首页期刊导航|计算机工程与设计
期刊信息/Journal information
计算机工程与设计
计算机工程与设计

刘恩德

月刊

1000-7024

ced@china-ced.com

010-68389884

100039

北京142信箱37分箱

计算机工程与设计/Journal Computer Engineering and DesignCSCD北大核心CSTPCD
查看更多>>《计算机工程与设计》创刊于1980年,是中国航天科工集团主管、中国航天科工集团二院706所主办的国内外公开发行的计算机专业技术类刊物。该刊是中国计算机学会会刊、北京计算机学会会刊、中国宇航学会会刊,是全国中文核心期刊、中国科技核心期刊。办刊宗旨:努力提高计算机技术水平,为我国航天和国防科技服务,实现广泛的科研成果汇聚和知识传播,促进学术交流和科技成果的商品化、产业化和国际化,引导和推动我国计算机技术和国防科技的发展。刊载内容:覆盖计算机工程与设计领域的各个层面,主要刊登各型计算机及其系统的研究、研制、设计、开发应用等各方面的学术论文、技术报告和专题综述,主要刊登博士论文、基金项目论文、学术会议优秀论文和获奖课题论文。征稿范围:计算机网络与通信、CAD/CAM、计算机图形学、多媒体技术、数据库、并行处理、人工智能、计算机软件工程、计算机硬件体系结构及其他计算机相关领域。读者对象:大专院校师生、计算机专业科研人员、工程项目决策、设计开发和应用人员等。
正式出版
收录年代

    基于邻域互信息的组合预测最优子集选择算法

    吕兴李倩张大斌曾莉玲...
    1359-1367页
    查看更多>>摘要:为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法.利用邻域互信息(neighborhood mutual information,NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal redundancy and maximal relevance,MRMR)筛选最优子集;邻域互信息中的邻域参数与子集选择效果密切相关,采用CSPSO算法寻找最优邻域参数,充分利用布谷鸟算法(cuckoo search,CS)和粒子群优化算法(par-ticle swarm optimization,PSO)的优势,兼顾搜索效率和全局搜索能力;在寻参过程中设计一种淘汰策略,优化邻域参数的寻优区间并淘汰部分单模型,减少计算量.仿真结果表明,所提方法在预测精度、运行时间和稳健性上效果更优.

    时间序列组合预测子模型选择邻域互信息参数优化启发式算法布谷鸟算法

    基于CRCLA的形式化描述与退火遗传映射算法

    杨晨光李伟杜怡然陈韬...
    1368-1375页
    查看更多>>摘要:为解决密码算法映射到粗粒度可重构密码逻辑阵列(CRCLA)过程的描述困难问题,提出一种数据流图节点与划分后节点簇的描述形式,并以一种坐标序列描述形式精确显示CRCLA中资源的占用情况;针对密码算法映射到CRCLA上性能不高及编译时间过长的问题,提出一种能快速收敛到全局最优解的退火遗传算法,从初始温度、降温系数等方面对退火算法进行改进,增加遗传算法的筛选、交叉与变异流程.实验结果表明,编译时间与性能平均降低了 30.6%与13.4%,验证了算法的高能效映射.

    密码算法数据流图划分描述形式粗粒度可重构密码逻辑阵列快速收敛退火遗传算法

    融合协同知识图谱的群组推荐方法

    张宇星刘学军王步美
    1376-1383页
    查看更多>>摘要:群组推荐是当前推荐系统研究领域的热点问题之一,针对现有方法忽略了对群组本身的偏好特征的学习以及辅助信息利用不充分的问题,提出一个融合协同知识图谱的群组推荐方法.构建协同知识图谱,使用TransH对图谱上的节点进行预训练,使用关系感知的图注意力网络迭代聚合领域信息,获得增强的用户和项 目表示;使用注意力模块和自注意力模块分别获取群组成员融合偏好和群组基础偏好,经过门控网络获得最终的群组表示;基于群组表示和项 目表示得到预测评分进行Top-K推荐.通过在多个数据集上进行实验分析,验证了该方法的有效性.

    推荐系统知识图谱注意力机制图注意力网络门控机制自注意力机制深度学习

    基于属性增强和关系感知的图卷积实体对齐方法

    高兵黄超邹启杰秦静...
    1384-1390页
    查看更多>>摘要:实体对齐是知识融合最重要的步骤之一,在知识图谱构建和融合过程中,往往存在结构不相似、实体表述不够准确,甚至知识缺失的问题.针对以上问题,提出一种基于属性增强和关系感知的图卷积实体对齐方法,结合实体和关系之间的内在联系,通过实体可以推导出关系,通过关系可以表示实体,利用实体的属性增强实体表示,增强实体对齐的效果,设计一种迭代策略,迭代增强关系和实体结合后的实体对齐效果.在通用数据集上进行的大量实验结果表明,相对于原有基于实体嵌入的方法,所提方法具有更高的有效性和对齐率.

    实体对齐知识融合知识图谱属性增强关系感知图卷积迭代策略

    基于多样性样本回放的类增量学习方法

    李虓郭辉
    1391-1397页
    查看更多>>摘要:针对类增量学习中的灾难性遗忘问题,提出一种基于多样性样本回放的类增量学习方法.为使类增量学习能够时序、快速地输入任务数据流,在因果卷积网络模型中引入自注意力机制;通过样本分类的不确定性和数据增强抽取多样性回放样本,提升新任务渐进式学习的效果并防止模型对旧任务的遗忘;采用一阶段生成伪特征与真实特征加权对比进行剪枝去除冗余的网络参数.实验结果表明,提出算法的精度优于经典增量学习算法,可有效缓解灾难性遗忘问题并提升增量学习性能.

    增量学习灾难性遗忘因果关系卷积网络网络剪枝注意力机制生成对抗网络数据增强

    高平均模糊效用项集挖掘算法

    王斌李晓华周伟胡克勇...
    1398-1405页
    查看更多>>摘要:为解决高模糊效用项集挖掘算法中存在的挖掘结果中含有大量无效的长项集以及搜索空间过大的问题,提出一种高平均模糊效用项集挖掘算法HAFUIM(high average fuzzy utility itemset mining algorithm).定义平均模糊效用,考虑项集的模糊效用和长度的关系,解决倾向于挖掘长项集的问题;提出平均模糊上限模型和4种剪枝性质,缩小搜索空间;设计平均模糊列表结构用于存储必要的效用信息,减少数据库扫描次数.通过仿真实验验证了所提算法的可行性和高效性.

    数据挖掘项集挖掘高模糊效用平均模糊效用平均模糊上限模型平均模糊列表剪枝策略

    面向高维流数据的离群值检测算法

    梁昌好童英华冯忠岭
    1406-1412页
    查看更多>>摘要:累计局部离群因子(cumulative local outlier factor,C_LOF)算法能有效解决数据流中的概念漂移问题和克服离群点检测中的伪装问题,但在处理高维数据时,时间复杂度较高.为有效解决时间复杂度高的问题,提出一种基于投影索引近邻的累计局部离群因子(cumulative local outlier factor based projection indexed nearest neighbor,PINN_C_LOF)算法.使用滑动窗口维护活跃数据点,在新数据到达和旧数据过期时,引入投影索引近邻(projection indexed nearest neighbor,PINN)方法,增量更新窗口中受影响数据点的近邻.实验结果表明,PINN_C_LOF算法在检测高维流数据离群值时,在保持检测精确度的前提下,其时间复杂度较C_LOF算法明显降低.

    高维流数据离群值检测累计局部离群因子时间复杂度投影索引近邻局部离群因子物联网

    多特征融合的专利功效短语抽取

    游新冬赵颖刘佳琦吕学强...
    1413-1419页
    查看更多>>摘要:为提高专利功效短语抽取的准确率和召回率,保障专利布局等研究工作的高质量进行,提出一种融合多特征的专利功效短语抽取模型.基于Bert-BiLSTM-CRF的整体框架,利用Bert模型对文本进行向量化,融合偏旁部首、五笔、词长+词性等特征输入到BiLSTM或Transformer进行编码,使用CRF解码得到对应输入的标签序列,得到专利功效短语.实验采用新能源汽车领域的专利文本作为训练数据,尝试组合不同的特征进行实验,实验结果表明,所提模型在准确率、召回率、F1值上均取得了明显提升,验证了多特征融合在功效短语抽取任务上的有效性.

    多特征融合专利功效短语深度学习词语抽取双向长短期记忆模型条件随机场模型词向量模型

    融合知识图谱和图注意力网络的旅游推荐算法

    徐春王萌萌孙彬
    1420-1427页
    查看更多>>摘要:为缓解旅游推荐模型面临的数据稀疏和冷启动的问题,提出一种融合知识图谱和图注意力网络的旅游推荐算法KRGAT(knowledge ripple graph attention network).借助水波网络从用户的历 史旅游行为和知识图谱中挖掘用户偏好增强用户特征表示,针对当前旅游项目特征学习的方法难以提取节点深层特征的问题,利用图注意力网络聚合相关度更高的邻居节点信息,增强旅游项目特征表示.实验在自建立的旅游数据集上与5个基线方法进行对比,其结果表明,KRGAT的精确率(P)、召回率(R)和AUC值分别提升了 5.73%、4.42%和1.42%.

    旅游推荐算法图注意力网络知识图谱水波网络注意力机制大语言模型知识表示学习

    基于A-BiLSTM和CNN的文本分类

    黄远戴晓红黄伟建于钧豪...
    1428-1434页
    查看更多>>摘要:为解决单一神经网络不能获取准确全局文本信息的问题,提出一种基于A-BiLSTM双通道和优化CNN的文本分类模型.A-BiLSTM双通道层使用注意力机制关注对文本分类贡献值较大的部分,并用BiLSTM提取文本中上下文语义信息;A-BiLSTM双通道层中将两者输出的特征信息融合,得到高级语义;A-BiLSTM双通道层后,使用优化CNN的强学习能力提取关键局部特征,得到最终文本特征表示.分类器输出文本信息的类别.实验结果表明,该模型分类效果优于其它对比模型,具有良好的泛化能力.

    文本分类深度学习双通道网络注意力机制双向长短时记忆网络卷积神经网络词向量模型