全部分类/
科学普及/
计算机应用研究

计算机应用研究

2026年08期

扫码免费借阅

目录

快速导航

综述评论 | AI agent 技术进展与展望

综述评论 | AI agent 技术进展与展望

摘要：AI agent(智能体)作为具备自主感知、规划、记忆与决策执行能力的智能系统,正推动人工智能技术从被动应答向自主智能转变。围绕AI agent的技术进展与发展趋势,系统梳理其技术演进路径与核心能力体系,并对不同阶段代表性的大语言模型智能体(LLM-agent)框架进行对比,分析其在策略规划、执行逻辑及结果呈现方面的差异。进一步探讨AI agent在多模态感知、跨模态认知融合、模型原生智能体等方向的发展趋势,指出其在隐私与数据安全、责任划分等方面面临的挑战,并提出“技术-系统-制度”协同的agent分层治理框架。
综述评论 | 数据中心 HVAC 智能控制的研究现状与挑战

综述评论 | 数据中心 HVAC 智能控制的研究现状与挑战

摘要: 数据中心规模扩张与低碳运行需求提升使冷却系统需在热安全与 PUE 间权衡, 高热流密度、冷却链路异构及工况不确定性导致传统规则控制难兼顾效率与适应性。为明确研究现状并支撑工程部署, 针对数据中心 HVAC 智能控制进行了综述, 重点围绕研究范式归纳、关键特性对比与协同调控范围梳理三方面展开。首先按控制机理将相关工作归纳为规则的控制、模型预测控制、在线强化学习与离线强化学习, 比较其可解释性、约束处理、全局优化能力、数据需求与部署安全机制; 其次总结风冷机房末端、冷站、经济器与液冷链路的分层协同调控进展; 最后梳理模型失配、预测不确定性、策略泛化与稳健可复现实证评测等瓶颈, 并展望未来研究方向。
情感识别专题 | 基于内外知识融合驱动的情感-原因对提取

情感识别专题 | 基于内外知识融合驱动的情感-原因对提取

摘要：针对当前情感原因提取研究中篇章内因果线索利用不足及外部知识引入噪声的问题,提出了一种内外知识融合驱动的情感-原因对提取方法(InExKD-ECPE)。该方法首先系统标注了文本中的情感表达者,并构建表达者驱动的异构图网络,以聚合全局语义信息,强化情感与原因之间的内在关联。同时,设计了上下文感知的知识融合模块,基于VAD指标计算外部知识与文本的情感敏感相似度,并结合唤醒度自适应调节知识注入权重,从而有效过滤冲突噪声。在公开数据集上的实验结果表明,该方法相较于基线方法在关键评估指标上提升了3.4个百分点,验证了其在情感-原因对提取任务上的有效性。
情感识别专题 | ALU-TransSHAP: 基于主动学习的无偏 TransSHAP 可解释模型

情感识别专题 | ALU-TransSHAP: 基于主动学习的无偏 TransSHAP 可解释模型

摘要：随着深度学习模型在情感分析领域的广泛应用,其“黑盒”特性导致的预测过程不透明、关键决策因素难以追溯等问题严重影响了模型可信度与实际落地应用。因此,提出了基于主动学习的无偏 TransSHAP 解释模型(active learning-based unbiased TransSHAP explanation model, ALU-TransSHAP)。通过主动学习背景选择模块筛选高熵样本,降低背景数据分布偏差;改进 TransSHAP 适配层构建短句-子词双向映射,实现语义单元与解释单元对齐;设计无偏 Shapley 值计算引擎,结合配对采样提升归因准确性与稳定性。在 Weibo 热门专业评价数据集和 SENTI_RATIONALE 数据集上的实验表明,ALU-TransSHAP 在忠实度(0.89/0.87)、稳定性(0.92/0.88)及预测变化(0.83/0.92)指标上显著优于基线模型,稀疏性(0.209/0.211)和计算效率(2.5/2.7)保持在可接受范围。因此该模型能有效克服中文语境下 Transformer 模型的解释难题,完整保留语义逻辑,为情感分析提供可靠的可解释性支持,显著提升模型决策的透明度与可信度。
情感识别专题 | 基于双通路融合网络的用户视频情感识别

情感识别专题 | 基于双通路融合网络的用户视频情感识别

摘要：用户视频的情感识别面临内容动态变化、画面主题多样及情感分布稀疏等挑战。针对此问题，提出一种双通路融合网络 DPFNet。DPFNet 的核心是基于注意力机制的双通路编码结构，主路径建模视觉嵌入的时序依赖关系，辅助路径则引入情感辅助文本以重建和约束视觉特征以适应多样主题；进一步，通过双通路解码器并行解码两路特征，捕获稀疏情感表达；最后，利用动态门控机制自适应融合双通路解码结果，有效抑制与分类无关的通道干扰。在两个公开数据集上，DPFNet 分别取得了 60.2% 和 63.7% 的分类准确率。与当前主流模型相比，所提方法在保持相当分类性能的前提下，仅依赖视觉单模态输入即可实现更高效识别，显著降低了模型复杂度与计算开销。
算法研究探讨 | 基于内容自适应小波特征与判别式层次原型对齐的跨被试脑电解码网络

算法研究探讨 | 基于内容自适应小波特征与判别式层次原型对齐的跨被试脑电解码网络

摘要：跨被试运动想象脑电信号解码受到非平稳性、特征分布不一致等因素的影响，导致模型泛化能力不足。为缓解上述问题，提出一种基于内容自适应小波特征与判别式层次原型对齐的跨被试脑电解码网络（CAWF-DHPA 网络）。该网络架构首先构建内容自适应小波特征提取模块（CAWFE 模块），通过多尺度整合时域瞬态特征与相关频域信息提升时频表征的稳定性；随后，利用层次化原型对齐模块（DHPAN 模块）实现边缘与条件分布的协同校正，以获取兼具领域不变性与类别区分性的特征表示。在 BCI 竞赛 IV 2a 与 OpenBMI 数据集上的实验表明，该方法分别达到了 79.48% 与 77.42% 的平均准确率。研究结果表明，所提方法能够有效缓解跨被试信号差异，提升 MI-EEG 解码在实际部署中的稳定性与泛化潜力。
算法研究探讨 | 生鲜产品零滞留与需求拆分下的生产配送优化算法

算法研究探讨 | 生鲜产品零滞留与需求拆分下的生产配送优化算法

摘要：针对生鲜行业对产品新鲜度和配送及时性的日益增长需求，研究产品零滞留、需求可拆分的生产配送集成调度优化问题。在考虑序列依赖生产准备时间、固定配送时间窗、车辆容量等约束下，构建以运输成本、缺货成本和违约成本最小化为目标的混合整数线性规划模型。为提升大规模算例求解效力，提出一种改进的启发式算法，上层通过二分进行求解，下层以双种群遗传算法为框架，结合局部优化和模拟退火算法进行求解。实例实验验证了模型与算法的实际应用价值，优化方案可将总成本降低8.17%。数值实验进一步表明，改进的启发式算法显著提升了解的稳定性与质量，其Gap值始终保持在3%以下，优于双种群遗传算法、单种群遗传算法和Gurobi求解器。
算法研究探讨 | 融合课程学习与自适应奖励塑形的移动机器人导航方法

算法研究探讨 | 融合课程学习与自适应奖励塑形的移动机器人导航方法

摘要：针对移动机器人端到端导航任务时面临稀疏奖励的问题,传统强化学习方法容易出现学习效率低,难以稳定收敛等问题,提出一种融合课程学习与自适应碰撞熵奖励塑形的深度强化学习导航方法。首先,引入激光扫描碰撞熵作为动态塑形项,用于衡量环境不确定性并引导智能体在复杂空间中更高效地探索。其次,设计了基于成功率变化斜率的自适应调度机制,动态调整塑形系数 β ,从而平衡探索与收敛的关系。最后,构建了分阶段的课程学习框架,通过逐步提升环境难度,使智能体在由简到难的任务序列中稳定学习,加快收敛速度并提升最终性能。在仿真环境的验证中,相较于同领域主流方法,该方法在密集环境下成功率提升至84.5%,碰撞率降至14.5%。验证了该方法能够有效缓解稀疏奖励问题并提升导航性能。
算法研究探讨 | 考虑多运载约束的卡车-异构无人机多访问协同路径优化方法

算法研究探讨 | 考虑多运载约束的卡车-异构无人机多访问协同路径优化方法

摘要：针对卡车-无人机协同配送中忽略三维体积装载、无人机异构性问题，提出多运载约束的多访问协同路径优化方法。以最小化配送完成时间为目标构建混合整数线性规划模型，综合考虑无人机载重、三维体积装载、动态续航及无人机异构性等约束。为高效求解该模型，提出一种基于时间负载平衡策略的多层级智能优化混合算法。该算法的时间负载平衡策略，增强了局部搜索能力，并通过引入强化学习的Q-learning自适应策略提升了全局搜索效率。实验结果表明：所提算法能够有效提高解的质量、收敛速度，最优解平均提升超过20%，且变异系数低于2.6%，在平衡多约束运载的多无人机任务协调和运输路径优化方面展现了较优性能。此外，在卡车-多无人机多访问协同配送中加入三维体积装载和无人机异构性约束，更符合实际低空物流配送场景。
算法研究探讨 | 融合量子启发与多层邻域的改进 APO 路径规划算法

算法研究探讨 | 融合量子启发与多层邻域的改进 APO 路径规划算法

摘要：针对移动机器人路径规划中存在的局部极值陷阱、收敛速度慢及路径平滑度差等问题,提出一种改进的人工原生动物优化算法(IAPO)。首先,引入多层次自适应邻域结构优化策略,通过分层机制与自适应半径调整平衡全局探索与局部开发能力;其次,利用量子启发的状态转换机制,基于量子叠加态与纠缠特性实现行为策略的智能切换,增强跳出局部极值的能力;最后,构建混沌-分形混合动力学系统,利用混合混沌序列与动态分形维度提升种群遍历性与解的精度。IEEE CEC2022 基准测试结果表明,IAPO 在收敛精度与稳定性方面优于 PSO、ACO 及 COA 等主流算法,其中在 F₆ 函数 (D=20) 上的平均值较原始 APO 提升了一个数量级。在 20×20、 30×30 和 50×50 三种栅格地图路径规划实验中,IAPO 规划的路径平滑度高、长度短且严格满足避障约束,有效解决了对比算法存在的切角碰撞与穿墙失效问题。实验结果证实了该算法在复杂环境下进行移动机器人路径规划的高效性与鲁棒性。
算法研究探讨 | 基于超图和奇异值分解对比学习的推荐系统

算法研究探讨 | 基于超图和奇异值分解对比学习的推荐系统

摘要：针对现实应用中用户-项目交互数据的稀疏性和高噪声所导致传统图神经网络(graph neural network, GNN)在推荐系统协同过滤(collaborative filtering, CF)场景中性能下降的问题,进行了融合超图和奇异值分解对比学习的推荐模型研究。构建了基于超图和奇异值分解对比学习的推荐模型(hypergraph-augmented GCN meets SVD-enhanced graph contrastive learning for recommendation, HSVDGCL),采用超图连接和奇异值分解增强的二部图架构,分别搭建超图高阶关系建模视图和奇异值分解捕获的全局协作模式视图,通过跨视图对比学习融合局部交互信息和全局结构信息,提高模型对稀疏噪声数据的鲁棒性。在Yelp、Gowalla、Amazon、Tmall数据集的实验结果表明,模型recall与NDCG指标分别实现至少3.22%、13.37%、20.69%的提升,消融实验验证了各模块的有效性,该模型相较现有先进基线模型具备更优的推荐性能。
算法研究探讨 | 基于多维度协同交互信号的动态图嵌入学习推荐模型

算法研究探讨 | 基于多维度协同交互信号的动态图嵌入学习推荐模型

摘要：针对动态推荐中交互流驱动的节点表征快速演化及粗粒度聚合易引入噪声和表征偏移的问题,提出动态图嵌入学习推荐模型(DGEIR),通过多维度协同交互信号调节新旧信息融合。模型并行执行交互特征聚合、时间衰减邻居聚合与共生学习,提取语义、结构与共生三类动态特征;据此构建协同交互信号量化新交互与历史信息的协同有效性,并以门控方式指导嵌入更新。联合优化交互匹配与未来预测任务以增强进化一致性。三套真实数据集实验显示,该方法在平均倒数排名(MRR)与召回率@10(recall@10)上均优于对比方法;以Wikipedia为例,相较NeuFilter、MRR与recall@10分别提升11.9%和4.8%。
算法研究探讨 | 基于多特征融合强化的地震震源定位深度算子网络

算法研究探讨 | 基于多特征融合强化的地震震源定位深度算子网络

摘要：在复杂地质条件下,基于深度神经算子的深度学习方法难以及时全面捕获畸变速度场下的潜在特征,导致震源预测性能显著恶化。针对上述局限进行了研究,提出一种面向复杂地质条件的多层级特征融合强化深度算子网络(multi feature deep operator network, MF-DeepONet)。该架构通过多层中间特征交互捕捉断层边界、盐丘体等复杂构造引起的走时畸变特征,并结合轻量化通道注意力模块优化特征表示,实现端到端的高精度映射学习。在 Marmousi 和 OpenFWI 数据集上进行实验验证,结果显示所提模型能在多种高度非均质复杂速度模型下进行震源定位问题的精准预测求解,平均精度提升了 62.9%。该方法在实时地震预警与资源勘探中展现出良好的准确性与适应性,为进一步的三维扩展及计算效率优化提供了可行的技术路径。
算法研究探讨 | 基于语义增强的对抗强化知识图谱多跳路径推理

算法研究探讨 | 基于语义增强的对抗强化知识图谱多跳路径推理

摘要：基于强化学习的知识图谱多跳路径推理在大规模图上易受动作空间膨胀、语义漂移与稀疏奖励影响，导致推理路径不稳定且易产生伪相关路径。为缓解上述问题，提出语义增强的对抗强化推理模型 SEARL-KG。模型在状态表示层面通过门控机制融合结构嵌入与实体文本表示，在决策层面利用语义-概念一致性约束对候选动作进行过滤与重加权，在优化层面引入对抗奖励和多源奖励塑形以提高路径质量。实验结果表明，SEARL-KG 在 FB15k-237 和 WN18RR 数据集上相较基线模型，MRR、hits@1 和 hits@3 指标均有显著提升，验证了语义约束和对抗塑形在提升推理性能和路径可靠性方面的有效性。
算法研究探讨 | SDFC: 基于拓扑结构的层次图摘要模型

算法研究探讨 | SDFC: 基于拓扑结构的层次图摘要模型

摘要：针对大规模图数据存储开销大且现有摘要方法缺乏结构解释性的问题,提出一种基于拓扑结构的层次图摘要模型(SDFC)。该模型将图理解形式化为从微观拓扑到宏观组织的递归过程。首先,通过划分社区识别派系、二分核、星型与链式等六种基本拓扑结构来构建超节点;其次,基于收益评估函数筛选最优结构,并采用正负边机制统一表征超边与单边连接,从而实现对原始图的完全无损压缩;最后,采用层次化处理策略,通过自适应的递归合并拓扑结构,深入挖掘图数据中复杂的嵌套关系。在六个真实数据集上的实验结果表明,该算法实现了0.5269的平均压缩率。相较于HVoS、Slugger和MAGS等先进算法,其压缩效率分别提升了12.6%、28.4%和17.8%。同时,算法的时间复杂度保持在可控范围内。该模型有效打破了存储效率与理解深度之间的壁垒,在显著降低存储成本的同时,揭示了图数据的多维层次化特征与内在拓扑模式。
算法研究探讨 | 基于图对比学习的社交推荐图去噪与增强模型

算法研究探讨 | 基于图对比学习的社交推荐图去噪与增强模型

摘要：针对社交推荐系统中冗余社交关系影响用户表示学习、降低推荐性能的问题，提出了一种基于图对比学习的社交推荐图去噪与增强模型(GDA_GCL)。模型从去噪与增强两个角度理解噪声对推荐效果的影响。一方面，引入用户偏好引导社交图去噪，降低冗余社交关系对推荐的影响；另一方面，通过向社交图中注入噪声以模拟真实社交噪声的存在，增强模型的鲁棒性。此外，设计了一个自监督学习模块，增强表示的一致性。在两个公开数据集上的实验结果表明，所提模型相比最优基线方法，在recall@20指标上分别提升了3.48%和5.93%，在NDCG@20指标上分别提升了4.41%和5.99%。结果说明所提模型能够缓解社交噪声的干扰，有效提升了社交推荐性能。
算法研究探讨 | 基于社交感知驱动深度时空解耦的轨迹-到达时间联合预测

算法研究探讨 | 基于社交感知驱动深度时空解耦的轨迹-到达时间联合预测

摘要：针对城市移动场景中的用户轨迹预测任务,现有方法缺少从社交语义到动力学物理约束的推导,限制了时空相关性的深度解耦。提出基于社交感知驱动时空相关性深度解耦的用户轨迹-到达时间联合预测,采用“个体-社交双层编码+时空相关性约束解码”架构。首先,通过多视角特征提取模块构建用户时空行为的基础先验;其次,提出情境感知的异质社交图Transformer,显式建模不同社交关系类型在特定时空下对个体移动速度与出行节奏的调制作用,从而生成融合社交动力学的速度分布表征;最后,通过物理约束解码将推导出的速度特征融入“距离-速度-时间”的物理流形中,确保预测结果的一致性。在大规模真实数据集上的实验表明,该方法位置预测精度上提升10.18%,到达时间预测误差降低12.3%,物理一致性提升84%,验证了统一建模个体、社交与物理约束对轨迹预测的有效性。
算法研究探讨 | 威胁环境下鱼群运动的深度适应性推理模型

算法研究探讨 | 威胁环境下鱼群运动的深度适应性推理模型

摘要：动态复杂环境中的生物集群自适应建模是理解自组织现象的核心手段,也是发展人工多智能体系统的关键方法。针对传统深度学习模型在推理阶段参数固化、难以应对未知扰动的问题,提出一种基于适应性推理的深度学习模型。首先,设计了内嵌的测试时适应推理(TTA)模块,对邻居智能体的信息进行在线特征提炼,同时使用分层注意力机制来结构化解耦环境特征,最终组成深度适应性推理网络模型(TTA-Former)。建造特殊的鱼群-机械混杂平台,在该平台上提取实验数据训练 TTA-Former。仿真数据表明:TTA-Former 在集群极性、集群聚集等宏观指标上具有较好结果,并在不同规模群体以及含静态障碍和动态威胁的复杂场景中保持较强的泛化能力与环境适应性。该模型在复杂系统自组织建模、控制领域具有较高的潜在价值,有望为开发更具韧性的无人集群系统提供新的设计思路。
算法研究探讨 | 基于结构化概念与时序学习模式的学生知识演变追踪

算法研究探讨 | 基于结构化概念与时序学习模式的学生知识演变追踪

摘要：针对知识追踪任务中难以同时刻画知识概念结构关系与学生学习行为时序特征的问题,对融合结构化概念建模与时序学习模式的知识追踪方法进行了研究。构建概念级知识图谱以表示知识点之间的先修关系与语义关联,利用图卷积网络学习概念结构特征;引入双向 Mamba 序列编码机制对学生交互序列进行时序建模,通过选择性状态空间机制捕捉长距离学习依赖;融合结构表示与时序表示以预测学生下一步作答正确概率。在 ASSIST2009、ASSIST2015、KDDCup2010 和 Statics2011 四个公开数据集上进行了实验验证。结果表明,该方法在 AUC 和 ACC 指标上均优于多种主流知识追踪模型,其中在 ASSIST2015 数据集上 AUC 达到 0.939。研究结果表明,融合知识结构关系与学习行为时序信息的建模方法能够有效提升知识追踪预测精度,并具有良好的可解释性和泛化能力。
算法研究探讨 | 基于多阶段课程式学习的低资源藏汉语音翻译方法

算法研究探讨 | 基于多阶段课程式学习的低资源藏汉语音翻译方法

摘要：针对现有藏汉语音翻译语音数据稀缺与规模受限的问题,利用藏语文本资源与高质量文本转语音技术构建约200 h藏语合成语音数据集,并设计融合编码器级对比学习与知识蒸馏的语音翻译模型。提出多阶段课程式训练:先在大规模藏汉平行文本上进行机器翻译预训练获取跨语言语义表示;再在合成语音上开展模态适配训练;最后在少量真实语音上微调。该方法在TCST数据集上达到27.90 BLEU,较基线提升15.36 BLEU。结果表明所提方法可有效提升低资源场景下的藏汉语音翻译性能。
算法研究探讨 | Nesterov 动量引导的差分进化算法

算法研究探讨 | Nesterov 动量引导的差分进化算法

摘要：针对差分进化算法易陷入局部最优及求解精度不高的问题,提出一种 Nesterov 动量引导的差分进化算法(NAGDE)。该算法将 Nesterov 加速梯度法(NAG)融入变异阶段,利用前瞻性梯度估计计算搜索方向;通过动量机制融合历史梯度引导种群演化,有效跳出局部最优并加速收敛;在外部档案中加入动量引导个体与劣质解协同工作,扩大差分向量选择范围,维护种群多样性。NAG 参数基于正弦函数动态调整,DE 参数服从柯西分布和正态分布并以 NAG 参数为位置参数,进而适应不同进化阶段。在 CEC2017 测试集的 29 个基准函数上与 5 种先进差分进化变体对比,NAGDE 在 30 维和 50 维测试中 Friedman 平均排名分别为 1.72 和 1.86,均位列第一,在求解精度、收敛速度和稳定性方面表现优异。
算法研究探讨 | 基于矩阵分解与双邻点球面插值的数据扩增方法

算法研究探讨 | 基于矩阵分解与双邻点球面插值的数据扩增方法

摘要：微生物数据存在类间不平衡与高稀疏性。现有重采样算法和生成模型往往受到高维干扰且生成样本易偏离原始分布。针对这一现象，提出了一种基于矩阵分解与双邻点球面插值的数据扩增方法(MFSI)。该方法融合了三种关键技术：首先，利用矩阵分解获取潜在的低维子空间表示，以降低高维噪声并揭示样本与特征间的潜在关联；然后，设计双邻点球面插值策略，通过选取邻点在单位球面上进行插值，在潜在空间中生成结构保持性更强的少数类样本；最后，引入基于局部密度的自适应过滤机制，筛选分布合理的高质量样本。实验结果表明，MFSI在10个数据集上的recall、G-mean和AUC指标相较其他算法均有显著提升，验证了其在不平衡疾病诊断任务中拥有更优的分类性能。
算法研究探讨 | 分层混合迁移策略的多目标多任务进化算法

算法研究探讨 | 分层混合迁移策略的多目标多任务进化算法

摘要：针对多目标多任务优化中知识迁移机制粗放、易引发负迁移风险及固定参数难以适配动态需求等问题,提出一种分层混合迁移策略的多目标多任务进化算法 HMOA。该算法构建分层协同架构,将决策变量解耦为共享层与独立层,实现共性和特性的协同优化;设计混合迁移机制,针对不同任务层,基于任务相似度动态切换直接迁移与模型标准化迁移,平衡知识通用性与迁移效率;引入动态参数调整策略,依据任务适应度实时调控迁移率。HMOA 在 30 个基准 MO-MTOs 问题上进行测试,对比 9 个最先进的 MO-MTEA 和 3 个 MOEA,并通过消融实验验证其策略的有效性,最后以多目标传感器覆盖问题验证实用性。实验表明,HMOA 在收敛性多样性指标上表现出更优越的性能,为复杂的 MO-MTO 场景提供新的高效方案。
算法研究探讨 | 面向空间转录组数据的动态融合注意力空间域识别

算法研究探讨 | 面向空间转录组数据的动态融合注意力空间域识别

摘要：准确识别空间转录组(ST)数据中的空间域对于解析组织结构至关重要。然而,如何有效地将空间定位信息与高维基因表达特征相结合以准确划分组织域,仍面临重大挑战。为此,提出了一种图传播驱动的动态注意力融合对比学习方法(graph propagation-driven dynamic attention fusion contrastive learning, GDAC)。该方法设计了一个动态注意力选择器,以样本级全局表征为引导,对增强的通道注意力、空间感知多头注意力和自适应邻域注意力进行自适应凸组合,使用联合损失函数与双阶段聚类完成域识别。在跨平台、跨物种数据集上的综合评估表明,GDAC 在空间域识别方面性能卓越,在 DLPFC 数据集上的调整兰德指数中位数得分达到 0.56,验证了其捕捉空间表达模式的有效性,进而为解析复杂组织功能架构提供了有力工具。
系统应用开发 | 基于 PID 控制与 JS 散度的 VPA-HPA 协同动态资源调度

系统应用开发 | 基于 PID 控制与 JS 散度的 VPA-HPA 协同动态资源调度

摘要：针对微服务弹性伸缩面临的垂直扩缩资源振荡与水平扩缩响应迟缓及无效扩容问题,现有方法因缺乏垂直与水平扩缩的协同机制,难以兼顾性能保障与资源效率。为此,提出了一种垂直与水平弹性伸缩协同的动态资源调度框架(CoAutoScale)。该框架引入了基于PID控制的自适应垂直扩缩策略,以平滑调节容器CPU与内存资源,有效抑制振荡并减少无效操作;设计了融合Transformer负载预测与JS散度异常检测的混合水平扩缩机制,在支持前瞻性扩容的同时,精准识别瞬时波动以避免盲目扩容;并通过VPA优先、HPA补充的串行执行策略消除了扩缩冲突,提升了响应及时性。实验结果表明,CoAutoScale在有效扩缩次数、内存利用率和扩缩准确率等关键指标上显著优于现有方法,为云原生微服务提供了高效、稳定的弹性保障。
系统应用开发 | 基于非线性规则生成卷积核的 CNN 强鲁棒微调方法

系统应用开发 | 基于非线性规则生成卷积核的 CNN 强鲁棒微调方法

摘要：在资源受限的物联网设备上利用本地数据对卷积神经网络(CNN)进行高效微调以提供高质量视觉服务已引起广泛关注。然而现有面向CNN的微调研究较少且在复杂场景下鲁棒性不足。针对上述问题,提出一种面向CNN的强鲁棒微调方法,称为非线性规则生成卷积核微调(NoGF)。首先,为每个卷积层构建结构一致的微调分支,分支中随机生成少量卷积核作为种子卷积核,其余卷积核由种子卷积核经非线性规则生成,微调时仅更新种子卷积核以减少可训练参数量;其次,采用种子卷积核分组策略并结合不同非线性规则生成多样化卷积核,提高特征表达能力和模型鲁棒性;最后,在CIFAR-10-C、CIFAR-100-C等五个数据集上进行了实验。在CIFAR-10-C数据集上,与全参微调相比,在减少75%参数量的情况下,NoGF准确率提升5.87个百分点。结果表明,NoGF在多个数据集上的准确率优于现有微调方法,且鲁棒性显著提升。
软件技术研究 | 结构优先的跨语言代码克隆检测方法

软件技术研究 | 结构优先的跨语言代码克隆检测方法

摘要：针对跨语言代码克隆检测中语法差异导致功能等价代码难以对齐的问题,提出一种结构优先的跨语言代码克隆检测方法 SynGram(syntactic grammar-driven method)。该方法设计了用于跨语言对齐的统一抽象语法树(unified abstract syntax tree, UAST)规范化流程,通过节点类型规范化和基于分隔符的结构分解,将异构代码转换为统一的子树序列;接着构建了一个层次化编码器,该编码器融合了递归子树编码、双向门控循环单元与注意力机制,来提取代码的结构与语义特征;最后通过多粒度相似度计算来实现综合程序级与块级特征的精准判别。在覆盖六种主流语言对及 Go、Rust 等现代语言扩展数据集上的实验表明,SynGram 的平均 F₁ 分数均达 0.97 以上,优于多种主流序列与图基线模型,验证了该方法在处理语法差异及实现异构代码对齐方面的有效性。
软件技术研究 | 基于 Transformer 的融合属性分组注意力 CPU 高速缓存性能预测模型

软件技术研究 | 基于 Transformer 的融合属性分组注意力 CPU 高速缓存性能预测模型

摘要：针对 CPU 高速缓存性能预测中存在的参数语义异质性与复杂非均匀依赖关系问题,提出一种基于 Transformer 的融合属性分组注意力 CPU 高速缓存 cache 性能预测模型 CAAG-Transformer(cache-aware attribute grouping Transformer)。该模型通过分类 ID 嵌入模块,将参数基础数值与属性 ID 及分类特征相融合,使异质特征映射至不同语义空间。同时模型引入分组注意力机制,采用分组聚合和组内筛选等策略,动态捕捉特征间复杂依赖关系以凝练核心性能参数。以基于 Gem5 构建的缓存参数数据集进行实验,结果表明 CAAG-Transformer 在 MSE 与 MAE 指标上分别达到 2.40 和 1.11,性能优于当前主流预测方法。该模型可为国产高性能 CPU 芯片设计提供一种缓存性能分析设计方法。
网络与通信技术 | 无人机仿鸟群行为的预测重构方法

网络与通信技术 | 无人机仿鸟群行为的预测重构方法

摘要：针对无人机集群因节点失效和敌方干扰导致任务执行能力降低后重构速度慢的问题，提出了一种仿鸟群行为的无人机集群网络弹性重构方法。首先结合复杂网络模型构建无人机集群网络拓扑，继而面向集群侦察任务，创新性地提出了无人机集群弹性评估指标；然后通过改进传统灰色预测中固定的背景值生成策略，利用人工蜂群算法动态优化灰色预测模型背景值参数，将预测信息与一致性序参量结合用于动态调整仿鸟群控制的权重，从而实现无人机集群的预测性重构。仿真结果表明，与四种主流重构研究算法进行对比，该方法在重构时间和重构效果两个维度上均表现出一定优势。相较于PSO基准方法，其平均重构时间降低36.3%，在重构速度和弹性恢复效果上均有提升。
网络与通信技术 | 基于边信息学习的机会网络链路预测算法

网络与通信技术 | 基于边信息学习的机会网络链路预测算法

摘要：机会网络具有高度动态性和间歇性连接特征，不稳定的拓扑结构给链路预测带来了较大挑战。针对现有方法在节点嵌入学习中对边结构信息挖掘不足的问题，提出了一种基于边信息学习的机会网络链路预测算法EGG(edge-based graph generation)。该方法通过挖掘静态子图中的边信息，学习信息更充分的节点表示，并利用拓扑演化编码器刻画相邻子图之间的结构演化特征；进一步结合拓扑演化解码器对时序依赖关系进行建模，通过门控残差机制融合结构特征与演化特征，生成预测时刻的高质量节点表示，实现未来链路预测。在三个真实机会网络数据集上的实验结果表明，该方法在MAP、AUC和召回率等指标上均表现出优异的预测性能。研究结果表明，基于边信息驱动的表示学习能够有效提升机会网络链路预测的准确性与鲁棒性。
网络与通信技术 | 面向 TSN 的多策略流量调度算法

网络与通信技术 | 面向 TSN 的多策略流量调度算法

摘要：循环排队与转发(CQF)是时间敏感网络(TSN)为实现确定性转发最具代表性的方法之一。传统CQF调度要对每条流进行偏移搜索,在调度冲突时回退已分配结果,这导致计算开销大的问题。为解决该问题,提出了一种多策略流量调度算法MSTD3S。多策略包含映射评分预过滤、GCN全局感知、PSO优化的多目标奖励。映射评分与TD3框架结合,用于提前过滤调度组合,减少无效调度动作,降低遍历和回退操作的开销。算法引入GCN感知网络环境,反映链路拥塞与路径资源分配情况。为增强算法性能,奖励函数综合考虑了调度成功率、资源分布方差、映射评分和时延惩罚。仿真结果表明,MSTD3S在调度成功率、资源利用率和负载均衡性等方面表现优异,相比传统CQF调度,显著降低了计算开销。MSTD3S通过多策略协同作用,有效提升了流量调度性能。
网络与通信技术 | 面向图像语义通信的多尺度混合特征变换编码方法

网络与通信技术 | 面向图像语义通信的多尺度混合特征变换编码方法

摘要: 图像语义通信依赖深度神经网络实现端到端的语义表示与重建, 其网络架构将直接影响系统性能。而现有架构仍存在局限: 基于 CNN 的方案难以建模像素间的长程依赖, 基于 Transformer 的方案计算开销较高而难以高效部署, 两者混合架构的特征融合判据相对单一, 在噪声干扰下易致次优决策。为此, 提出面向图像语义通信的多尺度混合特征变换 (multi-scale hybrid feature transform, MHFT), 构建兼顾全局语义与局部细节的双路径架构, 前者在频域以较低计算开销实现全局建模, 后者在空间域强化对图像纹理与边缘的表征。在此基础上, 设计分阶段多证据融合策略 (phased multi-evidence fusion, PMEF), 基于双路径特征强度、差异与相关性分阶段构造融合证据, 自适应分配路径权重, 从而强化全局语义与局部纹理的协同建模, 并提升在噪声信道条件下的鲁棒性。实验结果表明, 在多种信道条件与带宽预算下, 该方案相较主流方案在 PSNR 和 MS-SSIM 上实现一致提升, 并在计算开销与端到端编解码速度上同样具有优势, 体现了其有效性与应用潜力。
信息安全技术 | 基于语义一致性和图像伪造的多模态虚假信息检测

信息安全技术 | 基于语义一致性和图像伪造的多模态虚假信息检测

摘要：针对现有多模态虚假信息检测方法忽视图文深层语义一致性校验和缺乏图像伪造感知能力的问题，提出一种结合语义一致性和图像伪造的多模态虚假信息检测模型(SCIM)。该模型首先基于BERT和ResNet34提取图文基础特征；其次，设计语义一致性模块，通过共享权重映射层深度量化图文语义匹配度；同时，构建基于领域对抗神经网络(DANN)的图像伪造检测模块，以提取领域无关的通用伪造特征；最后，采用多头注意力机制自适应融合文本、图像、语义一致性及图像伪造等多维度特征进行真假识别。在Twitter、Weibo和GossipCop三个真实数据集上的对比实验结果表明，SCIM在准确率指标上均优于所有基线模型，提升幅度为0.74~1.45个百分点。该模型有效弥补了现有方法在语义对齐和伪造检测上的不足，显著提升了多模态虚假信息的识别能力。
信息安全技术 | 针对扩散模型生成图像的高视觉质量鲁棒水印方案

信息安全技术 | 针对扩散模型生成图像的高视觉质量鲁棒水印方案

摘要：针对扩散模型生成图像来源验证困难及现有水印方案易破坏图像频域完整性、与生成机制耦合不足等缺陷，提出一种基于扩散模型的厄米特对称中间阶段修改水印方案 Diff-HSIM(diffusion-based Hermitian symmetric intermediate-stage modification)。该方案核心创新在于：通过在采样过程的扩散中间阶段对潜变量进行结构化干预，使水印信号深度耦合于生成轨迹，显著增强了抗重生成攻击的能力；同时，在潜在频域构造满足厄米特对称约束的水印模式，从数学机制层面消除了因逆变换虚部丢失导致的生成失真，有效保护了图像的光谱完整性。此外，结合动态无分类器引导策略，在确保语义一致性的同时提升了水印隐蔽性。在 stable diffusion 生成的 1 000 张图像上的实验结果显示，Diff-HSIM 在保持 0.363 的 CLIP 语义相似度的同时，PSNR 与 SSIM 指标均优于现有方法；在 JPEG 压缩、模糊及扩散重生成等多种攻击下，平均检测性能指标 TPR@1%FPR 达到 0.99，充分验证了方案在复杂应用场景中的有效性。
信息安全技术 | 基于多尺度时空特征融合的网络入侵检测方法

信息安全技术 | 基于多尺度时空特征融合的网络入侵检测方法

摘要：针对现有网络入侵检测方法因忽略流量特征与攻击类别重要性差异、特征提取能力不足及样本不平衡导致的性能下降问题，提出一种基于特征选择与多尺度时空融合的检测方法。首先通过类特异性互信息与条件互信息融合(class-specific and conditional mutual information fusion, CCMIF)的策略用于筛选强关联、低冗余的特征；随后构建多尺度时空融合特征提取模块(multi-scale spatiotemporal fusion feature extraction, MSTF-FE)，以同步捕获流量长期依赖与多尺度空间特征；引入有监督对比学习增强模型对细微语义差异的分辨能力，并设计基于类别样本数量的自适应温度调节机制(class-sample quantity adaptive temperature mechanism, CSQAT)优化损失函数，缓解由类别不平衡引起的特征空间中类间边界不清晰问题；最终采用多层感知机完成分类。该方法在UNSW-NB15和NSL-KDD数据集上分别取得78.48%和84.61%的准确率，优于多种现有先进方法，验证了所提方法在复杂网络环境下的有效性与适用性。
图形图像技术 | 语义引导与互信息约束的遮挡行人重识别方法

图形图像技术 | 语义引导与互信息约束的遮挡行人重识别方法

摘要：遮挡行人重识别的目的是在行人被遮挡的情况下，跨摄像头匹配同一行人身份。针对现有基于 CLIP 文本引导的遮挡行人重识别方法中局部特征提取不精确及特征间的冗余问题，提出一种语义引导与互信息约束 (SGMIC) 方法。该方法首先引入图像先验提示学习 (IPPL) 模块，利用 CLIP 模型生成样本特定的部位文本特征；随后设计了分割引导部位解码器 (SGPD) 模块，利用生成的文本特征和语义分割掩码，对每个身体部位的局部特征进行精确解耦；最后，设计了判别信息多样性 (DID) 损失以减少局部特征之间的信息冗余，提升其判别性。实验表明，在最具挑战性的 Occluded-Duke 数据集上，该方法的 mAP 和 rank-1 分别达到了 66.3% 和 75.4%，优于现有先进方法，且在常用的 Occluded-REID、Market-1501 和 DukeMTMC 数据集上，所提方法较现有方法也取得了性能提升，验证了其有效性。
图形图像技术 | TrajMamba: 融入动态视觉感知的 Mamba 轨迹预测模型

图形图像技术 | TrajMamba: 融入动态视觉感知的 Mamba 轨迹预测模型

摘要：针对复杂多车交互导致的轨迹多模态与不确定性，以及固定视野与长序列建模效率不足的问题，提出融合动态视觉感知与Mamba时间建模的轨迹预测框架TrajMamba。该框架由动态视野模块根据目标车辆速度自适应调整视野范围并对邻车加权，结合空间注意力与时间自注意力的时空注意力机制聚合交互，采用基于状态空间模型(state space model, SSM)的Mamba以线性时间复杂度建模历史序列，并由自适应长短期记忆网络(long short-term memory, LSTM)解码器生成多模态未来轨迹分布。基于NGSIM数据集的实验结果表明，Traj-Mamba在短期(1~3 s)与长期(4~5 s)预测任务中均显著优于现有方法，结果验证了该框架在复杂交通场景中的轨迹预测能力，为提升自动驾驶系统的安全性与决策能力提供可行方法与技术支撑。
图形图像技术 | 基于 3D 高斯的自动驾驶实景重建方法

图形图像技术 | 基于 3D 高斯的自动驾驶实景重建方法

摘要：高保真街道场景的三维重建及其视图合成技术对于构建自动驾驶仿真系统至关重要。现有自动驾驶街景的三维重建方法由于缺乏结构先验和跨时间建模机制，在处理高动态目标时容易出现几何错位与运动伪影。针对上述问题，提出一种基于3D高斯的动态街景高保真重建方法DDGS。首先，结合LiDAR点云引入结构先验，基于车辆边界框实现动静区域分离，以提升动态高斯点的初始化精度；其次，构建时空联合编码的高斯形变网络，实现非刚性运动车辆建模；最后，设计像素梯度驱动的自适应密度控制策略，有效增强动态区域细节表达能力。实验结果表明，所提方法在KITTI和NuScenes数据集上显著提升了渲染质量与重建效率，峰值信噪比达到了27.92 dB和28.83 dB，相较于原3D高斯方法分别提升了11.3%和7.8%，为自动驾驶仿真系统提供了更加高效、可靠的三维环境建模解决方案。
图形图像技术 | 基于弱监督和空-谱双向调制 Transformer 的无参考高光谱图像质量评价

图形图像技术 | 基于弱监督和空-谱双向调制 Transformer 的无参考高光谱图像质量评价

摘要：由于对高光谱图像进行 MOS 平均意见分数标注存在困难,现有自然场景下的高光谱图像质量评价方法通常借鉴自然场景统计思想以规避 MOS 依赖进行失真建模,难以捕捉高光谱图像中复杂的空-谱失真关系。针对这些问题,提出一种基于弱监督和空-谱双向调制 Transformer 的 NR-HSIQA 模型。通过集成多个全参考指标生成伪质量分数,从而构建弱监督框架规避对 MOS 的依赖并支持大规模训练;设计双分支 Transformer 结构,通过跨维度统计调制实现光谱与空间特征深度融合;引入排序-回归联合优化策略,增强质量判别力与跨域泛化性能。在两个公开数据集上的实验验证了该方法在无须任何 MOS 标注的情况下,其预测结果与多种全参考指标的一致性均优于现有方法。
图形图像技术 | 面向高分辨率肝脏 CT 的轻量化 W 型双分支融合分割网络

图形图像技术 | 面向高分辨率肝脏 CT 的轻量化 W 型双分支融合分割网络

摘要：针对高分辨率肝脏 CT 分割在临床应用中面临的模型参数量大、计算复杂度高及资源占用严重等问题,开展了轻量化分割方法研究,提出一种轻量化 W 型双分支肝脏 CT 分割网络(LightFusionNet),通过全局与局部融合编码结构及双分支解码策略,实现全局上下文信息与局部细节特征的有效整合。在此基础上,引入门控机制以实现全局与局部特征的自适应融合,并结合动态卷积、高效注意力机制及混合损失函数,以降低模型参数规模与计算开销。实验在 LiTS 数据集、自建小样本肝脏 CT 数据集及另一独立测试数据集上进行。结果表明,该方法在显著降低模型复杂度的同时,仍能保持较高的分割精度与鲁棒性,具有良好的跨数据集泛化性能,能够满足临床高分辨率肝脏 CT 图像分割的应用需求。

过往期刊

更多

猜你喜欢

安徽机电职业技术学院电子阅览室