首页期刊导航|计算机技术与发展
期刊信息/Journal information
计算机技术与发展
陕西省计算机学会
计算机技术与发展

陕西省计算机学会

王守智

月刊

1673-629X

ctad@vip.163.com

029-85522163

710054

西安市雁塔路南段99号

计算机技术与发展/Journal Computer Technology and DevelopmentCSTPCD
查看更多>>《计算机技术与发展》期刊,原名《微机发展》,中国计算机学会会刊,中国科技核心期刊、中国科技论文统计源期刊。中国学术期刊综合评价数据库统计源期刊,中国核心期刊数据库收录期刊,中国期刊全文数据库收录期刊,万方数据资源系统数字化期刊群上网期刊,中国学术期刊(光盘版)全文收录期刊。中国计算机学会和陕西省计算机学会共同主办。刊名为著名科学家胡启恒院士亲笔所提,中国计算机学会名誉理事长张效祥院士写了创刊词。1991年创刊,国内统一刊号CN61-1450/TP,国际刊号:ISSN 1673-629X。该刊为综合性学术技术刊物、月刊。该刊在国内外有广泛的覆盖面,国内读者分布在全国30个省市,国际读者分布在北美、西欧、韩国、日本以及我国港、澳、台等38个国家和地区。几年来高水平的论文刊登数量明显增加,各类自然科学基金论文刊登数量已超过80%,各项指标在我国自然科学自动化、计算机类(TP)多种期刊中排名前列,已成为全国最具影响力的自然科学杂志之一。 该刊在我国计算机界有广泛的作者群体,主要稿件来源单位有:北京大学、清华大学、南京大学、复旦大学、同济大学、浙江大学、中国科学技术大学、国防科技大学、上海交通大学、西安交通大学、北京航空航天大学、南京航空航天大学、华中科技大学、哈尔滨工业大学、西北工业大学、吉林大学、武汉大学、中山大学、四川大学、山东大学、厦门大学、天津大学、重庆大学、中南大学、东北大学、上海大学、福州大学、安徽大学、西北大学等全国数百所重点大学以及中国科学院、中国航空、航天、电子、中国水电、中国建筑、中国测绘科学研究院等重点研究院所等。 刊载内容涉及国内外计算机科学的发展方向、技术和创新的最新成就、软件工程的最新成果、应用开发的成功经验等,在学术界有较好的影响。为我国计算机的创新、设计、开发、应用创造了一个宽舒和谐的学术交流的氛围,提供了一个良好的学术、技术展示的平台,成为我国计算机和嵌入式系统领域最具有代表性的前沿性的刊物之一。该刊的编委是来自北京大学、清华大学、南京大学、复旦大学等九所知名大学和七所重要研究所,以及美国、加拿大的外籍专家共22位著名教授或研究员组成。以沈绪榜院士为首的编委会顾问组把握着期刊的大方向.
正式出版
收录年代

    机械设备多模态声源分离方法研究

    简斌肖晓萍李自胜张楷...
    208-214页
    查看更多>>摘要:针对单模态混合信号分离方法存在的无法确定机械设备与声源对应关系的问题,提出一种多模态特征融合的机械设备声源分离方法.首先,通过利用多组不同尺度的特征提取层,构建一种多尺度特征提取结构的Res2Net18 网络,以提取机械设备细粒度视觉特征;再用坐标注意力机制模块替换UNet网络中直接跳跃连接,以增强编码器中不同音频特征的空间位置信息表达.其次,将机械设备视觉特征融入混合音频特征中生成对应声源掩码,再利用掩码与混合音频频谱结合得到独立声源频谱,从而实现根据视觉特征分离对应机械设备声源,该方法有效解决了单模态混合信号分离方法存在的无法确定机械设备与声源对应关系的问题.最后,在机械设备数据集上SDR、SIR和SAR分别达到6.14 dB、8.59dB和18.33 dB,与现有三种多模态声源分离模型进行对比,所提多模态声源分离方法在SDR和SAR均取得最优结果,验证了多模态声源分离方法的有效性.

    机械设备多模态数据特征融合声源分离卷积神经网络

    基于Bi-LSTM网络的管道异常数据检测方法

    李春生田梦晴张可佳
    215-220页
    查看更多>>摘要:在管道运行过程中,受技术、计量仪器和自然环境等影响,导致管道数据经常出现异常值,影响调度人员无法进行正确的决策,不利于管道监控系统的安全稳定运行.传统的时序数据异常检测方法的准确率和检测速度得不到保证.针对该问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆(Bi-directional Long-Short Term Memory,Bi-LSTM)网络的管道异常数据检测方法.首先,研究管道异常数据的表征及异常数据的产生原因,对管道数据进行野点剔除、均值填充和归一化处理,后通过CNN对处理后的管道数据进行特征提取;其次,利用Bi-LSTM网络充分挖掘管道数据间的规律,训练得到预测模型;再次,确定动态阈值,通过计算预测值与真实值误差并与阈值进行比较,检测异常数据;最后,在真实应用场景测试,通过设计一系列对比实验验证了该方法在处理速度和检测准确率等方面具有明显优势,且检测异常点的准确率高于同类算法.

    异常点检测管道运行数据卷积神经网络双向长短期记忆网络时序数据

    2023未来计算机教育峰会(FCES 2023)

    封3页