基于改进实数编码遗传算法的神经网络超参数优化

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。

智能算法的亚群优化策略综述

群智能算法的优化是提升群智能算法性能的一个主要途径,随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中,对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段,能够灵活地平衡算法的全局勘探能力和局部开发能力,已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用,对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查,阐述了各类亚群策略的结构特点、改进方式和应用场景。最后,总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

大语言模型的技术应用前景与风险挑战

针对大语言模型(LLM)技术的快速发展,剖析它的技术应用前景和风险挑战,对通用人工智能(AGI)的发展和治理有重要参考价值。首先,以Multi-BERT(Multilingual Bidirectional Encoder Representations from Transformers)、GPT(Generative Pre-trained Transformer)和ChatGPT(Chat Generative Pre-Trained Transformer)等语言模型为代表,综述LLM的发展脉络、核心技术和评估体系;其次,分析LLM现存的技术局限和安全风险;最后,提出LLM在技术上改进、政策上跟进的建议。分析指出作为发展阶段的LLM,现有模型存在非真实性及偏见性输出、实时自主学习能力欠缺,算力需求庞大,对数据质量和数量依赖性强,语言风格单一;存在数据隐私、信息安全和伦理等方面的安全风险。未来发展可从技术上继续改进,从“大规模”转向“轻量化”、从“单模态”走向“多模态”、从“通用”迈入“垂类”;从政策上实时跟进,实施有针对性的监管措施,规范应用和发展。

2024年征订启事

《计算机应用》月刊,于1981年创刊,系中国计算机学会会刊。《计算机应用》多次荣获国家期刊奖提名奖,被评为中国期刊方阵“双奖”期刊,被列为中文核心期刊、中国科技核心期刊,被《中国科学引文数据库》、《中国科技论文统计源数据库》等国家重点检索机构列为引文期刊,并被英国《科学文摘》、俄罗斯《文摘杂志》、日本《日本科学技术振兴机构数据库》、美国《剑桥科学文摘:材料信息》、波兰《哥白尼索引》、德国《数学文摘》等国际重要检索系统列为来源期刊。连续多年被评为“中国国际影响力优秀学术期刊”。

第39届中国计算机应用大会(CCF NCCA 2024)会议通知

2024年7月15日—18日黑龙江·哈尔滨随着人工智能、大数据、区块链、物联网、云计算、5G、数字孪生等为代表的计算机应用技术快速发展,并与各行各业融合程度进一步加深,支持各类工业设备、信息系统、业务流程、企业产品与服务、人员之间的互操作技术也愈加复杂。构建一个更高效、更安全、更智能的互操作技术体系是各行业领域当前面临的重要挑战。

致谢审稿专家

尊敬的审稿专家:您好!新年伊始,《计算机应用》编辑部的全体同仁向您及您的家人表示由衷的感谢并致以新年的问候!祝您在新的一年里身体健康、工作顺利、阖家幸福!《计算机应用》承蒙您多年来的关爱,期刊质量不断提高,影响力不断扩大,这与您的认真审读密切相关,您的工作使作者和编者都受益匪浅。借此机会,我们向您表示衷心的感谢!在新的一年里,我刊希望继续得到您的大力支持。有您的参与,有我们的共同努力,《计算机应用》必将迎来更加美好的明天。

第39届中国计算机应用大会(CCF NCCA 2024)会议通知

随着人工智能、大数据、区块链、物联网、云计算、5G、数字孪生等为代表的计算机应用技术快速发展.并与各行各业融合程度进一步加深,支持各类工业设备、信息系统、业务流程、企业产品与服务、人员之间的互操作技术也愈加复杂。构建一个更高效、更安全、更智能的互操作技术体系是各行业领域当前面临的重要挑战。

《计算机应用》“大模型前沿研究与典型应用”专题征文通知

“大模型”(大规模预训练模型)是引领人工智能领域的变革式新范式,能够提供强大的知识表示与聚合能力,已展现出媲美人脑的视觉感知与逻辑推理能力。在超大参数规模、海量训练数据和强大计算资源支撑下,大规模基础模型(CLIP、SAM、GPT-4V、Sora等)已成为一系列下游任务的基石,展示出强大的任务性能与卓越的泛化能力,在自然语言处理、计算机视觉、工业数字化和智能化等多个领域有着重要突破和广泛应用。

致谢审稿专家

尊敬的审稿专家:您好!新年伊始,《计算机应用》编辑部的全体同仁向您及您的家人表示由衷的感谢并致以新年的问候!祝您在新的一年里身体健康、工作顺利、阖家幸福!《计算机应用》承蒙您多年来的关爱,期刊质量不断提高,影响力不断扩大,这与您的认真审读密切相关,您的工作使作者和编者都受益匪浅。

《计算机应用》“大模型前沿研究与典型应用”专题征文通知

“大模型”(大规模预训练模型)是引领人工智能领域的变革式新范式,能够提供强大的知识表示与聚合能力,已展现出媲美人脑的视觉感知与逻辑推理能力。在超大参数规模、海量训练数据和强大计算资源支撑下,大规模基础模型(CLIP、SAM、GPT-4V、Sora等)已成为一系列下游任务的基石,展示出强大的任务性能与卓越的泛化能力,在自然语言处理、计算机视觉、工业数字化和智能化等多个领域有着重要突破和广泛应用。

2024年征订启事

《计算机应用》月刊,于1981年创刊,系中国计算机学会会刊。《计算机应用》多次荣获国家期刊奖提名奖,被评为中国期刊方阵“双奖”期刊,被列为中文核心期刊、中国科技核心期刊,被《中国科学引文数据库》、《中国科技论文统计源数据库》等国家重点检索机构列为引文期刊,并被英国《科学文摘》、俄罗斯《文摘杂志》、日本《日本科学技术振兴机构数据库》、美国《剑桥科学文摘:材料信息》、波兰《哥白尼索引》、德国《数学文摘》等国际重要检索系统列为来源期刊。连续多年被评为“中国国际影响力优秀学术期刊”。

致谢审稿专家

尊敬的审稿专家:您好!新年伊始,《计算机应用》编辑部的全体同仁向您及您的家人表示由衷的感谢并致以新年的问候!祝您在新的一年里身体健康、工作顺利、阖家幸福!《计算机应用》承蒙您多年来的关爱,期刊质量不断提高,影响力不断扩大,这与您的认真审读密切相关,您的工作使作者和编者都受益匪浅。借此机会,我们向您表示衷心的感谢!在新的一年里,我刊希望继续得到您的大力支持。有您的参与,有我们的共同努力,《计算机应用》必将迎来更加美好的明天。

第39届中国计算机应用大会(CCF NCCA 2024)会议通知

2024年7月15日—18日黑龙江·哈尔滨随着人工智能、大数据、区块链、物联网、云计算、5G、数字孪生等为代表的计算机应用技术快速发展,并与各行各业融合程度进一步加深,支持各类工业设备、信息系统、业务流程、企业产品与服务、人员之间的互操作技术也愈加复杂。构建一个更高效、更安全、更智能的互操作技术体系是各行业领域当前面临的重要挑战。由中国计算机学会主办,CCF计算机应用专业委员会、东北林业大学、黑龙江省计算机学会联合承办的CCF第39届中国计算机应用大会(CCF NCCA 2024)将以“数字经济赋能向北开放新高地,助推产研应用厚植新质生产力”为主题于2024年7月15日—18日在黑龙江哈尔滨举办。

2024年征订启事

《计算机应用》月刊,于1981年创刊,系中国计算机学会会刊。《计算机应用》多次荣获国家期刊奖提名奖,被评为中国期刊方阵“双奖”期刊,被列为中文核心期刊、中国科技核心期刊,被《中国科学引文数据库》、《中国科技论文统计源数据库》等国家重点检索机构列为引文期刊,并被英国《科学文摘》、俄罗斯《文摘杂志》、日本《日本科学技术振兴机构数据库》、美国《剑桥科学文摘:材料信息》、波兰《哥白尼索引》、德国《数学文摘》等国际重要检索系统列为来源期刊。连续多年被评为“中国国际影响力优秀学术期刊”。

神经架构搜索综述

近几年,深度学习因具有强大的表征能力,已经在许多领域中取得了突破性的进展,而神经网络的架构对它的性能至关重要。然而,高性能的神经网络架构设计严重依赖研究人员的先验知识和经验,神经网络参数量庞大,难以设计最优的神经网络架构,因此自动神经架构搜索(NAS)获得了极大的关注。NAS是一种使用机器学习的方法,可以在不需要大量人力的情况下,自动搜索最优网络架构的技术,是未来神经网络设计的重要手段之一。NAS本质上是一个搜索优化问题,通过对搜索空间、搜索策略和性能评估策略的设计,自动搜索最优的网络结构。从搜索空间、搜索策略和性能评估策略这3个方面详细且全面地分析、比较和总结目前NAS的研究进展,方便读者快速了解神经架构搜索的发展过程和各项技术的优缺点,并提出NAS未来可能的研究发展方向。

基于多尺度卷积和自注意力特征融合的多模态情感识别方法

基于生理信号的情感识别受噪声等因素影响,存在准确率低和跨个体泛化能力弱的问题。对此,提出一种基于脑电(EEG)、心电(ECG)和眼动信号的多模态情感识别方法。首先,对生理信号进行多尺度卷积,获取更高维度的信号特征并减少参数量;其次,在多模态信号特征的融合中使用自注意力机制,以提升关键特征的权重并减少模态之间的特征干扰;最后,使用双向长短期记忆(Bi-LSTM)网络提取融合特征的时序信息并进行分类。实验结果表明,所提方法在效价、唤醒度和效价/唤醒度四分类任务上分别取得90.29%、91.38%和83.53%的识别准确率,相较于脑电单模态和脑电/心电双模态方法,准确率上提升了3.46~7.11和0.92~3.15个百分点。所提方法能够准确识别情感,在个体间的识别稳定性更好。

基于三维空间面积划分的轨迹相似性度量算法

针对大部分轨迹相似性度量算法无法区分方向相反轨迹的问题,提出了一种基于三维空间面积划分的三维三角分割(3TD)算法。首先,按照3TD算法的时间转换规则将轨迹集的绝对时间序列转变为相对时间序列;然后,在由经度、纬度以及时间三要素构成的三维空间坐标系中,通过划分规则将轨迹间面积分割成若干互不重叠的三角形,累加三角形面积并计算轨迹相似度;最后,在从船舶自动识别系统(AIS)收集的随机采样轨迹数据集上,与最长公共子序列(LCSS)算法和三角分割(TD)算法等进行了对比实验。实验结果表明:3TD算法对实验数据集中异向轨迹识别精确度达到100%;同时该算法面对海量数据集以及轨迹点部分缺失的数据集时,也能维持准确的度量结果以及较高的运算效率,能更好地适应异向轨迹相似度量工作。

基于改进YOLOv8的嵌入式道路裂缝检测算法

在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明:所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020(GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检测。

基于交替注意力机制和图卷积网络的方面级情感分析模型

方面级情感分析旨在预测给定文本中特定目标的情感极性。针对忽略方面词和上下文之间的句法关系和平均池化带来的注意力差异性变小的问题,提出一种基于交替注意力(AA)机制和图卷积网络(GCN)的方面级情感分析模型(AA-GCN)。首先,利用双向长短期记忆(Bi-LSTM)网络对上下文和方面词进行语义建模;其次,通过基于句法依存树的GCN学习位置信息和依赖关系,再利用AA机制进行多层次交互学习,自适应地调整对目标词的关注度;最后,拼接修正后的方面特征和上下文特征,得到最终的分类依据。相较于基于目标依赖的图注意力网络(TDGAT),所提模型在4个公开数据集上准确率提升了1.13%~2.67%,在5个公开数据集上F1值提升了0.98%~4.89%,验证了利用句法关系和提升关键词关注度的有效性。

基于端口注意力与通道空间注意力的网络异常流量检测

网络异常流量检测是网络安全保护重要组成部分之一。目前,基于深度学习的异常流量检测方法都是将端口号属性与其他流量属性同等对待,忽略了端口号的重要性。为了提高异常流量检测性能,借鉴注意力思想,提出一个卷积神经网络(CNN)结合端口注意力模块(PAM)和通道空间注意力模块(CBAM)的网络异常流量检测模型。首先,将原始网络流量作为PAM的输入,分离得到端口号属性送入全连接层,得到学习后的端口注意力权重值,并与其他流量属性点乘,输出端口注意力后的流量数据;其次,将流量数据转换成灰度图,利用CNN和CBAM更充分地提取特征图在通道和空间上的信息;最后,使用焦点损失函数解决数据不平衡的问题。所提PAM具有参数量少、即插即用和普遍适用的优点。在CICIDS2017数据集上,所提模型的异常流量检测二分类任务准确率为99.18%,多分类任务准确率为99.07%,对只有少数训练样本的类别也有较高的识别率。