自动驾驶领域而言，确保在各种天气和光照条件下精确检测其他车辆目标是至关重要的。针对单个传感器获取信息的局限性，提出一种基于cross-attention注意力机制的融合方法（AF），用于在特征层面上融合毫米波雷达和相机信息。首先，将毫米波雷达和相机进行空间对齐，并将对齐后的点云信息投影成点云图像。然后，将点云图像在高度和宽度方向上进行扩展，以提高相机图像和点云图像之间的匹配度。最后，将点云图像和相机图像送入包含AF结构的CenterNet目标检测网络中进行训练，并生成一个空间注意力权重，以增强相机中的关键特征。实验结果表明，AF结构可以提高原网络检测各种大小目标的性能，特别是对小目标的检测提升更为明显，且对系统的实时性影响不大，是提高车辆在多种场景下检测精度的理想选择。

• 基于卷积胶囊编码器和多尺度局部特征共现的图像分割网络

  秦辰栋,王永雄,张佳鹏,

  U-Net在图像分割领域取得了巨大成功，然而卷积和下采样操作导致部分位置信息丢失，全局和长距离的语义交互信息难以被学习，并且缺乏整合全局和局部信息的能力。为了提取丰富的局部细节和全局上下文信息，提出了一个基于卷积胶囊编码器和局部共现的医学图像分割网络MLFCNet （network based on convolution capsule encoder and multi-scale local feature co-occurrence）。在U-Net基础上引入胶囊网络模块，学习目标位置信息、局部与全局的关系。同时利用提出的注意力机制保留网络池化层丢弃的信息，并且设计了新的多尺度特征融合方法，从而捕捉全局信息并抑制背景噪声。此外，提出了一种新的多尺度局部特征共现算法，局部特征之间的关系能够被更好地学习。在两个公共数据集上与九种方法进行了比较，相比于性能第二的模型，该方法的mIoU在肝脏医学图像中提升了4.7%，Dice系数提升了1.7%。在肝脏医学图像和人像数据集上的实验结果表明，在相同的实验条件下，提出的网络优于U-Net和其他主流的图像分割网络。

• 基于视觉强化学习的数字芯片全局布局方法

  徐樊丰,仝明磊,

  在数字芯片后端设计中，全局布局需要同时兼顾线长与合法化，是一个组合优化问题。传统的退火算法或者遗传算法耗时且容易陷入局部最优，目前强化学习的解决方案也很少利用布局的整体视觉信息。为此，提出一种融合视觉信息的强化学习方法实现端到端的全局布局。在全局布局中，将电路网表信息映射为多个图像级特征，采用卷积神经网络（convolutional neural network，CNN）和图卷积网络（graph convolutional network，GCN）将图像特征和网表信息相融合，设计了一整套策略网络和价值网络，实现对全局布局的全面分析和优化。在ISPD2005基准电路上进行实验，结果证明设计的网络收敛速度加快7倍左右，布局线长减少10%~32%，重叠率为0%，可为数字芯片全局布局任务提供高效合理的方案。

• 基于颜色编码和图像隐写术的可逆灰度方法

  林焕然,朱姗姗,彭凌西,彭绍湖,林煜桐,谢翔,

  针对现有方法存在合成灰度图像视觉质量欠佳、重建彩色图像还原度不足的问题，提出一种基于颜色编码和图像隐写术的可逆灰度方法。其利用可逆神经网络构建更高效的颜色编解码器，并引入密集卷积块和通道注意力机制进一步提升网络模型的性能，综合减少编解码过程中的颜色信息丢失。之后，为使灰度图像负载编码信息以及减小嵌入过程导致的图像失真，设计了一种基于修改方向的图像隐写算法，通过自适应权值参数选择，以接近最优的方式满足不同的嵌入容量需求，减少对灰度图像的修改。在Kodak和McMaster数据集上的实验表明，与现有代表性可逆灰度方法相比较，该方法能够生成质量更高的可逆灰度图像以及重建更加还原的彩色图像，在图像可视化时具有更好的视觉效果，在标准参考图像的相似性评价指标方面也取得了更优的性能。