首页期刊导航|计算机科学
期刊信息/Journal information
计算机科学
计算机科学

朱完元

月刊

1002-137X

jsjkx12@163.com

023-63500828

401121

重庆市渝北区洪湖西路18号

计算机科学/Journal Computer ScienceCSCD北大核心CSTPCD
查看更多>>本刊的读者对象是：大专院校师生，从事计算机科学与技术领域的科研、生产人员。办刊宗旨是：坚持“双百”方针，活跃计算机科学与技术领域的学术气氛，重点报导国内外计算机科学与技术的发展动态，为我国的计算机科学与技术立于世界之林、达到国际先进水平奋斗而矢志不渝。
正式出版
收录年代

    基于平均一致协议的分布式自适应多智能体聚集控制

    谢光强钟必为李杨
    242-249页
    查看更多>>摘要：分布式聚集控制问题是多智能体协同控制中的一个重要问题.由于智能体的可移动性和感知能力有限,传统的分布式聚集算法难以保证连通性,从而聚集成多个簇群.此外,去中心化的大规模聚集控制给获取全局聚集点带来了巨大的挑战.针对连通性保护问题,基于平均一致协议与约束集,提出了 一个带有连通性约束的多智能体聚集协议(Multi-Agent Rendezvous Protocol with Connectivity constraints,MARP-CC).然后针对聚集点无法预测的问题,提出 了 位置合成(Location Synthesis Strategy,LSS)和位置重定向(Location Redirection Strategy,LRS)两种控制策略.智能体根据当前连通情况,自适应选择最优的控制策略进行迭代.结合这两种控制策略,提出了带连通性约束的分布式自适应多智能体聚集算法(Distributed Adaptive Multi-Agent Rendezvous algorithm with Connectivity Constraints,DAM AR-CC).对算 法的收敛性和连通性进行了 分析,并通过大量的仿真说明了 DAMAR-CC可以引导智能体稳定地聚集在初始拓扑的几何中心.

    平均一致连通性保持多智能体聚集约束集

      原文链接:
    • 万方数据
    • 维普

    融合语义解释和DeBERTa的极短文本层次分类

    陈昊飏张雷
    250-257页
    查看更多>>摘要：文本层次分类在社交评论主题分类、搜索词分类等场景中有重要应用,这些场景的数据往往具有极短文本特征,体现在信息的稀疏性、敏感性等中,这对模型特征表示和分类性能带来了很大挑战,而层次标签空间的复杂性和关联性使得难度进一步加剧.基于此,提出了 一种融合语义解释和DeBERTa模型的方法,该方法的核心思想在于:引入具体语境下各个字词或词组的语义解释,补充优化模型获取的内容信息;结合DeBERTa模型的注意力解耦机制与增强掩码解码器,以更好地把握位置信息、提高特征提取能力.所提方法首先对训练文本进行语法分词、词性标注,再构造GlossDeBERTa模型进行高准确率的语义消歧,获得语义解释序列;然后利用SimCSE框架使解释序列向量化,以更好地表征解释序列中的句子信息;最后训练文本经过DeBERTa模型神经网络后,得到原始文本的特征向量表示,再与解释序列中的对应特征向量相加,传入多分类器.实验遴选短文本层次分类数据集TREC中的极短文本部分,并进行数据扩充,最终得到的数据集平均长度为12词.多组对比实验表明,所提出的融合语义解释的DeBERTa模型性能最为优秀,在验证集和测试集上的Accuracy值、F1-micro值、F1-macro值相比其他算法模型有较大的提升,能够很好地应对极短文本层次分类任务.

    极短文本层次分类语义解释DeBERTaGlossDeBERTaSimCSE

      原文链接:
    • 万方数据
    • 维普

    基于提示学习的生成式医疗对话理解方法

    柳俊阮彤张欢欢
    258-266页
    查看更多>>摘要：任务型对话系统中的对话理解模块的目标是将用户输入的 自然语言转换成结构化的形式,但在面向诊断的医疗对话系统中,现有方法存在如下问题:1)无法支持精准医疗所需的信息粒度,如给出某一症状的严重程度;2)难以同时满足医疗领域中多样化的槽值表示形式,如"症状"等可能含有非连续与嵌套实体的抽取型槽以及"否定"等分类型槽.文中提出了一种基于提示学习的多层次生成式医疗对话理解方法.针对问题1),用多层次槽结构替代当前对话理解任务中单层的槽结构,以表示更细粒度的信息,之后采用一种基于对话风格提示的生成式方法,利用提示字符模拟医患对话,从多轮交互中获得多层次信息.针对问题2),提出在推理过程中使用一种受限的解码策略,使模型能够以统一的方式处理意图识别与分类型和抽取型的槽填充任务,避免复杂的建模.此外,针对医疗领域缺少标注数据的问题,提出了一种两阶段训练策略,以充分利用大规模的无标注医疗对话语料来提升性能.针对含有多层次槽结构的医疗对话理解任务标注并发布了 一个数据集,包含4722条对话,涉及17种意图与74种槽.实验结果表明,所提方法能够有效解析医疗对话中的各种复杂实体,相比已有的生成方法,其性能高出2.18％,而在小样本的场景下两阶段训练最高能提高模型5.23％的性能.

    提示学习自然语言理解医疗对话系统生成式模型两阶段训练

      原文链接:
    • 万方数据
    • 维普

    基于混合式特征选择的辐射源个体识别

    顾楚梅曹建军王保卫徐雨芯...
    267-276页
    查看更多>>摘要：为提高辐射源个体识别的准确率和运算效率,提出了一种基于混合式特征选择的辐射源个体识别.封装式特征选择方法分类正确率高,但计算复杂度高,处理高维数据时效率低.嵌入式特征选择方法计算复杂度低,但依赖于特定分类器.针对上述问题,综合封装式和嵌入式特征选择方法的特点,首先对信号数据使用3种嵌入式方法(随机森林、XGBoost和Ligh-tGBM)初选特征,分别得到随机森林子集、XGBoost子集和LightGBM子集.然后使用封装式方法对初选后得到的子集进行第二次降维,其中搜索策略分别使用序列后向搜索策略和蚁群优化算法,分类算法使用LightGBM.混合式方法共得到6种特征选择模型,通过对比各个模型得到的分类正确率和最优子集中的特征个数,确定最佳混合式特征选择模型.

    辐射源个体识别特征选择随机森林XGBoostLightGBM序列后向搜索策略蚁群优化

      原文链接:
    • 万方数据
    • 维普

    基于迁移学习的动态环境室内定位方法研究

    王佳昊付一夫冯海男任昱衡...
    277-283页
    查看更多>>摘要：随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注.在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同.传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题.面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域.文中结合域适应学习和机器学习算法,提出了 一种基于特征迁移的室内定位算法(Transfer Learning Location Algorithm Based on Global and Local Metrics Adaptation,TL-GL-MA).TL-GLMA在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位.实验结果表明,TL-GL-MA能够有效减少环境变化带来的干扰,提升定位精度.

    室内定位Wi-Fi信号环境适应迁移学习域适应

      原文链接:
    • 万方数据
    • 维普

    面向内生安全交换机的段路由带内遥测方法

    顾周超程光赵玉宇
    284-292页
    查看更多>>摘要：近年来,网络技术的发展日新月异,基础设备及其所提供的网络服务也日益复杂.传统的网络管理和监控手段面临严峻的挑战.国内外研究人员提出段路由(Segment Routing,SR)和带内网络遥测(In-band Network Telemetry,INT)等技术来进行实时性更高、更细粒度的网络测量.然而,在流量迅速增长的网络环境下,带内网络遥测技术在实际使用中仍然存在着灵活部署、动态部署、高效部署等诸多难题.首先,传统INT技术缺乏合适的载体,数据包的开销随遥测路径长度线性增加,从而导致遥测监控的性能瓶颈问题.针对传统带内网络遥测系统比特开销大、难以高效部署的问题,提出了基于SRv6(Segment Rou-ting IPv6,SRv6)的带内网络遥测方法(SRv6_Based INT),通过研究减小INT和SR的开销,将两者无缝结合以实现轻量级的遥测.在本项工作中,通过设计INT的元数据,使其长度等于SRv6中的Segment字段,然后在每一跳中根据监控服务器下发的流表将SID修改成相应的INT元数据.该方法充分结合了两项技术的优点,并将开销控制在合理的范围,优于传统的带内网络遥测方法.

    段路由带内网络遥测软件定义网络

      原文链接:
    • 万方数据
    • 维普

    COURIER:基于非抢占式优先排队和优先经验重放DRL的边缘计算任务调度与卸载方法

    杨秀文崔允贺钱清郭春...
    293-305页
    查看更多>>摘要：边缘计算(Edge Computing,EC)将计算、存储等资源部署在网络边缘,以满足业务对时延和能耗的要求.计算卸载是EC中的关键技术之一.现有的计算卸载方法在估计任务排队时延时使用M/M/1/∞/∞/FCFS或M/M/n/∞/∞/FCFS排队模型,未考虑高时延敏感型任务的优先执行问题,使得一些对时延要求不敏感的计算任务长期占用计算资源,导致系统的时延开销过大.此外,现有的经验重放方法大多采用随机采样方式,该方式不能区分经验的优劣,造成经验利用率低,神经网络收敛速度慢.基于确定性策略深度强化学习(Deep Reinforcement Learning,DRL)的计算卸载方法存在智能体对环境的探索能力弱和鲁棒性低等问题,降低了求解计算卸载问题的精度.为解决以上问题,考虑边缘计算中多任务移动设备、多边缘服务器的计算卸载场景,以最小化系统时延和能耗联合开销为 目标,研究任务调度与卸载决策问题,并提出了基于非抢占式优先排队和优先经验重放 DRL 的计算卸载方法(Computation Offloading qUeuing pRioritIzed Experience Replay DRL,COURIER).COURI-ER针对任务调度问题,设计了非抢占式优先排队模型(M/M/n/∞/∞/NPR)以优化任务的排队时延;针对卸载决策问题,基于软演员-评论家(Soft Actor Critic,SAC)提出了优先经验重放SAC的卸载决策机制,该机制在目标函数中加入信息熵,使智能体采取随机策略,同时优化机制中的经验采样方式以加快网络的收敛速度.仿真实验结果表明,COURIER能有效降低EC系统时延和能耗联合开销.

    边缘计算计算卸载非抢占式优先排队信息熵深度强化学习优先经验重放

      原文链接:
    • 万方数据
    • 维普

    聚焦CCF科普工委|"群星计划"四周年mini沙龙在苏州举行

    CCF微信公众号
    305页
      原文链接:
    • 万方数据

    基于多尺度FCN和GRU的雷达有源干扰识别

    洪梯境刘登峰刘以安
    306-312页
    查看更多>>摘要：雷达在现代电子战中发挥着至关重要的作用,随着电子对抗与电子反对抗的较量愈演愈烈,复杂电磁环境下,雷达有源干扰的人工提取特征困难以及低干噪比下的识别率较低的问题亟需解决.针对该问题,文中提出了一种基于多尺度全卷积网络(Multiscale and Fully Convolutional Neural Network,MFCN)和门控循环网络(Gated Recurrent Unit,GRU)并联的干扰识别算法.这是一种端对端的深度神经网络模型,其输入干扰信号的原始时域序列,不需要对数据进行复杂的预处理,即可提取信号在时间和空间上的融合特征,并能对不同干噪比下的干扰信号进行分类识别.仿真结果表明,随着干噪比的逐渐增加,网络的识别准确率也逐渐提升;在-10～10dB的全干噪比范围内,网络的整体识别率为99.4％,干噪比为-6dB以上时识别准确率接近100％,与单纯的多尺度全卷积网络、门控循环网络和其他经典模型相比具有更高的识别准确率,且能够适应的干噪比的下限更低.

    雷达有源干扰干扰识别时域序列深度学习特征融合

      原文链接:
    • 万方数据
    • 维普

    基于云边协同子类蒸馏的卷积神经网络模型压缩方法

    孙婧王晓霞
    313-320页
    查看更多>>摘要：当前卷积神经网络模型的训练和分发流程中,云端拥有充足的计算资源和数据集,但难以应对边缘场景中碎片化的需求.边缘侧能够直接进行模型的训练和推理,但难以直接使用云端按照统一规则训练的卷积神经网络模型.针对在边缘侧资源受限的情况下,卷积神经网络算法进行模型压缩的训练和推理有效性低的问题,首先,提出了一种基于云边协同的模型分发和训练框架,该框架可以结合云端和边缘侧各自的优势进行模型再训练,满足边缘对指定识别 目标、指定硬件资源和指定精度的需求.其次,基于云边协同框架训练的思路,对知识蒸馏技术进行改进,提出了新的基于Logits和基于Channels两种子类知识蒸馏方法(SLKD和SCKD),云服务端先提供具有多 目标识别的模型,而后通过子类知识蒸馏的方法,在边缘侧将模型重新训练为一个可以在资源受限的场景下部署的轻量化模型.最后,在CIFAR-10公共数据集上,对联合训练框架的有效性和两种子类蒸馏算法进行了验证.实验结果表明,在压缩比为50％的情况下,相比具有全部分类的模型,所提模型推理准确率得到了显著的提升(10％～11％);相比模型的重新训练,通过知识蒸馏方法训练出的模型精度也有显著提高,并且压缩比率越高,模型精度提升越明显.

    云边协同深度学习知识蒸馏模型压缩特征提取

      原文链接:
    • 万方数据
    • 维普