首页期刊导航|计算机工程与应用
期刊信息/Journal information
计算机工程与应用
华北计算技术研究所
计算机工程与应用

华北计算技术研究所

陶小雪

半月刊

1002-8331

ceaj@vip.163.com

010-89055542

100083

北京619信箱26分箱

计算机工程与应用/Journal Computer Engineering and ApplicationsCSCD北大核心CSTPCD
查看更多>>《计算机工程与应用》是由中国电子科技集团公司主管，华北计算技术研究所主办的面向计算机全行业的综合性学术刊物，中国计算机学会会刊，中国科技核心期刊、北大中文核心期刊、RCCSE中国核心学术期刊、中国科学引文数据库（CSCD）来源期刊、中国学术期刊综合评价数据库（CAJCED）统计源期刊、中国科技论文与引文数据库（CSTPCD）统计源期刊、中文科技期刊数据库（VIP）收录期刊、《中国学术期刊文摘》首批收录源期刊，被收录在英国《科学文摘》（SA/INSPEC）、俄罗斯《文摘杂志》（AJ）、美国《剑桥科学文摘》（CSA）、美国《乌利希期刊指南》（Ulrich’s PD）、《日本科学技术振兴机构中国文献数据库》（JST）、波兰《哥白尼索引》（IC），中国期刊方阵双效期刊、中国精品科技期刊、工业和信息化部精品期刊、中国最具国际影响力学术期刊、中国“百强科技期刊”、中国“期刊数字影响力100强”，入选“庆祝中华人民共和国成立70周年精品期刊展”。办刊方针：坚持走学术与实践相结合的道路，注重理论的先进性和实用技术的广泛性，在促进学术交流的同时，推进了科技成果的转化。覆盖面宽、信息量大、报道及时是本刊的服务宗旨。报导范围：行业最新研究成果与学术领域最新发展动态；具有先进性和推广价值的工程方案；有独立和创新见解的学术报告；先进、广泛、实用的开发成果。主要栏目：热点与综述，理论与研发，大数据与云计算，网络、通信与安全，模式识别与人工智能，图形图像处理，工程与应用，其他热门栏目。
正式出版
收录年代

    交通场景下的大型车辆右转停车检测方法研究

    王依凡董振江陈向东
    352-360页
    查看更多>>摘要：随着大型车辆右转必停的新交规逐步实施，针对现有的监管方式存在效率较低的问题，提出了一种大型车辆右转停车检测方法。对YOLOv7-tiny检测模型进行改进，在ELAN模块中引入注意力机制，以提升大型车辆的检测性能。设计了一种新的大型车辆右转车道定位方法，通过自适应探测车道，提高了其在不同监控视角下的定位准确性。对大型车辆的运动轨迹进行序列数据转换，并采用结合加权平均的中值滤波算法，有效降低了原始数据的噪声。在滑动窗口损失函数中引入权重因子，进一步提升了检测方法的鲁棒性。实验结果表明，改进后的大型车辆检测模型在自制数据集和公开数据集上均取得了性能提升，大型车辆右转车道定位方法具有更强的泛化能力，并且检测到的停车时间覆盖率达到了 97。4％。

    大型车辆检测车道定位滤波算法损失函数停车时间检测

      原文链接:
    • 万方数据
    • 维普

    结合元学习和安全区域探索的进化强化学习方法

    李晓益胡滨秦进彭安浪...
    361-367页
    查看更多>>摘要：最近提出的进化强化学习(evolutionary reinforcement learning，ERL)框架表明了利用进化算法提高强化学习的探索能力对性能提升的好处。然而，现有的基于ERL的方法并没有完全解决进化算法中突变的可伸缩性问题且由于进化算法本身的限制使得ERL解决问题的速度较为缓慢。为了使算法每一步的探索都被限制在安全区域中且能在较短的时间内收敛，运用元学习的思想，预训练一个初始的种群，这个种群只需要经过几次进化就能得到任务中不错的效果。将预训练过后的种群用于处理任务，在此过程中，利用敏感度调整种群突变的范围，限制种群在安全区域内进行突变，确保种群的突变不会带来无法预料的后果。该方法在来自OpenAI gym中的五种机器人运动中进行了评估。最终在所有测试的环境中，该方法在以ERL、CEM-RL以及两种最先进的RL算法、PPO和TD3为基线的比较中，取得了具有竞争性的效果。

    进化强化学习元学习预训练安全区域突变算子

      原文链接:
    • 万方数据
    • 维普

    结合图神经网络和图对比学习的半监督多图分类

    路秋霖王慧颖朱峰冉李全鑫...
    368-374页
    查看更多>>摘要：多图(multi-graph，MG)是一种图袋表示模型，半监督多图分类旨在从有标记和未标记的多图中构建一个预测模型，通过高准确度预测未标记多图，在用户产品推荐、生物制药等领域有着广泛应用。现有基于机器学习的半监督多图分类主要存在两点不足:(1)不能进行全自动的特征选择，过于依赖参数选择。(2)对未标记多图数据的价值未充分挖掘。因此，提出一种结合图神经网络和图对比学习的半监督多图分类方法(graph neural network com-bining with graph contrastive learning for semi-supervised multi-graph classification，GCSS)。一方面，分别设计从局部和全局提取特征信息的模块，并引入NN协同器(neural networks collaborator，NN collaborator)完成这两个模块的协作，自适应学习数据的特征表示进行训练;另一方面，采用图对比学习(graph contrastive learning，GCL)和半监督学习(semi-supervised learning，SSL)从两个不同学习视角来充分利用未标记多图数据，降低模型对标签等的依赖。在真实数据集上的大量实验结果验证了所提出方法的预测性能均优于基线方法。

    半监督多图分类图对比学习图神经网络注意力机制

      原文链接:
    • 万方数据
    • 维普

    《计算机科学与探索》投稿须知

    前插1页
      原文链接:
    • 万方数据
    • 维普