针对传统ARM处理器算力低、不适用于实时性需求比较高的应用场景的问题,本文提出了一种基于ARM处理器的单指令多数据(Single Instruction Multiple Data,SIMD)指令集的轻量化卷积神经网络计算加速方法,并将该方法用于处理脑电信号(Electroencephalogram,EEG)来进行手术过程中麻醉深度监测.通过可学习步长量化的方法得到轻量化卷积神经网络,减少浮点数的运算量,极大地提高了网络速度.采用基于ARM处理器SIMD指令集的卷积加速器,各卷积层分别可加速几十倍、几百倍,甚至一万多倍.在Ultra 96-V2开发板上用ARM处理器实现整个网络的运算,在昆士兰大学生命体征公开数据集上的测试结果表明,仅需39.64ms就可以处理时间跨度为1s的EEG单通道信号,速度提高到原来的10.5倍,且功耗仅为0.1J,在提升速度的同时基本保持网络预测的准确率,能够很好地预测出麻醉深度.

矩阵乘作为许多科学应用中被频繁使用的关键部分,其计算量巨大且稠密的本质,使得高性能计算领域中矩阵乘并行算法的研究一直是经久不衰的热门话题.随着我国自主研发的申威众核处理器SW26010在科学计算和人工智能领域的快速发展,对面向SW26010众核处理器的高性能矩阵乘算法提出了迫切的需求.针对SW26010众核处理器的体系结构特征,首次对单精度矩阵乘实现进行了深入探讨,提出了3种不同存储层次的高性能并行算法.在进行算法设计时,计算方面,结合该处理器的从核双流水,从汇编层面手动控制核心计算任务的指令序列,保证了高效的指令级并行;访存方面,综合考虑了有限片上存储资源的有效使用,以及访存任务和计算任务的交叉并行,实现了计算访存的平衡以及算法整体性能的提升.实验结果显示,与该处理器上最先进的官方数学库xMath中的单精度矩阵乘实现相比,运行时峰值性能提升了6.8%,达到了理论峰值性能的86.17%;在基于不同矩阵乘场景的通用性比较中,95.33%的场景中性能更高,最高性能加速比达到247.9%,平均性能加速比为61.66%.

Transformer是基于自注意力机制的编码器-解码器架构模型,擅长建立远距离依赖关系,已经成为自然语言处理领域的主流模型.受Transformer在自然语言处理领域中取得巨大成功的启发,近两年一些开创性的工作开始研究如何将Transformer应用于计算机视觉领域,并取得了显著的成果,目前视觉Transformer依然是研究的热点.本文对近年来Transformer在多个视觉任务上的应用与发展进行梳理、分析与总结.首先阐述了视觉Transformer基本结构与实现原理,分析了模型结构的特点与优势,梳理了视觉Transformer的研究进展.其次,介绍了Transformer在高层视觉任务、底层视觉任务和多模态任务上的典型应用模型,并详细对比了在图像分类、检测和分割领域典型视觉Transformer模型的性能指标.最后总结了当前视觉Transformer各类模型存在的问题与难点,并指出未来的发展方向.

在数据非独立分布的情况下，联邦学习每一轮通信中将局部模型聚合成一个全局模型的过程将会导致异质性，并给联邦学习训练带来巨大的挑战.除此之外，由网络带宽不同或者客户端设备的训练速度的不同导致的部分设备参与加剧了这种异质性.仅通过局部模型的简单加权聚合会导致与真正的全局模型的进一步偏差，后者会收敛到局部极值点并在收敛过程中振荡.基于这些发现，本文提出了一种新的聚合算法联邦累积学习算法（FedAcc），该算法在服务端通过聚合延迟的客户端的梯度信息以指导下一轮的服务端梯度更新，从而实现更健壮和更精确的聚合.实验结果表明，与FedAvg、FedAdam和FedAsync等几种优秀的联邦学习算法相比，FedAcc算法具有更好的综合性能.

由于传统的监督学习方法很大程度上依赖于大量的标注数据,近年来,无需外部监督信息的自监督学习方法受到了极大关注.对比学习是一种有效的自监督学习方法,它通过对比相似样本和不相似样本,使得模型能够学习到样本的重要内在特征,进而应用于下游任务,在计算机视觉和自然语言处理等领域得到了越来越广泛的应用.本文系统地梳理了对比学习研究现状.首先介绍了对比学习的起源和主要思想,然后归纳了对比学习在设计映射函数、正负例构造和损失函数构造等方面的研究动态,接着重点介绍了面向计算机视觉和自然语言处理的对比学习研究;最后,分析了现有研究存在的问题,探讨了对比学习未来的研究趋势和发展方向.

方面级情感分析是情感分析领域的一项关键任务,其目的是分析目标文本中各个方面的情感极性.句法依存树曾被广泛用于方面级情感分析任务中,目前的特征提取和交互方式仅限单一特征级,未能充分利用句法依存树上的有效信息.针对该问题,提出了一种基于句法依存树的多级特征提取算法来建立方面级情感分析模型.首先利用深度优先搜索得出句子的浅层特征表示,然后通过划分子图改进传统图卷积神经网络的建模方式来提取句子的深层特征表示,最终融合多级特征的句子表示并进行情感分类.在4个开放数据集上分类准确率都取得1.64%～2.12%的提升,F1值取得2.24%～4.97%的提升.实验结果表明基于该方法建模能获取更充分的多层句法特征信息、有效提高分类效果.

命名实体识别 （Named Entity Recognition，NER） 在自然语言处理领域扮演着至关重要的角色，它是关系抽取、机器翻译、文本摘要、问答系统等自然语言任务的基础.中文命名实体识别 （Chinese Named Entity Recognition，CNER） 是中文语境下的NER方案.已有的文献只分析了技术的不同发展阶段，没有对基于深度学习的方法进行系统和深入的总结.该文详细介绍了基于深度学习的研究方法，并从模型分类、数据集、评价标准以及性能分析四个方面对CNER领域中已有的研究成果进行综合评述，最后讨论了其面临的挑战和机遇.

突发公共卫生事件极易引起社会恐慌，新冠肺炎更是全球聚焦的重大热点事件，客观了解疫情期间的公众情绪响应，有利于政府及相关部门合理管控舆情.本研究以疫情流行期间网民微博博文为基础，通过文本挖掘的方式探索疫情期间网民情感倾向，提出一种以卷积神经网络和双向长短期记忆网络为基础，并融合注意力机制的多通道情感极性分析方法.该方法首先对微博文本数据进行分词和停用词的预处理，通过Word2Vec模型获取词向量表达式，使用多通道CNNsBiLSTM模型抽取多尺度文本特征，融合注意力机制调整特征权重，以语义相关度进行文本情感倾向判断.通过COVID19微博舆情数据开展实验验证，结果表明，该方法相较于其他基准模型获得了较高的准确率，能够充分利用多维矩阵捕获丰富的文本特征，具有一定的优越性.

针对在移动机器人导航过程中,单一使用A* 算法或DWA(Dynamic Window Approach)算法无法兼具全局路径最优与实时避障的问题,提出一种基于改进A*与DWA相融合的移动机器人导航算法.首先,在改进A*算法中,引入环境信息自适应调整代价函数,提高搜索效率;并利用一种关键点选取策略剔除冗余点,保留必要的路径节点,从而规划出只具有关键点的全局路径.然后,在全局路径的基础上,构造结合关键点信息的DWA算法评价函数,进而应用DWA算法以关键点作为中间目标点规划局部路径,提高路径平滑性,实现全局路径最优以及实时避障功能.最后,通过仿真实验和真实环境实验的联合论证,验证了所提出导航算法的有效性和可行性.

手语是聋哑人进行信息交流的重要手段,而手语字母是手语的基本组成单元,手语字母识别也是人机交互的重要组成部分.手语识别作为一种新的人机交互方式,被广泛应用到虚拟现实系统.而现有的检测设备价格昂贵,检测方法精度低,检测速度慢,不能满足实时检测的要求,且在不同的设备间移植困难.Yolov5网络具有检测精度高,检测速度快,便于移植等优点,现以Yolov5网络为基础进行改进,融入SE通道注意力机制和ASFF自适应特征融合机制,并对数据集进行处理,增加在强光下带有投影以及复杂背景和进行灰度处理过的图片,使Yolov5对于图像高层的语义信息以及对底层的轮廓、边缘、颜色、形状信息利用的更加充分.与改进前的Yolov5模型相比,改进后的Yolov5-ASFF-SE模型在检测速度基本保持不变的前提下,检测精度提高了5.8%,平均检测精度MAP提高了6%,结果表明,改进的Yolov5-ASFF-SE模型能够实时,准确的对手语字母进行识别,且方便的移植到手机等便携设备中,方便聋哑人之间的交流,对未来人机交互的发展也具有一定的参考价值.

自然场景文本识别是计算机视觉领域的研究热点之一,在无人驾驶、图像检索、机器人导航等领域具有广泛的应用前景.由于自然场景中的文本图像存在背景复杂、透视失真、过度弯曲等现象,给文本识别带来了巨大的挑战.针对上述问题,本文提出了一种基于多路并行的位置关联网络(Multi-Path Parallel Location Association Network,MPLAN)的自然场景文本识别方法.首先,针对不规则文本图像,MPLAN使用文本矫正网络自适应学习图像变换,从而获得线性排列的文本图像.其次,为了捕获字符间的位置信息,MPLAN提出了位置关联模块,利用序列特征的有序性,通过捕获字符位置信息,以提高序列特征与目标字符的对齐准确度.此外,为了增强字符间的语义相关性,MPLAN提出了基于多路传输思想的并行注意力模块,获取全局语义信息,实现序列特征的上下文通信,从而锁定有效字符的位置.在包括规则文本、不规则文本在内的六个数据集上的实验结果表明,MPLAN能够有效利用位置信息与全局语义信息解码字符序列,特别是在识别不规则文本上取得了领先的性能.

针对黑猩猩优化算法(ChOA)在寻过程中求解精度低、收敛速度慢以及易陷入局部极值点等问题,提出一种新型的柯西扰动黑猩猩优化算法(CP-ChOA).首先采用佳点集映射初始化种群,增加算法在初始阶段的多样性;然后利用变异的柯西算子和反向学习策略,对当前最优位置进行扰动变异并产生新解,以提高算法的收敛速度,避免算法在迭代初期陷入局部极值;最后使用单纯形法策略改善最差个体的位置,增强算法的局部开发能力.选取8个基准函数和部分CEC2014测试函数进行试验仿真,结果表明CP-ChOA算法较标准ChOA算法、改进的ChOA算法以及其他元启发式算法具有更好的寻优性能,并通过优化2个工程设计问题,验证了CP-ChOA算法在工程上的可行性.

为了提高医用内窥镜图像的血管和组织对比度，本文提出一种融合技术.该方法分为两部分，第1部分基于剪裁直方图的加权分布伽玛校正（AGCWHD），利用负像策略实现亮图像增强，采用截断伽玛值的方法增强暗图像，基于对比度强弱增强中等亮度图像.之后采用改进的离散小波变换的奇异值分解（DWT-SVD）技术实现亮度增强.第2部分基于Lab颜色空间对奇异值均衡图像的L分量执行对比度受限的自适应直方图均衡（CLAHE）增强局部对比度.在实验室自建的LEI_D数据集上基于暗、中等和亮图像3类，将该方法与其他6种现有方法进行主观和客观分析，结果表明提议方法表现出良好的亮度调节和对比度增强效果，同时能够很好地保持色彩和血管及组织的边缘细节.

作为一种新兴的数据结构，知识图谱被广泛用于搜索引擎、推荐系统、对话系统等诸多领域中.知识图谱补全（knowledge graph completion）是通过不同的方法，对图谱中的三元组残缺项进行补充.本文以模型构造方法为视角，从Trans结构、神经网络和张量分解三类方法对已有知识图谱补全的相关技术研究进行深入探讨，分析了不同补全技术的优缺点.指出了Trans结构模型和张量分解模型适用于大规模的知识图谱补全，而神经网络模型适用于关系结构复杂的知识图谱补全；现有知识图谱补全技术存在关系复杂性高、语义信息难以获取、训练代价大、模型扩展性差等不足.从知识图谱中复杂关系处理、上下文语义获取、节点间长期依赖关系捕获、模型融合与可扩展性等方面来展望了知识图谱补全技术未来主要研究方向.

在细粒度图像分类任务中,巨大的类内方差决定了该任务的分类依赖于粗粒度和细粒度信息.最近的工作主要关注于如何定位不同粒度的辨别性局部来解决这个问题.然而,在如何选择具有辨别性的粒度以及融合多粒度特征方面,现有的工作还缺乏一定研究.因此,本文提出了一个融合多粒度特征的细粒度图像分类网络,首先通过一个局部错位模块选择细粒度图像中的不同粒度,然后引入注意力机制定位它们并提取其多粒度特征,并且通过迭代学习的方式提取多粒度间的互补信息,最后采用可变形卷积融合这些多粒度特征,从而实现细粒度图像分类.本文所提出的方法在CUB-200-2011、FGVC-Aircraft和Stanford Cars三个数据集上准确率分别达到 88.6%、93.6%和94.8%,这表明本文的方法能够获得优秀的分类性能.

目前,语音识别的测试需要提供语音及其转录文本,测试语音需要涵盖各个场景下的语音输入,因此,测试语音的数量远远不够.鉴于用户评论中包含用户使用场景等可辅助测试的信息,文中提出一种用户评论驱动的语音测试数据生成方法.首先,爬取移动应用市场中语音相关应用的用户评论,对其进行清洗和预处理.其次,提取评论中的语音属性并分析语音属性在评论中的组合.最后,通过数据蜕变对语音种子进行语音属性及其组合的变换,生成语音测试数据.文中对百度、阿里云和讯飞语音识别进行实验,通过语音种子与生成测试语音的输出结果是否一致来评估识别错误率.实验结果表明,生成的测试语音可以有效检测出三款语音识别软件中的错误行为.

事件检测是一项复杂的信息获取任务，在纯文本事件抽取中起着至关重要的作用.实际情况下，由于数据稀疏和自然语言的歧义性，事件检测任务面领着巨大的挑战.针对这些挑战，从先前工作利用一种额外的语言信息作为数据增强之中获得启发，本研究提出从多种自动翻译得到的多语言文本中挖掘互补信息，从而在一定程度上缓解数据稀疏和自然语言歧义的问题.为此，本研究设计实现了一种混合注意力神经网络模型HAN（hybrid attention network），其中的混合注意力模块通过一个上下文注意力机制和一个多语言注意力机制来实现从多种语言的信息中挖掘互补线索.实验在两个基准数据集上进行，结果证明了HAN模型在事件检测任务上的性能明显优于其他现有的模型.

针对平衡优化算法易陷入局部最优以及收敛速度慢等缺点,提出双曲正切高斯与两阶段反向学习平衡优化算法.首先,将双曲正切函数与黄金分割系数融入高斯分布动态调整算法的全局搜索能力,提高算法寻优精度;其次,为了缓解迭代中种群多样性减少,对种群个体执行遗传算法中交叉和变异操作,使种群最大程度上避免多样性减少;然后,通过两阶段反向学习,种群个体能够通过一般反向学习或随机反向学习增强算法逃离局部最优的能力和加快算法收敛的速度;最后,使用12个基准测试函数、CEC2014函数集、Wilcoxon秩和检验及Friedman秩检验测试改进算法的综合性能,并与其他改进群智能算法进行对比,实验结果表明改进算法优势明显.

方面级情感分析是情感分析的子任务,旨在判断评论目标的具体方面所对应的情感极性.近年来,深度神经网络模型在方面级情感分析问题上取得了较大进展.然而,现有的方面级情感分析模型仍存在方面信息丢失、没有充分利用句法依存关系等问题.本文提出了一种基于关系注意力机制的图卷积网络RAGCN(Relational Attention based Graph Convolutional Network).首先,RAGCN通过两个双向长短期记忆网络分别对句子和增强后的方面建模,以引导图卷积网络对向量表示进行更新.其次,为了区分上下文单词对给定方面情感的贡献,提出了一种关系注意力机制.该机制能充分利用评论节点间的边类型,结合双向长短期记忆网络的输出以捕获方面和上下文单词之间的关系.此外,为进一步提高模型的鲁棒性,RAGCN采用门控融合机制来过滤关系注意力层和图卷积网络层的输出,从而获取多更准确的句子表征向量.多个方面级情感分析数据集上的实验结果表明,RAGCN模型在准确度,Macro-F1方面均优于对比模型.

利用通信规则的多智能体算法通过智能体间交互信息进行协作，而其中信息质量决定了智能体协作能力与完成任务的能力，是提升智能体表现的关键因素.目前通信规则型算法存在通信信息产生方式单一、信息冗余等问题.针对以上问题本文提出了基于自注意力机制的信息处理模块TDU以及适配的信息产生智能体算法.首先，通过改进适配信息生成的强化学习算法作为智能体网络，通过网络学习生成适配信息，提高了智能体间信息产生的适配性并固定了信息选择的范围，降低了信息处理的难度.之后，利用基于自注意力机制的信息处理模块，对生成的信息进行筛选，提取高价值信息进行传输，提高智能体传递信息质量.本文提出的算法在经典智能体通信规则测试环境Swtich Riddle中进行了大量实验，并与主流通信规则型算法进行对比.实验结果表明，本文提出算法有效提高了智能体信息质量，加快了智能体学习速度，增强了智能体通信能力.

当前在线学习成绩预测研究主要考虑学习行为数据而忽略了学习者在学习过程中的情感状态,成绩预测的准确性仍有较大提升空间,结合学习者的情感特征定量预测学习成绩的研究亟需深入.因此,本文构建了基于自注意力机制的BiLSTM文本情感分类模型,获取情感概率分布向量;提出一种融合情感特征的在线学习成绩预测方法,获得学习者的动态学习状态并预测在线学习成绩;定量分析情感信息对在线学习成绩预测的影响.真实数据集上的实验结果表明：本文方法能有效提升在线课程论坛文本的情感分类效果和在线学习成绩预测的精度.

针对现有自监督学习的单目图像深度估计在分辨率较大情况下存在边缘模糊、物体轮廓不清晰等问题,本文提出一种结合视觉Transformer的多尺度通道注意力融合单目图像深度估计网络.首先,设计编码器-解码器模型,将视觉Transformer结构作为编码器在多个尺度上提取特征.其次,设计残差通道注意力融合的解码器,优化提取到的多尺度特征并实现上下级特征融合以提高上下文信息的利用率.最后,在多个尺度下对单目图像进行深度估计.本文提出的算法在KITTI数据集上进行实验.实验结果表明,所提出算法的深度图像质量和物体轮廓信息均高于现有算法,其绝对相对误差、平方相对误差和均方根误差分别达到了0.119、0.857和4.571,在不同阈值下的准确度达到了0.959、0.995和0.999,验证了所提算法的正确性和有效性.

传统恶意网页识别缺乏全局性、系统性考量,没有将网页作为有机整体,而是独立针对标签结构、URL地址、文本内容等特定层面特征开展研究,导致准确率较低.虽然已有学者提出融合特征思想,但依旧使用机器学习算法予以实现,特征工程工作量巨大,识别效率低下.针对上述问题,提出一种基于多特征融合的Tri-BERT-SENet模型,用于完成恶意网页的识别任务.利用获取得到的HTML特征、网页URL特征以及网页文本特征,结合BERT模型的上下文感知能力,将特征转化为3个BERT模型输出;之后将模型输出作为特征通道,使用SENet进行加权计算,最终输出识别结果.实验结果表明,与传统机器学习模型以及使用BERT对单一特征的识别方法相比,该检测方法在恶意网页识别的准确率上有较大提升.

云平台通常允许多个任务在云环境中同时执行，而任务调度是实现更好云计算性能的重要部分，其调度的效率直接影响到云平台计算资源利用率以及用户服务质量.针对云计算任务调度的核心寻求解的最优化问题，本文提出了一种混合算法，称为樽海鞘改进算法.此算法融合了反向学习原理扩大搜索空间，能够自适应的改变领导者的位置，并使得追随者根据几位领导者的位置更新自己，避免解陷入局部最优.本文采用CEC常用的23组测试函数进行测试，将结果与多个经典算法进行比较，证明了樽海鞘改进算法的优越性.同时在云仿真平台上进行模拟在云平台上进行任务调度的过程，通过与其他的几种算法的比较，证明了樽海鞘优化算法在任务调度方面应用的可行性，且有效缩短了云任务的完成时间，降低了完成成本.

方面级情感分类是自然语言处理研究领域的一个热点问题,旨在分类出文本中不同方面的情感.目前,大多数深度神经网络情感分类模型都采用均值注意力机制,这导致情感词不能有效获得相应权重的问题.为此,提出一种基于对抗学习的自适应加权方面级情感分类模型AWSCM(Adaptive Weighted aspect-level Sentiment Classification Model based on adversarial learning),旨在自适应地学习文本权重.首先,将训练文本预处理成方面词、句子、句子对形式的输入,通过BERT对输入编码.然后,通过对抗学习算法和训练文本计算扰动生成对抗样本.最后,通过注意力机制提取训练文本和对抗样本编码后的深层文本特征和自适应权重,再进行联合学习.实验结果表明,和大多数深度神经网络情感分类模型相比,AWSCM能提升情感分类的准确性.同时,通过消融实验,证明了AWSCM结构设计的合理性.

针对路边基础设施受损或失效情况下卸载任务无法被执行的状况，提出令拥有丰富计算资源的路边停放车辆彼此合作，执行车联网中移动车辆产生的计算密集型任务.在把一条道路的路边停放车辆组织成停车簇后，首先分析各卸载任务所需最佳资源量，接着提出基于深度强化学习（Deep Reinforcement Learning，DRL）的计算任务分块卸载算法，将任务划分为多个子任务后由多个停放车辆并行执行，以最小化任务执行延迟和执行任务能耗开销构成的总成本.大量仿真结果表明，本文所提算法的任务执行完成率大大高于其他对比算法，且具有最低的任务执行成本开销.

近年来,基于评论推荐模型的出现有效缓解了传统推荐算法存在的数据稀疏性问题.该类模型主要利用文本中丰富的语义信息更好地捕捉用户的偏好特征以及物品的属性特征,以补充更多的相关信息,提高推荐性能.文本特征的提取往往存在语义信息提取不精准的问题,导致推荐效果不理想.本文提出了融合评分与评论的深度评分预测模型(Deep Model combining Rating and Review,DMRR).一方面,该模型融合了评分数据与评论信息,利用评分矩阵引入物品可推荐度与用户偏好程度,使评论文本特征得到增强.另一方面,该模型有效结合了CNN与GRU进行文本信息特征提取,考虑了文本之间密切的依赖关系,以克服传统文本特征提取方法忽略上下文关系的不足.在Amazon上的4个子数据集和Yelp数据集的实验结果表明,该方法与已有的相关算法相比较,均有效地提高了评分预测准确性.

基于会话推荐的目标是根据给定的会话预测下一个交互项.针对现有基于会话推荐大多只关注某个用户交互项的连续项来捕获相关信息;以及利用知识图谱提供辅助信息的过程中忽略了多模态知识图中各种数据类型的问题.本文提出多模态知识图的用户微行为的会话模型,将用户微行为和多模态知识纳入基于会话推荐的多任务学习中,用户微行为对项目的建模在微观行为级别上,使用一系列项目操作对来充分捕获会话中的用户意图.提出多模态知识图注意力网络,通过使用多模态图注意机制进行信息传播,将得到的聚集嵌入表示进行推荐.考虑候选项目信息来平衡局部和全局表示的门控模块,门控模块利用多层感知器层对候选项目、最近交互项目和每个用户的全局偏好之间的关系进行建模来计算权重.在两个基准数据集的实验结果表明,本文所提模型优于最新基于会话的推荐,有利于提升推荐的准确率.

在众多聚类算法中,基于网格划分思想的聚类算法是较为常用的算法类型之一,但现有的算法对于处理海量高维数据而言,会存在以下两个问题：一是聚类结果的准确率较低;二是算法耗时较长.为了解决现有算法的不适应性,该文在网格聚类算法的基础上结合降维技术、自适应网格划分、相对熵和分布式计算,提出了一种改进的自适应网格划分的分布式聚类算法(AMCBS),可以较好解决以上问题.经实验证明,该算法对于D31标准数据集、UCI数据集、人脸图片数据集和GitHub文本数据集等的效果均优于常见的聚类算法,具有较好的准确率和较高的运行效率.

针对基本哈里斯鹰优化算法(Harris Hawks Optimization,HHO)存在易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出混合差分进化以及二次插值法改进的哈里斯鹰算法.首先,在初始化种群阶段使用Sobol产生均匀随机数,增强种群遍历性及多样性;其次,在探索阶段融合差分进化算法加速HHO算法的寻优过程以及精度,同时提高全局搜索能力;最后,开发阶段使用二次插值法改进包围策略,提高算法局部搜索能力.同时改进算法中还加入了简单的精英制度,通过子代与父代适应度比较选出较优的一代作为下一种群.通过对测试函数集优化求解验证,表明改进算法具有较好的寻优能力及收敛速度,同时能有效避免陷入局部最优解.

源代码摘要是一段用自然语言描述的有关源代码的简介.源程序和自然语言之间存在着巨大的差异，计算机程序生成的摘要很难满足实际的需要.本文提出了一个基于深度学习的代码摘要生成模型At-ComGen，该模型基于混合的注意力机制设计，使用编码器-解码器结构的神经网络搭建.为了保持源代码的文本和结构信息，At-ComGen模型在源代码编码过程中同时使用独立的词汇编码器和语法树编码器.At-ComGen的解码器中还创新性地引入了BERT预训练模型技术提高生成摘要的描述能力.实验结果表明，At-ComGen模型在BLUE、METEOR等评价指标上均优于目前流行的代码摘要生成模型.

全国政府机关、事业单位的采购网站每天都会发布数万条招投标信息，如何快速有效的分类这些数据，成为挖掘其相应价值的关键.本文针对网络上招投标文件缺乏标注、文本语义稀疏、数据来源多样、信息结构复杂等问题，提出了一种基于图卷积神经网络的半监督分类方法（BD-GCN）.该方法首先将爬取的招投标文件进行结构化清洗，并利用信息抽取技术构建为特殊的知识图谱模型，再融合外部文本信息，最后采用图卷积神经网络实现招投标文件的半监督分类.本文利用在网络上爬取的36123条招投标文件进行实验，并与当前流行的分类方法进行对比.实验结果表明，BD-GCN能有效提高分类的准确率.

研究了卫星网络边缘计算的多低轨卫星计算卸载问题，每颗低轨卫星可以将计算工作负载卸载到高轨卫星或者地面云计算中心.为了获得无线资源分配和卸载决策的最优策略，研究了联合无线和计算资源分配的低轨卫星能耗和系统时延最小化问题，并提出了低复杂度解决算法.首先将问题分解为计算资源分配和通信资源分配，分别通过拉格朗日乘子法和凸优化方法求解优化问题，最后通过局部寻优给出卸载决策的近似最优解.仿真结果表明，通过有效地卸载决策和功率、带宽及计算资源分配，所提算法能够降低系统开销.同时，与现有启发式方法相比，所提出的卸载算法所需的运行时间显著降低，并且随着用户数的增加优势更加明显.

为了解决传统区域生长点云分割算法因种子点选择不当或者生长策略设计不当导致的欠分割或过分割现象,本文提出利用图像中目标对象边缘得到目标点云边缘点作为种子点的区域生长点云分割算法.首先通过激光雷达与相机联合标定融合采集到的点云与图像,然后根据图像中目标对象边缘以及图像与点云的映射关系提取出目标对象点云的边缘点,接着以边缘点为种子点,根据边缘的性质设计出相关的生长策略,最后进行区域生长分割得到目标点云.实验结果表明,相比其它三种主流点云分割算法,本文算法可以从数据量大的稠密点云中以高精度分割出目标点云,并且有效避免欠分割与过分割现象.

针对麻雀搜索算法(SSA)收敛速度慢,易陷入局部最优的问题,提出一种螺旋探索与自适应混合变异的麻雀搜索算法(SHSSA).首先,采用一种无限次折叠的ICMIC混沌初始化种群,增加种群多样性和遍历性,为全局寻优奠定基础;其次,融入一种螺旋探索策略,增强发现者探索未知区域的能力,提高算法的全局搜索性能;然后,提出一种基于精英差分和随机反向的混合变异策略,加快算法收敛速度,改善算法跳出局部最优的能力.基于12个基准测试函数的仿真结果表明,SHSSA与其余3种算法及2种改进的麻雀搜索算法相比,收敛速度更快、寻优精度更高,稳定性更强.最后,将SHSSA应用于多阈值图像分割中,实验结果表明,相较于基本SSA算法,SHSSA的分割速度和分割精度均得到了提升.

随着网络通信技术和汽车产业的快速发展，车联网内数据交互日益频繁，同时，车联网的安全问题也日益严重.本文首先介绍了针对车联网的多个攻击案例，并引入模糊测试这一解决方案.其次，介绍智能车联网架构，从车载有线网络协议和车载无线通信技术进行分析.之后，介绍模糊测试在车联网中的流程与分类，从测试用例的生成、异常检测手段和测试评估指标三方面分析车联网模糊测试的发展现状.最后展望了车联网模糊测试的未来发展方向.

本文基于分数阶Chen超混沌系统,压缩感知以及伯恩斯坦多项式嵌入提出了一具有视觉意义的图像加密算法,其旨在同时实现对图像数据和图像外形的双重保护.整个的加密过程主要由预加密和嵌入这两个阶段组成.在预加密阶段,首先利用Arnold置乱和由改进型Sine映射所产生的受控测量矩阵对明文图像的小波系数进行加密和压缩.接着再将加密数据线性量化到0到255之间以产生类噪声秘密图像.同时为了降低遭到攻击的可能性,在嵌入阶段中,本文采用伯恩斯坦多项式嵌入将类噪声秘密图像隐藏到某一可公开获取的载体图像中以生成具有视觉意义的密文图像.另外,明文特征值用于生成加密过程中的密码流,从而提高了加密算法抵抗明文攻击的能力.最后,仿真实验和安全性分析表明本文提出的加密算法是有效的,同时具有很好的视觉安全性和解密质量.

通过卷积神经网络建模,利用染色体的原始相互作用频率(IF)矩阵中的值推断矩阵邻近区域,以降低矩阵的稀疏程度形成相对稠密矩阵;将相对稠密矩阵转换为距离矩阵,构建加权无向图,计算图中任意两个顶点之间的最短路径,以补全矩阵剩余未知部分的值,形成完整距离矩阵;运用多维缩放方法在完整距离矩阵上推断出染色体三维结构.在高通量染色体构象捕获(Hi-C)数据上的实验结果表明,相较于已有的代表性同类算法,本文给出的算法能够获得更小的均方根误差值、更大的Pearson相关系数值,所重构的染色体三维结构与真实结构更相似.

针对软件缺陷预测中不平衡数据的分类问题,提出了一种基于过采样和集成学习的类不平衡软件缺陷预测模型XG-AJCC(AJCC-Ram+XGBoost).在预处理阶段,提出了AJCC-Ram(Adaptive Judgment Cure Clustering Random Sampling)多层次过采样方法.该方法基于改进的ADASYN自适应过采样和CURE-SMOTE过采样分别在类边缘和类中心层面生成新样本,通过CLNI方法对样本生成后的数据集进行噪声过滤及清理.在模型构建阶段,与集成算法XGBoost(eXtreme Gradient Boosting)相结合形成最终的不平衡数据缺陷预测模型.本文在AEEEM数据集和NASA数据集中进行了验证,实验结果表明：较于经典的采样方法和采样集成预测模型,在F1指标上AJCC-Ram过采样方法及XG-AJCC采样集成算法模型均能够取得有效的预测结果.

基于视觉的自动驾驶任务挑战主要来自环境信息维度高和训练数据分布偏差大2个方面.针对环境信息维度高的挑战，融合时空特征的视觉自动驾驶算法(Space-Time Reinforce Learning Auto Driving，简称STRLAD)使用双流网络络进行特征提取，包含(ⅰ)感知网络：从摄像头中低速抽取RGB图片作为输入，完成图片整体特征提取；(ⅱ)运动网络：从视频中高速获取灰度图作为输入，完成物体运动特征提取；(ⅲ) 感知网络和运动网络在各个特征层使用注意力机制进行融合，完成对环境的特征表示.针对训练数据分布偏差的问题，STRLAD算法以双流网络提取的特征为输入，使用Soft Actor-Critic算法学习驾驶策略,缓解数据偏差和泛化问题.STRLAD算法使用CARLA模拟器进行训练和验证，实验结果表明STRLAD算法能够在复杂的城市尤其多动态物体的环境中能够完成自动驾驶，完成率达到89%.