首页期刊导航|现代计算机
期刊信息/Journal information
现代计算机
现代计算机

林楚昭

半月刊

1007-1423

lnzss@mail.sysu.edu.cn

020-84110804

510275

广州市海珠区新港西路135号中山大学园东区106栋西座1楼

现代计算机/Journal Modern Computer
查看更多>>《现代计算机》于1985年创刊，由中山大学主管主办，是一本面向计算机全行业的综合性学术刊物，一直以来致力于营造一个融洽的学术交流平台，帮助读者对象在学业、事业上更上一层楼。现为中国学术期刊综合评价数据库统计源期刊，中国期刊全文数据库全文收录期刊，中国核心期刊（遴选）数据库收录期刊，中国学术期刊（光盘版）收录期刊，全文入编中国学术期刊（光盘版）、中国期刊网、中华期刊网和中文科技期刊数据库、万方－数字化期刊数据库。
正式出版
收录年代

    基于改进孪生网络的目标跟踪算法

    段卓周卫杨益民彭晓聪...
    59-63页
    查看更多>>摘要：计算机视觉技术是一门涉及计算机科学和图像处理的交叉学科,是深度学习和人工智能研究的重要部分,同时在工程应用中也具有巨大的潜力.视觉目标跟踪作为计算机视觉领域中的一个重要研究方向,广泛应用于无人驾驶、机器人和视频监控等领域.在无人平台中有限的计算资源环境下,为降低算法的参数量和计算量,提出了一种改进的Siam-ours目标跟踪算法,该算法采用了MobileNetV3作为特征提取的主干网络,同时为了解决训练过程中原有Contrastive Loss损失函数导致的样本不均衡问题,进而导致算法性能变差的问题,引入了Focal Loss损失函数.改进后的算法在测试集UAV123的精度和成功率分别提高了1.7和2.3个百分点.

    计算机视觉无人平台MobileNetV3FocalLoss

      原文链接:
    • 万方数据

    融合BERT与对比学习的文本情感多分类模型研究

    高若军艾丹祥梁渊雅
    64-67,72页
    查看更多>>摘要：为了更精准地识别大众的情感,对多分类的文本情感分析问题进行研究,同时为了解决多分类文本情感因数据分布不均衡而产生的长尾问题,提高情感分类效果,提出了一种融合BERT与对比学习的文本情感多分类模型,先使用BERT模型生成文本嵌入表示向量,再输入到投影层,进一步捕捉重要特征和降维,通过将同一类别的情感文本当作正样本,不同类别的情感文本当作负样本,模型进行正负样本间对比学习,最后模型能学习到有关长尾情感类别更深层的特征表示.在SMP2020微博情感分类公开数据集上进行性能测试,实验结果表明,该模型在两个数据集上的准确率分别达到85%和86.4%,与一些传统模型相比具有更好的分类性能.

    文本情感分类BERT模型对比学习

      原文链接:
    • 万方数据

    基于深度强化学习的多智能体路径规划算法

    陈良红余艳梅陶青川赵书亮...
    68-72页
    查看更多>>摘要：多智能体路径规划算法已经广泛应用于现实问题.基于强化学习的方法通常将其建模为部分可观察的马尔可夫决策过程,其中智能体根据局部观察独立做出决策.引入通信可以解决局部观察信息不足的问题,然而现有的通信方案常常忽略智能体之间过量的信息交换,导致额外的系统开销和延迟.为提升信息交换效率,提出了一种基于通信的多智能体路径规划算法,应用随机通信丢弃技术来解决由于智能体过度依赖通信而导致的系统不稳定问题.实验结果表明,引入随机通信丢弃可以更有效地协调智能体的行为.

    多智能体路径规划强化学习通信

      原文链接:
    • 万方数据

    基于Python语言的数据处理与特征工程方法研究

    吴公莹
    73-76页
    查看更多>>摘要：在大数据和人工智能飞速发展的今天,数据已成为重要的生产资料.然而,数据质量直接影响到数据分析和机器学习模型的效果.数据处理与特征工程作为数据科学的核心步骤,是将原始数据转化为高质量输入数据的关键过程.Python语言因其简洁、强大和广泛的第三方库支持,成为数据处理与特征工程的首选工具.对Python语言在数据处理与特征工程中的应用方法进行了系统探讨,涵盖数据无量纲化、缺失值处理、分类特征处理、连续特征处理以及特征选择等方面.通过提供代码示例,为数据科学研究提供了实用的参考,有助于从业者提升数据分析和机器学习模型的性能.

    Python数据处理特征工程

      原文链接:
    • 万方数据

    一种融合多模态数据的情绪识别方法

    甘宏
    77-80页
    查看更多>>摘要：在人机交互领域,赋予机器以识别和理解人类情绪状态的能力已成为一个关键的课题.生理信号作为人体生理活动的直接反映,为客观评估情绪状态提供了一种有效途径.而多模态生理信号的情绪识别技术正受到研究者的广泛关注.提出了一种基于卷积神经网络(CNN)框架的深度学习架构,从多种生理电信号中有效提取与情绪相关的时空特征.该模型能够综合利用多模态数据中的情绪信息,以实现更为精准和细致的情绪状态识别.在多模态情绪数据库DEAP上进行了测试实验.实验结果显示,模型在两种情绪识别任务中均超越了基线模型,这一结果不仅验证了所提模型的有效性,也展示了其相对于传统模型的显著优势.

    深度学习情绪识别多模态生理信号

      原文链接:
    • 万方数据

    基于MapReduce和Im2col的并行DCNN优化算法研究

    曾倩倩
    81-84页
    查看更多>>摘要：为了提高深度卷积神经网络(DCNN)的图像并行处理能力,提高其图像识别的准确率和运行效率,研究过程以MapReduce并行计算框架和从图像到矩阵(Image to Column,Im2col)算法,分别进行原始图像特征并行提取和筛选、模型并行训练和参数并行更新,构建了并行DCNN优化算法.在性能检测阶段,将全连接神经网络和基于特征图和并行计算熵的深度卷积神经网络算法作为对照组,对比TOP-1准确率、浮点运算量、损失函数振荡性、运算时长四项指标,结果显示,此次提出的并行DCNN优化算法性能最佳.

    MapReduceIm2col并行DCNN特征并行提取模型并行训练参数并行更新

      原文链接:
    • 万方数据

    基于CFSFDP的K-medoids共词聚类法

    谢隆腾郑晓婧张眉芳李其铿...
    85-90,96页
    查看更多>>摘要：针对共词分析法中出现的聚类不全面、不公平以及不明确的问题,提出了一种基于CFSFDP算法的改进方法.该方法采用了CFSFDP算法中明确聚类数量与聚类中心的思想,并将CFSFDP算法的运算结果作为K-medoids算法的初始聚类中心,以此来减少陷入局部最优解的风险.通过实验表明,与传统的聚类方法相比,该方法在性能上更为优越,聚类效果也更为出色.此外,相较于其他改进方法,该方法更适合用于非结构化文本的共词聚类与主题挖掘的研究.

    共词分析法文本分析聚类分析

      原文链接:
    • 万方数据

    基于SMOTE与GBDT算法在银行客户流失预测中的应用

    许超许莉游凤芹
    91-96页
    查看更多>>摘要：为了提前发现银行潜在的流失客户,构建基于SMOTE与GBDT算法客户流失率预测模型.该模型首先进行数据预处理,然后通过分析数据集中各个特征之间的关系,构建对流失率可能产生影响的新特征.接着采用SMOTE算法处理数据分布不平衡问题.最后将数据集输入集成学习GBDT分类器来进行预测.实验结果表明,在处理不平衡数据集分类问题时,与没有进行SMOTE处理的算法相比,基于SMOTE与GBDT算法在AUC、G-mean和F1值指标上都获得了提升.

    流失预测SMOTE算法GBDT算法集成学习

      原文链接:
    • 万方数据

    增强全局特征的中文命名实体识别

    常君刘金花刘峰
    97-102页
    查看更多>>摘要：在英文中,每个单词在文档中的全局特征可以有效提升实体识别度.与英文不同,中文没有明确的分隔符,模型学习的基本单元是字符而非词汇.因此,引入字符的全局特征增加了模型学习的难度.为了解决这一问题,在模型提取每个字符的上下文表示后,首先获取每个字符在文档中的不同上下文表示,然后对不同的上下文表示进行多重过滤,最后通过门控注意力机制控制全局特征的预测权重.实验结果表明,提出的模型在Resume、Weibo和Ontonotes 4.0数据集上相比基准模型更具竞争力.

    中文命名实体识别全局特征过滤机制门控注意力

      原文链接:
    • 万方数据

    基于Transformer和扩散模型的流量预测方法

    郭水平
    103-107页
    查看更多>>摘要：针对现有的流量预测方法仅考虑单模态信息,且样本不足时容易出现过拟合的问题,提出基于Transformer和扩散模型的预测方法.采用扩散模型生成与真实样本同分布的虚拟样本.通过构建多模态Transformer模型,从时间、频域和相关性三个维度对数据样本进行深度特征提取,最后融合三种特征信息进行网络流量预测.实验结果表明,所提方法能显著提升预测性能.具体而言,所提方法仅利用10%的数据量时,预测效果接近使用全量数据训练的Transformer模型;而当数据量提升至50%时,效果超过全量数据训练的Transformer模型.

    流量预测自注意力机制多模态扩散模型

      原文链接:
    • 万方数据