基于图神经网络聚类的土壤监测点位优化

在土壤污染的监测过程中,由于需要大面积的监测点位布设,所以需要大量的人力和物力,同时原有的土壤监测点位存在冗余和代表率低的问题,对监测结果的准确性和全面性产生了影响。使用一种基于自编码器降维和图卷积网络(GCN)推理的土壤点位优化方法,通过将原有监测点位聚类成不同簇,来实现用尽量少的监测点位全面地表现区域污染情况的目的。使用GCN推理结合自编码器降维的土壤点位优化方法,该方法同时利用土壤监测点位数据的结构信息和高维特征表示,将监测点位聚类成不同簇。通过对相关性进行分析,发现聚类后的簇中心点位可以作为原始簇的代表,从而降低土壤监测点位的冗余性,实现了监测点位的优化。实验证明GCN方法可以有效地减少监测点位的数量,同时保持监测结果的准确性和全面性。

基于信道占用率的Ad Hoc网络自适应公平性算法

Ad Hoc网络中,节点通过竞争信道完成通信,如果竞争窗口值选取策略不合理,则容易造成公平性问题.在分析现存典型公平性算法的实现机制基础上,提出了信道占用率的概念,设计了一种基于信道占用率的Ad Hoc网络自适应公平性算法.根据节点对通信历史及当前信道占用率与理想信道占用率之间的关系,将通信情况分为4种类别,再结合当前网络负载情况,动态设置竞争窗口值.仿真结果表明,该算法在改善吞吐量的同时,显著提高了节点信道接入公平性,在各种负载条件下表现良好,优于BEB、MILD、MIMD和NAVB等算法.

把准双一流建设坐标 推进软件工程学科发展--大连理工大学校长助理罗钟铉教授专访

作为"中国四大工学院之一"的大连理工大学,是国家"211工程"和"985工程"重点建设高校。软件学院建院15年来培养了大批适应时代发展的工程型、国际化高端软件人才。作为大连理工大学校长助理、大连理工大学软件学院院长、国际信息软件学院院长、国家示范性微电子学院院长,罗钟铉教授为此作出了很大贡献。今年正值国家全面开展"双一流"建设之际,也是国家"十三五"规划开局之年,大连理工大学软件学院收获了怎样的成果,对未来又有哪些展望呢?作为中国软件人才培养的领军人物,罗钟铉教授对中国高等教育的深化改革和人才培养问题又有着怎样的深入思考呢?带着这些问题,《计算机教育》杂志奚春雁主编(简称奚)专访了罗钟铉教授(简称罗),下面是他们的对谈。

基于运动估计与时空结合的多帧融合去雨网络

降雨天气会导致视觉质量下降,从而影响目标识别和追踪等视觉任务的处理效果。为了减小雨的影响,完成对运动视频背景细节的有效恢复,近年来相关研究者在视频去雨方向提出了很多方法。其中基于卷积神经网络的视频去雨方法使用最为广泛,它们大多采用单帧增强后多帧融合去雨的方式。但由于直接单帧增强使相邻帧之间部分像素的移动无法完成时间维度上的对齐,不能有效实现端到端的训练,因此丢失了大量细节信息,使得最终得到的去雨效果不尽人意。为有效解决上述问题,文中提出了一个基于运动估计与时空结合的多帧融合去雨网络(ME-Derain)。首先通过光流估计算法将相邻帧对齐到当前帧来有效利用时间信息;然后引入基于残差连接的编码器-解码器结构,结合与时间相关的注意力增强机制一起构成多帧融合网络来有效融合多帧信息;最后利用空间相关的多尺度增强模块来进一步增强去雨效果和得到最终的去雨视频。在多个数据集上的大量实验结果表明,所提算法优于现阶段大部分视频去雨算法,能够获得更好的去雨效果。

应用掩码区域卷积神经网络的文本检测模型

要:提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发,针对残差神经网络中的瓶颈结构进行优化,构建基于结构优化的残差神经网络(residual network based on structural optimization,ResNetSO);然后去除冗余特征以提高融合后特征质量,并将空间注意力机制应用于特征金字塔网络,构建了基于下层特征指导的特征金字塔网络(feature pyramid network based on lower feature guidance,FPNetLFG)。在两个公开数据集上的实验结果表明:包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中,分别可以带来0.8%和0.3%左右的F1值提升,从而说明了该方法的有效性和普遍适用性。

多标签遥感图像分类研究现状与展望

多标签遥感图像分类是遥感分析领域的基础研究任务之一,解析给定的遥感图像并识别其中的类别语义,可以为下游计算机视觉任务提供重要的技术基础;由于遥感图像空间分辨率不断提升,众多遥感对象以不同规模、颜色、形状分布于图像的各个区域,为遥感图像多标签分类任务带来了严峻挑战。该文聚焦于遥感领域的多标签图像分类研究,对该问题的前沿研究进展进行总结分析。首先,阐述多标签遥感图像分类任务的问题定义,并对该研究问题中常用的多标签图像数据集和模型评估指标进行归纳介绍;进而,对该领域的前沿进展进行系统性的介绍,深入剖析多标签遥感图像分类过程中的2个关键任务——遥感图像特征提取和标签特征提取;最后,针对遥感图像特性,分析了该任务当前存在的挑战和问题,并对未来研究方向进行展望。

多模态特征融合的裁判文书推荐方法

为了解决传统办案方式可能引起的"类案不同判"等问题,以及满足当事人查找预览与自身情况相似裁判文书的需求,本文提出了一种基于多模态特征融合的裁判文书推荐方法,学习高层次的裁判文书多模态融合特征表示,进而实现相似裁判文书推荐.该方法主要包括预处理、特征提取、特征融合和文书推荐四个阶段.实验结果表明,与只利用单一模态特征以及简单串联多模态特征的方法相比,利用本文方法学习到的多模态融合特征进行裁判文书推荐,推荐结果的准确率、召回率和综合评价指标(F1值)均有显著提高.说明本文提出的多模态特征融合方法对于推荐任务更加有效,体现了算法的优越性.

恶劣天气情况下基于随机森林算法的交通流量预测

针对恶劣天气情况,提出基于随机森林交通流量预测模型,基于2016年纽约市出租车数据以及天气情况,对原始GPS数据进行层层筛选,筛选出符合恶劣天气条件定义的数据,以随机森林回归方法为基础研究恶劣天气下交通流量的预测模型,并通过调整模型的超参数改善了模型的性能;同时将随机森林模型与BP神经网络模型和决策树模型做了性能对比,随机森林预测模型最终取得的实验结果较好。

基于深度多模态与核密度估计的法律文书推荐模型

智慧司法是智慧城市建设中不可或缺的一部分,智慧司法中法律文书推荐体系的建设完善可以有效解决裁判尺度不统一,类案不同判和量刑不规范等问题.针对现阶段法律文书推荐体系不完善,存在对算力要求高、推荐准确率低和不能满足用户对诉讼请求服务的即时性需求问题,以及为了建立智慧司法中法律纠纷快速响应机制,文中提出了基于深度多模态与核密度估计的法律文书推荐计算模型.首先,构建一个多模态特征融合网络,学习法律文书的融合多模态特征表示;然后,利用核密度估计方法构建类密度距离映射空间;最后,在这个映射空间中通过近邻选择进行法律文书推荐.通过在真实数据集上验证表明,该方法有效减少了推荐误差,提高了推荐准确率.

基于双图正则化的自适应多模态鲁棒特征学习

大数据时代,海量多模态数据的广泛存在使得数据特点发生了巨大变化:数据种类繁多且价值密度低。不同种类的数据既独立发挥作用又彼此相辅相成,发现多模态数据背后的隐藏价值成为大数据挖掘的关键。文中主要针对多模态数据的低质性问题,提出一种新的多模态鲁棒特征学习方法。该方法通过引入模态误差矩阵来有效降低噪声数据对融合结果的影响,使算法具备一定的鲁棒性。此外,设计数据流形与特征流形双图正则化机制,描述模态数据的双重空间结构,确保融合过程中数据的稳定性。在6个实际的多模态数据集上,基于准确性(Accuracy,ACC)、标准化互信息(Normalized Mutual Information,NMI)以及纯度(Purity,PUR)3种评价指标,将其与近年来的多种经典算法进行比较。实验结果显示,所提方法优于所有对比算法,尤其在含有大量噪声信息的网络数据集Webkb上表现突出,其ACC和NMI指标相比基线算法提升约10%,表明该算法实现了对多模态大数据共享特征的准确学习。

基于Qt的Verilog故障注入工具设计与实现

为方便设计人员验证电子电路的可靠性,设计了基于Qt的Verilog故障注入工具。该工具通过语法语义分析器解析Verilog源文件,获得代码中全部故障注入点;采用故障注入管理器获取用户故障注入参数并传递给底层函数,实现对Verilog工程的故障注入。实验结果表明,该故障注入工具能够根据用户指令对Verilog工程进行故障注入,对电路的容错机制进行可靠分析和评价,对电子电路的容错方案设计有很大帮助。

联合模态语义相似度修正的无监督跨模态哈希

基于哈希编码的无监督跨模态检索方法以其存储代价低、检索速度快、无需人工标注信息的优点受到了广泛的关注.最近的方法通过融合各模态的相似度信息构建联合模态相似度矩阵,用以指导哈希编码网络的学习.然而,这些方法未考虑数据特征空间的流形结构差异对相似度的影响而引入了噪声降低了模型的检索性能.本文提出了一种基于联合模态语义相似度修正的无监督跨模态哈希方法(JSSR),引入特征空间中的流形结构信息修正相似度矩阵中的噪声信息,同时增强语义相关样本的亲和力,使得生成的哈希码更具判别性和区分度.在典型的公开数据集NUS-WIDE和MIR Flickr上的实验结果表明,JSSR在跨模态检索精度上超越了现有的方法.

基于Zynq的演化硬件电路设计与实现

针对复杂度日益递增的电子系统,以人工设计电路的方式无法满足大规模复杂电路设计,提出基于Zynq的演化硬件电路设计方案。该设计通过在Zynq的PS部分利用自适应遗传算法对电路染色体进行快速演化迭代,在PL部分实现虚拟可重构电路加速染色体适应度评估,通过软硬件协同合作,快速收敛得到所需目标电路的配置信息。实验结果表明该设计方案能够高效快速得到满足设计要求的目标电路,对电子电路设计具有一定实用价值。

基于中文微博的情绪分类与预测算法

为解决中文网络短文本情感多分类及预测问题,提出基于微博数据的针对微博上某一领域的人表达的情感进行多分类以及预测的算法。通过对微博数据特点的研究分析提出了一种基于词典的权重规则算法,构建了微博情绪分析词典,识别微博所表达的5种情感极性:过度积极、轻微积极、中性、轻微消极、过度消极;提出了一种基于监督学习的分类方法对微博的情感极性进行分类预测,提取文本特征构建特征向量等对5种监督学习分类方法进行分析与讨论,实验分析结果准确率达到79. 9%。实验分析表明,与基于词典的权重规则算法相比,在微博细致情绪多分类类别识别中,基于监督学习的情绪分类预测方法能够有效提高短文本分类预测的准确率。

机器学习安全攻击与防御机制研究进展和未来挑战

机器学习的应用遍及人工智能的各个领域,但因存储和传输安全问题以及机器学习算法本身的缺陷,机器学习面临多种面向安全和隐私的攻击.基于攻击发生的位置和时序对机器学习中的安全和隐私攻击进行分类,分析和总结了数据投毒攻击、对抗样本攻击、数据窃取攻击和询问攻击等产生的原因和攻击方法,并介绍和分析了现有的安全防御机制.最后,展望了安全机器学习未来的研究挑战和方向.

基于样本加权模糊聚类的土壤重金属污染溯源

由于土壤数据的复杂性,现有的方法难以对土壤重金属进行高效溯源,为了解决这个问题,基于样本加权的模糊聚类算法建立了一种新的重金属污染溯源模型,该模型使用一种新的相似度计算方法来构建模糊相似矩阵,将聚类结果与土壤重金属污染来源表相结合,可以快速确定土壤重金属的污染来源。通过与欧式距离、皮尔逊相关系数、余弦相似度等相似度计算方法在天津市武清区数据集上的对比实验验证了所提出方法的有效性与可用性,结果表明,该方法可用于土壤重金属污染源解析方面的工作。

基于特征和实例迁移的加权多任务聚类

传统聚类方法只对每个数据集单独进行聚类,但是有时单个数据集中的数据不足以挖掘一个良好的簇结构.在现实生活中,有很多数据集包含相同的类标签,因此存在多个相关的聚类任务.多任务聚类通过在相关任务之间迁移知识来提升每个任务的聚类性能,近些年来它获得越来越多的关注.一个好的多任务聚类算法要完成以下两方面工作:(1)它应该充分利用来自其它任务的知识;(2)它能够自动地评估任务相关性以避免负面迁移.然而,现有多任务聚类方法还不能很好地完成任意一方面的工作.本文提出一个基于特征和实例迁移的加权多任务聚类算法MTCFIR.一方面,它在任务之间既迁移特征表示知识又迁移实例知识,要比大部分现有多任务聚类方法更充分地利用跨任务知识.另一方面,它自动地学习任务相关性来避免负面迁移,并且没有现有评估任务相关性的多任务聚类方法的限制条件.MTCFIR执行以下三个步骤.首先,它利用边缘堆栈降噪自编码器在任务之间学习一个共有的特征表示.该步骤通过迁移特征表示知识来降低任务之间的分布差异,这是一致相似度矩阵学习的前提.其次,它通过在任务之间迁移实例知识来为每个任务学习一个一致相似度矩阵,并且通过对任务进行加权来决定不同任务对每个任务的一致相似度矩阵学习的贡献程度.该步骤可以避免在不太相关的任务之间强制迁移知识所带来的负面影响.最后,它在每个任务的一致相似度矩阵上执行对称非负矩阵分解来得到聚类结果.在真实数据集上的实验结果说明本文提出的方法比传统单任务聚类方法和现有多任务聚类方法具有更好的聚类效果,并且要比大部分多任务聚类方法高效.

一种混杂的多核估计数据填充方法

不完全数据填充在数据处理和分析中起着重要的作用,并直接影响到数据挖掘和知识发现的结果.大多数现存的数据填充算法有的不能处理混合属性的数据有的参数确定复杂度高.针对这些问题本文提出一种基于多个核函数的混合属性数据填充算法.首先,为了减少干扰和计算量,算法采用带修正线性单元的降噪深度信念网络对缺失数据进行特征提取和聚类.然后,为了减少算法的迭代次数,定义部分距离策略对缺失值进行初始化,这能使算法快速收敛并且提高准确性.最后,对连续和离散变量分别定义核函数,计算它们的概率密度,进而构造一个估计器对缺失值进行填充.实验结果表明,本文提出的算法,可减少参数确定复杂度和迭代次数,同时保证数据填充的精度.

数据与模型双驱动的高效压缩感知磁共振成像重构算法

传统压缩感知磁共振成像重构算法基于先验构造与迭代求解,通常具有很低的计算效率,近期提出的深度方法依赖训练数据与结构设计,因此泛化能力差.针对两者的问题,提出一种高效鲁棒的重构算法以实现性能与效率的平衡.算法从互补的视角出发,对细节恢复和伪影去除2个问题分别构建模型驱动的先验表达过程与数据驱动的深度预测过程,实现了领域知识与深度信息的充分融合;交替迭代的求解机制保证中间结果被及时修正,进一步引导解序列沿着理想的传播方向逼近目标解.针对T1加权与T2加权数据的实验结果表明,与现有先进算法相比,所提算法在3种采样模板与5种采样频率下均能实现更高的重构精度,且提高了在GPU与CPU上的计算效率,进一步实验表明所提算法对采样部位差异与莱斯噪声干扰具有更强的鲁棒性.

CUDA-TP:基于GPU的自顶向下完整蛋白质鉴定并行算法

蛋白质及蛋白质翻译后修饰(post-translational modifications,PTMs)的鉴定是蛋白质组学研究的基础,对整个领域的进一步发展有着十分重要的意义.近年来,质谱设备的快速发展使得获取"自顶向下"(top-down,TD)的高精度完整蛋白质质谱数据成为可能.目前基于TD质谱数据的完整蛋白质鉴定算法虽然在匹配精度、PTM位点的推断上取得了一些成效,但它们运行时间还有很大的不足和提升空间.利用图形处理器(graphics processing unit,GPU)可以将大规模的重复计算并行化,提高串行程序的执行速度.CUDA-TP算法基于通用并行计算架构(compute unified device architecture,CUDA)来计算蛋白质与TD质谱数据的匹配分数.首先,对每一个质谱数据,CUDA-TP利用优化的MS-Filter算法在蛋白质数据库中过滤出其对应的少数候选蛋白质集合,然后通过AVL(adelson-velskii and landis)树加速质谱匹配过程.GPU中的多线程技术被用来并行化谱图网格及最终数组中所有元素的前驱结点的求解.同时,该算法还使用target-decoy策略来控制蛋白质与质谱图匹配结果的错误发现率(false discovery rate,FDR).实验结果表明:CUDA-TP算法能够有效地加速完整蛋白质的鉴定,速度分别比MS-TopDown和MS-Align+快10倍与2倍.到目前为止,这是唯一能够利用CUDA架构来加速完整蛋白质鉴定的研究工作.CUDA-TP源代码公布在https://github.com/dqiong/CUDA-TP.