计算机应用研究杂志

计算机应用研究杂志2026年第2期

• 规则引擎的方法与技术进展综述

  朱家声,芮小平,汤恒,毕一鸣,

  规则引擎作为实现自动化决策和推理的重要技术，近年来在核心方法与技术进展方面取得了显著突破，并已广泛应用于网络安全、物联网、金融风控、智能制造等多个领域。但目前仍缺乏从规则引擎的优化和改进方面进行全面综述的工作。以网络安全为典型应用场景，系统综述规则引擎的方法与技术进展，同时结合其他领域的典型案例，分析其跨领域适用性与优化策略。首先介绍了规则引擎的基本概念和架构，包括规则库、工作内存和推理引擎等关键组成部分；接着详细讨论了规则引擎在性能提升、规则文件优化、功能增强等方面的研究进展，重点分析了规则匹配过程的改进和与智能技术协同优化；最后展望了规则引擎未来的发展趋势，为规则引擎在多领域的应用提供了重要参考，并为未来的技术创新指明了方向。

• 基于深度学习的小样本图像分类方法综述

  陈镜宇,吴加莹,罗佳,郁文倩,古月敬之,仲兆满,

  针对训练资源受限与部署环境要求日益严格的问题，小样本图像分类方法因其能够利用少量标注数据训练出高精度分类模型，已成为深度学习领域的研究热点。对基于深度学习的小样本图像分类算法进行系统梳理，阐述其基本流程与评价指标。根据方法特点，将现有研究归纳为基于优化、基于度量以及基于多模态三类，分别总结其主要技术路径与典型算法；进一步，通过对比分析现有算法在小样本数据集上的性能表现，总结其发展趋势，并指出该领域后续的主要研究方向。

• 基于统一对齐与多阶段融合机制的多模态情感分析模型

  冯广,刘馨婷,林忆宝,赵志文,肖俊鸿,周科栋,黄俊辉,

  针对多模态情感分析中模态异构、贡献动态与语义抽象不足等问题，提出一种三阶段闭环融合模型MIFA，路径包含“统一对齐-动态融合调控-高阶语义抽象”。方法上，首先以统一语义对齐实现异构模态在共享空间的一致表达；继而通过上下文门控与通道调制联合估计模态/通道权重；最终以分层残差语义增强实现高阶抽象与判别强化。在CMU-MOSI与CMU-MOSEI数据集上的实验表明，二分类Acc2与F1分别达到86.43%/86.03%和86.42%/85.81%，七分类Acc7为45.04%/50.41%，回归任务中MAE为0.689/0.532，总体优于主流模型。验证了该方法能够稳定对齐并自适应调控信息流，提升情感分类与强度回归性能，具备在复杂跨模态场景中的应用潜力。

• 基于全局-局部交互与对比学习的多模态对话情感识别

  钮焱,乐颖,李军,

  为解决多模态对话情感识别中模态融合缺乏全局引导、跨模态语义对齐困难及模态学习不平衡的问题，提出一种基于全局-局部交互与对比学习的情感识别方法。该方法通过全局语义中枢引导模态间的深度交互，实现自适应注意力分配与特征融合；构建文本-音频-视觉三模态对比学习框架，在共享语义空间中促进跨模态对齐与信息互补；并设计模态动态平衡优化器，依据模态性能动态调整学习率，抑制模态主导现象。实验在IEMOCAP和MELD数据集上分别取得76.09%和69.66%的准确率，加权F1值达76.20%和68.79%，显著优于现有主流方法，验证了所提方法在多模态协同建模与情感识别性能提升方面的有效性。

• 基于超图学习与成对跨模态融合的多模态对话情绪识别

  李尚往,缪裕青,刘同来,张万桢,周明,

  针对目前多模态对话情绪识别模型中各模态间的交互信息和多元对话关系利用不充分等问题，提出一种基于超图学习与成对跨模态融合的多模态对话情绪识别模型。该模型的超图学习模块以话语表征作为节点，设计包含多模态与时序信息的两种不同类型超边形成超图，通过超图卷积捕捉说话人之间的多元对话关系。同时，提出一种双流门控注意力网络动态调整节点特征，以减少信息冗余；成对跨模态融合模块将每个模态作为基准特征，基于跨模态注意力机制分别与其他模态特征进行重复强化，挖掘两两模态间的深层次交互信息，以增强跨模态特征表示。实验结果表明，在IEMOCAP和CMU-MOSEI数据集上，所提模型的准确率和加权平均F1值均优于多个对比模型，充分验证了提出模型的有效性。

• 融合语音多层次特征的情绪识别算法

  胡云鑫,袁野,刘娜,李清都,

  针对语音情感识别中语音信息利用不充分的问题，提出了一种融合语音多层次特征的语音情绪识别模型MFTA（multi-level feature based temporal attention network）。该模型能够处理语音的多种特征，最终进行特征融合；同时引入时间注意力机制来利用语音在频域和时域上的相关性，以达到充分利用语音信号的目的。实验结果表明，利用语音多层次的特征信息可以更好地挖掘语音中的深度信息；通过引入时间注意力机制，可以将语音频域信号及时域信号间进行对齐，以达到提升情感识别效果的目的。MFTA在IEMOCAP和RAVDESS数据集上进行语音情感识别任务时优于近年来现有方法，证明了多层次特征及时间注意力的有效性。该研究为语音信号处理模式提供了新思路。

• 基于多尺度双重注意力与多模态融合的心电图分类模型

  张丽娜,王博毅,张晨煜,姜天,申腾飞,

  心电图作为反映心脏电活动的重要生理信号，是临床诊断心律失常等心血管疾病的重要依据。针对现有心电图分类方法在处理不同采样率数据时泛化能力不足的问题，提出了一种基于多尺度双重注意力与多模态融合的心电图分类模型。该模型引入自适应膨胀率学习机制，实现了对多种采样率心电图数据的统一建模，并结合协同注意力机制与患者临床信息的多模态融合以提升特征表达能力。实验结果表明，该模型在Chapman和CPSC-2018数据集上分别获得0.971 8和0.827 5的F1分数。在多采样率混合训练条件下，模型在未见过采样率的测试集上性能仅下降5%~8%，显著优于传统单采样率模型的20%~30%性能损失，展现出良好的泛化性能和临床应用潜力。

• 结构文本驱动的小样本专业图像检测方法

  刘磊,袁永宏,何海鹏,冯瀚森,王子珺,

  针对专业图像检测中良品样本占比过高、异常样本稀缺以及视觉-语言预训练模型在垂直领域表现受限的问题，提出一种结构化文本驱动的专业图像检测方法。首先，通过抖动变换与宫格增强扩充有限异常样本，并结合区域级对齐的结构化文本提升样本“智力密度”；其次，对双向变换表征模型进行适应性改造，引入宫格图像-结构文本对比学习和联合宫格语义-空间一致性双任务，实现跨模态全局与局部特征对齐；最后，将所建模型作为大语言模型的视觉编码器，提供关键检测特征，实现专业图像检测。在ABD-AD、MVTec-AD和VisA数据集上的小样本实验结果表明，所提模型在定位和分类任务上相比现有方法提升了3.10%和3.84%，验证了结构化文本在小样本异常检测中及其在专业图像检测场景下的优越性能。

• 基于分级信息素的无人机集群协同搜索算法

  李旭东,陈俊升,刘恒川,

  针对无人机（UAV）集群协同搜索算法中灵活性不足、重要目标搜索效率差等问题，提出一种基于分级信息素的无人机集群协同搜索（HP-CS）算法。首先，面向复杂任务场景构建多维度的环境模型、目标模型等，通过精细化建模有效还原真实任务场景的关键特征；同时，改进传统的信息素模型，提出分级信息素模型；其次，利用知识图谱基于已知目标信息对目标的重要程度进行分级，重要目标对应高级别信息素，以此实现重要目标的优先搜索；最后，基于分布式架构构建协同搜索算法，无人机单机状态不会影响整个集群。仿真结果表明，所提算法能够实现对任务区域内目标的高效搜索，同时在目标重要程度不同的任务场景中表现良好，在单一目标类型搜索与多元目标类型搜索实验中表现显著优于对比算法，证明所提算法能提高目标尤其是重要目标的搜索效率。

• 基于深度学习-动态蚁群融合算法的船载多无人机协同路径规划

  黄子健,王秀红,袁雪峰,

  为提升船载多无人机在港口动态环境下执行污染物监测任务的路径优化能力与调度效率，提出了一种基于深度学习-动态蚁群融合算法的路径规划方法。该方法首先针对装载船、待监测船舶及无人机在动态环境中协同移动的复杂性，构建了考虑动态移动基站和监测时间窗约束的路径优化整数规划模型；在算法层面，通过深度学习自适应设计信息素重要程度因子和启发函数重要程度因子的参数组合，引入动态距离矩阵替代静态距离矩阵，并采用非线性调整策略优化信息素挥发机制。实验结果表明，与传统固定基站策略相比，该方法可将监测任务总时间缩短17.77%；与已有算法相比，任务时间分别减少3.87%和4.77%。研究结果表明，所构建的模型及融合算法能够有效提升无人机污染物监测效率，增强船载多无人机的协同路径规划能力。

• 多策略协同扩展的变步长CDBA-RRT*机器人路径规划算法

  韩龙岗,盛洲,徐浩,

  针对传统RRT*算法在进行路径规划时存在效率低下以及路径质量不高等问题，提出一种改进算法CDBA-RRT*（cooperative dynamic Bi-APF-RRT*）。该方法维护两棵双向搜索树并采用多策略协同扩展。首先构建长轴固定、短轴随迭代次数动态增大的椭圆采样区域以及采用密度自适应的动态目标偏置策略控制采样点的选取；其次设计目标距离权重衰减函数与节点斥力场解决经典APF因固定引力权重导致的目标迷失及局部聚集瘫痪等问题；此外采用自适应动态扩展步长；最后分段使用三次B样条插值法对路径进行平滑以满足机器人运动学约束。在三种标准化环境以及两种高约束环境中对算法进行仿真实验，实验结果表明，CDBA-RRT*在时间耗费、搜索节点数以及路径质量等方面均优于其他五种RRT*算法，具有较高可行性。

• 基于Q-learning的专家权重优化与多级共识反馈决策

  杜秀丽,程伟龙,高星,潘成胜,吕亚娜,

  针对动态复杂多属性决策环境下大规模异构专家群体共识达成效率低、权重分配不精准的问题，提出一种基于Q-learning的权重优化与多级共识反馈方法，旨在提升共识水平与决策质量。该方法通过将专家权重动态调整建模为马尔可夫决策过程，利用Q-learning实现权重自适应优化，并设计涵盖属性、方案、专家与群体四个层级的多级共识反馈机制，从而精准识别并协调不同来源的分歧。实验结果表明，该方法能够显著降低共识达成所需迭代次数，提升权重分配与专家专业度的匹配精度，并获得更可靠的方案排序结果，验证了其在大规模异构专家群体中的鲁棒性与计算效率。研究表明，所提方法为复杂多属性群体决策问题提供了有效的共识建模与决策支持工具。

• 基于异构图与会话图的知识追踪

  张子豪,王松,苏欣怡,杨全富,

  针对知识追踪任务中习题间语义关联性与知识拓扑结构建模不足，及个体学习过程动态认知演化缺乏细粒度表征的问题，提出了一种基于异构图与会话图的联合建模框架 HSKT （heterogeneous graph and session graph-based knowledge tracing）。该方法首先构建异构图HRG （heterogeneous graph），融合学生-习题-知识点间的多语义关系，并引入答题结果、答题时长和尝试次数等细粒度行为特征，通过边属性感知的图注意力机制增强高阶语义提取与邻域信息聚合； 其次，构建时序会话图SG （session graph） 建模答题序列的时空依赖关系，使用时序图卷积网络 （T-GCN） 结合门控循环单元 （GRU） 捕捉知识状态的局部依赖与长期演化动态，其中会话图的边权根据答题时间间隔按艾宾浩斯遗忘曲线动态设定；最后，通过注意力机制动态融合 HRG 的静态语义表达与 SG 的动态知识表达进行预测。在ASSIST2009、ASSIST2015、ASSIST2017、EdNet和NeurIPS五个公开数据集上的实验结果表明，此方法在AUC指标上分别平均提升了2.1、1.8、4.1、2.6和1.4个百分点，为在线个性化的教学提供了更有力的支持。

• 基于BART的渐进式信息融合情感对话生成

  汤泽辉,缪裕青,刘同来,张万桢,周明,

  针对目前情感对话生成模型引入外部知识时未能充分发挥知识对情感分类的辅助作用，且存在知识提取冗余等问题，提出基于BART的渐进式信息融合的情感对话生成模型。模型编解码基于BART框架，通过情感分类和对话生成两阶段逐步筛选相关知识，并与上下文信息融合生成对话。在情感分类阶段，模型引入多头注意力和门控机制构建知识感知融合模块，筛选出与上下文相关的知识辅助情感分类。在对话生成阶段，首先设计知识评分策略，根据情感分类结果计算动态梯度修正量；其次构建知识精炼融合模块，利用动态梯度修正量调整与上下文认知相关的知识权重，进一步筛选与对话情感一致的知识，并加权融合知识与上下文表征生成对话，缓解知识提取冗余问题。基于公开对话数据集的实验结果表明，该模型在多项评价指标上优于已有方法，验证了所提方法的有效性。

• 基于局部敏感哈希聚类的双通道自编码器-协同过滤混合推荐算法

  梅少伟,张圣筛,

  针对推荐系统中存在的数据稀疏性与冷启动问题，提出了一种基于局部敏感哈希聚类的双通道自编码器-协同过滤混合推荐算法。该方法首先利用LSH技术对用户进行高效聚类以降低计算开销，继而通过设计双通道自编码器结构，同步提取用户评分行为与电影类型偏好两种异构特征进行深度表示学习，最后结合混合协同过滤机制对预测结果进行优化。在MovieLens-100K、MovieLens-1M和Amazon-Book数据集上的实验结果表明，所提模型在排序质量指标NDCG@5上分别达到0.371 4、0.568 9和0.737，较当前最优模型取得16%的相对提升；评分预测误差RMSE分别降至0.326 6、0.443 5和0.560 6，较基准模型AutoRec降低69.6%。该模型在推荐准确性与排序质量方面均优于对比方法，能够在大规模高稀疏推荐场景下保持稳定性能，验证了其良好的可扩展性与鲁棒性。

• 多模糊β覆盖粗糙集的属性约简方法

  陈战伟,李娟,赵新元,

  针对经典模糊β覆盖粗糙集存在的下近似无法确保包含于上近似中以及将模糊β覆盖拓展为多模糊β覆盖后，统一的阈值β难以适应不同数据分布等问题，引入多尺度阈值方法，结合模糊β邻域，提出了一种基于多模糊β覆盖粗糙集的约简方法。首先，以模糊β邻域来表征样本间的相似性，并利用该邻域构建满足模糊上下近似包含关系的粒度结构；其次，设计多尺度阈值集，以适应不同模糊β覆盖近似空间构建中可能存在的数据分布差异；最后，在12个公开数据集上将所提算法与其他四种算法进行对比实验。实验结果表明，该算法在约简长度、分类精度、稳定性方面具有良好的性能，能够有效实现数据的简化，为处理复杂不确定信息提供了新的选择。

• 基于孪生Transformer的业务流程异常检测方法

  潘克旭,方娜,

  业务流程异常检测对于风险管理和流程优化至关重要，业务流程复杂的动态性使事件日志的异常模式识别困难。现有无监督方法缺乏对事件间深层语义的捕获，且模型训练易受噪声影响。鉴于此，提出了一种融合了语义信息和序列信息的基于孪生 Transformer的少样本异常检测方法（Sia-Transformer）。该方法基于局部离群因子算法提取少量高置信正常和异常样本构建对比关系，挖掘样本间的语义差异性；随后使用采样策略构建训练样本对，同时筛选锚点样本集合，将样本对输入孪生Transformer编码器捕获序列信息并学习流程实例间的行为相似性；最后，利用预训练模型量化待测样本与锚点集的行为相似性，将高于阈值的样本判定为异常。在多个公开真实事件日志数据集上的实验评估表明，该方法在案例级异常检测方面的F1分数优于现有基准方法。此外，通过在训练数据中逐渐引入噪声的实验，验证了该方法对于训练数据的污染具有鲁棒性。

• 一种基于矩阵记忆长短期记忆网络的行人轨迹预测算法

  厍向阳,王艺龙,

  针对行人轨迹预测中存在的时序特征建模不足、多尺度融合缺乏明确区分以及多任务训练不稳定等问题，提出一种基于矩阵记忆长短期记忆网络（matrix long short-term memory，mLSTM）的纯时序预测算法。该算法构建以mLSTM为核心的编码器-解码器架构，挖掘轨迹的时间依赖特征；设计多尺度轨迹特征融合模块，采用双向策略实现短期与长期特征的层次化表达；引入指数移动平均标准化的多任务机制，提升训练的稳定性与模型的泛化能力。在ETH和UCY数据集上的实验结果表明，该算法相较于Trajectory-Transformer和SGCN，在平均位移误差上分别降低14.81%和16.21%，在最终位移误差上分别降低19.66%和4.62%，展现出良好的预测精度与鲁棒性，为行人轨迹预测提供稳健有效的基础模型。

• 面向运动伤害预警的多源融合与因果推断方法

  魏晓晓,刘峰,郭洪,

  近年来，如何基于多模态可穿戴传感器数据实现运动伤害的主动预测，成为运动医学与人工智能交叉领域的研究热点。针对现有方法在模态交互建模、泛化能力及机制层次可解释性方面的不足，提出了一种集成自监督建模、动态模态融合、因果推断与可解释性分析于一体的主动运动伤害风险预测框架。具体方法包括：设计结构对齐与特征增强模块，结合基于Transformer的跨模态注意力机制，精准捕捉心率、肌电（EMG）、IMU等多模态生理信号间的动态关联；采用遮蔽重构和对比学习的自监督训练策略，提升模型在小样本和异质时序数据场景下的鲁棒性与泛化能力；融合SHAP与LIME算法实现特征贡献可视化，并基于结构因果模型，系统揭示训练负荷、恢复节律与伤害风险之间的因果关系。实验在多个公开运动传感数据集上进行验证，结果显示该方法在伤害预警准确率、泛化能力及解释性方面均优于现有主流方法，具备更强的实际应用潜力。综上，该方法为运动健康风险感知与科学干预提供了一条高效、可解释且具备机制建模能力的技术路径，有望推动运动医学领域的数据驱动方法发展。

• 基于时间序列增强与人机协同的语言型可持续群决策方法

  张起荣,王彪,

  语言型多属性群决策方法是复杂系统可持续评估的重要工具，当前研究存在动态建模能力不足与主客观数据割裂问题。从有效获取序列多周期动态模式、平衡主客观数据影响出发，提出一种基于时间序列增强与人机协同的语言型可持续群决策方法。首先，针对语言型数据的模糊性与随机性特点，构建了Z-number与正态云模型结合的不确定性转换框架，实现语言术语到定量数据的精准转换。其次，设计ARIMA-LSTM混合时间序列模型，分层次捕捉线性与非线性动态特征，提升多周期预测精度；进一步提出双层人机协同机制，通过AI辅助标注与群体共识优化，减少专家标注工作量并平衡主客观数据权重。在动态决策阶段，引入滑动窗口熵权法与趋势修正因子动态调整属性权重，增强排序结果的可解释性。仿真实验结果表明，所提方法在动态适应性与结果稳定性上提升明显，为动态复杂场景下的可持续群决策提供了有效支持。

• 基于多尺度卷积和局部到全局Transformer的石质文物表面粗糙度定量评价模型

  陈雅鑫,周强,刘鑫,王莹,刘鹏欢,朱建锋,罗宏杰,

  表面粗糙度的测量对石质文物的保护与研究至关重要。针对岩石表面粗糙度测量中轮廓线粗糙度的定量评价，现有方法依赖于人工设计特征量，难以全面捕捉表面细节特征的问题，将深度学习方法引入表面轮廓线粗糙度定量评价，提出基于多尺度卷积和局部到全局Transformer的石质文物表面粗糙度定量评价模型（HTCBNet）。首先，设计了分布聚焦特征提取模块，将轮廓线在数据分布空间上进行归一化处理，保留其幅值特征；在此基础上提出了异构融合特征提取模块，子网络分别使用多个多尺度卷积模块和局部到全局Transformer模块提取局部和全局特征，再使用自适应特征融合模块进行特征融合，并辅以Bi-GRU模型提取轮廓线的序列特征，以提升模型对轮廓线特征的提取能力；最后，设计了表面粗糙度系数（JRC）检测头，将丰富的轮廓线特征映射为JRC。实验结果表明，HTCBNet拟合优度达到了0.99，平均预测误差为0.02，相较于传统提取特征量的方法精度更高、模型泛化能力更强。

• 基于双延迟深度确定性策略梯度算法的多智能体计算卸载研究

  王菁,杨柯,但文诗,严灵毓,唐星,

  针对如何在不可预测的任务分布和时变的环境状态中，实施低时延、低能耗的计算卸载问题，设计了一种车联网中基于多智能体的双延迟深度确定性策略梯度计算卸载算法。该方法综合考虑多智能体车辆的位置、连接时间、通信资源及可用计算资源，建立车联网计算卸载模型，并进一步构建以降低平均计算任务执行成本为目标的优化模型。该模型被形式化为多智能体马尔可夫决策过程，并设计多智能体双延迟深度确定性策略梯度算法进行求解，以实现对任务卸载的高效优化。实验结果表明，所提方案在时变网络环境下的鲁棒性更强，将时延与能耗的加权和降低了约18%。对比实验和分析进一步验证了该方法在兼顾时延与能耗的同时能够在复杂动态网络中实现高效计算卸载。

• 基于知识蒸馏与类间关系的异构性缓解方法

  何洋,彭伟民,

  模型异构性源于不同客户端的架构差异，阻碍了联邦学习中的有效知识共享，而通信开销则源于模型更新过程中频繁的参数传输，限制了联邦学习的可扩展性和效率。针对这些挑战，提出了一种基于知识蒸馏与类间关系的联邦学习框架FedKIC。FedKIC引入知识网络，通过深度学习实现异构模型间知识迁移；提出基于注意力机制的类间关系学习策略，通过余弦相似度计算类别间相关性并融合特征，增强相似类别的区分能力；采用“类别知识聚合+浅层权重共享”策略优化通信效率。在CIFAR10和CIFAR100数据集上，FedKIC较FedAvg、FedProx等主流方法精度提升2.13%~3.48%，通信开销降低90%。FedKIC通过类间关系建模与轻量化通信设计，突破了异构联邦学习中“性能-效率-适配性”的三角制约，为物联网、边缘计算等分布式场景提供了实用的协同学习方案。

• 基于多尺度时频融合与复合注意力机制的航空发动机剩余使用寿命预测

  李龚珣,叶青,

  针对传统方法在复杂工况下特征表征能力不足、长短期时序依赖关系建模困难等问题，提出了一种基于多尺度时频融合与复合注意力机制（multi-scale time-frequency fusion and composite attention mechanism，MTFCA）的航空发动机剩余使用寿命预测方法。该方法首先通过快速傅里叶变换将时域传感器信号转换为频域表征，提取幅值谱与相位谱特征并与原始时域信号进行融合，构建多维综合特征表示；随后引入高效通道注意力模块对不同特征通道进行自适应权重分配，强化关键退化特征。多尺度残差时间感知单元采用扩张因果卷积结构实现多尺度时序特征捕捉；改进的多头注意力模块引入相对位置编码机制，精确建模序列中的长短期依赖关系。在C-MAPSS基准数据集上的验证实验表明，所提方法在四个子数据集上均取得了优异的预测性能，与14个先进预测模型相比，平均RMSE和Score分别降低了13.50%和24.87%。研究结果表明，该方法能够有效捕获航空发动机退化过程中的多维度特征变化，为复杂工况下的设备健康管理提供了新的技术途径。

• 基于动态协同预测器的分布式随机离散事件系统的可靠故障预测

  刘富春,陈泽灏,刘建圻,

  针对现有分布式离散事件系统（discrete event system，DES）故障预测方法普遍基于“事件可观测性固定”且“所有局部站点信息永不丢失”的假设，难以适应实际中事件可观测性随系统状态变化以及部分局部预测信息因网络拥塞等原因缺失的情况。提出一种基于动态协同预测器的分布式随机离散事件系统（stochastic discrete event system，SDES）的可靠故障预测方法。首先引入动态观测，提出一种新的可靠协同预测形式化方法，以确保即使部分局部预测信息丢失，系统仍能以一定概率保证所有故障至少提前m步完成预测；再构建动态协同预测器自动机，得到一个关于该可靠协同可预测性的充分必要条件，并提出基于动态协同预测器的验证算法。最后以实例说明动态观测下可靠协同预测验证算法的应用。结果表明，该方法能够在事件可观测性动态变化及局部预测信息丢失的条件下实现分布式SDES的可靠故障预测。

• 文本流中路线图在线抽取模型

  刘俊岭,杨梦迪,孙焕良,许景科,

  将文本流所包含的用户空间转移信息转换为路线图，为用户提供直观的路线与经验展示。首先，提出基于大模型的时空事件抽取模型，构建路线知识体系与抽取模板，构建微调数据集应用于模型微调；然后，提出基于大模型的文本分段模型，构建文本划分模板和微调数据集应用于模型微调；其次，提出一种在线路径生成方法，设计了实体属性和关系的推理方法，采用加权评分策略生成最优路径；最后，在真实数据集上进行实验。结果表明，所提模型在文本分段和事件抽取任务中相比其他大模型的性能更好，所提方法比多特征值的实体匹配方法在实体推理方面准确率提升了16%，验证了所提模型和方法的有效性。

• 基于多维度特征融合与边语义增强的代码漏洞检测方法

  张帅,魏乐,

  针对图驱动的代码漏洞检测方法中存在的图结构臃肿、局部与全局特征割裂及边语义信息缺失的问题，提出一种基于多维度特征融合与边语义增强的静态检测方法。首先，设计分层图融合策略，通过融合抽象语法树与程序依赖图，构建轻量化程序语义图，有效减少图节点数量。其次，明确提出代码具有作用域路径这一典型静态结构特征，并从代码文本序列、抽象语法树和作用域路径三个维度提取语句节点的局部语法、语义及全局上下文约束特征。最后，构建边语义增强的GAT网络，实现节点与边属性的协同更新。实验结果显示，在C/C++和Java数据集上的准确率分别达到93.1%和91.9%，F1值为92.8%和91.6%，明显优于MGVD、VulMPFF等四种主流方法，并在多种常见漏洞类型中展现出更优的适应性和泛化能力。

• 无人机辅助的车载自组织网络中自适应双模式路由协议

  姜生,陈敬萱,汤敏丽,夏大文,柴群,周全兴,

  针对无人机辅助的车载自组织网络的动态性和节点分布不均匀问题，提出了一种自适应双模式路由协议，以应对基础设施覆盖范围有限情况下网络中端到端可靠传输的挑战。自适应双模式路由协议包含一种改进的基于密度的带噪声应用空间聚类方法，用于车辆节点实时聚类。该路由协议有两种运行模式：a）发送节点和目标节点同簇，数据包在车辆节点间转发，即不考虑下一跳地址为无人机或路边单元节点；b）发送节点和目标节点非同簇，优先考虑通过无人机或路边单元作为中继进行数据包转发。与现有的SZLS-GPSR、AFR-OLSR和QL-OLSR协议进行仿真对比，在车辆节点数量为50，车速为8 m/s的场景中，自适应双模式路由协议的数据包投递率为94.85%，分别优于上述三种协议9.26%、9.86%和5.45%。实验结果表明，提出的自适应双模式路由协议能够显著提高网络中数据包的投递率，尤其是在高动态和大规模网络环境下表现出更优的性能。

• 基于强化学习的无线通信网络智能干扰策略方法

  杨翔宇,高贞贞,苗伟建,

  随着现代军事体系对认知能力和干扰决策技术的需求日益增长，针对具备感知和决策能力的通信装备及作战网络的干扰方法面临严峻挑战。针对传统干扰决策方案在非合作场景下的局限性，提出了一种基于强化学习的干扰决策方法。所提方法采用多臂赌博机上置信界（multi-armed bandit upper confidence bound，MAB-UCB）算法，对干扰机的位置、发射角度和功率进行联合优化；并通过构建综合考虑功率代价与干扰效果的效用函数，在安全距离与最大功率等约束条件下实现干扰策略的自适应学习。仿真结果表明，在缺乏通信网络先验信息的条件下，所提方法能够达到已知先验信息时最优干扰策略效用的92.5%，传输阻断率为0.675 3；同时对网络拓扑变化表现出较强的适应性，当拓扑结构发生变化时该方法可在数秒内重新收敛，为非合作对抗场景下多链路通信干扰提供了有效的解决途径。

• 基于Takens-Transformer与GCN的DDoS攻击检测

  邓钰洋,芦天亮,李知皓,孟昊阳,李锦儒,

  针对现有分布式拒绝服务（DDoS）攻击检测适应性弱、计算成本高的问题，提出基于时间延迟嵌入和图卷积网络的Transformer模型（TDE-TGCN）。该模型利用Takens定理将网络流量建模为动力学系统，通过时间延迟嵌入揭示DDoS攻击对流量非线性特征的影响；采用Transformer模型将流量序列映射至高维空间，通过多头注意力机制捕捉突发性和全局关联；结合图卷积网络挖掘拓扑信息及跨节点攻击模式。在CIC-IDS2017等数据集和特征变异模拟的未知攻击场景下，TDE-TGCN检测准确率达到98.7%，误报率降低至1.2%，计算效率提升35%；消融实验验证了各组件对模型性能的显著贡献。该研究从动力学系统角度重新审视网络流量特征，提出理论与实践相结合的检测框架，为复杂网络环境下的DDoS攻击检测提供了有效技术方案。

• 基于定理证明的UML多视图模型良构一致性验证方法

  吴润方,杜晔,黎妹红,

  针对复杂系统中UML多视图模型良构一致性验证的难题，提出了一种融合结构映射与定理证明的双层验证框架，以系统性地解决跨视图语义交织与结构耦合引发的建模质量风险。该方法通过结构映射验证算法（SMIVA）自动抽取3种视图模型间的结构匹配关系，生成良构一致性断言集以保障类型、命名与拓扑闭合性；同时，基于交互式定理证明器Coq构建形式化断言体系，将行为语义与状态迁移转换为可判定命题，实现语义一致性的逻辑推导。实验以电子商务系统为例，完成了13条良构一致性约束定理的形式化证明。结果表明，该方法能有效提升断言提取的覆盖性、自动化验证能力和验证效率，对提升UML建模质量具有重要意义。

• 一种雾计算辅助的工业物联网四方高效认证协议

  王雄,张泽昊,胡子宸,李伟麟,王文博,

  针对工业物联网逐步向云-雾-端协同架构演进过程中传感器设备面临的窃听、窜改、捕获等攻击威胁及敏感数据泄露问题，提出一种雾辅助下四方分段差异化认证与密钥协商协议。该协议依据云服务器、雾节点、用户端与传感器设备在计算与存储能力上的差异性，采用不同密码原语分段设计身份认证与密钥协商，即在云服务器和雾节点间采用椭圆曲线加密算法，在传感器设备和雾节点之间以及用户和云服务器之间采用轻量级运算。同时，该协议结合物理不可克隆函数为传感器生成唯一且不可复制的硬件指纹，并引入模糊提取函数以抵御传感器捕获、假冒等攻击。与现有几种认证密钥协商协议相比，所提协议的总计算开销分别降低了93.28%、93.56%、88.44%和86.70%，通信开销相较部分协议分别减少了11.30%、16.02%、19.08%，在安全性对比部分，所提协议满足多种安全属性，整体性能优于对比协议。综上，该协议在保障安全性的同时显著降低了计算与通信开销，满足工业物联网低延时和高效率的实际需求。

• 面向SDN流表多模态感知与DRL协同防御DDoS方法

  徐泽鹏,舒兆港,陈淑武,涂强,庄涛,

  软件定义网络（SDN）的集中化控制架构在提升管理效率的同时，面临分布式拒绝服务（DDoS）攻击风险。针对传统检测方法难以应对大规模动态流量中的隐蔽攻击行为，且易误封短时高并发正常流量的问题，提出一种基于多模态深度强化学习的DDoS防御系统。该系统通过融合时空特征解耦与智能决策优化，实现检测精度与资源效率的动态平衡，在资源充足时最大程度规避对非攻击流量的拒绝服务。实验结果显示，其攻击检测准确率平均达99.61%，误封率最高不超过0.5%，在保证高准确率的前提下降低了合法流量误封，实现了防御过程对网络服务质量的保障。

• 基于ViT变换双流架构的人脸图像鉴别算法

  范龙鑫,王一丁,

  双流特征架构是一种有效的伪造图像鉴别方法架构，通过混合不同类型特征以增强模型的鉴别能力。在这种架构的基础下，提出了一种新的基于ViT变换双流架构的伪造人脸图像鉴别算法，可以解决人脸图像局部纹理的细粒度特征不精确和真伪人脸图像的高级语义特征提取问题。其中：第一条支路将输入人脸图像转换为人脸LBP（local binary patterns）图像，以突出人脸图像局部纹理的细粒度，然后使用CNN精确提取该人脸LBP图像的细粒度特征；第二条支路则利用改进的ViT提取输入图像的高级语义特征，将原始输入人脸图像进行多尺度卷积，接着对每个尺度的卷积矩阵提取直方图特征，并通过交叉注意力机制注入ViT网络，该直方图特征包含图像局部信息的同时也描述了整体的统计信息，能更好地与ViT结合并施加局部约束，接着由ViT输出区分真伪人脸图像的高级语义特征；最后，将两流支路在特征层面进行深度融合，充分发挥局部纹理的细粒度特征与高级语义特征的互补优势，以提高模型的鉴别精度和泛化能力。实验结果表明，该算法在多个伪造方法上的泛化能力较好，平均精度和平均准确率达到93.9%和90.0%，领先于其他方法。该算法更好地结合了细粒度特征与高级语义特征，提高了伪造人脸图像鉴别的准确率。

• 空间特征和高频特征融合的轻量级人脸伪造检测

  杜利莎,杨高明,苏树智,刘惠临,

  现有基于vision Transformer（ViT）的人脸伪造检测方法计算复杂度高，轻量化的算法很难捕捉到细微的伪造痕迹导致检测精度低。针对轻量化模型检测效率低的问题，设计高频分量提取模块和空频交叉融合模块，并与轻量级的卷积加法自注意ViT结合。其中，高频分量提取模块提取图像中包含细微伪造痕迹的高频分量，空频交叉融合模块采用交叉注意力实现高频特征和空间特征的交互。与骨干网络比较，提出的方法在FaceForensics++数据集上的AUC提升了12.29个百分点，在DFDC上的跨数据集AUC提升了7.18个百分点。实验结果表明该方法在减少计算资源消耗的同时提升检测效率，在效率和性能之间取得平衡。

• 多模态融合与球面采样的层级式位姿估计

  李欣,况立群,赵融,韩慧妍,杨晓文,

  六自由度位姿估计作为三维空间感知的关键技术，广泛应用于机器人抓取、自动驾驶和智能制造等领域。针对RGB-D图像的六自由度估计，如何深度融合RGB图像的语义信息和深度图像的几何信息仍是一大挑战。现有方法大多采用双流网络或特征拼接策略，采用先独立处理各模态数据再融合的策略，但因缺乏跨模态的特征对齐机制，导致语义-几何信息耦合不足，限制了估计精度。为此，提出了一种基于多模态融合与球面采样的位姿估计框架—SpherePose。该方法首先基于Icosphere实现均匀采样，生成多样化初始位姿假设；然后，引入基于多模态特征融合的位姿优化模块，对初始位姿假设进行迭代细化，联合RGB图、深度图和三维坐标图提升位姿估计精度；最后设计具备双重注意力与分层排序机制的位姿评分网络，筛选最优位姿。在BOP基准测试中，所提方法在LineMOD和YCB-Video数据集上的ADD（s）-0.1d和ADD-s AUC指标分别达到99.8%和97.7%，显著优于对比方法，展现出更高的准确性与鲁棒性。综上，整体框架为多模态融合与姿态筛选提供了一种高效且可靠的解决方案，提高了6D位姿估计精度。

• 一种增密3D高斯的室内实景三维重建方法

  黄道红,刘春玲,石磊,

  针对复杂室内场景中经典三维重建方法存在细节表征不足、边缘模糊、混叠伪影等问题，提出一种基于三维高斯溅射（3DGS）的复杂室内场景三维重建算法。首先提出前置点云增密网络对运动结构恢复的稀疏点云进行增密补全，构建高分辨率的增强3D高斯辐射场，提高对复杂场景细节部分的表征精度；随后引入场景的深度信息，设计了深度正则化损失函数，利用深度代价信息关联场景中不同深度的物体，解决结构尺度模糊问题；结合自适应密度控制策略动态优化辐射场参数，提高重建模型的精度和视觉效果。在tanks and temples和Mip-NeRF360数据集上的实验表明，该方法与传统3DGS相比，重建视图峰值信噪比分别提升了7.26%和5.03%，结构性相似和学习感知图像块相似度等指标均有改善，有效解决了三维数字图像重建中存在的精度不足和模糊混叠等问题，为室内设计、导航及数字化城市建设提供了技术支持。

• 基于改进TransUnet的多模块协同脑肿瘤MRI分割方法

  谌海云,向浩睿,邓洲垚,

  针对脑肿瘤MRI图像分割中多尺度特征提取能力受限、边界模糊及模态差异导致的空间-语义割裂问题，提出一种改进的脑肿瘤分割模型CDSTransUnet。首先，设计交叉引导多尺度注意力交互模块（CMAM），通过动态通道注意力与可变形空间注意力的协同优化机制，增强多尺度特征捕捉能力；其次，提出双池化边缘增强模块（DPEEM），利用混合池化差分策略提取残差边缘特征，有效强化肿瘤边界的识别和分割能力；最后，构建空间-语义融合门控机制（SSFG），通过自适应权重动态融合CNN的局部空间特征与Transformer的全局语义信息，缓解异构特征错位问题。在BraTS2020和BraTS2019数据集上，该方法在肿瘤核心（TC）、全肿瘤（WT）和增强肿瘤（ET）区域的Dice系数分别达到89.19/88.60、83.58/82.19和75.89/76.86个百分点，相对基线模型在BraTS2020/BraTS2019数据集上分别提升2.64/1.74、4.81/3.98和2.16/1.90个百分点，且豪斯多夫距离（HD）显著降低。实验验证了模型分割复杂肿瘤形态的有效性和鲁棒性，为医学影像分析提供了可靠支持。