全部分类/
科学普及/
计算机应用研究

计算机应用研究

2026年04期

扫码免费借阅

目录

快速导航

综述评论 | 移动机器人路径规划算法研究综述

综述评论 | 移动机器人路径规划算法研究综述

摘要：随着人工智能化时代的到来，机器人技术在各领域的应用愈加广泛。作为移动机器人实现自主运动的核心技术，高效的路径规划不仅能帮助移动机器人轻松完成避障，还能优化其运动轨迹，减少能源消耗，快速移动到目标点。因此，路径规划对于移动机器人的影响不容小，从而有必要对现有移动机器人路径规划算法进行综述。首先，根据路径规划算法的设计原理,将其分为传统路径规划算法、基于采样的算法、智能优化算法和基于学习的规划算法，以更清晰地区分不同的路径规划算法；其次，详细地阐述了每类算法的原理、特点，并系统总结了其他学者对算法局限性所做出的改进;最后，展望了移动机器人路径规划算法的发展方向，旨在为移动机器人路径规划研究提供参考和借鉴。
综述评论 | 面向图神经网络的多层网络节点分类研究综述

综述评论 | 面向图神经网络的多层网络节点分类研究综述

摘要：多层网络节点分类作为复杂网络研究的重要任务之一，旨在通过识别和分类网络中的节点，揭示其内在的多维结构与语义特性。图神经网络(GNN)作为一种能够直接对图结构数据进行学习的框架，通过节点间的消息传递机制，能够高效地学习图中节点与边的内在规律及更深层次的语义特征。在节点分类任务中，GNN通过邻居聚合和消息传递机制能够充分利用图结构信息和节点特征进行节点分类。相比于传统的节点分类方法，GNN通过自适应学习节点的特征表示,减少了对手工特征工程的依赖,提高了节点分类任务的准确性。对近年来基于图神经网络的多层网络节点分类方法进行分类和综述。首先，梳理了多层网络和图神经网络的核心概念，给出了各种多层网络的定义及特点;其次，全面总结了基于图神经网络的多层网络节点分类方法的最新进展，并根据学习范式将节点分类方法分为半监督、无监督和自监督三类;同时,分析对比了这些方法在社交网络、学术网络和电商平台网络等下游任务中的性能表现;最后,对现有研究进行全面总结，并根据现有研究的不足讨论未来的研究方向。
综述评论 | 检索增强生成中的隐私保护技术综述

综述评论 | 检索增强生成中的隐私保护技术综述

摘要：检索增强生成(RAG)系统在检索与生成全流程中面临严峻的敏感信息泄露风险。为系统梳理其隐私威胁与防护技术，首先阐释RAG系统的核心原理与应用场景，并阐明其隐私定义。系统剖析成员推断、隐式知识提取、知识投毒等代表性隐私攻击模型,进而将现有隐私保护技术归纳为基于噪声注入的差分隐私技术、基于联邦学习的去中心化协同训练框架、基于合成数据的源头隐私替代方案和覆盖数据全生命周期的加密技术四类。通过对比各类技术的适用场景、优势与局限，旨在为RAG系统隐私保护提供策略参考。
区块链技术 | 基于区块链的动态权限管理与隐私保护方案

区块链技术 | 基于区块链的动态权限管理与隐私保护方案

摘要：针对供应链协同环境中存在的权限撤销延迟、访问策略泄露以及重加密开销高等问题,提出一种基于区块链的动态权限管理与隐私保护方案。该方案构建了由对称加密、属性基加密和可信执行环境组成的三级安全防护架构，结合多跳代理重加密实现策略的动态更新与历史数据的前向安全;设计了基于物联网事件驱动的智能合约协同机制，实现权限策略的自动触发与链上链下状态的同步；将Groth16零知识证明系统与可信执行环境融合，形成链下隐私证明、链上策略审计与硬件受控解密的闭环验证体系。实验结果表明，该方案在策略更新延迟及解密响应时间等关键指标方面均优于现有代表性方案，能够有效支持智能仓储、跨境物流等场景下的细粒度、可验证和轻量化数据共享需求。
区块链技术 | 基于区块链和联邦学习的隐私保护去中心化推荐系统

区块链技术 | 基于区块链和联邦学习的隐私保护去中心化推荐系统

摘要：随着互联网信息过载的出现，智能推荐系统应运而生，其广泛用于为特定用户推荐产品、内容和服务。然而，这些系统需大量用户数据来训练模型,如何在保证模型性能的同时确保用户数据的隐私性和安全性成为亟待解决的问题；传统推荐系统存在数据稀疏性等问题，直接共享数据还会侵犯用户隐私。提出了一种具有隐私保护的去中心化联邦学习推荐系统框架，利用区块链的点对点网络和不可窜改的数据存储特性，确保数据安全和系统去中心化。在该框架中，用户数据经矩阵分解为私有参数（含隐私信息)和公共参数(含项目特征信息)；用户本地训练两者，仅共享公共参数，私有参数保留在本地，保护了用户隐私。引入区块链协调训练过程，其领导者聚合本地公共参数为全局公共参数，用户下载同步并进行下一次训练。此外，还提出了基于动态随机种子算法的高性能、低消耗共识机制，并分析了模型的隐私保护性能。实验表明,该框架在隐私保护和推荐准确性上优于传统中心式学习框架，同时具有良好的可扩展性和实用性。
多模态特征融合专题 | 时空融合的时序知识图谱多跳推理模型

多模态特征融合专题 | 时空融合的时序知识图谱多跳推理模型

摘要：针对现有时序知识图谱多跳推理模型实体与关系嵌入空间分离导致的语义割裂的缺陷，以及时间信息表达能力受限的问题，提出时空融合的多跳推理模型(SF-MR)。该模型通过包含双路残差连接与空间卷积的三联体分配器构建实体和关系跨空间语义依赖；结合时空注意力机制分别建模实体时序演化和空间关联特征，并通过门控网络动态融合；采用分层强化学习框架将推理解耦为关系和实体双层决策，以缓解动作空间爆炸问题。在ICEWS14、ICEWS18、WIKI和YAGO四个公开数据集上的实验表明,SF-MR在MRR、h 和 hits@ 10等关键指标上均优于最新基线模型。具体而言，在ICEWS14上，SF-MR的MRR、 hits@3 和 hits@10 分别比最优基线提升 1.10% 、1. 53% 和 2.69% ；在WIKI和YAGO数据集上，各项指标亦稳定提升 0.79%～1.01% 。消融实验进一步验证了三联体分配器与时空注意力机制对提升语义交互与时序建模能力的有效性。
多模态特征融合专题 | 基于字形的中文零样本立场检测

多模态特征融合专题 | 基于字形的中文零样本立场检测

摘要：零样本立场检测(ZSSD)任务旨在识别给定文本中对未知目标所表达的态度。然而，目前主流的 ZSSD方法通常将基于英文数据集的方法直接应用于中文数据集，往往忽视了语言间的差异和汉字作为表意文字的象形特性，导致中文ZSSD任务效果不佳。为了解决上述问题，提出了一种融合视觉字形与语义理解的中文零样本立场检测方法。首先将输入文本转换为具有象形特征的字形图像并对图像进行字符级分割；随后在图像空间实施语义增强策略，标注情感词和实体词构建视觉提示；最后设计多模态融合架构，实现文本语义与字形视觉特征的深度对齐。在C-STANCE数据集的七个不同领域进行了跨域任务的实验。结果表明，该方法在测试集中的表现优于多个基线模型，验证了中文字形信息在中文零样本立场检测任务中的有效性与潜力。
多模态特征融合专题 | 面向多模态情感识别的软硬数据增强与交互注意力混合时空卷积网络

多模态特征融合专题 | 面向多模态情感识别的软硬数据增强与交互注意力混合时空卷积网络

摘要：针对现有的多模态情感识别方法在模型计算复杂、跨模态协同建模能力有限以及在不完整模态场景下泛化能力不足的问题，提出一种面向多模态情感识别的软硬数据增强与交互注意力混合时空卷积网络（MSCN-IA-SHDA）。该模型首先采用混合时空卷积网络(mixed spatiotemporal convolutional network,MSCN)并行提取语音和视觉模态的深层时空特征，引入一种门控式的交互注意力机制(interactive atention,IA)以实现门控式的跨模态特征融合，并结合软硬数据增强策略(soft-hard data augmentation,SHDA)提升模型在模态缺失情况下的鲁棒性。在RAVDESS、CH-SIMS和CH-SIMSv2数据集上的实验结果表明,MSCN-IA-SHDA模块在保证识别精度的同时保持了较低的计算复杂度，情感分类的准确率分别为 88.43% .74.32% 和 77.87% ，验证了所提方法的有效性。
多模态特征融合专题 | 融合时频分解与通道交互感知的多变量光伏功率预测不

多模态特征融合专题 | 融合时频分解与通道交互感知的多变量光伏功率预测不

摘要：为了提高多变量光伏功率预测的精度，提出一种基于时频分解与通道交互感知的多变量光伏功率预测模型。针对现有依赖基本移动平均核的时序分解方法难以处理光伏功率数据非线性结构与复杂趋势的问题，设计融合时域与频域的双重分解机制以增强非平稳序列建模能力。为克服通道独立方法忽视多变量间潜在相关性的局限，构建一种通道交互感知方法。此外，针对传统光伏功率预测中忽略时间步权重差异、远近期相关性变化和时间依赖性特征的不足，引入一种联合损失函数，采用自适应权重调整方案对均方误差、信号衰减损失以及一阶差分损失进行组合。在四个实际光伏数据集上的实验显示，所提出的模型较最优基准模型、均方误差和平均绝对误差平均下降 5.59% .5.01% ，最高下降 7.40% .8.80% 。结果表明，该模型显著提升了预测精度，削弱了时间维度误差累积效应。
多模态特征融合专题 | 基于EWT-TOPSIS融合和波动性感知注意力的短期电力负荷预测

多模态特征融合专题 | 基于EWT-TOPSIS融合和波动性感知注意力的短期电力负荷预测

摘要：准确的电力负荷预测是保障电网安全稳定运行和优化能源调度的关键技术。针对电力负荷序列的非线性、非平稳性和复杂时序变化特性，提出了融合经验小波变换(EWT）、逼近理想解排序技术（TOPSIS)决策和波动性感知注意力的预测模型。该模型首先采用经验小波变换动态分解负荷序列，生成5个本征模态分量；其次设计多尺度波动性分析器，提取时域统计特征；然后构建波动性感知注意力机制，动态调制序列权重；最后引入两阶段TOPSIS特征融合层实现多源异构信息的优化整合。实验结果表明：在巴拿马数据集上，该模型实现了平均绝对误差（MAE)为39.87MW、均方根误差（RMSE)为57.25MW、平均绝对百分比误差（MAPE)为 3.21% 的预测精度，相较于Crossformer、PatchTST等基准模型，MAE降低 10.73%～67.09% 、RMSE降低 5.81% \~61.25% ；在澳大利亚数据集上，该模型获得MAE为191.11MW、RMSE为244.96MW、MAPE为 2.06% 的性能，MAE降低 2.31%～54.57% 。消融实验验证了频域-时域-统计特征协同建模和波动性感知自适应机制的有效性。
多模态特征融合专题 | 基于多模态特征融合的可解释性脂质纳米颗粒转染效率预测模型

多模态特征融合专题 | 基于多模态特征融合的可解释性脂质纳米颗粒转染效率预测模型

摘要：近年来，针对药物递送系统脂质纳米颗粒(LNPs)的设计研究大多仅聚焦于单一特征，且忽视了辅助脂质的作用。该研究旨在构建一种基于多模态特征融合的可解释性深度学习模型（MolGraphNet），用于辅助脂质转染效率的高精度预测与结构可解释分析。MolGraphNet以神经网络卷积（NNConv)提取分子结构图特征，以多层感知机(MLP)提取物理化学相关的数值特征，并通过多模态特征融合器实现结构与性质信息的深度整合。模型还结合了分子结构编码技术与SHAP分析法实现对关键特征的可解释性分析与可视化，揭示辅助脂质结构与转染效率之间的内在关联。在公开数据集中六种细胞类型任务上的结果显示，MoIGraphNet的预测误差为 6% \~11% ，皮尔森和斯皮尔曼相关系数在 0.75～0.92 ，显著优于基线模型。MolGraphNet不仅具有较高的预测精度和鲁棒性,还能通过 SHAP分析等方法实现关键特征的可解释可视化，为辅助脂质的设计和LNPs配方的优化提供了有力的指导和参考。
算法研究探讨 | 基于可解释性的面向三维目标跟踪模型的对抗训练方法

算法研究探讨 | 基于可解释性的面向三维目标跟踪模型的对抗训练方法

摘要：基于深度神经网络的三维模型在干净数据集上取得了显著的发展，然而这些模型面对对抗样本的脆弱性导致了它们在实际应用领域存在着安全隐患。针对这一问题,提出了一种新的面向三维目标跟踪的对抗训练方法。首先采用可解释性方法，研究了模型输入中每一个点对模型预测的贡献，并计算模型在受到攻击后决策的变化,挖掘点对攻击的敏感性与其重要性之间的相关性。然后，在模型训练过程中添加干净样本对应的对抗样本来生成鲁棒的目标模型。其中,通过鼓励目标模型实现干净样本与对抗样本中对应点的贡献对齐，从而保证模型面对对抗样本时的决策一致性。此外，一个策略模型被引入用于动态调整生成对抗样本的所需参数以确保对抗样本的有效性，从而更好地提升模型的鲁棒性。在多个数据集上的大量实验表明，该方法相较于其他防御方法让现有模型在面对先进的对抗攻击方法取得了更好的表现。这表明所提出的基于可解释性的对抗训练方法为提升三维目标跟踪模型的鲁棒性提供了一种可行且高效的解决方法。
算法研究探讨 | 基于互斥锁传播与多策略改进CCBS的多四向穿梭车路径规划与避障

算法研究探讨 | 基于互斥锁传播与多策略改进CCBS的多四向穿梭车路径规划与避障

摘要：针对密集仓储系统中多四向穿梭车并行作业时易出现路径冲突、转向延迟及计算复杂度高等问题，提出一种基于互斥锁传播与多策略改进的连续时间冲突基搜索算法（M-MCCBS)，以提升路径规划效率与系统运行稳定性。该算法在上层引入互斥锁传播机制与聚焦搜索策略，实现对对称性冲突的快速检测与分支约束树的精简；在下层对安全区间路径规划算法进行改进,设计节点选择、最小转向及双标签三种策略，分别用于减少扩展节点数、抑制冗余转向与复用历史路径计算结果。通过多组仿真算例验证，改进后算法在任务完成时间、转向次数及路径规划效率方面均优于传统连续时间冲突基搜索算法，平均任务完成时间优化率达到 9.83% 。结果表明,该算法在保持解的质量的同时，显著提升了密集仓储系统中多穿梭车路径规划的求解速度与可行性。
算法研究探讨 | 多策略改进的蛇优化算法及其应用

算法研究探讨 | 多策略改进的蛇优化算法及其应用

摘要：为提升蛇优化算法(SO)的寻优速度和收敛精度，提出一种多策略改进的蛇优化算法(MSSO）。首先在初始化阶段，采用基于余弦变换的混沌系统初始化种群以提高种群多样性及全局搜索能力;其次在算法探索阶段，根据蛇种群的觅食习惯设计了基于性别差异的双模态搜索策略，提升算法的求解精度和速度;最后在算法迭代后期,提出一种混沌准反射学习策略，增强算法跳出局部最优的能力的同时保留优势个体。通过复杂度、收敛性和平衡性分析证明了算法的可行性。通过对基准测试函数、CEC2020复杂函数和无人机三维路径规划问题的数值实验，综合验证了MSSO算法具有优越的寻优精度、寻优速度、鲁棒性及实际应用前景。
算法研究探讨 | 基于自适应领导者选择与完全反向学习机制的混合花粉樽海鞘群算法

算法研究探讨 | 基于自适应领导者选择与完全反向学习机制的混合花粉樽海鞘群算法

摘要：针对单一启发式算法易出现收敛精度不足、早熟现象频发等问题,提出一种基于自适应领导者选择与完全反向学习机制的混合花粉樽海鞘群算法（HSF-ALSFO）。首先,HSF-ALSFO将樽海鞘群算法（SSA)与花粉算法(FPA)进行融合，旨在兼顾 SSA高效的全局搜索能力与FPA出色的局部搜索能力。其次，算法采用自适应领导者选择机制，通过综合个体适应度值与相对距离筛选精英个体作为领导者，引导其余个体的位置更新。最后，采用引入随机Givens旋转的完全反向学习机制生成种群中所有个体的反向解，以提升种群整体多样性。使用CEC2022 测试集作为基准，将HSF-ALSFO与原始SSA，以及AGSSA、EKSSA、TLSSA、DMSSA 四种改进 SSA和SCFPA、EFPA、ABFPA三种改进FPA进行性能评测。基于实验数据的Friedman检验表明,HSF-ALSFO显著优于其他对比算法。此外，通过消融实验验证了算法中各改进策略的有效性，结果显示所有改进策略的协同作用使HSF-ALSFO实现了最优性能。
算法研究探讨 | 融合聚类线性组合与优化状态自适应的差分进化算法

算法研究探讨 | 融合聚类线性组合与优化状态自适应的差分进化算法

摘要：针对差分进化(DE)算法在高维复杂函数优化中存在参数敏感性强、全局探索能力不足，以及探索与开发过程失衡等问题,提出一种融合聚类线性组合与优化状态自适应机制的改进算法(CLOSADE)，目的在于提升算法在处理复杂优化问题时的鲁棒性和收敛性能。该方法首先设计基于适应度与距离双因子的聚类策略，生成多簇线性组合向量，并引入动态距离阈值以增强种群多样性;其次构建优化状态指标(IOS)，用于量化种群分布特性，驱动变异策略与控制参数的自适应调整。实验结果表明，在CEC2017和CEC2022基准测试函数上，CLOSADE 在收敛精度和速度上均显著优于JSO、NL-SHADE-DP和 S-SHADE-DP等先进算法,特别是在高维混合函数和复合函数上，CLOSADE展现出显著优势，收敛精度平均提升 22% ，收敛速度提升约 40% 。种群多样性分析进一步表明,通过聚类形成的多子群结构能够有效维持解空间中的并行搜索能力，而优化状态指标则确保了算法在不同进化阶段对探索与开发行为的动态平衡。
算法研究探讨 | 基于统一测量和张量学习的多视图无监督特征选择米

算法研究探讨 | 基于统一测量和张量学习的多视图无监督特征选择米

摘要：随着多视图数据在高维工业应用中的普及，特征选择因能保留特征的原始物理意义和可解释性而备受关注。尤其在标签稀缺的实际场景下，多视图无监督特征选择方法更具实用价值。针对现有方法在视图间关联挖掘与一致性探索方面的不足，提出一种基于统一测量和张量学习的多视图无监督特征选择方法（SMUMT)。该方法整合自表示学习以提升样本表示效率，结合联合学习构建可信相似度图以指导特征选择，并引入张量学习显式建模视图间高阶相关性。在7个公开数据集上的聚类实验结果表明，所提方法在多数情况下优于6种主流对比算法，尤其在图像类数据上表现突出，验证了其在特征选择与聚类性能方面的有效性。
算法研究探讨 | 面向用户多层次多样化推荐的端到端学习框架

算法研究探讨 | 面向用户多层次多样化推荐的端到端学习框架

摘要：多样化推荐旨在提高推荐项目的差异性，避免低质量的重复推荐，从而减轻信息茧房效应并改善用户体验。然而，现有的多样化推荐方法在追求推荐列表多样化时，忽视了极具差异性的个性化需求;且已有方法多数仍采用分段式学习或优化策略，限制了推荐质量的有效提升。为此，从个性化需求的角度出发进行研究，提出一种面向用户多层次多样化推荐的端到端学习框架。通过在矩阵分解、图网络等协同过滤模型中引入可以刻画用户多层次多样化需求的约束，并设计能够兼顾推荐准确性和多样化的目标函数，实现对用户偏好的合理捕捉。在四个公开数据集上进行了广泛的实验,验证了该方法相比于现有的先进算法，更能在保持推荐准确性的同时，显著提升推荐多样化。
算法研究探讨 | 社交关系超图网络增强的多图融合兴趣点推荐方法

算法研究探讨 | 社交关系超图网络增强的多图融合兴趣点推荐方法

摘要：针对现有方法在社交关系的有效提取及其与时空信息融合方面存在不足，提出社交关系超图网络增强的多图融合兴趣点推荐方法(MSRHN),将局部时空增强图、全局交互超图和社交关系超图融合以实现精准推荐。局部时空增强图模型基于用户-兴趣点(user-PoI)交互构建时空增强图神经网络，引入非对称传播机制建模时空依赖关系,精确提取局部时空信息;全局交互超图模型基于高阶user-PoI交互构建交互超图神经网络，通过两步传播机制捕获高阶协同信号，有效建模全局交互模式；社交关系超图模型基于用户间社交连接构建社交关系超图神经网络，融合多用户间交互信息，深入挖掘高阶社交关系；最终融合三种图模型生成推荐结果。在三个公开数据集上的实验表明，MSRHN优于现有基线方法。
算法研究探讨 | 牛顿-拉夫逊优化驱动的自适应密度峰值聚类

算法研究探讨 | 牛顿-拉夫逊优化驱动的自适应密度峰值聚类

摘要：针对密度峰值聚类(DPC)存在的截断距离参数需人工设置、对噪声敏感以及难以适应非均匀数据分布等问题,设计了牛顿-拉夫逊优化驱动的自适应密度峰值聚类方法（NRO-ADPC)。该方法基于牛顿-拉夫逊优化算法建立自适应参数优化机制，通过梯度引导的二阶优化自动确定截断距离，消除人工参数调整依赖;通过构建融合密度连续性、聚类分离度和峰值清晰度的多目标优化函数，结合自适应加权机制增强算法对噪声的鲁棒性；采用结合固定与自适应带宽的混合密度估计策略，在保持全局一致性的同时适应局部分布变化。在5个合成数据集和5个真实数据集上的实验表明，NRO-ADPC在合成数据集上平均准确率超过 99% ，在真实数据集上相比传统DPC平均提升超过 20% 。WilcoXon符号秩检验显示，NRO-ADPC在ACC和NMI指标上相对于MDPC + 等对比算法具有统计显著性优势( P<0.05 ），在处理高噪声、多尺度特征及非均匀分布等复杂数据时表现出色。
算法研究探讨 | 无信号灯交叉口左转场景的自适应协同决策优化方法

算法研究探讨 | 无信号灯交叉口左转场景的自适应协同决策优化方法

摘要：针对城市复杂无信号灯交叉口左转决策的精度与安全性问题,对TD3算法作出改进，提出了一种融合多策略粒子群优化（multi-strategy particle swarm optimization,MSPSO）的 MSPSO-TD3决策方法。首先，引入MSPSO模块提升全局探索效率，通过动态参数网络与多子群并行搜索机制为TD3提供高质量候选动作。其次，在决策融合阶段采用双Critic网络对候选动作进行联合评估以择优执行，并引入MSPSO正则化提升策略的全局最优性。在CARLA仿真实验中，该方法在高密度交通场景下测试成功率达到 80% ，平均通过时间缩短至5.37s,平均加速度降至 2.24m/s² 。MSPSO-TD3方法在通行效率、安全性与舒适性上均有提升，具有良好的复杂场景决策优化能力。
算法研究探讨 | 考虑容量和成本的最大最小多样性选址问题的强化驱动型禁忌搜索算法

算法研究探讨 | 考虑容量和成本的最大最小多样性选址问题的强化驱动型禁忌搜索算法

摘要：考虑容量和成本的最大最小多样性选址问题（GDP）是从一个无向完全图中选出一个子集，在满足容量和成本基础上使得子集中任意两个节点之间最小距离最大化。GDP是NP难问题，在不良设施选址、社交网络分析和生态环境保护等领域具有重要应用。现有研究已提出一些求解算法，但在大规模GDP求解方面仍存在局限性。基于此，设计强化驱动型禁忌搜索算法（IDTS）求解GDP。具体来说，该算法提出基于节点价值评估的贪心算法构造初始可行解,设计多邻域联合搜索机制探索解空间，采用快速增量计算策略降低复杂度，基于强化驱动机制增强搜索高质量邻近解的能力。实验部分在120个大规模GDP算例集上对比IDTS与现有几种算法，结果表明IDTS 在求解大规模GDP 时性能更优。
软件技术研究 | 基于认知图谱的领域应用系统生成关键技术

软件技术研究 | 基于认知图谱的领域应用系统生成关键技术

摘要：软件开发在医疗领域因业务知识繁杂且专业性强面临高门槛。目前基于提示语的LLM代码生成虽能处理简单需求，但功能单一，缺乏领域特点，难以应对复杂医疗业务。为此，提出一套基于认知图谱的领域应用系统生成技术方案。方案以组件为最小颗粒度，构建医学领域业务认知图谱与功能组件库，实现云端按需生成医学业务应用系统。具体工作分为两个部分：一是分析医院信息化业务，抽取系统说明文档中的业务知识，构建医学领域业务认知图谱，为系统生成提供需求和方法；二是通过文本语义归一化技术搭建业务与代码桥梁,按需生成功能组件代码，生成医学业务系统样例。实验结果表明,该方法在业务短语抽取和功能组件推荐任务中表现出色，平均覆盖率可达 60%～80% ，验证了方案的有效性和优越性。
软件技术研究 | 基于自适应高斯混合模型的数据库基数估计方法

软件技术研究 | 基于自适应高斯混合模型的数据库基数估计方法

摘要：基数估计是数据库查询优化的关键环节，其准确性直接影响查询计划的执行效率。基于深度自回归模型的基数估计器在以往的研究中已展现出卓越的准确性，而在处理大值域连续属性列时,模型难以捕捉数据分布规律,性能严重下降。针对这些挑战，提出一种基于自适应高斯混合模型的新型基数估计器AGCard。首先，动态调整高斯组件的数量和参数，自适应拟合连续属性列的数据分布，降低域规模;其次，采用偏差校正算法修正渐进采样过程所引入的估计偏差，同时避免了额外的计算开销。在WISDM等三个真实世界数据集上的实验结果表明,所提方法在估计准确性、推理延迟和存储开销等方面均优于现有主流基线方法，证明了自适应高斯混合模型和偏差校正算法的有效性。
网络与通信技术 | 面向物联网的模块化XL-MIMO近远场NOMA通信的波束赋形设计

网络与通信技术 | 面向物联网的模块化XL-MIMO近远场NOMA通信的波束赋形设计

摘要：物联网通信系统面临频谱资源受限与多节点干扰的严峻挑战，影响系统整体性能。模块化超大规模多输入多输出（extremely large-scale multiple-input multiple-output,XL-MIMO)技术凭借更大阵列孔径提升空间分辨率,非正交多址（non-orthogonal multiple access,NOMA)则通过功率域复用提高频谱效率,两者结合被视为应对上述挑战的有效途径。然而,在XL-MIMO系统中,近场球面波与远场平面波传播共存导致信道呈现高度非均匀空间相关性，加剧节点间干扰。因此，考虑一个模块化XL-MIMO远近场NOMA下行通信系统，研究在近远场网络节点最低通信速率保证下，优化降低系统干扰和提升通信性能的XL-MIMO近远场波束赋形设计，提出了满足系统发射功率约束的网络节点和速率最大化算法。为了降低系统优化复杂度，利用NOMA功率域复用特性，进一步提出了波束赋形简化设计算法。仿真结果表明，该算法得到的网络节点和速率明显优于已有基准方案，结果还显示了近远场NOMA能有效协调近远场信道的差异性，在提升频谱效率的同时保障网络节点公平性。
网络与通信技术 | 基于动态时隙分割的空地协同NOMA传输资源与轨迹联合优化

网络与通信技术 | 基于动态时隙分割的空地协同NOMA传输资源与轨迹联合优化

摘要：针对应急通信中频谱资源紧张以及系统中用户QoS无法保障两大问题，构建了UAV辅助的空地协同传输系统，提出一种基于动态时隙分割的空地协同NOMA传输与资源分配方案。该方案通过动态分割时隙，优先由GBS服务其调度的NOMA用户对，如果存在因功率分配不足而未满足QoS的用户，UAV在剩余的时隙进行补充。针对该系统模型，建立了在无人机能量、基站功率及时空资源约束下的系统吞吐量最大化优化问题。为提高计算效率，将原混合整数非线性规划问题解耦为UAV轨迹优化、GBS用户调度与功率分配、UAV功率与时隙联合优化三个子问题，通过使用SCA和McCormick包络等方法处理非凸约束，并采用分层分布式迭代的方法进行求解。结果表明，所提方案与静态方案相比，系统总吞吐量提升超过 20% ，能量效率优化近 30% ，这证实了所提方案在系统总吞吐量和能效上均优于现有方案，可以有效地应用于应急通信中。
网络与通信技术 | 基于脉冲膨胀可分离注意力与频域学习的双域令牌混合器

网络与通信技术 | 基于脉冲膨胀可分离注意力与频域学习的双域令牌混合器

摘要：脉冲 Transfomer凭借其高能效与高性能，将 SNN的性能提升到了一个新的高度，但其仍面临计算复杂度高、高频信息易丢失等挑战。为此，提出一种双域令牌混合器(SFTM),包含脉冲膨胀可分离注意力（SDSA）与傅里叶频域学习器(FTFL)两条分支。SDSA通过大核深度卷积建模长程空间依赖，以线性复杂度降低计算负担;FTFL利用频域变换与自适应加权机制恢复高频细节信息，有效弥补脉冲注意力的低通滤波缺陷。同时，设计脉冲深度前馈网络(SDWFFN)以增强跨通道信息交互。基于上述模块构建的 SFformer模型在CIFAR-10/100及多个神经形态数据集上的实验结果表明，其性能相当甚至优于当前主流模型的精度，同时显著降低了计算复杂度与能耗。特别在CIFAR-1OO上达到 81.34% 的准确率，相比同类模型的先前最优算法精度提升了 3.13% ，能耗仅为 0.27mJ ，验证了该方法在保持高性能的同时具备显著的能效优势。
信息安全技术 | 异构环境下基于历史模型的动态联邦学习方法

信息安全技术 | 异构环境下基于历史模型的动态联邦学习方法

摘要：联邦学习能够在保证本地数据隐私的前提下完成全局机器学习模型训练，但面临着由数据异构情况导致的全局模型精度低、收敛速度慢的问题。针对以上问题，提出了一种基于历史模型数据的动态联邦学习方法FedHD(federated learning with historical data）。FedHD基于客户端模型的历史模型和全局模型信息对客户端模型更新方向进行动态校正，在提升全局模型的精度的同时保证了模型收敛过程中的平滑性与鲁棒性。同时对客户端进行基于模型相似度的聚类采样，并通过滑动窗口机制引入历史模型数据，提升采样过程的可用性与鲁棒性，最终实现全局模型收敛速度的提升。最后，在不同的数据异构场景进行实验，结果表明，在MNIST和CIFAR-10上FedHD相较于其他算法在模型精度和收敛速度上均有所提升，同时拥有更好的鲁棒性,验证了该方法在数据异构环境下有着良好表现。
信息安全技术 | 抵御恶意子集确权攻击的数据确权方案

信息安全技术 | 抵御恶意子集确权攻击的数据确权方案

摘要：针对数据要素市场化中因二次确权引发的权属纠纷问题、制约数据流通效率的现状，旨在构建一种能够识别并防御恶意子集确权攻击的结构化数据确权方案。研究方法包括将数据分解为原子特征单元：分类属性通过独热编码生成语义唯一正交向量，数值属性通过K-means聚类提取最小语义簇中心向量;设计规范形式函数消除特征集合顺序歧义，基于集合包含关系判定子集归属，并结合抗碰撞哈希与布隆过滤器优化检测效率。实验结果表明，该方案能有效提升非法子集确权检测效率，平均拒绝率达 71.45% ，验证时间控制在 35ms 内，实现了特征级权属的细粒度管控。结论表明,所提方案为数据流通中的二次确权风险提供了可计算、可验证的解决方案，具有较高的实用性与安全性。
信息安全技术 | 基于信息融合图像和深度学习的恶意软件分类方法

信息安全技术 | 基于信息融合图像和深度学习的恶意软件分类方法

摘要：现有基于图像的恶意软件分类方法通过提取多种信息并使用多通道图像表征恶意软件以提升分类准确率。然而，相较于使用单通道图像表征恶意软件，使用多通道图像表征恶意软件在提升分类准确率的同时也增加了模型的复杂度和计算量。为此，提出了基于信息融合图像和深度学习的恶意软件分类方法MCIIFD(malwareclassification method based on image with information fusion and deep learning）。该方法通过将字节码、操作码及操作数、以及数据定义内容等不同信息分布到单通道图像的不同区域，既实现了多种关键信息的融合，又避免了多通道图像带来的高计算开销。在此基础上，设计了卷积神经网络与支持向量机相结合的特征提取与分类框架，使得MCIIFD既能凭借更丰富的特征表示实现高分类精度，又能保持较低模型复杂度和较高计算效率。实验结果显示，MCIIFD在Big2015数据集上获得了99. 56% 的分类准确率，验证了其在恶意软件分类任务中的有效性。
图形图像技术 | 面向油田图像分割的空-频双域融合深度网络

图形图像技术 | 面向油田图像分割的空-频双域融合深度网络

摘要：石油生产场景复杂，火灾、刺漏等异常频发，严重威胁安全生产。为实现对异常的精确识别与定位，提出一种空-频双域融合网络(SFDFNet），以提升语义分割在细节保留和全局特征建模方面的性能。该方法首先在空域采用多分辨率卷积神经网络提取图像的多层次特征;其次提出多尺度频域金字塔模块(MFDP)，用于捕获图像边缘与全局纹理信息以补充高频细节;最后通过混合注意力融合模块(HAFM)实现空域与频域的自适应融合。实验结果表明，该方法在石油生产场景数据集上mIoU达到 70.8% ,在Cityscapes和CamVid数据集上mIoU分别达到 78.5% 和 78.1% ，显著优于现有主流方法，验证了其有效性。
图形图像技术 | 面向深度伪造检测的高效自解释图神经网络

图形图像技术 | 面向深度伪造检测的高效自解释图神经网络

摘要：针对现有基于传统深度学习的检测方法检测效果不佳、可解释性差的问题,提出一种基于高效自解释图神经网络(SE-EfGNN)的深度伪造检测方法。该方法由图结构构建、模型预测和解释分析三个部分组成。首先融合先验信息与局部空间信息，将待检测视频建模为语义引导的图结构数据，增强模型对伪造痕迹的感知能力；其次，构建SE-EfGNN网络，对节点特征实现分维度的特征编码，综合距离加权聚合和邻接边聚合更新节点表示，并引入通道门控单元和节点注意力模块捕捉伪造痕迹特征实现分类预测;最后对网络中距离加权模块、特征编码模块、节点注意力模块进行参数可视化，实现模型的自解释。实验结果表明，所提方法在主流数据集上的平均AUC达0.9946,并通过网络学习参数可视化输出,提供可解释依据。其结果验证了SE-EfGNN在保持较高检测性能的同时，亦具备优异的可解释性。
图形图像技术 | 融合跨模态特征与颜色引导的遮挡目标6D位姿估计算法

图形图像技术 | 融合跨模态特征与颜色引导的遮挡目标6D位姿估计算法

摘要：在复杂遮挡环境下，基于RGBD的6D位姿估计仍然面临多模态特征未能充分融合以及点云配准易受遮挡和视角变化影响的问题。针对以上问题,提出了一种面向遮挡场景的多模态6D位姿估计算法。该方法在特征提取阶段建立RGB图像与点云数据的跨模态关系，并在点云配准过程中引入颜色特征信息，以提高配准的准确性和鲁棒性。在OccusionLineMOD数据集上的实验，结果显示该方法在多个目标类别下均优于现有主流方法，平均精度提升了 2.3% 。研究表明，该算法能够在严重遮挡和复杂视角条件下保持较高的估计精度，为多模态6D位姿估计提供了一种有效的解决思路，并为后续在机器人操作与自动驾驶等应用中的推广奠定了基础。
图形图像技术 | 基于语义嵌入三维高斯溅射的双路径重建算法

图形图像技术 | 基于语义嵌入三维高斯溅射的双路径重建算法

摘要：三维高斯溅射(3DGaussian splatting,3DGS)在显式高斯分布中未能嵌入语义信息，阻碍了其在语义感知重建中的应用。针对上述问题,提出一种将语义嵌入三维高斯溅射的双路径重建算法 SDP-GS。首先，基于空间关系将来自预训练模型的二维语义特征投影到三维高斯分布中；然后，采用双路径协同渲染策略，融合快速光栅化渲染和深度感知体渲染以提升渲染质量;最后，引入曝光补偿图像损失优化模型抑制因光照变化产生的伪影。在Tanks&Tempels数据集上的实验结果表明,SDP-GS相比基线PSNR、SSIM分别提升 9% 和 8% ,LPIPS降低41% 。SDP-GS不仅成功将语义特征嵌入三维高斯溅射模型中，还实现了高保真的重建效果。
图形图像技术 | 基于特征融合与无参数注意力机制的MRI图像超分辨率重建方法

图形图像技术 | 基于特征融合与无参数注意力机制的MRI图像超分辨率重建方法

摘要：针对磁共振成像(magnetic resonance imaging,MRI)生成的图像在超分辨率重建中存在细节表现不足且计算量较大的问题，提出了一种构建特征融合与无参数注意力机制的图像超分辨率重建网络(FFPAN)。网络结构由浅层特征提取、深层特征提取和图像重建三部分组成，深层特征提取包含特征分离融合、无参数注意力和广义自注意力模块。特征分离融合模块将图像特征划分为高频细节与低频整体信息两部分。无参数注意力机制（parameter-free atention,PA)模块通过卷积计算图像特征。捕捉特征间全局依赖关系,与传统注意力机制相比，PA通过卷积层的输出生成注意力图,无须学习额外的参数，计算量小。广义自注意力模块通过自注意力与残差连接，有效提取全局或高频信息。在公共数据集BraTS21和FastMRI上进行实验，结果表明，该方法与SwinIR相比，参数量减少 48.3% ,PSNR和SSIM指标上分别提升0.15dB和0.0446。同时，主观评估结果表明，通过该网络重建的MRI图像能够更好地表现图像细节，具有较高的临床实用价值。
图形图像技术 | 鲁棒迁移判别分析-综合字典对学习的带噪声图像分类

图形图像技术 | 鲁棒迁移判别分析-综合字典对学习的带噪声图像分类

摘要：真实图像大多伴随复杂噪声，同时图像来源复杂，不同领域的数据在分布上存在差异。为获得噪声图像的准确表示，提高图像的识别能力，提出了一种鲁棒迁移判别分析-综合字典对学习算法(RTDAS-DPL）。首先，突破传统单一高斯噪声假设，联合高斯分布和拉普拉斯分布建模高斯-椒盐混合噪声，增强算法在复杂噪声环境中的鲁棒性;其次，通过领域共享的分析-综合字典对构建域不变子空间，并基于稀疏系数设计最大均值差异策略，最小化源域与目标域的分布差异;然后，引入判别约束同步优化类内内聚性与类间分离性，降低异类字典原子相关性，提升同类原子紧凑度，从而获得高判别性字典对和分类器。在互联网社交媒体图像集和作物叶片图像数据集上的实验证明了所提算法的有效性。
图形图像技术 | 金字塔信息解耦的甲状腺结节分割

图形图像技术 | 金字塔信息解耦的甲状腺结节分割

摘要：甲状腺结节自动分割技术对甲状腺疾病诊断至关重要，但数据集规模有限及超声成像噪声制约了分割精度。为此，提出一种金字塔信息解耦的甲状腺结节分割网络。该网络通过多分支信息交融模块进行信息解耦与循环状态传递，精准适应结节尺度变化并逐步细化细节信息。特征金字塔跨层级融合结构并行连接多个交叉注意力机制后实现跨层级信息交互，在双向引导特征的同时有效抑制噪声干扰。引入基于样条变换的特征细化模块，可以动态调整网络以适应不同的输入、捕获精细信息并提升模型泛化能力。在TN3K数据集上的IoU和DSC指标均值为0.7633、0.8599,这表明网络性能优于主流方法，且在DDTI和TNUI两个小样本数据集泛化场景下的表现突出，验证了其在甲状腺结节分割任务中的巨大潜力。
图形图像技术 | 基于多层次特征增强的图像压缩感知重构算法

图形图像技术 | 基于多层次特征增强的图像压缩感知重构算法

摘要：传统图像压缩感知重构算法受限于局部细节建模。全局自注意力的Transformer可以捕获全局特征，但计算复杂度较高。窗口自注意力机制可以降低复杂度，但低效的跨窗口交互又限制了对长距离依赖关系的建模。因此提出了一种多层次特征增强网络（MFENet）。采样阶段，通过学习采样矩阵获取更多有效的测量值。重构阶段，设计动态偏移自注意力机制，自适应调整注意力头采样位置，增强窗口间的信息交互，从而提升Transformer全局特征建模能力;同时结合CNN局部特征提取优势，构建双分支架构优化多层次特征。此外，通过采样与重构的联合优化实现端到端的模型训练。实验结果表明，在Set11测试集上，采样率为 10% 时，峰值信噪比和结构相似性较CSformer分别提升 0.53dB 和0.0051;所有采样率条件下的平均重构时间减少了 2.8978s ，证明了该算法的有效性。
信息集粹 | 下期要目

信息集粹 | 下期要目

♣ 目标检测知识蒸馏综述 ♣ 联邦学习的计算效率优化方法综述 ♣ 基于对象级Token重构与文本实体感知的跨模态检索 ♣ 用于肺癌亚型分类的解耦染色归一化共注意力多模态融合网络 ♣ 基于分层门控与双重对比监督机制的多模态命名实体识别方法 ♣ 基于多尺度感知和双模态融合的激光雷达点云语义分割 MG-MQE：多阶段生成与多维质量评估的专利标题自动生成方法 ♣ 基于异构信息密度可视化的双流

过往期刊

更多

猜你喜欢

浙江工贸职业技术学院电子阅览室