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Electra预训练模型并融合依存关系的中文事件检测模型

    尹宝生孔维一
    223-228页
    查看更多>>摘要：事件检测是信息提取领域的一个重要研究方向.现存的事件检测模型受到语言模型训练目标的限制,只能被动地获取词与词之间的依赖关系,使得模型在训练的过程中过多地关注与训练目标不相关的成分,从而导致检测结果错误.以往的研究表明,充分理解上下文信息对于基于深度学习的事件检测技术至关重要.因此,在Electra预训练模型的基础上,引入KVMN网络来捕捉单词之间的依赖关系,以增强单词的语义特征,并采用了一种门控机制来加权这些特征.然后,为了解决中文事件检测中模型识别错误决策的问题,在输入中加入负样本,对不同样本加入不同程度的噪声,使模型学习更好的嵌入表示,有效提高了模型对未知样本的泛化能力.最后,在公共数据集LEVEN上的实验结果表明,该方法优于现有方法,取得了93.43％的F1值.

    事件检测依存关系键值记忆网络门控机制负采样

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于深度强化学习的自学习排课遗传算法研究

    徐海涛程海燕童名文
    229-236页
    查看更多>>摘要：排课是教学活动中一项常规而重要的事项,传统的人工排课方式费时费力,且容易出现错误,无法满足大规模排课的需求,而经典排课遗传算法存在收敛速度过快、排课效率随约束因素的增加而下降等问题.针对已有排课遗传算法存在的问题,提出一种基于深度强化学习的自学习排课遗传算法(GA-DRL).GA-DRL算法利用Q-learning算法,实现了交叉参数和变异参数的自适应调整,增强了遗传算法的搜索能力,通过建立马尔可夫决策过程(MDP)的参数动态调整模型,对种群适应度函数进行状态集合的分析,实现对种群的整体性能的综合评价.同时将深度Q-网络算法(DQN)引入调度问题中,以解决排课中种群状态多、Q表数据量大的问题.实验结果表明,与经典排课遗传算法和改进的遗传算法相比,GA-DRL算法在正确率和寻优能力上有所提升.所提算法还可以应用于考场安排、电影院的排座和航空航线规划等问题.

    排课问题遗传算法Q-学习深度Q-网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于双重方向向量的大规模多目标进化算法

    韩立君王鹏李瑞旭刘仲尧...
    237-247页
    查看更多>>摘要：大规模多目标优化问题的决策空间维度高达数百维,在巨大的搜索空间中实现快速收敛同时高效保持种群多样性极具挑战.针对上述问题,文中提出了一种基于双重方向向量的大规模多目标进化算法(DDLE),该算法的主要思想是利用两类不同的方向向量引导种群进化,提高算法的搜索效率.首先,设计了一种收敛性方向向量生成策略提升算法的收敛速度;其次,推出了一种多样性方向向量生成策略增强种群的多样性;最后,提出了一种基于自适应的环境选择算子动态平衡种群进化过程中的收敛性与多样性.为验证DDLE的性能,将其与5种先进的算法在72个大规模基准测试问题上进行了对比实验.实验结果表明,DDLE在求解大规模多目标优化问题上相较于其它对比算法具有显著优势.

    进化算法大规模多目标优化双重方向向量收敛性方向向量多样性方向向量

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向工艺实体识别的双向神经概率转换器

    李瑞婷王裴岩王立帮杨丹清忻...
    248-255页
    查看更多>>摘要：工艺实体识别旨在识别出产品制造中所遵照或是产生的文本中蕴含的零件、材料、属性和属性值等实体.目前,工艺等领域实体识别大多加入词典或正则规则等领域实体先验知识,修正神经网络模型识别结果或是生成预识别特征加入模型中.但上述方法未能实现领域实体识别的先验知识与神经网络模型统一建模,领域知识的加入没有减小模型训练代价,仍需大量标注数据.为解决上述问题,提出了面向工艺实体识别的双向神经概率转换器(Bi-NPT),将工艺实体识别先验知识建模为正则规则,然后将正则规则转化为参数化的概率有限状态转换器,使得模型在训练前带有实体识别的先验知识,同时具有可训练性.通过在标注数据上的训练,模型能够习得正则规则未覆盖实体的识别能力.实验结果表明,提出的Bi-NPT在未训练的情况下与正则规则实体识别效果相当,这表明未经过训练的初始模型即携带了实体识别知识.在小样本条件下,Bi-NPT优于PER,Template-based BART和NNShot方法;在充足样本条件下,Bi-NPT优于BiLSTM与TENER等方法.

    工艺文本实体识别正则规则概率有限状态转换器

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    一种基于异构图神经网络和文本语义增强的实体关系抽取方法

    彭勃李耀东龚贤夫李浩...
    256-260页
    查看更多>>摘要：信息化时代,如何从海量自然语言文本中提取结构化信息已经成为研究热点.电力系统中繁杂的知识信息需要通过构建知识图谱来解决,而实体关系抽取是其上游的信息抽取任务,其完成度直接关系到知识图谱的有效性.而随着深度学习的不断发展,利用深度学习技术来完成实体关系抽取任务的研究逐渐展开并取得了良好的效果.然而目前依然存在文本语义应用不完全等问题.针对这些问题本文尝试提出了一种基于异构图神经网络和文本语义增强的实体关系抽取方法,该方法使用词节点与关系节点学习语义特征,并通过BRET与预训练任务分别获得两种节点的初始特征,使用多层图网络结构迭代更新,并在每一层中使用基于多头注意力机制的信息传递实现两种节点的交互.通过该模型与其他实体关系抽取在两个公开数据集上实验对比,所提模型取得了预期效果,在多种情境下普遍优于对比模型.

    深度学习自然语言处理知识图谱实体关系抽取异构图神经网络文本语义增强

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于混沌映射的改进金枪鱼群优化算法对比研究

    尹萍谈果戈宋伟谢涛涛...
    261-270页
    查看更多>>摘要：Kubernetes作为当前云资源管理的标准平台,因其默认调度机制的局限性,目前普遍采用基于群智能优化算法的改进方法进行Pod的调度.而针对群智能优化算法存在的寻优性能易受初值影响、迭代后期容易早熟收敛等问题,选择金枪鱼群优化(Tuna Swarm Optimization,TSO)作为基础算法,根据混沌映射具有的遍历性、随机性等特点,提出了基于混沌映射的种群初始化优化方案.选择目前研究中普遍涉及的Tent、Logistic等多种混沌映射,分别对金枪鱼种群进行初始化,以提高初始种群的多样性.通过一系列基准测试函数进行仿真实验,对比基于不同混沌映射的改进金枪鱼群优化算法的实验结果,证明了基于混沌映射的优化方案可以有效提高原始TSO算法的收敛速度和寻优精度.

    金枪鱼群优化算法混沌映射群智能优化算法基准测试函数Kubernetes

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    深度学习驱动的水下图像处理研究进展

    张天驰刘宇轩
    271-282页
    查看更多>>摘要：随着人工智能和水下设备的发展,水下机器人能够便捷地获取水下图像.水下图像对于海洋的探索和开发等活动至关重要,但由于水下成像环境十分复杂,导致获取到的水下图像成像质量较低,具有低对比度、模糊和颜色失真等退化问题,难以满足水下生产活动的要求.近年来,基于深度学习的水下图像处理方法和质量评价指标发展迅速,受到诸多学者的关注.目前已有基于深度学习的水下图像处理方法的综述,但仍存在总结不够全面及缺少最新研究成果等问题.因此,文中首先分析水下图像退化成因并提出所需处理的问题,根据各类算法的原理特点将水下图像处理方法进行分类;其次,详细分析和归纳了基于深度学习的水下图像处理最新研究成果,总结出各类算法的主要特征;然后,详细整理了现有的公开水下图像数据集和当前主流以及最新的基于学习的水下图像质量评测指标,并通过设计实验将传统算法和基于深度学习的水下图像处理方法进行对比分析;最后,分析总结了一些水下图像处理领域尚未解决的问题,并对未来的发展方向进行展望.

    深度学习水下机器人水下图像图像处理图像质量评测

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向图像数据的ConvNeXt特征提取研究

    杨鹏跃王锋魏巍
    283-289页
    查看更多>>摘要：卷积神经网络在计算机视觉任务中已取得诸多成果,无论是目标检测还是分割,都依赖于提取到的特征信息,一些模糊性的数据和物体形状各异等问题为特征提取带来了极大的挑战.传统的卷积结构只能学习到特征图相邻空间位置的上下文信息,无法对全局信息进行提取,而自注意力机制等模型虽具有更大的感受野和建立全局的依赖关系,但存在计算复杂度过高和需要大量数据等不足.为此,提出了一种CNN与LSTM结合的模型,该模型在增强局部感受野的前提下,可以更好地结合图像数据的全局信息.研究以主干网络ConvNeXt-T为基础模型,通过拼接不同大小卷积核以融合多尺度特征来解决物体形状各异的问题,并从水平和垂直两个方向聚合双向长短期记忆网络关注全局与局部信息的交互性.实验对公开访问的CI-FAR-10,CIFAR-100,Tiny ImageNet数据集进行图像分类任务,所提出的网络在3个数据集实验中相较于基础模型ConvNeXt-T在准确率上分别提高了3.18％,2.91％,1.03％.实验证明改进后的ConvNeXt-T网络相较于基础模型在参数量和准确性方面都有了大幅度提升,可提取到更加有效的特征信息.

    特征提取局部感受野ConvNeXt-T多尺度特征双向长短期记忆网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于增量学习的多尺度钢材微观组织图像分类

    曾培益
    290-297页
    查看更多>>摘要：钢铁材料微观组织决定了钢的力学性能,因此对钢材微观组织的识别十分重要.钢铁材料显微组织图片放大倍数差异大,同种微观组织在不同放大倍数下的形貌也有很大差别,对持续扩充的多尺度钢材微观组织数据集进行分类的难度很大.因此,结合VGG16网络和自组织增量神经网络(Self Organizing Incremental Neural Network,SOINN),构建基于增量学习的多尺度钢材微观组织图像分类模型;同时,提出基于中心距离的交叉熵损失(Cross Entropy Loss based on Center Distance,CEL-CD)和交叉训练策略,并融合交叉训练、CELCD和Anchor loss克服"灾难性遗忘"问题,实现对钢材微观组织图片数据的持续学习和高效分类.实验比较了不同增量学习方法在旧数据上的分类精度和"遗忘程度",结果表明,在增量学习后所提方法的预测精度较增量学习前仅下降14.02％的前提下,在旧数据上的分类精度最高可达80.49％,与上限精度仅相差5.49％,优于其他增量学习方法.

    钢材微观组织增量学习灾难性遗忘多尺度自组织

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于跨语言迁移学习及联合训练的泰语语音合成

    张欣瑞杨鉴王展
    298-304页
    查看更多>>摘要：随着深度学习和神经网络的快速发展,基于深度神经网络的端到端语音合成系统因性能优异成为主流.然而近年来,泰语语音合成相关研究还不充分,主要原因是大规模泰语数据集稀缺且该语言拼写方式有其特殊性.为此,在低资源前提下基于FastSpeech2声学模型和StyleMelGAN声码器研究泰语语音合成.针对基线系统中存在的问题,提出了3个改进方法以进一步提高泰语合成语音的质量.(1)在泰语语言专家指导下,结合泰语语言学相关知识设计泰语G2P模型,旨在处理泰语文本中存在的特殊拼写方式;(2)根据所设计的泰语G2P模型转换的国际音标表示的音素,选择拥有相似音素输入单元且数据集丰富的语言进行跨语言迁移学习来解决泰语训练数据不足的问题;(3)采用FastSpeech2和StyleMelGAN声码器联合训练的方法解决声学特征失配的问题.为了验证所提方法的有效性,从注意力对齐图、客观评测MCD和主观评测MOS评分3方面进行测评.实验结果表明,使用所提泰语G2P模型可以获得更好的对齐效果进而得到更准确的音素持续时间,采用"所提泰语G2P模型+联合训练+迁移学习"方法的系统可以获得最好的语音合成质量,合成语音的MCD和MOS评分分别为7.43±0.82分和4.53分,明显优于基线系统的9.47±0.54分和1.14分.

    语音合成低资源泰语G2P模型迁移学习联合训练

      原文链接:
    • NETL
    • NSTL
    • 万方数据