工程教育认证背景下计算机专业课程考核方式研究

课程考核是课程教学的重要环节,它是检验教学效果与评估教学质量的重要措施。针对计算机专业课程考核方式无法满足工程教育认证的新发展,该文分析当前计算机专业课程的考核现状及存在问题,构建面向“产出导向”的三位一体考核方式,从人才培养方案、课程培养目标、课程考核内容与形式三个维度阐述建设路径,并说明该方式在教学实践中取得的效果。

基于计算重用的无人机辅助边缘计算系统能耗优化

针对复杂地形下时延敏感任务对终端用户的计算需求激增问题,该文提出一种无人机(UAV)辅助的移动边缘计算可重用任务的协同计算卸载方案。首先,通过联合优化用户卸载策略、用户传输功率、无人机上服务器分配、用户设备的计算频率和无人机服务器的计算频率以及无人机的飞行轨迹,构建满足时延约束下最小化系统平均总能耗的系统模型。其次,通过深度强化学习求解该优化问题,并提出了基于柔性动作-评价(SAC)的优化算法。该算法采用最大熵的策略来鼓励探索,以增强算法的探索能力并加快训练的收敛速度。仿真结果表明,基于SAC的算法能有效降低系统的平均总能耗,并具有较好的收敛性。

基于图神经网络的多层信息交互融合算法用于会话推荐

针对当前会话推荐中存在对于当前会话的项目转换信息挖掘不充分且极少利用其他会话信息的问题,提出一种基于图神经网络的多层信息交互融合算法用于会话推荐。基于当前会话,首先,对节点之间的连接关系设计不同的权重聚合邻域节点的信息,并挖掘当前会话中项目转换的显性信息;其次,通过基于堆叠的残差图注意力网络聚合邻域节点信息,挖掘当前会话中项目转换的隐性信息;最后,通过单门控图神经网络挖掘基于时间戳的会话中存在的序列依赖信息。基于其他会话,通过节点的一阶邻居将整个会话集联系起来,学习全局信息编码,进而融合4个层次的嵌入表示以获得更全面的项目转换信息,同时使用软注意力机制和反向位置嵌入信息对获得的项目转换信息进行更有效的融合。实验结果表明,在Diginetica数据集上,所提模型的精度P@20和平均倒数排名MRR@20较次优模型GCE-GNN(Global Context Enhanced Graph Neural Network)分别提升了0.79%和0.84%;在Tmall数据集上,所提模型的P@20和MRR@20较次优模型HyperS2Rec分别提升了8.23%和7.86%;在Nowplaying数据集上,所提模型的P@20和MRR@20较次优模型HyperS2Rec分别提升了1.33%和7.16%。

聚类与信息共享的多智能体深度强化学习协同控制交通灯

该文提出一种适用于多路口交通灯实时控制的多智能体深度循环Q-网络(MADRQN),目的是提高多个路口的联合控制效果。该方法将交通灯控制建模成马尔可夫决策过程,将每个路口的控制器作为智能体,根据位置和观测信息对智能体聚类,然后在聚类内部进行信息共享和中心化训练,并在每个训练过程结束时将评价值最高的值函数网络参数分享给其它智能体。在城市交通仿真软件(SUMO)下的仿真实验结果表明,所提方法能够减少通信的数据量,使得智能体之间的信息共享和中心化训练更加可行和高效,车辆平均等待时长少于当前最优的基于多智能体深度强化学习的交通灯控制方法,能够有效地缓解交通拥堵。

计算机图形学课程思政探究

新工科理念下的面向成果导向教育(OBE)不能脱离培养德智体美劳全面发展的社会主义建设者和接班人这一根本任务,要将"立德树人"贯穿于课程教学的各个环节。以计算机图形学课程为例,阐述了课程的知识结构,课程思政的目标,思政元素的融入设计,并围绕具体翔实的课程思政案例,就本科计算机专业课程教学中如何实施教学环节与思政元素的深度融合展开较为深入的探讨。

大学生志愿服务培训的现状与反思——以安徽省高校为例

志愿服务是高校实践育人的重要载体。培训作为提高大学生志愿者能力素养和服务质量的重要手段却未得到应有重视。当前,各高校的志愿服务培训存在形式单一、内容不成体系、师资随意性较大、效果鲜有问津等问题。各级培训有顶层规划、课程设置有内容要求、培训师资有选择“标准”、培训形式有鲜明特色、培训质量有跟踪问效是提升培训实效性的有效途径。

基于轻量级语义信息融合的动作识别方法

针对目前大多数的动作识别方法使用深层网络训练模型导致模型参数量大、验证成本高以及语义信息利用不足等问题,提出一种基于轻量级语义信息融合的动作识别方法(LSIF-GCN),实现了模型的轻量化和对语义信息的充分利用。首先,LSIF-GCN将数据预处理后的关节流、速度流和骨骼流三种不同的输入信息编码至高维空间后,经过一层图卷积操作,以达到特征增强和降低维度的目的,再把三种信息流在通道维度上进行拼接融合。然后,为了充分利用语义信息提取不同关节之间潜在的权重关系,提出一种“瓶颈型”的四层图卷积模块。最后,采用分流网络设计的时间卷积模块,并引入自注意力机制,在减少模型参数量的同时也提高了网络的性能。该模型具有简单的结构和训练过程,便于在低成本的嵌入式设备的实时动作识别系统中部署。在NTU-RGB+D 60和NTU-RGB+D 120数据集上的大量实验表明,该方法不仅在识别精度和模型复杂度(参数量和GFLOPs)上优于目前一些主流的轻量级方法,而且与一些近几年的SOTA方法相比也具有一定的优势。

基于对抗生成网络的手写数字生成方法研究

提出了一种基于改进的对抗生成网络(GANs)的手写数字生成方法。通过引入GANs的生成器和判别器,设计了一种创新的网络架构,并采用了一系列训练策略来解决GANs训练中的不稳定性和模式崩溃问题。通过使用MNIST数据集进行实验,结果显示,新模型在准确率上达到了98%以上。与传统神经网络方法相比,基于改进的对抗生成网络的手写数字识别系统在性能上有显著提升。

基于轻量化YOLOv8s交通标志的检测

为了提高交通标志检测的实时性和可行性,提出了一种基于YOLOv8s的轻量化交通标志检测模型。首先,用FasterNet中的残差模块FasterNetBlock替换C2f模块中的BottleNeck,降低模型参数量和计算量;其次,用一种小目标检测层去替换大目标检测层,降低Backbone中网络层数,实现大幅度提高检测速度和降低参数量;最后,用Wise-IOU替换原CIOU损失函数,提高速度和精度。在TT100K交通标志数据集上验证,其与YOLOv8s模型比较,mAP50提高了5.16%,参数量降低了76.48%,计算量降低了13.33%,FPS快了35.83%。与其他模型相比,mAP50平均提高了15.11%,参数量平均降低了85.74%,计算量平均下降了46.23%,FPS平均提高了31.49%。该模型具有检测精度高、参数量少、计算量低、速度快等优点,较原算法有很大地提升,且与其他先进的交通标志检测模型比较时表现出了很强的竞争力,在交通标志检测中具有较大优势。

基于改进Vision Transformer网络的农作物病害识别方法

基于DCNN模型的农作物病害识别方法在实验室环境下识别准确率高,但面对噪声时缺少鲁棒性.为了兼顾农作物病害识别的精度和鲁棒性,本文在标准ViT模型基础上加入增强分块序列化和掩码多头注意力,解决标准ViT模型缺乏局部归纳偏置和视觉特征序列的自注意力过于关注自身的问题.实验结果表明,本文的EPEMMSA-ViT模型对比标准ViT模型可以更高效的从零学习;当添加预训练权重训练网络时,EPEMMSA-ViT模型在数据增强的PlantVillage番茄子集上能够得到99.63%的分类准确率;在添加椒盐噪声的测试数据集上,对比ResNet50、DenseNet121、MobileNet和ConvNeXt的分类准确率分别提升了6.08%、9.78%、29.78%和12.41%;在添加均值模糊的测试数据集上,对比ResNet50、DenseNet121、MobileNet和ConvNeXt的分类准确率分别提升了18.92%、31.11%、20.37%和19.58%.

移动群智感知中高效可验证的安全真值发现方法

针对移动群智感知中参与者数据的真值和隐私保护问题,提出了一种高效可验证的安全真值发现方法 EVSTD,通过安全迭代更新参与者权值和评估对象真值,从而得到对象的真实数据。EVSTD中,参与者利用本地随机数和协商随机数对敏感数据进行双掩码数据扰动,使得EVSTD不仅能够保证敏感数据的隐私性,且解决了参与者因延迟发送感知数据而导致的敏感数据泄露问题。同时, EVSTD利用秘密共享协议解决了参与者掉线或失效的问题,且通过动态选择L邻居节点策略让参与者只与其关联邻居进行通信从而大大降低了参与者的计算和通信开销。此外,参与者通过计算敏感数据的同态哈希值以用于数据的验证并上传给服务器,服务器对敏感数据进行聚合和对验证信息进行乘积,并将计算结果发送给参与者,参与者再对聚合结果和证明信息进行验证,验证通过则说明聚合结果正确,进一步保证了真值发现结果的可信性,防止服务器对参与者的敏感数据进行篡改,保证了聚合结果的真实性。实验结果显示所提方法在保证数据隐私的同时获得真实可靠的数据信息,且能够有效的防止服务器篡改数据和共谋攻击。

神经网络后门攻击与防御综述

当前,深度神经网络(Deep Neural Network,DNN)得到了迅速发展和广泛应用,由于其具有数据集庞大、模型架构复杂的特点,用户在训练模型的过程中通常需要依赖数据样本、预训练模型等第三方资源.然而,不可信的第三方资源为神经网络模型的安全带来了巨大的威胁,最典型的是神经网络后门攻击.攻击者通过修改数据集或模型的方式实现向模型中植入后门,该后门能够与样本中的触发器(一种特定的标记)和指定类别建立强连接关系,从而使得模型对带有触发器的样本预测为指定类别.为了更深入地了解神经网络后门攻击原理与防御方法,本文对神经网络后门攻击和防御进行了体系化的梳理和分析.首先,本文提出了神经网络后门攻击的四大要素,并建立了神经网络后门攻防模型,阐述了在训练神经网络的四个常规阶段里可能受到的后门攻击方式和防御方式;其次,从神经网络后门攻击和防御两个角度,分别基于攻防者能力,从攻防方式、关键技术、应用场景三个维度对现有研究进行归纳和比较,深度剖析了神经网络后门攻击产生的原因和危害、攻击的原理和手段以及防御的要点和方法;最后,进一步探讨了神经网络后门攻击所涉及的原理在未来研究上可能带来的积极作用.

基于CSI实例标准化的域泛化人体动作识别模型

为了实现完全不依赖目标域数据的Wi-Fi跨域人体动作感知,提出了一种基于CSI实例标准化的域泛化人体动作识别模型INDG-Fi。INDG-Fi使用实例标准化去除CSI特征表示的领域信息,接着构建共享特征提取的动作分类器和域分类器,并通过动作偏向学习和对抗性的域学习,将编码层提取的特征偏向人体动作引起的信号特征,同时远离领域信号影响。为了让模型关注受人体动作影响更显著的子载波信号,在编码层中加入子载波注意力模块。实现结果表明,所提INDG-Fi在不可见的用户和位置的感知性能分别为97.99%和92.73%,能够实现鲁棒的跨域感知。

麦克风集群网络模型及其障碍物识别中的应用

基于声学基本原理和抽象空间的网络结构方法,开发了一种创新的障碍物检测系统,其结构包括硬件终端、多声路网络模型和分类器。硬件终端由立体式分布的麦克风节点、数据采集卡和工控机组成。多声路网络模型能够基于多路声波信号建立网络结构,并提取和计算多路声波复杂信号中的有效信息。分类器采用主成分分析方法(Principal Component Analysis,PCA)对提取的有效信息进行降维处理,再采用监督学习方法实现对环境的分类和识别。该系统的开发不仅为汽车自动驾驶、机器人导航和无人机等领域提供了重要的技术支持,而且为智能导航和自动化领域的技术发展提供了新的可能性。未来的工作将进一步优化系统性能,提高其应用的广泛性和经济效益。

基于Stackelberg博弈的车载边缘计算任务卸载策略

随着智能汽车应用的增多,用户对车辆的计算能力提出了更高的要求。由于车辆的计算能力有限,使得其自身很难完全满足任务的需求。针对这一问题,采用车载边缘计算进行任务卸载,但任务交付会消耗通信资源,因此需要制定有效的激励机制。本文提出了一种基于Stackelberg博弈的任务卸载策略,首先设计了一种基于Stackelberg博弈的激励机制;其次推导出相应条件下的纳什均衡解,制定最优定价策略,进行任务卸载。仿真结果表明,该算法能有效地减少任务处理时延,同时最大限度的提高整体效用。

数字图像处理课程实践能力培养的教学改革探索

实践能力的培养是新工科建设的重点,也是践行OBE教学理念的重要环节。针对数字图像处理课程,其实践教学的模式和内容进行了科学设计,课程以锻炼学生动手能力为中心,充分利用头歌实践教学平台,进行实验内容设计和虚拟环境搭建,学生在规定的时间内通过完成任务通关,实现实践能力培养,在提高学生的学习热情、动手能力、科学成绩评定等方面发挥了很好的作用。

基于改进Fi-GNN模型的点击率预测方法

为解决基线模型(Fi-GNN)特征交互模块设计不合理的问题,提出一种基于改进Fi-GNN模型的点击率预测方法(Fi-GNN-V2)。针对特征交互模块的邻接矩阵没有考虑到异构节点间的多元关系,在计算异构节点间相互作用的权重时增加边类型的嵌入向量,得到更合理的邻接矩阵;通过多头聚合多个子空间的邻居信息学习不同方式的特征交互;融合二阶以及三阶特征组合解决特征交互模块造成特征域的语义信息丢失问题,设计注意力模块抑制无用特征组合对模型学习的干扰;为进一步提升模型的性能,结合深度神经网络隐式捕捉高阶非线性的特征组合进行联合预测。实验结果表明,该方法优于其它主流点击率预测模型。

FMLogs:基于模板匹配的日志解析方法

日志主要记录软硬件的运行信息,通过查看系统日志,可以找到系统出现的问题及原因,确保系统的稳定性和正常运行。日志解析的目的是将半结构化的原始日志解析为可阅读的日志模板,现有解析方法往往只注重于对原始日志的解析,而忽略了后期模板处理,导致结果的精度不能进一步提高。自此,提出了一种日志解析方法FMLogs(logs parsing based on frequency and MinHash algorithm)。该方法通过设计正则表达式和调节阈值参数以获得最佳性能,同时采用了字符级频率统计和MinHash方法对长度相同和不同的日志模板进行合并。FMLogs在七个真实数据集上进行了广泛的实验,取得了0.924的平均解析准确率和0.983的F 1-Score。实验结果表明,FMLogs是一种有效的日志解析方法,在解析日志的同时具有较高的准确性和效率,并能保证性能的稳定。

IMU紧耦合的多激光雷达定位与建图方法

在许多移动机器人的应用场景下,如自动化仓储物流场景,由于激光雷达安装位置的限制,采用单一激光雷达的SLAM解决方案存在视场受限以及难以闭环的问题。为此基于FAST-LIO2算法提出了一种IMU紧耦合的多激光雷达定位与建图方法,该方法在扩展了机器人的感知范围的同时提高了定位精度和建图效果。通过公开数据集的离线测试以及自建实验平台的在线测试,相较于M-LOAM、FAST-LIO2和Faster-LIO算法,所提出的算法在定位精度和建图效果上取得了显著提升,并具有更低的回环漂移。

基于 YOLOV7 的改进汽车零件缺陷检测算法

汽车零部件缺陷检测通常采用基于YOLOV7的深度学习模型,针对生产环境中计算资源受限的问题,提出了改进YOLOV7的汽车零部件表面缺陷检测算法,首先使用MobileNetV3模块替换YOLOV7骨干网络,其次将颈部网络替换为重复加权双向特征金字塔网络BiFPN和多路径高效设计BepC3模块,最后采用一种基于高斯Wasserstein距离的回归损失函数代替原有的损失函数。实验结果表明,该算法相较传统YOLOV7的AP50精度提高0.155,比YOLOx算法AP50精度提高0.139,在检测精度和效率方面综合表现优异。