/oa /oa/darticle.aspx?type=view&id=202404001 代理辅助进化算法(surrogate-assisted evolutionary algorithms,SAEAs)已被广泛用于解决计算代价昂贵的优化问题. 针对在计算资源有限的条件下如何提高代理模型预筛选解的能力和效率的问题,提出了一种基于标签传播引导和区域自适应集成的代理辅助进化算法,分为全局和局部搜索两个阶段,在全局搜索阶段提出了多重筛选多点填充准则(multiple screening criteria,MSC),首先利用标签传播思想代替传统分类方法更高效地将种群分类,用两种代理模型预测分类后种群的适应度值,根据父代和子代的最佳适应度再次筛选种群进行评估; 局部搜索阶段利用SMOTE(synthetic minority over-sampling technique)方法生成动态局部种群和测试样本,根据两种代理模型在最有希望的区域内的表现进行自适应集成来选择个体进行评估. 最后将所提出方法与其他先进的代理辅助进化算法在8个测试问题及翼型设计优化问题中进行了对比,显示本文方法有较好的收敛性. 2024年12月15 00:00 2024年04期 1 16 3634640 李二超,崔添超 /oa/darticle.aspx?type=view&id=202404002 通过监控和分析大量日志数据,日志异常检测能够及时识别入侵攻击、恶意操作等异常行为,是现代系统管理人员的一项关键工具. 针对标注数据稀少的问题,提出基于RoBERTa和超球体空间的无监督日志异常检测算法. 首先,为充分学习日志文本的语义特征,提出多层次语义提取网络,有效从多个层面学习日志的上下文信息. 先使用日志语料库对稳健优化的BERT预训练方法(robustly optimized BERT pretraining approach,RoBERTa)进行预训练,再使用RoBERTa和Transformer编码器分别在词语层面和句子层面挖掘日志条目的语义特征. 其次,为增加类差异和挖掘日志的正常模式,在特征空间引入超球体损失. 通过对模型不断优化,在仅使用正常样本进行训练的前提下,正常样本的特征表示能够聚集于超球体空间的中心,而异常样本则远离该中心,最终达到分离异常样本的目的. 最后,该模型在HDFS日志数据集和BGL日志数据集上分别取得了0.94和0.93的F1分数,验证了该模型的有效性. 2024年12月15 00:00 2024年04期 17 27 3045474 李小鹏^1,2,尹传环^1,2,钞 萌³ /oa/darticle.aspx?type=view&id=202404003 随着深度学习技术的快速发展,人脸视频伪造技术日益精进,其逼真效果对社会安全构成了严重威胁. 尽管基于静态图像的人脸视频真伪检测方法已取得显著进展,并展现出一定的鲁棒性和泛化能力,但现有基于视频流的检测方法通常面临输入维度过高和计算开销过大的问题,这一领域仍缺乏深入研究. 为了解决上述问题,提出了一种基于多变量时间序列分析的人脸视频真伪鉴别方法. 首先,设计了一种基于人脸微动作的建模方法,将视频流转化为多变量时间序列,从而显著降低输入维度. 随后,改进了Transformer网络结构,以增强其对时间序列特征的建模能力. 实验结果表明,所提出的方法在准确性与泛化性方面均与当前主流方法相当,展现了良好的应用潜力. 2024年12月15 00:00 2024年04期 28 36 2583216 汪小鹏¹,朱 峰¹,李 磊²,刘司南³,谭晓阳¹ /oa/darticle.aspx?type=view&id=202404004 生物信息学中,大规模的生物基因序列比对是最重要的基础问题. 针对主流的BWT(burrows-wheeler transform)索引技术的研究,提出一种新的多阶混合BWT索引方法MD-BWT(multi difference cover mod3 burrows-wheeler transform),根据待比对序列的长度,动态选取适合的多位索引查找. 实验结果表明,改进后的方法可以有效减少序列比对算法中的比对次数和计算次数,降低序列比对算法中索引算法的时间复杂度,明显提高序列比对的效率. 在构造BWT(S)字符串过程中,通过DC3(difference cover mod 3)算法来构造后缀数组,实验表明DC3算法构造后缀数组比倍增算法的时间复杂度更低,时间性能更优. 2024年12月15 00:00 2024年04期 37 45 1121419 胡春玲¹,赵俊杰²,姚梦媛¹,高欢欢¹,朱艺杭¹,汪少鸿¹ /oa/darticle.aspx?type=view&id=202404005 人体姿态估计旨在从图像或视频中精确识别关键点位置和姿态,对行为识别、人机交互等至关重要. 高分辨率网络能够从图像中提取包含多尺度信息的人体关键点特征,但主要聚焦于图像局部范围内的特征信息,难以捕捉关节间的长距离依赖,因此易受复杂背景、遮挡等因素影响,限制了准确率. 针对高分辨率网络在人体姿态估计中所面临的问题,提出了一种融合注意力机制和高分辨率网络的深度学习模块C2F-CBAM,该模块结合了C2F模块和CBAM模块的优势,结合先进的特征提取技术和强化的注意力机制,C2F-CBAM模块显著提高了模型在识别关键点的准确性. 此外,将C2F-CBAM模块嵌入到HRNet网络的关键位置,使得该方法能够更好地整合和综合不同尺度的特征信息. 这种融合策略不仅增强了模型对各种人体姿态和图像分辨率的适应性,还有效地处理了复杂背景和遮挡等问题. 实验结果显示,该模型在COCO2017验证集上相较于其他方法具有显著优势,平均精度比传统HRNet网络提升了0.9,充分验证了模型的有效性和优越性. 2024年12月15 00:00 2024年04期 46 56 4784948 张 铭¹,李成龙¹,高新燕²,王鹏飞³,张金萧¹ /oa/darticle.aspx?type=view&id=202404006 为解决骨骼关键点分类算法中运动时间线中运动关联信息的价值分析缺乏,以及骨骼节点关联性和依赖关系信息含义丢失问题,提出了一种骨骼双流注意力增强图卷积人体姿态识别模型. 以提取骨骼特征节点为基础,构建骨骼关节点之间空域连接矩阵和运动时间线时域信息矩阵,在此基础上进行双流骨骼节点信息处理. 利用通道注意力机制对上下文处理的优势,构解关键节点间依赖关系以及全局骨骼运动含义,构建邻域节点加权的双域骨骼拓扑. 在Kinetics和NTU RGB+D两个数据集上的对比验证显示,该模型在不同数据集上均有较好的执行效果. 与领域内较具代表性的主流方法的横向比对显示,该模型在选定的9种行为姿态的识别精度上均优于其他模型. 该方法在人体姿态识别上体现了较优的识别率及稳定性,并佐证了时空双域骨骼特征信息的挖掘价值. 2024年12月15 00:00 2024年04期 57 67 3531330 陈 斌,樊飞燕,陆天易 /oa/darticle.aspx?type=view&id=202404007 关系网络是通过度量分析样本之间相似性的小样本分类方法,其固有的局部连通性限制了对样本全局特征的利用,并且在数据量较少时,模型的泛化能力不足. 提出一种混合自监督学习和自适应感知关系网络的小样本分类方法. 首先,通过结合自监督的实例级和场景级辅助任务、有监督的小样本分类辅助任务和自适应双相关注意任务提升模型特征表示和泛化能力. 其次,引入动态权重平均策略,用于自适应优化辅助任务之间的权重. 实例级辅助任务用于学习旋转样本未知类别的转移知识,场景级辅助任务确保不同旋转数据集的分类器预测结果一致性,小样本分类辅助任务则对扩展数据集进行有监督的分类预测平均,优化分类效能. 自适应感知关系网络任务通过自适应层对图像特征变化进行自动调节,通过双关联注意力机制增强特征间相互作用,促进关键特征辨识. 在数据集miniImageNet、tieredImageNet和CUB-200-2011上进行了验证,提出的方法在不同的骨干网络上都能较好地提升关系网络的分类性能,表明该方法是可行有效的. 2024年12月15 00:00 2024年04期 68 78 1800283 戴心杰^1,2,郑家杰^1,2,袁远飞^1,2,王李进^1,2,吴清寿³ /oa/darticle.aspx?type=view&id=202404008 中文命名实体识别(named entity recognition,NER)是一种提取实体对的自然语言处理(natural language processing,NLP)技术,广泛应用于知识图构建和信息提取任务中. 传统的中文NER方法主要强调字符信息的分析,而忽略了位置和单词特征等重要方面,阻碍了实体边界的准确识别. 引入了一种增强的中文命名实体识别模型,该模型高度重视边界和单词信息,以实现实体边界的精确校准. 首先,构建多层次文本特征作为模型的输入. 然后,提出了融合位置信息和类别描述信息的策略,以增强语义表示能力. 最后,使用条件随机场模型将增强的特征向量映射到序列标签输出,以准确提取所有实体和类别标签. 模型在现有数据集OntoNotes、Resume和Weibo上,F1得分分别提高了0.82%、0.78%和1.51%,验证了模型的有效性. 2024年12月15 00:00 2024年04期 79 86 1494597 孙争艳¹,陈 磊¹,魏苏波²,陈宝国¹ /oa/darticle.aspx?type=view&id=202404009 大数据、云计算和人工智能技术的结合显著提升了企业金融数据处理能力. 为提高对中小企业经济效益风险预测的准确性和可靠性,提出了基于多元宇宙优化(multi-verse optimization,MVO)算法和双向门控递归单元(bidirectional gated recurrent units,BiGRU)的经济效益风险预测框架. 首先,对复杂金融数据进行特征归一化. 其次,使用MVO算法选出最优特征子集. 其后,利用BiGRU深度学习模型完成对中小企业经济效益风险的评估. 利用基于模型的序贯优化(sequential model-based algorithm configuration,SMAC)算法对BiGRU模型进行参数调优,优化BiGRU模型的参数配置,提高模型的性能和泛化能力. SMAC算法可以自动搜索参数空间中的最佳组合,从而找到最优的模型配置. 实验结果表明,所提混合模型在预测中小企业经济效益风险任务中表现出较高的准确性和预测能力,优于同类先进方法,证实了特征选择和深度学习模型在经济效益风险分析中的潜力和重要性. 2024年12月15 00:00 2024年04期 87 92 907962 刘海宏^1,2,鱼 明³,刘 静⁴,吴睿辉^1,2