计算机应用研究杂志

计算机应用研究杂志2026年第1期

• 基于博弈论的欺骗性防御策略优化研究综述

  原若萌,范菁,彭渝,徐兴,

  在网络安全威胁日益复杂的情况下，传统的欺骗性防御技术因为其策略动态适应性不足，难以应对持续性高级威胁（advanced persistent threat，APT）和复杂网络情况。博弈论通过建模攻防策略互动为防御优化提供理论支持，但存在状态空间爆炸、不完全信息建模不足等问题。机器学习技术的发展为解决这些问题提供了新方法。该研究系统总结了网络欺骗性防御策略选择方法的研究进展；介绍了欺骗性防御及其博弈论方法的研究现状；提出了博弈论和机器学习的欺骗性防御策略融合框架，并引入了典型应用场景；对博弈论和机器学习融合方法进行了分析和展望；最后对全文进行总结，为构建兼理论可解释性与实战性的防御体系提供参考。

• 面向社交媒体的中文文本毒性检测研究综述

  孙连毅,许静文,

  随着社交媒体的快速发展，网络平台中涌现出大量带有歧视、辱骂、仇恨等毒性言论，对信息生态与社会秩序构成严重威胁。针对中文语境下文本毒性检测任务的发展现状，系统梳理了该领域的研究进展与关键技术。围绕任务定义、评估指标、数据资源、建模方法、典型应用与挑战展开评述，重点分析了规则匹配、特征工程、深度学习及预训练模型等方法路径，进一步讨论了多任务学习、跨语言迁移与大模型蒸馏等前沿方向。综合比较了不同方法的性能与适用性，总结了当前在数据匮乏、隐性表达、模型偏见与多模态建模方面的主要难点，并展望了未来研究的发展方向。相关研究为中文毒性检测任务的标准化建设与实际落地提供了理论基础与技术参考。

• 单幅图像去雾的生成式方法研究综述

  曹倩雯,李恭如,

  图像去雾算法通过对含雾图像进行分析与处理，从图像中去除雾气干扰，恢复清晰、真实的场景信息，对于提升复杂天气条件下计算机视觉系统的感知鲁棒性具有重要意义。近年来，生成式建模方法在图像去雾任务中的引入，极大丰富了算法模型与学习范式，逐渐成为该领域的研究热点。为系统梳理当前基于生成式方法的研究进展与发展趋势，围绕单幅图像去雾任务，重点介绍并分析了典型的生成式图像去雾方法，包括基于生成对抗网络（GAN）、扩散模型与Transformer融合架构等代表性模型；随后对主流图像去雾数据集与常用质量评价指标进行了整理与比较；最后结合现有方法的优劣与局限，展望了未来生成式图像去雾的发展方向与挑战，旨在为相关领域研究提供理论支撑与结构化参考。

• 基于大语言模型与图神经网络的会话推荐增强框架

  于恩海,温彦,陈宇翱,

  随着会话推荐的广泛应用，如何充分利用语义信息、建模用户跨会话兴趣以及抑制数据噪声成为提升推荐性能的关键。为此提出一种新颖的会话推荐增强框架LGSBR，通过整合大语言模型（large language model，LLM）的语义理解能力与图神经网络（graph neural network，GNN）的结构建模能力，实现语义增强与个性化推荐。具体而言，利用大语言模型及微调的语言模型生成项目补充文本嵌入和用户跨会话兴趣嵌入，通过软注意力机制融合文本与ID嵌入，生成语义丰富的项目表示；引入用户兴趣嵌入，结合对齐损失实现个性化推荐；最后通过两阶段权重学习过滤噪声项目，优化会话表示。实验结果表明，在Beauty数据集上，LGSBR的P@20达到21.38%，MRR@20达到6.76%，分别较SR-GNN基线提升23.3%和50.56%；在MovieLen-1M数据集上，P@20为25.86%，MRR@20为7.58%，分别提升12.63%和10.98%；研究验证了LGSBR在多种GNN模型上的通用性和有效性。

• 基于传播图主题解耦的微博谣言集成式检测方法

  徐建民,王淇,张雄涛,

  近期的微博谣言检测研究虽通过结合结构化信息学习微博传播过程来增强微博表示，却忽略了微博传播过程在不同主题中的差异，致使微博传播过程学习不准确，进而影响检测效果。针对上述问题，提出了一种基于传播图主题解耦的微博谣言集成式检测方法。首先，依据微博的转发关系构建微博传播图，并基于文本内容和用户信息进行传播图初始化；其次，采用变分自编码器主题模型对微博传播图进行主题解耦，并引入自注意力图池化对微博传播图进行学习，以生成主题层面的微博传播图表示；最后，设计层次化集成机制从局部和全局两个层次对微博谣言进行集成式检测。实验采用公开的微博数据集对所提方法的有效性和合理性进行验证。相较于BiGCN、MGLAN、FGCN等主流基准方法，所提方法在准确率、召回率和F1值三项指标上均有显著提升。实验结果验证了该方法在谣言检测任务中的有效性。

• 基于语义图增强注意力网络的症状属性分类方法

  贾鹤鸣,李伟,李波,张志东,

  医疗对话中的症状属性分类是实现自动诊断系统的关键任务之一，旨在识别对话文本中描述的症状所对应的属性类别。然而，现有方法在处理长文本对话时普遍存在上下文建模能力不足、语义依赖捕捉不充分等问题，导致整体分类性能受限，尤其在少数类样本上的表现欠佳。针对上述挑战，提出一种基于语义图增强注意力网络的症状属性分类方法。该方法通过构建症状关联的文本分割方法、融合编码策略以及基于依存树的关系图注意力网络，在多个层次上增强模型对症状上下文信息的建模能力。实验结果表明，所提方法在CHIPMDCFNPC数据集上取得了 72.13%的F1（+1.76%）和77.94%的宏平均F1值（+1.77%）。所提方法能够显著提升长文本医疗对话中症状属性分类的效果，尤其在少数类样本上的表现更为突出，为构建高效可靠的自动诊断系统提供了有益借鉴。

• 融合动态邻域选择与多兴趣建模的图神经网络推荐模型

  王冲,顾成通,付翔,洪欣,

  推荐系统常依赖图神经网络建模用户与项目间的复杂交互关系。然而，现有方法普遍采用静态或随机邻域采样策略，不仅易引入噪声信息，还难以适应用户兴趣的动态变化。为解决上述问题，提出一种融合动态邻域选择与多兴趣建模的图神经网络推荐模型（graph neural network recommendation model integrating dynamic neighborhood selection and multi-interest representation，DNGM）。在用户端，该模型采用多头注意力机制，通过多个独立注意力头并行关注不同的特征子空间，捕捉用户的多维兴趣表示；在项目端，该模型基于actor-critic强化学习框架，根据用户兴趣和推荐目标优化邻域选择策略，实现邻域信息的动态聚合，有效抑制噪声干扰并提升表征质量。在MovieLens-1M、Book-Crossing以及Last.FM这三个公开数据集上的实验结果表明，所提模型在ROC曲线下面积（AUC）、准确率（ACC）等评价指标上优于现有主流模型，其中AUC最高提升2.81%，ACC最高提升1.32%，验证了其有效性与鲁棒性。

• 融合液态神经网络与多层级图卷积的关系抽取方法

  李子亮,李兴春,

  针对自然语言处理中关系抽取任务在建模长距离依赖与复杂语义理解方面的不足，提出了一种融合液态神经网络与多层级图卷积网络的关系抽取模型BLGAM。该模型首先利用BERT对输入句子进行上下文语义编码，获得初始文本表示；随后通过基于闭式连续时间解的液态神经网络捕捉动态时序特征，建模长距离依赖信息；同时结合依存句法和实体结构构建多层级图卷积网络，提取局部与全局结构化语义特征；最后采用注意力门控机制对时序特征与结构特征进行加权融合，并通过多层感知机提升实体对关系识别的准确性与鲁棒性。在NYT和WebNLG两个公开数据集上的实验结果表明，该模型的F1值分别达到92.6%和92.1%，均优于现有主流基线，验证了液态神经网络在长距离依赖建模与动态信息捕捉方面的显著优势，以及多层级图卷积网络在挖掘实体间隐含结构联系上的补充作用。该方法为复杂语义场景下的关系抽取提供了高效解决方案。

• 融合用户属性的多层次对比学习知识感知推荐方法

  曹春萍,温昕瑜,

  现有基于知识图谱的推荐模型在用户属性利用与高阶信息建模方面存在不足，易受到冗余信号干扰，从而影响推荐效果。针对上述问题，提出一种融合用户属性的对比学习推荐模型MACRec。首先，通过构建属性视图引入用户侧特征，提升节点表示的多样性与准确性；其次，设计基于元图引导的领域构建策略，对高阶邻居进行筛选，以增强结构建模能力；再次，提出同阶与跨阶的对比机制，在协同信号与图谱信号之间实现平衡；最后，在MovieLens-1M与Book-Crossing两个公开数据集上开展实验。结果显示该模型在多项指标上均优于主流方法，证明了融合用户属性的对比学习方法在推荐准确性与泛化能力方面的有效性。

• 基于关键数据趋势分析的工控流式数据快速质检方法

  张可佳,廖燕,张岩,

  工控流式数据是反映生产过程的关键信息载体，其质量检测对于指导生产具有重要意义。在物联网技术快速发展背景下，工控流式数据增速快、增量大，且现有质检方法多侧重单一维度优化、难以兼顾准确性与速度平衡。借鉴降本增效的管理学思想，提出了一种仅对关键数据进行趋势分析的快速质检方法。首先，引入容忍度机制，通过量化数据波动的可接受范围筛除非关键数据，减少处理量以提高算法处理效率；其次，根据关键数据数量动态匹配趋势函数，并结合时间衰减与波动敏感度构建加权误差机制，以确保质检的准确性；最后，为验证方法的有效性，模拟真实工业应用场景开展实验。实验结果表明该方法在运行速度、准确性及稳定性方面表现良好，能够有效实现工控流式数据质检中效率与精度的协同优化。

• 基于加权自然近邻和测地距离的密度峰值聚类算法

  万芳,魏立力,刘国军,

  密度峰值聚类算法（DPC）是一种高效简单的聚类方法，只需要一个参数便可以识别所有的聚类中心且无须迭代处理。然而，该算法在应对复杂数据结构时仍存在如下局限性：首先，聚类结果易受截断距离的影响；其次，基于欧氏距离的度量方式往往忽略流形数据集的几何结构，进而影响聚类结果的准确性。为解决上述问题，提出了一种基于加权自然近邻和测地距离的密度峰值聚类算法（DPC-WNNN-GD）。该算法综合分析样本的局部和全局信息，结合加权自然近邻重新定义局部密度，平衡样本间的密度差异并消除截断距离对聚类结果的影响；而且，将欧氏距离替换为测地距离以此来更好地适应流形数据集的数据结构。在合成和真实数据集上将DPC-WNNN-GD与DPC算法以及相关改进算法进行对比，实验结果表明DPC-WNNN-GD展现出更优异的聚类性能。

• 单细胞多组学数据的多尺度双对齐深度聚类方法

  靳志成,张奕,李玉茹,苏辰,田野,王银,冯茜,

  单细胞聚类分析是解析细胞异质性的关键步骤，但现有单细胞聚类方法在整合多组学数据时仍面临跨组学局部和全局关联建模不足、特征冗余与噪声干扰、以及共识聚类空间构建困难的问题。针对上述问题，提出了一种新颖的单细胞多组学聚类方法——多尺度双对齐深度聚类（scMDDC）。scMDDC首先通过多尺度融合策略捕获细胞间的局部和全局关系，有效地提取了细胞间的复杂交互模式；其次，通过对比对齐和细胞对齐减少了组间冗余信息，突出了组间特异性信息；最后，通过多组学协同聚类策略迭代式地将不同组学数据视为锚点指导其他组学的聚类过程，实现了组间信息的互补和增强共识。在多个真实数据集上的实验结果表明，相较于八个基准模型，scMDDC 在聚类准确性、调整兰德指数等多个聚类评价指标上均取得了显著的性能提升。scMDDC 不仅为单细胞多组学数据分析提供了一种新的有效方法，也进一步提升了细胞类型识别的精度。

• 基于小规模异构语言模型一致性委员会的数据剪枝方法

  王凯文,王蕴哲,谈威,傅启明,陆悠,陈建平,

  大型语言模型（LLMs）的微调效果高度依赖于训练数据的质量，但现有的基于单模型困惑度的数据评估方法存在困惑度偏差（低困惑度样本可能仍被错误预测）和跨模型分歧（不同模型对同一样本的困惑度不一致）的局限性。为此，该研究提出了一种基于异构小语言模型委员会一致性的方法，从两个方面评估数据价值：一方面计算多模型对同一数据样本的困惑度的变异系数来量化模型间分歧；另一方面结合预测结果与基准答案的相似性来计算预测难度。综合这两方面的评估结果，提出MMCS（多模型一致性）指标，用于高质量训练数据筛选。实验结果表明，基于MMCS筛选的数据在两种主流LLM和三个公开数据集上的微调性能优于传统方法，在36次对比实验中有27次取得最优效果，为高效数据剪枝提供了新的思路，证实了基于多模型分歧的评估方法在提升数据边际效益方面的有效性。

• 基于Biaffine机制和词汇增强的中文命名实体识别方法

  张润梅,王明曦,陈中,

  针对中文命名实体识别任务中存在的实体边界模糊、结构复杂及专业领域数据稀缺等问题，提出了一种基于Biaffine机制和词汇增强的中文命名实体识别模型WLASC。在模型的编码层中设计了动态双仿射模块和多级词汇增强模块，通过引入相对位置编码和双仿射变换增强上下文建模能力，有效解决实体边界模糊问题；同时利用多级词汇信息和多头注意力机制加权融合不同的粒度特征，提升嵌套实体识别精度并减少对标注数据的依赖。此外，采用双向门控循环神经网络对提取特征进行融合以增强模型表达能力。在民航飞行安全领域数据集CANER及公共数据集Weibo、Resume上的实验结果表明，改进后的算法F1值最高分别提升9.77%、6.97%和1.38%，最低提升2.72%、1.27%和0.31%。在CANER数据集上的实验证明，该模型可有效解决中文特殊领域中结构复杂以及专业术语的实体识别，在公共数据集上的实验表明，该模型具有较好的泛化能力。

• 融合全局指针网络与对比学习的嵌套命名实体识别

  刘继,谢京城,

  为解决现有嵌套命名实体识别方法中存在的实体表示不充分、边界模糊和语义相似实体难以区分的问题，提出了一种基于全局指针网络与对比学习融合的中文嵌套命名实体识别方法。采用全局指针机制，通过构建实体头尾指针矩阵，将实体识别转换为指针预测问题，引入对比学习框架增强实体表示的语义判别能力，采用基于移动平均的梯度归一化策略，平衡多任务学习中各子任务的优化难度。在CLUENER2020和CMeEE数据集上的实验表明，该方法与基线global pointer模型相比，F1值分别提升2.30和2.55个百分点，验证了其在中文嵌套命名实体识别任务中的有效性。

• 基于梯度感知图增强的图对比学习推荐算法

  胡吉朝,胡玺尧,李焕哲,

  针对当前基于图对比学习的推荐模型中随机增强方法易导致语义信息丢失和流行性偏差加剧的问题，提出了一种基于梯度感知图增强的图对比学习推荐算法（gradient-aware graph augmentation，GAA）。首先引入梯度感知图增强，利用梯度信息指导图增强策略实现基于梯度感知的对比视图生成；其次使用难负样本挖掘来提升对重要语义信息的辨别能力，进而降低流行性偏差；最后引入温度自适应模块来保证模型的稳定性。通过在Yelp2018、Amazon-book和Alibaba-iFashion三个公开数据集上的实验验证，采用Recall@K和NDCGK指标进行评估，实验结果显示，在Alibaba-iFashion数据集上，Recall@K和NDCG@K较最优基准模型分别提高了7.94%和5.82%，其结果验证了GAA算法在缓解语义信息丢失和流行性偏差方面的有效性。

• 基于多视图邻居对比学习的节点分类方法

  刘俊龙,董继洲,王祎丹,

  随着图对比学习方法在节点分类中的广泛应用，有效缓解了对标签信息的依赖。然而，现有的图对比学习方法在异配图中容易聚合大量异类节点信息，并且图神经网络（graph neural network，GNN）在聚合邻居特征的过程与对比损失之间存在潜在的冲突问题。为缓解该问题，对异配图中节点分类性能下降的原因及图对比学习冲突来源进行了理论分析，提出了一种基于多视图邻居对比学习（multi-view neighbor contrastive learning，MVNCL）的节点分类方法。具体而言，首先引入结构重建的增强策略，在考虑节点间相似性的基础上，结合类别不确定性以更有效地区分硬负样本，从而得到一个连接的节点更倾向于属于相同类别的增强视图，使节点特征能够有效聚合；其次，通过设计原始视图和增强视图邻居对比损失，实现无结构视图与增强视图、原始视图之间的对比，有效缓解了图对比学习中特征聚合与对比目标之间的冲突。通过在五个数据集上开展节点分类实验，结果表明MVNCL方法在同配性较高与异配性较高的数据集中均取得了优于现有方法的性能表现。

• 社交异构知识引导的多行为序列推荐方法

  李青青,陈蕾,

  现有序列推荐方法忽略了用户间的社交影响力且未考虑用户交互的多行为信息，同时缺乏精确捕获社交关系引导下的包含历史习惯和动态需求的复杂时序动态特征建模，为此，设计了一种社交异构知识引导的多行为序列推荐方法（social heterogeneous knowledge guided multiple behavior sequence recommendation method，SHKM-SR）。具体而言，该方法首先融合时序交互信息与社交关系来构建社交异构时序知识图；其次，用时间信息对异构交互进行编码并提取得到节点的具有社交感知的高阶表示；再次，在社交关系引导下充分建模节点的动态特征和历史习惯，并基于注意力机制融合社交感知的长短期偏好以获得更细粒度表示；最后，基于多层感知机来计算项目推荐得分并为用户推荐项目。在Yelp、Ciao以及Douban Book数据集上的实验结果表明，该方法优于大部分基准方法，其中Hit@10最高可提升9.6%。实验结果验证了模型在多行为序列推荐中的有效性。

• 基于多维特征融合与残差增强的交通流量预测

  张振琳,郭慧洁,窦天凤,亓开元,吴栋,曲志坚,任崇广,

  交通流量预测在智能交通系统中占据核心地位。针对当前交通流量预测方法在特征利用和时空依赖建模方面的不足，提出了一种新的基于多维特征融合与残差增强的交通流量预测模型MFRGCRN（multi-dimensional feature fusion and residual-enhanced graph convolutional recurrent network）。该模型通过结合自编码器、深度可分离卷积及时间卷积全方位挖掘时空相关性，使用门控循环单元与多尺度卷积注意力结合学习数据的关联关系，同时利用多尺度残差增强机制实现对复杂模式的逐步建模。在四个真实数据集上的实验结果表明，所提出的模型在预测性能上优于对比的基线模型，尤其在PEMS08数据集的12步预测任务中，MAE、RMSE和MAPE分别降低约7.7%、2.9%和4.5%，展现出优异的长期预测能力。模型在准确性、稳定性和鲁棒性方面均表现出较强优势，为智能交通系统中的复杂交通流建模提供了有效解决方案。

• 基于DTWM的时序邻域特征选择算法

  杨璇,王潇婉,胡灵芝,吴迪,

  现实生活中广泛存在的高维时序数据常常具有决策属性且时间长度不等的特点，使得现有的邻域粗糙集特征选择算法不再适用或分类性能下降。为了解决该问题，提出了一种基于DTWM度量的高维时序数据的特征选择方法。首先，引入马氏距离定义高维动态时间扭曲距离（DTWM）用于度量属性间的相似性；接着定义了时序决策信息系统，用于存放非等长高维时序数据；提出基于DTWM距离度量的时序邻域关系和时序邻域粗糙集模型；最后通过定义内、外重要度，给出了属性依赖度作为筛选和提出属性的重要指标，进而提出了基于DTWM度量的高维时序数据的特征选择方法。通过五个公开数据集上的实验结果表明，所提算法较其他算法在分类精度上平均提升了14.2%和21.7%，充分证明了其有效性和优越性。

• 不完备决策系统基于类间容差类的属性约简算法

  陈春媛,殷锋,吴亮昆,

  针对传统粗糙集理论在处理含缺失值的不完备决策系统时，忽略了不同容差类中的对象在跨类簇间关系的变化情况，提出基于类间容差的属性约简算法。首先，依据决策属性对论域进行划分，将同一决策属性内的样本定义为一个类簇，在不完备决策系统中提出了类间一致度、区分度的概念及其基于类间容差类的计算方法；其次，以保持全局类间区分度不变为原则，提出新的属性重要度评价标准，结合启发式搜索策略计算约简；最后，在九个 UCI 公开数据集上，与其他四种属性约简算法进行对比实验。结果显示，所提算法可有效去除冗余属性，较对比算法平均分类精度提升 3.51%。因此，该算法在保证约简效果的同时，能有效提升约简结果的分类性能。

• 基于双层模糊控制与改进遗传算法的移动机器人路径规划算法

  田敏,吴晓枫,

  为提升移动机器人在复杂道路环境下执行多任务时的路径安全性与规划效率，提出了一种结合双层模糊控制系统和改进遗传算法的方法，以应对移动机器人路径规划中复杂道路环境与多元化任务安全性的挑战。该方法首先构建了一个基于专家系统的双层模糊控制系统：第一层将复杂路况和障碍物转换为道路安全度等级，第二层结合任务安全等级生成遗传算法的适应度权重。通过引入道路安全因素优化遗传算法的适应度函数模型，增强路径规划的安全性。算法实现上，采用伯努利混沌映射、Gaussian算子和Symmetrical Sigmoid算子优化选择、交叉、变异操作，提升了全局搜索能力和效率。实验表明，该方法相较于其他算法，路径距离最大减少5.9%，转弯次数最大减少85.7%，且在多种对比实验中表现出优异的普适性和鲁棒性，有效解决了复杂道路环境与任务安全需求之间的关系。

• 改进常青藤算法求解农产品两级选址-路径运输问题

  于新超,代永强,刘欢,

  针对农产品运输过程中存在的需求不确定性、货损风险及运输路径开放等现实问题，构建了一个在开放路径框架下，兼顾货损成本与需求不确定性、具有时间窗约束的两级选址-路径（2E-LRP）多目标优化模型。然后，针对模型的特点，通过采用混合实数编码、引入快速非支配排序与拥挤度、混合多种自适应策略以及局部搜索与混合变异等方法，设计了一种改进常青藤算法（EIVY）对模型进行高效求解。最后，基于Prodhon标准数据集扩展构造实验算例，并将该算法与IVY、PKO、MSA算法进行对比分析。结果表明，该算法在解的质量、收敛精度以及多目标均衡性方面均取得了优异表现。通过对实验结果的分析，验证了所构建模型的合理性和改进算法在解决复杂农产品物流优化问题的有效性。

• 一种增强灰狼算法求解柔性车间动态调度问题

  陈雪芬,叶春明,安喜才,刘子珺,张舒曼,闫金辉,唐天誉,

  为解决机器故障和紧急订单下的柔性车间动态调度问题，以最小化机器最晚完工时间为目标，设计了一种增强灰狼算法进行求解。设计了动态前解码和动态后解码，方案切分和编码拼接优化了解码过程。算法方面加入收敛因子和头狼优化及关键路径的邻域寻优，有效避免了陷入局部最优，提升了算法搜索能力。算法验证方面：选取多个经典算例进行静态求解得到初始方案，方案先进行动态事件仿真再进行动态寻优。结果显示：三种重调度方式中右移重调度鲁棒性最高，完全重调度优化效果最好；相比于自身变种算法及其他主流调度算法，增强灰狼算法在优化结果和迭代时间都有优异的表现，甚至出现比初始方案更低的完工时间。总的来说，寻优结果表明该动态问题得到了很好很快的解决，并增强了灰狼算法的可行性和高效性，是此类问题的一种新的有效解决方法。

• 面向RNS-CKKS方案的同态计算硬件加速器

  陈星辰,郭家怡,陈弟虎,粟涛,

  针对全同态加密应用中数据存储和传输开销大、计算效率低的问题，以主流的RNS-CKKS方案为研究对象，提出了一种同态计算硬件加速器。该加速器为自同构算子设计了分治式置换网络，实现了高效无冲突的数据调度与路由。同时通过实施片内外协同存储策略和对计算流进行重构，有效降低了硬件部署密钥切换操作的片上缓存需求并隐藏片外延迟。为进一步提升计算与资源效率，构建了统一的计算阵列并优化了片上缓存结构。在FPGA上的实验结果表明，该设计相比于OpenFHE软件函数库，实现了8.68～56.2倍的加速；相较于同类硬件加速方案，在密文-密文同态乘法上实现了1.18～1.53倍的加速以及1.10～4.98倍的面积效率提升，同时在可配置性方面具备一定优势。该工作有助于同态加密方案的硬件高效部署。

• 局部信息下的分布式无人集群自组织编队框架

  崔梓涵,刘玮,谢宛真,胡棣威,

  针对分布式无人集群在动态复杂环境中因通信受限导致的局部信息传递效率低下、个体响应迟缓及全局协调困难等问题，提出一种融合复杂网络理论与多智能体强化学习的双层自适应编队框架。该框架构建通信层与结构层相结合的分布式网络模型，在通信层采用基于局部邻域信息的多智能体强化学习与去中心化策略优化，实现局部邻域信息下的高效信息共享与策略更新；结构层引入分布式拓扑重构机制，支持编队在受损恢复与任务拆分场景下的灵活调整与重构；同时在通信层与结构层间嵌入动态扰动处理机制，实现对节点失效、任务变化等事件的快速适应与重构。仿真实验表明，该方法在多种网络拓扑下的抗攻击恢复与编队拆分任务中均显著提升了任务成功率与收敛速度，具备较强的鲁棒性与适应性，为局部信息约束条件下无人集群的高效协同与稳定编队提供了有效途径与理论支持。

• DLSBL-OTFS:动态先验型SBL的OTFS信道估计方法

  郑娟毅,魏甜,

  针对正交时频空间（OTFS）系统中传统稀疏贝叶斯学习（SBL）信道估计算法因依赖固定先验导致收敛缓慢，以及现有深度学习方法泛化能力不足的问题，提出了一种基于动态先验型的稀疏贝叶斯学习（DLSBL）信道估计方法。该方法首先利用长短期记忆（LSTM）网络学习并预测信道在延迟-多普勒（DD）域的动态时变统计特性，生成精确的、时变的稀疏先验信息。然后，将该动态先验信息作为SBL的初始化条件进行信道估计，解决了传统SBL在时变信道中参数选择的难题，并有效抑制了分数多普勒干扰和噪声。仿真结果表明，该方法相比传统算法，在误码率和归一化均方误差等性能上均有显著提升，尤其在低信噪比和高移动性场景下展现出更强的鲁棒性，为高移动性无线通信系统提供了更高效、精准的信道估计方案。

• 一种基于稀疏性的RIS辅助信道估计方法

  刘佳璇,张笑剑,王丹,

  为解决RIS（reconfigurable intelligent surface）辅助通信系统存在的两大核心挑战：高昂的导频资源消耗与异常用户（权重小于等于0.1的用户）导致的信道干扰，改进了基于改进正交匹配追踪算法（OMP）的双稀疏性信道估计方法（D-OMP）。改进算法充分利用级联信道在角度域的双稀疏性，针对D-OMP三阶段估计进行改进：a）联合估计多用户公共行支持，采用中位数能量检测代替均值计算有效抑制异常用户干扰；b）引入多用户加权，优化部分公共列支持；c）引入多用户加权系数自适应剔除异常用户，优化用户特定列支持。仿真结果表明，该算法在减少导频开销的同时，NMSE较传统OMP降低3 dB以上，且在低信噪比和异常用户干扰下保持稳定，显著提升系统鲁棒性。该算法通过双稀疏性联合估计与异常用户抑制机制，为高密度RIS组网提供了低复杂度的信道估计解决方案。

• 基于改进动麦优化模糊C-均值的WSN分簇信誉路由算法

  韩冰青,温锦笑,

  针对无线传感器网络中分簇不均、节点能耗高及路由安全性低等问题，提出一种基于改进动麦优化模糊C-means的WSN分簇信誉路由算法（IFCAOR）。首先利用改进的动麦算法优化模糊C-means算法的初始聚类中心，提高网络分簇效果。其次，在簇首选举阶段，综合节点能量、距离等因素，动态选择簇首，实现负载均衡。最后，在数据传输阶段，采用单多跳轮询机制，并结合中继节点的负载、信誉值和路径衰减等构建路由适应度函数，利用改进动麦算法规划高效安全的传输路由，降低节点能耗并提高路由安全性。仿真结果表明，IFCAOR算法的网络生命周期较LEACH、IFCRA和HMABFOA分别提升93%、49.6%和34.3%，IFCAOR算法能有效平衡网络负载，延长网络生命周期。

• 混沌映射与改进CNOT操作的图像加密算法

  张磊,蒲冰倩,姜鸽,刘毓涛,常亮,

  针对传统图像加密算法在对抗已知明文攻击和唯密文攻击方面的不足，提出一种结合混沌映射与改进CNOT操作的图像加密方法（image encryption algorithm integrating chaotic mapping and enhanced CNOT operations，IEA-CECO）。通过提取图像哈希值动态生成混沌参数，实现“一图一钥”的密钥绑定；采用改进的CNOT操作，结合条件翻转最高位和级联扩散机制，增强非线性混淆能力。实验结果表明，该算法密钥敏感性达50%，加密图像直方图标准差降至8.7，相邻像素相关系数趋近于0，信息熵提升至7.956 7，同时加密效率满足实时性需求。IEA-CECO有效解决了密钥静态性和统计残留问题，适用于高安全性实时图像加密场景。

• 基于自监督学习与数据集分割的后门防御方法

  何子晟,凌捷,

  针对深度神经网络（DNNs）在图像分类任务中易受后门攻击、现有防御方法难以兼顾模型准确率与鲁棒性的问题，提出一种名为SAS（self-supervised adaptive splitting）的基于自监督预训练与动态数据集分割的半监督后门防御方法。该方法首先引入一致性正则化的对比学习框架进行自监督训练，解耦图像特征与后门模式；随后的微调阶段基于动态数据筛选与半监督学习策略，在训练中筛选并分别利用高可信度和低可信度数据，抑制后门植入。在CIFAR-10和GTSRB两种数据集上，针对BadNets、Blend、WaNet和Refool四种攻击的实验表明，该方法相较ASD方法，在两种数据集的干净数据上的分类准确率分别平均提升了1.65和0.65个百分点；污染数据的后门攻击成功率均降低到1.4%以下。研究证实，该方法通过解耦特征与动态数据集分割的协同作用，能有效提升模型的后门防御能力，同时保持在干净数据上的高分类性能，为构建安全可靠的深度学习模型提供了有效的途径。

• 适用于智能电网保护隐私的多维多子集数据聚合方案

  肖稀丹,邓伦治,李泽家,

  针对智能电网中用户数据采集过程存在的隐私泄露风险，开展了多维多子集数据聚合机制的研究。在分析现有方案普遍不支持多维聚合且计算成本较高的基础上，提出一种基于加法同态ElGamal加密的隐私保护多维多子集聚合方案（PPMS-DA），结合签名验证与用户分组机制，在无可信第三方参与下实现数据聚合。安全性分析显示，该方案在随机预言模型下具备密文不可区分性与签名不可伪造性，能够有效抵御控制中心与网关的合谋攻击。在不同用户数量和数据维度的实验配置中，性能评估结果表明，相较于五种主流方案中计算效率最高者，该方法在未引入配对运算的前提下，网关侧与控制中心侧的计算开销分别降低了18.84%与24.55%。研究结果表明，该方案具有良好的实用性，适用于资源受限的大规模智能电网环境。

• 基于双向时序窗口Transformer的网络入侵检测方法

  王长浩,王明阳,丁磊,刘凯,

  近年来，网络攻击的高度动态化、隐蔽化给互联网的安全和稳定带来了极大的威胁。针对现有网络入侵检测方法在局部时序建模精度不足及多分类下少数类识别能力不佳等问题，提出了一种基于双向时间滑动窗口Transformer的网络异常流量检测方法。该方法将网络流量数据转换为突出时序关系的三维序列数据，引入可学习的嵌入编码及上下文位置编码，以增强序列特征的表现能力，提升了异常流量检测的准确率和稳定性，并在UNSW-NB15、CIC-IDS-2017公开数据集上进行了验证。实验结果表明，所提方法均表现出较好的性能优势，在二分类任务中检测准确率分别为99.79%、99.77%；在多分类任务中，准确率分别达到98.48%、99.76%，性能均显著高于其他先进深度学习模型。综上，该方法有效提升了网络异常流量检测的准确性和对少数类攻击的识别能力，为网络安全防护提供了新的技术手段。

• 自适应区域生长耦合神经P系统的图像分割方法

  许家昌,叶栩秀,

  针对耦合神经P系统利用脉冲机制实现区域生长依赖于初始种子点选择的问题，提出一种自适应区域生长耦合神经P系统（adaptive region growing coupled neural P systems，ARGCNP）的图像分割方法。该方法利用金豺优化算法（golden jackal optimization，GJO）的全局搜索能力，通过引入四种策略提升GJO的全局寻优性能，从而在图像中寻找最佳阈值点，以优化区域生长中的种子点选择。在实验中，首先通过CEC2017测试函数对改进后的GJO进行性能测试，结果表明改进后的GJO在测试函数上整体性能第一；随后将ARGCNP应用于分割彩色图像和医学图像，以峰值信噪比等三个指标对分割效果进行量化评价，分割结果显示该方法能够提升分割精度及分割结果的稳定性，证明ARGCNP在应用场景下具有的优势，能够满足图像分割需求。

• 一种基于水纹识别的视觉定位技术

  刘柏川,明丽,鲁鹏,尚克军,

  近年来随着无人机产业的迅猛发展，视觉定位技术已广泛应用于低成本轻量化的定位系统中，然而当无人机在水面等弱纹理区域飞行时，场景视觉特征稀疏且差异小，导致图像误匹配率激增，定位估计发散严重，限制了视觉定位技术在水域环境下的应用。针对该问题提出了一种基于水纹识别的视觉定位技术（visual positioning technique based on water pattern recognition，WPRVP）。首先通过提取水纹多粒度相关特征得到相邻图像之间局部和全局的匹配关系；然后将匹配信息嵌入循环网络迭代处理，由粗到细逐步提高水纹图像的匹配精度；最后基于多视图几何约束进行匹配筛选和运动建模，实现了鲁棒的定位估计。实验结果表明，相比现有的图像匹配和视觉定位方法，WPRVP能够应用于水域环境且能保持更高的匹配与定位精度，能够为导航设备在水域场景下提供一个低成本高精度的导航信息源，辅助无人机执行水面飞行任务。

• 频域空间信息驱动的特征聚合跨模态行人重识别方法

  金静,朱传斌,翟凤文,

  跨模态行人重识别旨在匹配可见光与红外不同模态下的行人图像，该任务的核心挑战是缓解可见光与红外模态间差异并提取具有鉴别力的共享特征。然而，现有方法在最小化模态间差异和提取模态共享特征过程中，未能充分利用数据增强后的模态信息且忽略了不同尺度特征语义关联性，提出一种基于频域空间信息的特征聚合（FDSIFA）网络。首先，通过设计的多分支频域空间感知模块（MFSPM），对不同模态的增强图像和原始图像充分提取模态特定信息，同时在频域和空间维度上挖掘跨模态特征的一致性，有效减小了模态间的差异；其次，设计了多阶段特征聚合模块（MFAM），自适应聚合不同尺度的特征，挖掘低层次特征与高层次特征之间的语义关联，提升特征的语义表达能力和判别力。该网络在SYSU-MM01数据集的全搜索模式下，rank-1和mAP分别达到了75.09%和71.35%，优于对比方法，实验结果验证了所提方法的有效性。

• 基于Mamba-UNet架构的3D MRI脑肿瘤分割方法

  张野,牛大田,

  多模态MRI脑肿瘤影像的精准分割对脑癌临床诊疗及预后评估至关重要。针对卷积神经网络在捕获全局上下文信息和建立长远程依赖关系方面存在的局限性，提出了基于Mamba与U-Net融合架构的PhC-ToMamba分割模型。模型在瓶颈层嵌入了ToM模块旨在有效建模高维特征的全局信息，通过从三个方向计算特征依赖关系并交互，提取更适用于三维图像的全局特征信息；此外，为进一步提升全局特征的提取能力，提出了一种新的多面体卷积（PhConv），并将其嵌入至编码器中，显著扩大了感受野，并提升对重点目标区域的特征提取能力，有效解决了当前主流脑肿瘤图像分割模型对全局信息感知的局限性问题，增强了对关键区域的关注度。在BraTS 2021和MSD Task01_BrainTumor数据集上进行了广泛的实验。实验结果显示，PhC-ToMamba在整个肿瘤、肿瘤核心和增强肿瘤分割任务中的Dice系数分别达到了95.05%/90.46%、94.53%/89.91%和90.74%/75.91%。与其他先进方法相比，PhC-ToMamba在分割精度和参数效率方面展现了优越性，为脑肿瘤分割任务提供稳健的解决方案，从而提高了诊断准确性。

• 基于Swin-PIDNet的纸质工程制图线型识别方法

  朱文博,陈龙飞,迟玉伦,

  识别纸质工程制图图像的难点主要在于线型识别，针对纸质工程制图线型规范性差、跨度长、相对于背景图像尺寸小等问题，提出一种纸质工程制图线型识别Swin-PIDNet模型。用Swin Transformer替换PIDNet主干网络，在减少下采样的同时增强了模型长程建模能力；提出一种逐阶段解冻的迁移学习方法，提升模型对线型识别的训练效率和精度，平滑模型训练过程；针对工程制图线型的细长特征，嵌入注意力模块EMA到PAHDC模块中，从而改善背景信息淹没线型特征信息的问题；为处理线型类别不平衡问题，将Focal loss和Dice loss通过加权结合构建Swin-PIDNet的训练损失函数。实验证明该模型的评价指标MIoU为87.02%、MPA为95.42%、F1分数为96.57%，相较于其他模型，该模型具有较强的线型识别能力，对纸质工程制图图像识别具有理论研究意义和实际应用价值。