以创意IP为引领的辅导员工作室建设研究——以南京航空航天大学“喔+”辅导员创意文化思政工作室为例

辅导员工作室是开展大学生思想政治教育工作的重要平台和载体。为贯彻落实习近平总书记关于教育的重要论述,全面落实《关于加强和改进新形势下高校思想政治工作的意见》和《普通高等学校辅导员队伍建设规定》精神,进一步加强辅导员队伍建设,推动辅导员队伍专业化、职业化发展,提升辅导员工作的质量和增强学生思想政治教育工作的针对性和实效性,本研究以创意IP为切入点,探讨分析辅导员工作室的建设思路并形成具体方案,提出适应新形势下服务大学生成长成才的新举措、新办法、新思路,进一步深化大学生思想政治教育长效机制。

基于模糊测试的智能合约正确性检测

智能合约的发展处于初期阶段,底层编程语言和应用平台的不同使得智能合约的设计缺少规范,极易出现漏洞,造成损失。针对以太坊区块链平台上智能合约存在的安全漏洞问题,提出了一种基于模糊测试的智能合约正确性检测方法。该方法根据智能合约内容及规范生成模糊输入,并根据模糊输入在以太坊虚拟机内执行智能合约,监控合约在执行过程中的行为,生成多个日志文件,提取日志文件中的关键信息,对测试用例进行触发测试,从而得到智能合约所包含漏洞的情况,实现正确性检测。在实验过程中,该方法针对416个智能合约中的七类常见漏洞进行了漏洞检测,标记出了19个存在漏洞的智能合约。经过人工审计分析发现,在这19个被标记的不正确智能合约中,有18个智能合约确实存在安全漏洞。实验结果表明所提方法能够以较高的准确率识别智能合约中包含的漏洞,从而检测智能合约的正确性。

CodeScore-R:用于评估代码合成功能准确性的自动化鲁棒指标

评估指标在代码合成领域中至关重要.常用的代码评估指标可以分为3种类型:基于匹配、基于语义和基于执行.其中,基于执行的Pass@k指标通过执行测试用例,能够准确判断预测代码的功能准确性.然而,该指标的计算需要大量开销,因此亟需设计一种自动化评估指标,在无需测试用例时仍可评估预测代码的功能准确性.此外,好的评估指标应当具有鲁棒性,即预测代码发生微小改变时,评估指标仍能保持其准确性.为此,提出了一种基于UniXcoder和对比学习的自动化鲁棒指标CodeScore-R,用于评估代码合成的功能准确性. CodeScore-R采用草图化处理、语法等价转换和变异测试等技术手段,有效减轻了标识符、语法结构和运算符对评估结果的干扰.实验结果表明,在Java和Python语言上的代码生成和迁移任务中,CodeScore-R的表现优于其他无需测试用例的评估指标,且更接近Pass@k指标,并具有更强的鲁棒性.

基于空间位置关系的轨迹数据高效降维和查询算法

由于新型信息技术的快速发展,社会处于数字化、信息化转型的关键时期,各行业对于以数据库技术为基础的信息系统的需求也日益凸显.基于位置的服务依赖于海量实时生成的轨迹数据,在处理亿万级随时间连续变化的轨迹数据时,降维算法和查询技术一直是研究的关键,通过降低轨迹数据的规模,减少查询操作时处理数据的时间,能有效提升查询的性能,而能否实现高质量、高效率查询对于数据库而言至关重要.提出了面向轨迹数据的均匀网格编码,并在进一步优化后提出非均匀网格降维算法,将轨迹数据的坐标转化为1维字符串存储,对不符合要求的网格进行合并处理;通过空间位置映射充分保留轨迹数据间复杂的相互关系,并采用范围查询与最近邻查询对降维后的数据进行性能测试.实验使用不同城市真实轨迹数据与模拟生成轨迹数据作为数据集,将提出的均匀网格算法、非均匀网格算法与3种基准方法进行对比.实验证明,优化后的非均匀网格算法降维后数据的空间位置关系相似度可高达82.50%,范围查询时间较其他查询时间提升了至少73.86%,最近邻查询时间提升了至少52.26%,与其他基准方法相比取得了更好的效果.

基于判别性特征增强的小样本细粒度图像识别

小样本细粒度图像识别是深度学习领域中一个热门的研究课题,其基本任务是在学习有限数量样本的情况下识别出某一大类下的子类别的图像。得益于卷积神经网络的快速发展,小样本细粒度图像识别在精度方面取得了显著的成果,但其性能仍受限于同一子类图像间的高方差以及不同分类任务中判别性特征的差异性。针对上述问题,提出了一种基于判别性特征增强的小样本细粒度图像识别算法(DFENet)。DFENet设计了对称注意力模块来增强类内视觉一致性学习,从而减少背景的影响,提高同类样本之间共享的特征表示的权重。此外,DFENet引入通道维度的判别性特征增强模块,利用支持集样本中同类样本内和不同类样本之间的通道关系进一步挖掘适合于当前任务的判别性特征,以提高识别准确率。在三个经典的细粒度数据集CUB-200-2011,Stanford Dogs,Stanford Cars上进行了广泛的实验。实验结果表明,该方法均取得了有竞争性的结果。

基于分层哈希编号的智能制造产线数据同步方法

海量数据存储和同步是智能制造产线中的重要问题。当前数据同步的主流方法是远程同步(Remote synchronization,RSYNC)算法,采用同步增量数据的方法减少数据传输量。智能制造产线产生的数据层次结构深、目录结构复杂,导致同步时评估时间长。为此提出分层哈希编号算法进行同步,基于数据分层对数据文件编号,使用散列表记录层次信息,快速比对差异数据,并对不同类型的差异数据采用不同备份策略。实验结果表明,与标准RSYNC相比,该方法有效减少了RSYNC评估的数据量,有效降低了同步时间,提高了同步备份效率。

一种基于离群数据检测和线性回归的压装质量智能预警方法

针对高精度伺服机构压装质量控制难度大的问题,提出了一种基于离群数据检测和线性回归的智能质量预警方法。采用线性回归分析装配质量与压装过程之间的关系,建立了压装的“位移-力”数学模型,并定义了合格的压装力范围对装配质量进行控制。为了对压装过程中的“位移-力”原始数据集进行预处理,本文设计了一种改进的基于区域密度和P权值的局部离群因子(Local outlier factor based on area density and P weight,LAOPW)检测算法,以剔除导致线性回归数学模型不准确的离群值。该算法引入了基于信息熵的加权距离进行距离度量,并用P权值代替可达距离。实验结果表明,该算法在检测效率上比传统的局部离群因子(Local outlier factor,LOF)算法提高了5.6 ms,而检测准确率比基于区域密度的局部离群因子(Local outlier factor based on area density,LAOF)算法改善了2%左右。将本文提出的LAOPW算法和线性回归模型应用于高精度伺服机构压装质量控制,能够有效进行压装质量智能预警。

基于深度学习的显著性目标检测综述

显著性目标检测通过模仿人的视觉感知系统,寻找最吸引视觉注意的目标,已被广泛应用于图像理解、语义分割、目标跟踪等计算机视觉任务中。随着深度学习技术的快速发展,显著性目标检测研究取得了巨大突破。本文总结了近5年相关工作,全面回顾了3类不同模态的显著性目标检测任务,包括基于RGB图像、基于RGB-D/T(Depth/Thermal)图像以及基于光场图像的显著性目标检测。首先分析了3类研究分支的任务特点,并概述了研究难点;然后就各分支的研究技术路线和优缺点进行阐述和分析,并简单介绍了3类研究分支常用的数据集和主流的评价指标。最后,对基于深度学习的显著性目标检测领域未来研究方向进行了探讨。

金融分布式数据库异步全局索引研究

伴随移动支付的快速发展,传统的金融核心业务所使用的集中式数据库面临性能、可用性等方面的挑战。为此有研究者提出了采用计算和存储分离架构的分布式数据库解决思路,通过网络连接构建在物理上分散、逻辑上集中的分布式数据库管理系统。全局索引是分布式数据库提升查询效率的重要手段,但当前的全局索引主要通过在传统网络中利用同步机制来实现。这种机制在金融数据管理的典型交易和批量导入数据场景下面临单表索引数量少、吞吐量降低、事务响应时间抖动等亟需解决的问题。为此,提出了一种基于分布式数据库的异步全局索引架构,通过新增MQ消息队列、分布式缓存,以及利用RDMA网络,实现一种满足金融典型场景需求的异步全局索引。为了验证有效性,与Oracle、CockroachDB在相同的场景下进行大量对比分析,实验结果表明,在金融核心业务数据的批量导入、交易等场景中,该方法的主要性能指标比现有方法提升60%以上,而对系统资源需求降低20%以上。

一种竞争自编码器的半监督异常检测方法

大多传统的无监督和有监督算法在异常检测上需要预先定义阈值,但很难找到最佳阈值,为解决这一问题,提出一种无阈值的半监督竞争学习模型用于时间序列的异常检测.该模型使用长短期记忆神经网络(LSTM)设计了一种竞争机制的自动编码器,有一个编码器和两个解码器,使用正常数据和未标记数据进行训练,正常数据用来训练正常解码器,对于未标记数据送入两个解码器当中,通过重构误差的大小来选择解码器.该结构具有良好的判别性能,不需要对其设定阈值.实验结果表明,该模型在对异常样本的召回率和F1分数都高于传统的自编码器模型.所以,该半监督竞争学习模型在时间序列的异常检测上是有效的.

融合CNN和二进制生成对抗网络的多元时间序列检索

多元时间序列在日常生活中普遍存在,给定当前的时间序列片段,如何高效且精确地从历史时间片段中找出其相似的时间片段极为重要.本文提出了一种全新的基于CNN和深度非监督二进制生成对抗网络(UCBGAN)来进行多元时间序列检索,它可以有效地获取多元时间序列的二进制表示.该网络由3部分构成—一个解码器,一个编码器和一个鉴别器,其中鉴别器和编码器除了最后一层外,共享参数.此外,本文引入了时序相似矩阵,通过构建时序相似矩阵,能进一步提高二进制编码的可鉴别性.在训练过程中,本文引入了对抗损失,相似对损失和重构损失.在多个数据集上的实验结果表明,该方法能有效提高多元时间序列检索的准确度.所以,该方法对于多元时间序列检索是有效的.

一种结构关系一致的对比聚类方法

作为一项基本的无监督学习任务,聚类旨在将无标签的、混杂的图像数据划分成语义相似的类。最近的一些方法通过引入数据增强,利用对比学习方法学习特征表示和聚类分配,关注模型区分不同语义类的能力,可能导致来自同一语义类样本的特征嵌入被分离的情况。针对以上问题,提出一种结构关系一致的对比聚类方法(Contrastive Clustering with Consistent Structural Relations,CCR),在实例级和聚类级执行对比学习,并且增加关系级别的一致性约束,让模型学习更多来自结构关系的“正数据对”信息,从而减小聚类嵌入被分离所带来的影响。实验结果表明,CCR方法在图像基准数据集上得到了比近年来的无监督聚类方法更优异的结果。模型在CIFAR-10和STL-10数据集上的平均准确度比相同实验设置下的最好方法提升了1.7%,在CIFAR-100数据集上提升了1.9%。

基于注意力机制和多尺度特征的伪装目标检测

针对伪装目标结构多样、尺度不一和目标边界与其背景具有高度相似性的情况,提出了一种基于注意力机制和多尺度特征的伪装目标检测算法。该算法主要分为两个部分,分别是基于多尺度特征的混合尺度解码器和基于反向注意力机制的注意力引导模块。混合尺度解码器通过级联的特征融合单元,融合高层特征的语义信息与低层特征的空间细节信息,对特征编码器生成的特征金字塔进行解码,得到初步的检测结果;之后引入反向注意力机制,通过擦除图像中已经识别到的目标区域,来引导网络挖掘新的伪装线索,最终得到识别位置更准确、更完整的伪装目标。实验中采用COD10K数据集、四种评价指标,与现有的十三种算法进行了对比。实验结果表明,该伪装目标检测算法具有更好的性能表现。

基于特征增强的RGB-D显著性目标检测

显著性目标检测方法中,深度(Depth)信息的引入能弥补RGB图像缺失的空间信息,有助于从复杂的背景中检测显著目标,提升检测精度。但如何有效融合跨模态特征、获取清晰的边界是值得研究的问题。该文设计了一个基于特征增强的RGB-D显著性目标检测网络FENet(Feature Enhancement Network),首先由特征融合增强模块(Feature Fusion Enhancement Model,FFEM),通过交叉融合和混合空间/通道注意力充分利用跨模态特征的相关性和互补性提取高级语义信息,然后通过边界特征增强模块(Boundary Feature Enhancement Model,BFEM)对浅层细节信息进行补充,并引入门控避免低质量底层信息的干扰,最后通过混合增强损失函数来完成模型对显著区域和边界的学习。FENet模型在五个公开数据集上和当前较为先进的模型相比,有效提升了检测性能,尤其在显著物体的边缘细化和完整性检测上。

基于自纠错伪标签的无监督域自适应

当前不少域自适应方法采用为目标域生成伪标签的思想,但是由于源域数据的不充足以及源域和目标域之间的域差异,模型生成的伪标签往往含有大量错误信息,这些噪声会导致模型出现很严重的负迁移现象。针对伪标签可能带有噪声的情况,一个具有自纠错能力的双网络伪标签模型被提出,该模型拥有一个学生网络和一个教师网络。教师网络利用源域标注数据进行数据降维和子空间变换为目标域无标注数据生成伪标签,该伪标签基于源域类别信息与目标域结构信息。学生网络利用伪标签进行学习,并且将学习结果反馈给教师网络,教师网络根据反馈更新伪标签。通过这种循环自纠错的过程,目标域的伪标签会更加贴合目标域的真实空间,最终达到迁移的效果。所提方法在多个数据集下表现优异,实验结果证明了其有效性。

基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷,由于传感器布置数量有限,难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷,并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学(Computational fluid dynamics,CFD)计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据,对比深度学习模型、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)与BP神经网络(Neural network,NN)对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明,GPR模型获得了最高气动载荷重构精度;给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数,最低传感器布置数下的最优布置方式,以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。

面向交通流预测的路况分级融合模型

针对复杂交通网的路况拥堵问题,提出了L^(2)(LSTM(Long Short-Term Memory)+LGBM(Light Gradient Boosting Machine))融合模型,为道路决策提供数据驱动的基础,优化交通调度,提高出行效率。首先,通过前向关联边结构存储路网模型;其次,提取历史序列数据特征,保留路网中的时序特征;最后,通过将时间序列数据与道路拓扑结构融合进行特征提取,训练模型并完成预测。为便于理解路段状态,采用分级评价,将预测结果划分为:拥堵、缓行和畅通。实验采用北京地区真实路况作为数据集,数据规模达1500余万条。实验将融合模型L^(2)与深度神经网络(DNN)、LSTM和LGBM做对比,实验结果表明,L^(2)的预测精度达91.22%,优于其他模型。最后,采用可视化技术展示实验结果,完成5种可视化图表的实现,便于用户直观理解道路的实时状态。

一种拥塞避免的SDN单链路故障恢复模型

软件定义网络(Software Defined Network,SDN)作为一种新型网络架构,通过分离数据平面与控制平面来简化网络管理逻辑,是下一代网络的研究热点。但是,由于频繁的链路故障等因素,SDN网络的可靠性成为公认的业界难题。当前已有的SDN链路故障恢复模型存在恢复时延过长、消耗过多流表项、忽视故障恢复后链路拥塞的问题。为了解决这些问题,提出了一种基于段路由(Segment Routing,SR)的单链路故障恢复模型(Loop Free Alternates-Congestion Aware,LFA-CA)。该模型包含了两个启发式算法BPF和BPU,分别用于在网络初始化时计算无环的备份路径,和在运行过程中更新拥塞避免的备份路径,实现了针对单链路故障的快速恢复和故障恢复后的拥塞避免。大量仿真实验证明了LFA-CA相比当前的SDN单链路故障恢复模型消耗了更少的转发规则,且具有更好的故障后负载均衡能力。

基于不确定性加权混合训练的无源域自适应

针对无源域数据的域自适应问题中源模型中的源知识得不到充分利用以及目标数据内在结构信息会被忽略的问题,提出了一种基于不确定性指导的加权混合训练的无源域数据的域自适应框架。首先在通道级对源模型预测的不确定性进行量化,将目标数据同时输入到源特征提取器和目标特征提取器,在通道级计算目标特征与源模型之间的不确定性距离,衡量源知识对目标模型的可迁移的不确定性,并利用它来指导对目标数据的适应过程。同时考虑到目标数据的内在结构信息,从源知识和目标数据两个方面考虑伪标签的置信度,以降低噪声伪标签的影响。最后对目标样本进行混合训练,并根据置信度得分对目标样本进行加权,以提高目标模型的鲁棒性。在Office-31,Office-Home和VisDA-C 3个域自适应基准数据集上分别取得了90.5%,72.8%,85.9%的分类效果,大量的对比实验及消融分析都证明了所提出的基于不确定性指导加权混合训练的框架具备良好的迁移能力。

基于注意力金字塔与监督哈希的细粒度图像检索

大规模细粒度图像检索是一项极具挑战性的任务。由于图像间具有类间距离小、类内距离大的特点,传统的深度神经网络学习到的图像特征存在高度冗余,导致检索速度慢、存储成本高昂。为解决该问题,提出了一种基于注意力金字塔与监督哈希的深度神经网络模型。在特征提取网络中,针对细粒度图像的特点,采用了双通路金字塔结构,并设计了自上而下的特征通路及自下而上的注意力通路,借此更好地融合高层与低层特征。在分类网络中,为压缩存储空间、提高检索效率,在深度哈希的基础上使用tanh(x)代替sign(x)作为激活函数,使学习到的哈希函数更容易达到平稳分布;同时结合量化损失与分类损失,使生成的哈希码更好地与原始输入图像的特征匹配。在FGVC-Aircraft及Stanford Cars两个标准细粒度数据集上的准确率分别达到82.3%、83.3%,均优于其他对比算法,证明了算法的有效性。