计算机技术与发展

跨域自适应杀伤网研究综述

刘好1,刘亚群2,谢钧1,田晨景1 — 2025年10月10 00:00

随着高强度、高时敏性、高不确定性的跨域作战成为主要形态,传统杀伤链的脆弱性和僵化性日益凸显。为应对这一挑战,快速构建跨域自适应杀伤网(Adapting Cross-Domain Kill-Webs,ACK)在现代战争中对于赢得跨域战争的战场综合控制权具有重要意义。对ACK相关研究进行系统总结形成综述,详细介绍了杀伤网的模型架构,为后续研究奠定了理论基础。在此基础上,从三个关键方面进行了全面梳理和深入分析。首先,在杀伤网构建方面,重点探讨了智能算法与强化学习算法在杀伤网设计中的应用及各类方法的优缺点。随后,在杀伤网调整方面,梳理了当前研究趋势并总结了最新方法与思路。此外,从效能评估的角度提出了指导杀伤网构建评估指标。最后,对未来的研究进行了展望,旨在为相关领域的研究提供参考。

基于ZYNQ的神经网络硬件加速器设计

刘子浩1,赖嘉伟1,查宇恒1,唐珂1,徐荣青1,孙科学1,2* — 2025年10月10 00:00

针对传统神经网络加速器功耗较高的问题,提出了一种基于ZYNQ芯片的硬件加速器。该加速器针对所部署的YOLOv3-tiny算法的特性采用软硬件协同工作的方法,将算法在ZYNQ异构平台上进行拆分。ZYNQ的PS端负责适合于CPU串行调度的任务,PL端负责复杂的并行计算,充分发挥各自优势。同时对乘法器和加法器的使用进行优化,用一个DSP实现两个8比特乘法运算,并采用三叉树的加法器结构代替二叉树,使系统的资源消耗和时序得到了进一步优化。完成电路各个模块的设计后对系统进行级联,在ZYNQ平台上进行系统测试。实验结果表明,该系统仅仅使用了18.15%的BRAM资源和14.65%的DSP资源,功耗仅为2.144W,同时能效比达到了12.66,对比GPU和CPU平台有显著提升。证明该系统可以在低功耗下实现高性能的目标检测,非常适合于部署到嵌入式移动端。

结合模糊聚类和集成学习的不平衡数据过采样方法

李金,王彪 — 2025年10月10 00:00

目前,不平衡数据的处理方法主要致力于解决类分布不平衡问题,通常采用重采样方法来构建更为平衡的数据集。然而,与类分布不平衡相比,类间重叠问题对不平衡数据分类性能产生的不利影响更大。因此,针对不平衡数据中存在的类内不平衡以及类间重叠问题,提出了一种基于模糊聚类和集成学习的不平衡数据过采样方法FCEL。在数据层面,首先运用SMOTE过采样合成新样本;其次利用软聚类和自适应阈值对数据空间进行区域划分;随后对划分的区域进行重采样,生成两个采样子集。在算法层面,首先根据不同的采样子集构建相应的集成模型;其次通过模型选择算法,根据每个样本的分布选择合适的模型。在9个不平衡数据集上进行对比实验,实验结果表明:与现有一些典型方法相比,FCEL方法的Recall、F₁、G-mean和AUC这四项指标的平均值至少提升17.67百分点、0.09百分点、7.25百分点和1.21百分点;最多提升30.29百分点、4.62百分点、17.25百分点和4.35百分点,说明该方法能有效地提高少数类样本的分类精度。

基于直觉模糊的ELECTRE多属性云服务选择方法

李小林1,李镇吉2 — 2025年10月10 00:00

在多属性云服务选择问题中,直觉模糊数在处理不确定性和模糊性信息时,具有更好的鲁棒性,更贴近人类决策中的模糊思维,因此得到了广泛应用。ELECTRE方法是通过比较方案之间的优劣关系,构建优势关系矩阵,选出最优方案。由于直觉模糊数不能直接进行比较,因此很少有研究使用ELECTRE方法来解决具有直觉模糊信息的云服务选择问题。为此,基于直觉模糊数的物理特性,该文提出一种改进的ELECTRE选择方法,使得改进的ELECTRE方法能够更好地处理具有直觉模糊信息的云服务选择问题。首先,应用直觉模糊理论将云服务的服务质量(Quality of Service,QoS)统一转化为直觉模糊数,用层次分析法计算QoS权重;其次,根据直觉模糊数的物理特性,分别构造隶属度和非隶属度的一致性和矛盾性指标函数,并融合隶属度和非隶属度的赋值结果,依此构建具有定量特征的级别优先关系从而进行排序,实现了基于QoS的直觉模糊ELECTRE云服务选择;最后,通过实例应用验证了该方法的有效性和科学性。

基于YOLOv8改进的道路缺陷检测算法

汪杰1,2,梁平1,2,廖光忠1,2 — 2025年10月10 00:00

针对道路缺陷检测中轻量化与检测精度难以兼顾的问题,该文在YOLOv8模型基础上提出了一种平衡模型IMD-YOLOv8。首先,通过融合倒置残差结构iRMB与高效多尺度注意力EMA,设计C2f-iEMA模块替换原C2f模块,在保持参数量相近的前提下,利用跨尺度特征重组增强病害特征提取能力,显著提升小目标检测精度;其次,引入多尺度空洞注意力MSDA优化局部特征交互,通过多尺度语义聚合进一步提升检测鲁棒性,并采用动态检测头DynamicHead替换固定结构,通过任务感知注意力动态分配计算资源,显著减少冗余参数;最后,设计形状敏感的ShapeIoU损失函数,通过约束边界框形状相似性优化回归精度,避免引入额外计算开销。实验表明,IMD-YOLOv8在RDD2022数据集上实现mAP@0.5为89.4%,较YOLOv8提升2.9百分点,参数量与计算量分别减少20百分点和3百分点,FPS达98.5f/s,在轻量化与精度之间实现有效平衡。

基于自编码器和稀疏学习的深度鲁棒图像重构

张俊洋,明镝 — 2025年10月10 00:00

为了解决现有自编码器在噪声环境下由于L2损失和L2正则化导致图像重构效果不佳的问题,该文提出了一种新颖的基于平滑L1自编码器和稀疏特征学习的深度鲁棒图像重构方法(SL1AE-SFL),能够显著提升图像重构的性能和效果。首先,该文提出了平滑L1自编码器,采用L1损失函数和平滑sReLU激活函数,替代传统的L2损失函数和ReLU激活函数,从而提升了模型对噪声和异常数据的鲁棒性。其次,针对L2正则化难以有效抑制噪声特征影响的问题,该文提出了基于稀疏特征学习的鲁棒自编码器方法,包括SL1AE-SFL(L1)和SL1AE-SFL(L21),通过施加基于L1和L21范式的稀疏正则化约束,使得模型不被噪声特征所干扰、更加关注重要特征,从而显著增强了重构的准确性。最后,该文提出了一种基于近端梯度下降的高效优化算法,有效缓解了L1和L21稀疏正则化在训练过程中的低效问题。在多个数据集上的实验结果表明,SL1AE-SFL相较于其他方法在重构误差和聚类精度方面均表现出显著优势。此外,还分析了网络结构对重构质量的影响,消融实验表明,适当增加网络层数可以进一步提升图像重构效果,验证了深层网络在特征提取与图像重构方面的有效性。

多尺度融合与位置增强的多模态脑肿瘤分割模型

史雯雯1,刘石坚1,邹峥2 — 2025年10月10 00:00

多模态脑肿瘤图像具有综合信息,可以为医生提供更加全面、准确的信息。然而,由于脑肿瘤图像数据的匮乏,加之脑部结构错综复杂且变化多端,以及肿瘤形态的差异性和与正常组织的紧密交织状态,这些综合因素共同构成了脑肿瘤分割模型在有效利用和深度挖掘多模态图像关键信息方面所面临的严峻挑战。为此,该文提出一种基于多尺度融合与位置增强的多模态脑瘤分割模型。首先,设计了残差预激活模块替换U-Net中的编码与解码层,以保留低层次特征的细节。其次,在瓶颈层中设计了多尺度空洞融合注意力模块,对脑肿瘤的全局与局部信息进行了多源采样,旨在有效利用多模态医学图像之间的综合信息。最后,在跳跃连接层嵌入坐标信息增强模块,充分挖掘脑肿瘤区域的空间位置信息。在BraTS2018和BraTS2019数据集上的实验结果表明,该网络对WT、TC和ET分割的Dice系数分别为91.64%、90.28%和88.57%,Sensitivity系数和Hausdorff距离相较于其他网络也达到最优。这表明了所示设计的网络能够有效利用不同模态图像展现的病灶信息,能够融合不同尺度的肿瘤特征,有效地提升分割精度。

GAM-Net:基于U-Net改进的结肠息肉图像分割算法

陈亦男,季荣宝,史健婷 — 2025年10月10 00:00

针对结肠图像中的腺体与息肉之间边界不清晰和息肉本身尺度差异大而导致影响分割精度等问题,提出了一种基于U-Net改进的结肠息肉图像分割算法。首先,将原始图像通过全局通道空间注意力机制(Global Channel Spatial Attention,GCSA)来增强深度卷积神经网络的表征能力。其次,在该模型的下采样后嵌入Assem卷积模块,通过将卷积与Transformer相结合的方法,有效地学习息肉图像的全局和局部特征信息。最后,用多尺度双时特征融合模块(Multi-scale Bitemporal Fusion Module,MBFM)代替传统U-Net通道拼接方式,有效地将编码器部分的低层特征与相应的高层特征进行融合,以优化网络特征的提取来提升分割精度。该算法在CVC-ClinicDB、ETIS-ColonDB两个公开息肉分割数据集上进行实验。通过实验采用MIou、Dice等五项评价指标验证其有效性。以MIou指标和Dice系数为主要评价指标,在CVC-ClinicDB数据集上,MIou指标和Dice系数分别达到了83.49%和89.38%,相较于改进前分别提升了3.01百分点和2.67百分点。在ETIS-ColonDB数据集上,这两个指标分别达到了71.56%和78.48%,分别提升了5.26百分点和2.78百分点。实验结果表明,基于U-Net改进的算法在结肠息肉分割任务上取得了更好的性能。

自适应加权组合卷积的遥感舰船目标检测方法

陈云菲,王飞,况立群,韩燮,郭耀武 — 2025年10月10 00:00

遥感舰船目标检测与分类任务旨在准确识别和定位遥感图像中的舰船目标,从而为军事侦察、海上救援、海洋监控以及海上交通管理等领域提供有效的技术支持。为解决复杂背景和相似类别中的精细化船舶分类问题,该文提出了一种基于两阶段细粒度精细化检测模型的自适应加权组合卷积舰船目标检测方法。一方面,结合普通卷积在提取目标基本特征方面的高效性和膨胀卷积在扩大感受野、捕捉多尺度上下文信息方面的优势,实现了局部与全局特征的有效融合,加强突出舰船目标,减少背景干扰的能力。另一方面,模型通过计算方差、空间和边缘信息多尺度自适应调整特征提取,同时结合全局和历史数据优化阈值计算权重动态调整两种卷积的分配,提高模型对复杂场景的适应性。实验结果表明,该检测方法在ShipRSImageNet数据集、MAR20数据集上的平均准确率达到55.83%、59.06%,比基准模型提高了3.56百分点、1.68百分点,证明了其在复杂环境下船舶细粒度识别的准确性和有效性。

基于强化学习的负载感知CPU资源分配和管理方法

许荣飞1,2,苏志远1,2,麻付强1,2,3,吴保锡1,2 — 2025年10月10 00:00

随着CPU核的数量增多,合理分配CPU核对于降低系统功耗具有重要意义,如何根据系统运行时的负载情况进行精准的CPU资源分配和管理是一个关键的问题。现在处理器设计提供了很多对功耗优化的机制(比如动态电压频率调整DVFS),但是要让这些机制发挥作用,只有芯片的支持是不够的,还需要软硬协同设计。当前缺乏基于软件来最大化利用这些硬件机制的手段。近年来,机器学习在各个领域展现出巨大的潜力,很多基于机器学习的研究工作应运而生。其中,强化学习具有较强的自适应性,适用于动态感知系统环境并进行资源管理。因此,该文提出了一种基于强化学习的负载感知CPU资源分配和管理方法——RLWAM。该方法提出基于最小原则根据系统中运行时的任务负载进行CPU资源分配和管理,基于强化学习提出了面向上述场景的Q-Learning算法,包括面向任务和系统的状态建模方式、面向绑核、调频和资源整合的动作空间和激励函数,从而帮助系统进一步降低功耗。最后,通过在真实平台上从单类型任务上的绑核调频和多类型任务上的资源整合两个场景对该方法进行实验验证,结果表明该方法具有显著的有效性和可扩展性。

基于ATT&CK框架的攻击检测系统设计

陈玉杰1,陈俊丽1,张汉举2 — 2025年10月10 00:00

随着计算机技术的蓬勃发展和网络攻击手段的日益繁杂,网络安全防护面临着严峻挑战。针对企事业单位对于网络攻击的检测维度单一、范围狭隘以及无法及时察觉到攻击者的潜伏驻留点和快速溯源这一现状,该文设计了基于ATT&CK框架的攻击检测系统,为企事业单位打造一道坚固的网络安全防线。该系统深度挖掘ATT&CK框架所蕴含的丰富技战术知识库资源,通过自然语言处理技术提取攻击技术描述中具有关键指示意义的动名词组合,为构建精准且全面的检测规则提供核心依据,实现对于网络攻击的全面检测。基于检测到的攻击行为,对攻击行为进行特征提取,获取其中的时间戳、来源IP、目标IP等信息,根据提取到的信息利用K-means聚类算法实现对攻击行为的智能分类和有序组织。以时间序列为脉络,深度梳理攻击行为的先后逻辑关系,构建完整且有序的攻击链路,从而实现快速定位到攻击者当前的驻留点以及攻击发生过后的快速溯源,有力保障企事业单位网络环境的安全稳定。

基于区块链的去中心化多副本数据完整性审计

李伟程1,刘宽2,宁建廷2 — 2025年10月10 00:00

随着信息技术的快速发展,数据存储需求呈现爆炸式增长,传统的集中式存储模式难以满足高效、安全和灵活的存储需求。为此,越来越多的数据拥有者选择将数据加密后生成多个副本,并将其外包存储到多个远程云存储服务提供商,从而形成一种新型的去中心化云存储服务方式。这种方式不仅提高了数据的可用性,还使得数据存储更加灵活和可靠。在去中心化云存储环境中,数据完整性审计成为保障数据安全性和可靠性的核心问题,现有的大多数远程数据完整性审计方案通常依赖于第三方审计机构来完成。然而,这种模式存在单点故障的潜在风险,同时第三方审计机构的密钥托管机制也可能成为威胁系统安全的薄弱环节,尽管最近的一些研究提出使用区块链技术来辅助分布式存储网络中的审计工作,但链上开销仍然随着审计请求的增加呈较快线性增长趋势。为解决这些问题,该文通过采用基于进化标签的证明生成方法,提出了一种基于区块链的高效多副本数据完整性审计方案,适用于去中心化云存储环境。不仅有效缓解了传统模式中第三方审计机构的密钥托管问题,同时实现了常量级证明大小并显著降低了链上存储开销增长速度,从而提升了系统的安全性和运行效率。该方案凭借区块链技术的去中心化特性,以及进化标签的高效性,为去中心化云存储服务提供了一种可行的高效数据完整性审计解决方案。

基于改进能量谷优化算法的多目标无人机任务分配

李卓娟1,陶伟2,李辉1,3 — 2025年10月10 00:00

无人机侦察是未来实施军事侦察和收集情报的重要方式,在多约束条件下无人机的任务分配问题是协同侦察中的难点。针对此问题,提出了一种改进多目标能量谷优化算法(IMOEVO)。首先,关注能量消耗和目标收益两个层面,考虑三维场景中无人机不同运动模式的能耗以及无人机执行效率对任务收益的影响,建立了一种无人机能耗和任务收益的多目标优化问题模型。然后,结合最佳粒子选择策略和帕累托前沿精英优化策略拓展并改进能量谷优化算法,融合遗传算法中的交叉重组算子进行改进以加快收敛速度,提高种群多样性,并使用Levy飞行策略进行变步长移动以优化随机移动过程,增大探索空间,提高种群跳出局部最优的能力。任务分配仿真实验结果表明,提出的改进算法在前沿解的多样性、优越性及目标函数的收敛效果方面更具优势,能够有效求解多无人机在多约束环境的任务分配问题。

基于自适应原型增强及先验融合的小样本语义分割

王锦丽1,2,张智1,2* — 2025年10月10 00:00

随着小样本语义分割任务的日益发展,如何在基类干扰较大的情况下提升模型的泛化能力和新类别的识别精度,成为了当下需要研究的问题。基于元学习框架的小样本语义分割在面对这些挑战时,存在泛化能力不足和在新类别识别时特征模糊的问题。为了有效解决这些问题,该文提出了一种基于自适应原型增强及先验融合的小样本语义分割算法,旨在显著提升模型在新类别上的分割性能,并增强其对未知类别的适应性。该文在BAM模型的基础上,引入自适应原型增强模块(PAM)从支持集提取的类别信息,派生出更加精确的类原型,从而增强模型的类别特定特征的表示能力;设计了先验掩码生成器(PMG)融合查询图像和支持图像的深度特征,提升目标前景区域的定位精度,并生成更鲁棒的先验掩码。在1-shot设置下,该方法在Pascal-5i和COCO-20i数据集上的性能分别提升了0.59%和0.46%;在5-shot设置下,两个数据集的性能提升进一步扩大,分别达到0.72%和0.55%的显著改进。实验结果表明,该方法能够有效地提升模型在新类别上的分割性能,具有较好的泛化能力和准确性。

基于行为去噪与多模态对齐的推荐模型

宗臣1,袁卫华1,孟广婷1,陈宇1,王洁宁2,王星1,时术华3* — 2025年10月10 00:00

尽管现有的多模态推荐模型已经取得了巨大成功,但仍存在一些限制。首先,物品的模态数据中存在着大量与用户兴趣无关的信息,这些信息在图神经网络节点之间传播时会影响节点表达的区分度并导致推荐性能不佳。其次,模态数据与用户行为数据以各异的方式来刻画用户的偏好,用户不同模态偏好表示之间处于不同的语义空间,由此带来模态间隙(gap)问题,导致模型无法充分挖掘出各模态之间的潜在互补关系。基于此,该文提出了一种基于行为去噪与多模态对齐的推荐模型(BDMA)。首先,BDMA通过流行度感知的图卷积神经网络向节点注入高阶邻居信息。其次,设计了模态去噪编码器,旨在借助用户行为数据中所包含的行为偏好、行为特征来指导用户模态偏好表示的学习,去除物品模态数据中与用户兴趣无关的噪声信息。再次,BDMA通过轻量化自注意力模块深入挖掘用户不同模态偏好之间的内在关系,构造投影函数,将三种模态的用户偏好投影到统一的空间,实现模态之间的对齐、缓解模态间语义间隙。最后,BDMA在三个广泛使用的公开数据集上进行了大量实验,验证了该模型的有效性。

基于通道注意力和特征融合的伪造语音检测研究

汤龙,雷震春 — 2025年10月10 00:00

随着深度学习技术的迅猛发展,语音伪造技术对自动说话人验证系统的安全性构成严峻挑战,语音伪造检测系统依旧面临准确率不足、场景单一等问题。该文提出了一种结合通道注意力和特征融合的伪造语音检测方法,以解决语音伪造检测系统面临的一系列问题。为了聚集丰富的上下文信息和融合尺度不一致的特征,该文提出了双分支通道注意力模块,利用深度卷积沿通道维度聚合多尺度上下文信息,同时在两个分支上捕捉全局和局部特征信息;然后提出了注意力特征融合模块,将LFCC特征经过真实语音GMM和欺骗语音GMM得到对数高斯概率特征,随后基于注意力进行特征融合以学习具有通道上下文信息和全局局部特征信息的交互特征,解决了特征融合机制场景单一的问题。与基线系统相比,文中最佳系统AFF-ResNet在ASVSpoof2021LA数据集上的EER和min t-DCF分别降低37.5%和15.3%。实验结果表明,该方法显著提升了语音欺骗检测的准确率。

混合位置编码的议论文语篇要素识别模型

刘佳旭1,班子恒1,张艳菊2 — 2025年10月10 00:00

语篇要素识别在自动作文评分中发挥着重要作用,提高语篇要素识别的准确率有助于增强自动作文评分的效果以及可解释性。然而,语篇要素识别任务面临着上下文依赖和句子歧义性等挑战。传统的基于规则和特征工程的方法难以捕捉文本中复杂的语义信息和长距离依赖关系,而深度学习方法虽然能够自动学习文本特征,但仍然存在对关键位置信息利用不足的问题。针对上述问题,提出了一种混合位置编码的语篇要素识别模型,即HPE-BiLSTM(Hybrid Position Encoding Bidirectional Long Short-Term Memory)。该模型首先基于预训练的词向量获取句子表示,然后通过双向长短期记忆网络提取句子级特征。在句子级特征的基础上,采用混合的位置编码方案以确保关键位置信息的有效传递。最后,使用线性层和激活函数实现语篇要素识别。该模型在议论文数据集进行实验,并与Feature-based、BERT、BiLSTM、DiSA和DCRGNN五个模型进行比较。实验结果表明,HPE-BiLSTM模型的准确率达到了0.693,在语篇要素识别方面的F₁分数为0.684,优于其他模型。

融合精英反向学习与纵横交叉的蛇优化算法

叶汶建1,2,王冰1,2,王一荻1,2 — 2025年10月10 00:00

蛇优化算法(SO)是模拟自然界中蛇的习性而形成的一种元启发式算法。针对标准蛇优化算法在寻优时存在收敛速度慢且易陷入局部最优等问题,提出一种融合精英反向学习与纵横交叉的蛇优化算法(EILSO)。首先,通过变异精英反向学习策略初始化种群,利用精英个体生成高质量初始种群个体,加快算法收敛速度;其次,将振荡因子追随策略引入个体位置更新过程中,从而增强算法的探索能力、提高算法跳出局部最优的能力;最后,引入纵横交叉策略,其中,横向交叉增强算法的全局搜索能力、纵向交叉避免算法过早收敛,两种交叉相继进行共同提高算法的寻优性能。利用13个基准函数进行仿真测试,将EILSO与其他多种优化算法进行对比,证明EILSO收敛速度更快、求解精度更高、不易陷入局部最优。为了验证EILSO在实际问题中的可行性,将EILSO应用于齿轮系设计问题中,并与其他算法进行对比,结果显示EILSO在解决实际问题上具有一定的优越性。

基于改进图神经网络的油藏开发知识检索方法

王昆1,2,李文倚1,刘月田2,岳翔1,武若楠1 — 2025年10月10 00:00

基于传统检索方法在理解用户检索意图和处理复杂查询时的局限性,该文提出并改进了一种基于自适应图神经网络的油藏开发知识图谱检索方法,即IagRdkgr模型,以提升检索的准确性和效率。该文采用自适应机制动态调整图神经网络的结构和参数,并结合广度优先搜索算法优化图谱推理,引入基于关系权重的消息传递机制、动态邻接节点信息聚合及自适应节点表示方法,以增强模型对知识图谱复杂结构和上下文信息的理解能力。实验结果表明,IagRdkgr模型在油藏开发知识检索任务中的准确率达到98%,能够更高效地帮助用户获取所需知识,并提供直观的展示方式,从而提升决策的科学性和准确性。

基于ZYNQ的带钢表面缺陷识别系统设计

尤志鹏1,黄硕1,李佳坤1,查宇恒1,孙科学1,2* — 2025年10月10 00:00

针对带钢表面缺陷在尺度多变、背景复杂情况下易出现漏检,误检,准确率低等问题,提出了一种改进的MobileNetV2网络模型以及硬件加速模块。首先,对NEU-CLS数据集进行Cutout增强处理以扩充样本。然后,通过批量归一化(BN)融合与16 bit定点量化网络权重,对MobileNetV2网络的结构参数与ZYNQ平台适配改进。对比分析改进前后的MobileNetV2网络,改进后的网络能够有效提升带钢表面缺陷识别的速度与准确率,降低运算的复杂度。接着,在ZYNQ-7020的PL侧,设计权重输入缓存、数据补零、卷积、平均池化以及全连接的硬件加速模块,实现MobileNetV2网络的识别过程。最后,完成系统的实现与测试,系统的识别速度约为CPU中AMD Ryzen9-5900HX的2.5倍,识别准确率约为86.2%,帧率达到61.2f/s,整体功耗仅2.662W。实验结果表明,设计的带钢表面缺陷识别系统相比目前主流算法和其他改进算法,在保持实时性的同时,可以有效提高检测准确度,降低检测功耗。

基于EfficientNetV2-多注意力机制的脉象识别

林冬梅1,王鑫瑜1,杨玉荷1,陈扶明2,丑永新3 — 2025年10月10 00:00

脉象信号识别分析中,时域、频域以及时频域等方法难以将脉象信号的非线性特征进行深度提取,并且会造成运算缺失和数据丢失,无法进行特征的自学习。针对以上问题,该文提出了一种基于EfficientNetV2-多注意力机制的脉象信号识别分析方法。相较以往使用特征进行脉象识别的方法,二维图像的脉象识别完整保留了脉象信号的特征信息,提高了识别的准确率。该文利用桡动脉模拟平台和双目视觉脉搏采集系统,模拟和采集脉象信号。将采集到的薄膜图像经过一系列处理后得到5种脉象的多维脉搏波,将16维20周期的数据进行周期划分,扩增一维数据集,使用格拉姆角场(GAF)将一维脉象序列转换为二维图像,最后通过EfficientNetV2-多注意力机制网络模型进行脉象信号的识别。实验结果表明,该方法进行脉象识别的平均准确率可达到98.4%,其中促脉和浮脉的识别准确率可达100%,且相较于其他卷积神经网络,该模型有较高的准确率、较短的训练时间和较小的网络参数量。

改进GWO优化SVM的退化高寒草甸秃斑块检测

罗维1,2,王璐1,2*,姚斌1,2,郑敏3,李希来3 — 2025年10月10 00:00

准确识别青藏高原退化高寒草甸秃斑块,有助于评估高寒草甸退化状况,从而为制定科学合理的恢复与管理策略提供数据支持。为了实现对退化高寒草甸秃斑块的快速、无损检测,基于退化高寒草甸秃斑块的高光谱图像,构建了一种改进灰狼优化算法优化的支持向量机模型。首先,收集了不同秃斑块的高光谱图像,并从中提取了高光谱反射率和植被指数。其次,利用CARS和ReliefF算法筛选出关键波长和显著植被指数。基于融合特征数据集(即关键波长加上显著植被指数)的支持向量机(SVM)模型展示出优异的分类性能。再次,基于融合特征数据集,建立了灰狼优化算法优化的支持向量机(GWO-SVM)。最后,鉴于灰狼优化算法(GWO)存在的局限,通过引入拉丁超立方采样和多样性保持策略构建了改进的灰狼优化算法(LDGWO),旨在提升算法的搜索效率。结果表明,LDGWO-SVM在秃斑块检测中达到了96.97%的分类准确率,建模时间为8.41秒,优于GWO-SVM模型。该模型在识别退化高寒草甸秃斑块方面展现了良好的效果,为退化高寒草甸秃斑块的无损检测提供了新的思路和方法。

求解复杂函数及工程问题的改进黑翅鸢优化算法

王凯欣,田云娜,李奕轩 — 2025年10月10 00:00

针对黑翅鸢优化算法存在全局搜索能力弱、易陷入局部最优以及全局探索与局部开发能力不平衡的问题,提出一种多策略改进的黑翅鸢优化算法。在种群攻击行为阶段引入Levy飞行策略,增强算法的全局探索能力,降低局部桎梏概率,有助于算法跳出局部最优;在种群迁徙行为阶段引入自适应随机余弦振荡因子,平衡算法的全局探索与局部开发能力。为了验证该算法的寻优性能,将其与7个优化算法在CEC2017和CEC2022测试套件上进行测试,同时进行Wilcoxon秩和检验和Friedman检验来分析算法之间的显著性差异。实验结果表明,该算法的寻优精度、稳定性以及收敛性能明显优于对比算法,尤其在高维复杂函数下,表现出更加优越的寻优性能。为了进一步验证该算法的可行性与实用性,将其应用于压力容器设计问题上,验证了该算法在处理实际优化问题时具有一定的优越性。

基于狐獴优化算法的短期海上风电预测

白峻铭,周新宇,姜志航,梁宏涛 — 2025年10月10 00:00

海洋风力发电代表了前沿的绿色能源趋势。准确预测海上风力发电的输出对于实现大规模海上风力发电站的顺利接入电网起着关键作用,这有利于保障电网系统的平稳与安全运作,并能减少能源消耗的损耗。本项研究构建了一种混合深度学习预测模型,基于狐獴优化算法和局部均值分解,用于预测短期海上风力发电功率。本研究采用局部均值算法分解原始海上风电数据,采用卷积神经网络和门控神经单元混合预测海上风电发力功率。为了提高预测的准确度并降低不确定性因素,本研究引入狐獴优化算法,优化局部均值算法和混合模型超参数。使用中国海上风电场实际存在的风力涡轮机发电数据集进行了深入研究,对比结果显示,该模型优于其他模型,证明了该模型的可行性和有效性。

基于专家模型混合的细粒度烟叶分级方法

权传明1,陈烨1,2,梅豪1 — 2025年10月10 00:00

针对卷烟生产烟叶分级过程中人工劳动强度大、易受主观因素影响等问题,提出一种基于细粒度专家混合模型的烟叶分级方法。该方法基于三级专家模型架构,通过下级专家模型不断学习凝练上级专家模型给出的先验信息及图像特征从而增强模型特征表征能力及烟叶分级精度。针对烟叶数据集类别差异不明显导致不同专家模型之间易产生相似性预测的问题,提出一种基于MGE_CNN专家模型混合的细粒度烟叶分级方法,并且引入KL散度约束和PReLU激活函数进一步提升模型训练收敛效果。经实际卷烟生产烟叶分级图像数据集测试,该方法在实际生产环境中的烟叶分级精度可达90.47%,相较于现有细粒度分级方法精度提升0.95%,达到卷烟生产烟叶分级精度指标要求,可为后续实现自动化烟叶分级提供有力支撑。

基于YOLOv11的岩心识别与编录后处理算法实现

金炜曦1,2 — 2025年10月10 00:00

传统岩心分析存在人工观察与记录效率低且主观性强的问题,对此提出一种基于YOLOv11的岩心识别与编录后处理算法。该算法结合高精度的实例分割网络和尺度标定机制,采用YOLOv11n-seg作为主干网络进行岩心图像的实例分割任务。针对样本不平衡问题,设计了动态数据增强策略,通过几何变换、光度畸变增强和过采样技术,使数据总量扩充至原数据集的2.34倍,有效缓解了类别分布不均衡问题。后处理流程包括标定区域提取、尺度转换、岩心区域分割、掩码分析、岩性分类与深度累加等步骤,实现了从原始岩心图像到结构化地质数据的自动转换。提出基于长度的识别准确率评估指标,更符合岩心识别应用场景。实验结果表明,在8个测试钻孔上的平均识别准确率达到87.68%,最高达到97.43%。该算法显著提高了岩心分析的效率与精度,为地质勘探工作提供了科学可靠的数据支持。

本期目次

2025年10月10 00:00

封面-封底

2025年10月10 00:00