首页期刊导航|智能系统学报
期刊信息/Journal information
智能系统学报
中国人工智能学会 哈尔滨工程大学
智能系统学报

中国人工智能学会 哈尔滨工程大学

钟义信

双月刊

1673-4785

tis@vip.sina.com

0451-82518134

150001

哈尔滨市南岗区南通大街145-1号楼

智能系统学报/Journal CAAI Transactions on Intelligent SystemsCSCD北大核心CSTPCD
查看更多>>《智能系统学报》于2006年3月正式出刊,双月刊,大16开,CN 23-1538/TP,ISSN 1673-4785,邮发代号14-190。《智能系统学报》是由中国人工智能学会和哈尔滨工程大学联合主办,是中国人工智能学会会刊。主要刊登神经网络与神经计算、智能信息处理、自然语言理解、智能系统工程、机器翻译、复杂系统、机器学习、知识工程与分布式智能、机器人、智能制造、粗糙集与软计算、免疫系统、机器感知与虚拟现实、智能控制与智能管理、可拓工程、人工智能基础等内容,目前,为美国《剑桥科学文摘》、英国《科学文摘》、中文核心期刊、中国科学引文数据库(CSCD)来源期刊、中国科技核心期刊等重要数据库收录。连续5年获国家自然科学基金资助,曾获得中国高校百佳科技期刊、中国科技论文在线优秀期刊一等奖、中国高校特色科技期刊、工业和信息化部优秀期刊等多项荣誉。
正式出版
收录年代

    认知物理学导引

    李德毅
    493页

    基于深度学习的药物-靶标相互作用预测研究综述

    刘晓光李梅
    494-524页
    查看更多>>摘要:新药物研发是一项耗时、耗力、耗资的复杂工程,整体成功率低于 10%.药物-靶标相互作用预测是药物筛选和药物重定位的关键环节.准确的药物-靶标相互作用预测可有效缩小候选药物分子筛选范围,加速药物研发进程.传统实验方法研究药物-靶标相互作用耗时长、成本高且伴有一定的盲目性,难以进行大规模的药物-靶标相互作用识别工作.近年来,将机器学习尤其是深度学习技术用于药物-靶标相互作用预测成为主流研究.尽管在过去 10 年有大量的研究工作纷纷涌现,药物-靶标相互作用预测仍然是物质密集型和长期性的工作,对研究者来说仍具有挑战性.本文梳理近年来基于深度学习的药物-靶标相互作用预测研究工作,归纳总结现有工作的研究方法、评价指标和使用的数据资源,分析现有工作的不足并提出展望.本文的研究目的是帮助药物研发领域研究者全面了解深度学习在药物-靶标相互作用预测领域的最新研究进展,从而提高研究效率和研究质量.

    药物-靶标相互作用人工智能机器学习深度学习药物研发图神经网络异质网络表征学习

    不平衡数据集的DC-SMOTE过采样方法

    冀常鹏尚佳奇代巍
    525-533页
    查看更多>>摘要:针对不平衡数据集在分类任务中表现不佳的问题,提出基于局部密度与集中度的过采样算法.针对数据集中所有的少数类样本点,分别利用高斯核函数与局部引力来计算局部密度与集中度;对于局部密度较小的部分有针对性地合成第一类新样本,解决类内不平衡问题.根据集中度的不同,区分出少数类样本的边界,有针对性地合成第二类新样本,达到强化边界的作用;同时,通过自适应生成新样本,有效解决大部分过采样算法没有明确过采样量或者盲目追求样本平衡度相等的问题.最后,在公开的 12 个不平衡数据集上进行了实验,实验结果表明,本算法在低不平衡数据集与高不平衡数据集上的应用均拥有良好的表现.

    不平衡数据集过采样高斯核函数局部引力高不平衡数据合成少数类过采样不平衡度分类

    基于动态阈值增强原型网络的联邦半监督学习模型

    陈涛谢在鹏屈志昊
    534-545页
    查看更多>>摘要:目前,联邦半监督学习面临着有效利用训练过程中大量无标签数据的挑战.尽管通过轻量级的原型网络实现客户端之间的知识共享可以缓解伪标签质量问题,但仍然有瓶颈.本文提出一种新的动态阈值增强下的原型网络联邦半监督学习算法.通过引入课程伪标签技术,其核心是对不同类别样本的学习状态动态调整阈值,使模型能够学习高质量的样本,显著提高模型的预测性能.实验结果表明,本算法在多个数据集上均取得优异的测试性能.在CIFAR-10 数据集上,本算法相对于同类算法至少提高 3%的测试精度.此外在SVHN和STL-10数据集上也有1%~7%的领先优势.值得注意的是,本算法在处理异质性和同质性数据时表现出色,且对于不同比例的有标签和无标签数据都具有良好的适应性.本算法不仅提高测试精度,而且未带来额外的通信开销和计算成本.这些结果表明本算法在联邦半监督学习领域具有巨大潜力,并为实际应用提供了一个性能卓越且高效的解决方案.

    联邦学习半监督学习知识共享原型网络伪标签动态阈值无标签数据数据异质性

    模拟复眼视叶神经网的目标运动方向检测模型

    徐梦溪施建强郑胜男韩磊...
    546-555页
    查看更多>>摘要:如何对杂乱背景中物体(目标)的运动方向做出准确可靠的检测与感知,是计算机视觉研究领域中一个重要问题.自然界中,飞虫(如苍蝇、蜻蜓等)高适应性和高可靠性的感知目标运动是一种自然特性,本文基于飞虫-果蝇视叶神经纤维网最新的生理学研究成果,提出一种基于果蝇视觉感知目标运动方向的多层级检测模型系统.通过对不同场景下拍摄的视频序列样本进行实验和测试,并与 2-Q运动检测器模型、基于ON和OFF信号通道处理运动信息的检测模型等进行了对比,验证了其在杂乱背景下对于目标水平和垂直方向运动检测的有效性和鲁棒性.

    视频目标检测运动方向检测昆虫复眼神经计算人工神经网络多层级模型视叶神经网

    融合CNN和ViT的乳腺超声图像肿瘤分割方法

    彭雨彤梁凤梅
    556-564页
    查看更多>>摘要:针对乳腺超声图像肿瘤区域形状大小差异大导致分割困难,卷积神经网络(convolutional neural net-works,CNN)建模长距离依赖性和空间相关性方面存在局限性,视觉Transformer(vision Transformer,ViT)要求数据量巨大等问题,提出一种融合CNN和ViT的分割方法.使用改进的Swin Transformer模块和基于可形变卷积的CNN编码器模块分别提取全局特征和局部细节特征,设计使用交叉注意力机制融合这两种尺度的特征表示,训练过程采取二元交叉熵损失混合边界损失函数,有效提高分割精度.在两个公共数据集上的实验结果表明,与现有经典算法相比所提方法的分割结果有显著提升,dice系数提升 3.841 2%,验证所提方法的有效性和可行性.

    卷积神经网络乳腺超声图像分割SwinTransformer交叉注意力机制混合损失函数可形变卷积多头跳跃注意力深度学习

    2024IEEE"一带一路"人工智能可持续发展大会

    564页

    隐私保护下融合联邦学习和LSTM的少数据综合能源多元负荷预测

    陈志鹏张勇高海荣孙晓燕...
    565-574页
    查看更多>>摘要:对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据.联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足.鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDP-FL).首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和fine-tune技术建立每个参与方的多元负荷预测模型.将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果.

    多元负荷预测综合能源系统联邦学习隐私保护神经网络少数据时序数据预测点积协议

    结合卷积和轴注意力的光流估计网络

    刘爽陈璟
    575-583页
    查看更多>>摘要:现有的光流估计网络为了获得更高的精度,往往使用相关性成本量和门控循环单元(gate recurrent unit,GRU)来进行迭代优化,但是这样会导致计算量大并限制了在边缘设备上的部署性能.为了实现更轻量的光流估计方法,本文提出局部约束与局部扩张模块(local constraint and local dilation module,LC-LD module),通过结合卷积和一次轴注意力来替代自注意力,以较低的计算量对每个匹配特征点周边区域内不同重要程度的关注,生成更准确的相关性成本量,进而降低迭代次数,达到更轻量化的目的.其次,提出了混洗凸优化上采样,通过将分组卷积、混洗操作与凸优化上采样相结合,在实现其参数数量降低的同时进一步提高精度.实验结果证明了该方法在保证高精度的同时,运行效率显著提升,具有较高的应用前景.

    光流估计迭代次数卷积神经网络轴注意力机制门控循环单元网络深度学习时间优化边缘计算平台

    面向多目标医疗垃圾分类的智能识别分拣系统设计

    张歆羽杨钟亮周哲画张凇...
    584-597页
    查看更多>>摘要:医疗垃圾中存在大量的病毒和细菌,为解决医疗垃圾源头智能分类问题,开发了基于机器视觉和Delta机构的智能分拣平台样机,并提出一种三阶段的多目标医疗垃圾识别分拣(medical waste recognition-in-dexes-sorting,MWRIS)算法.第 1 阶段提出数据增强扩容的IE-YOLOv4 算法建立起医疗垃圾识别模型,与Faster R-CNN、RetinaNet、CenterNet等 5 种模型比较;第 2 阶段索引分类模型用于管理分类规则;第 3 阶段定位分拣算法指导目标定位分拣.在集成了MWRIS算法的分拣样机上,采集 14 种,2 217 张医疗样本图像,完成医疗垃圾分拣实验.结果表明,使用IE-YOLOv4 的MWRIS算法对医疗垃圾识别准确率显著提升至 99.30%,分拣实验对目标定位准确率达到96.17%,最终分类正确率为86.67%,验证了多目标医疗垃圾识别分拣系统的有效性.

    机器视觉目标检测Delta分拣系统机械设计人工智能医疗垃圾垃圾分类智能垃圾箱