- 最新动态
- 推荐文章
快速检索
过刊检索
全选反选导出
显示模式：
2026,35(3):1-12, DOI: 10.15888/j.cnki.csa.010090, CSTR: 32024.14.csa.010090
摘要：
2018年, 麻省理工学院的研究人员从秀丽隐杆线虫的神经网络中得到启发, 提出了液态神经网络(liquid neural network, LNN), 这种神经网络更接近于人类大脑的思维模式, 可以更高效地处理时序任务. 本文对液态神经网络相关研究进行了介绍和分析, 首先总结了液态神经网络的原理模型及其与简单循环神经网络(Simple RNN)、长短时记忆(LSTM)网络和时间常数循环神经网络(TC-RNN)的区别与联系, 以及其相对于时间常数循环神经网络所具有的优势. 接着介绍了液态神经网络在汽车自动驾驶、无人机导航以及股票预测中的应用, 分析了其中采用的液态神经网络模型. 最后对其面临的问题和挑战进行了总结和展望.
2018年, 麻省理工学院的研究人员从秀丽隐杆线虫的神经网络中得到启发, 提出了液态神经网络(liquid neural network, LNN), 这种神经网络更接近于人类大脑的思维模式, 可以更高效地处理时序任务. 本文对液态神经网络相关研究进行了介绍和分析, 首先总结了液态神经网络的原理模型及其与简单循环神经网络(Simple RNN)、长短时记忆(LSTM)网络和时间常数循环神经网络(TC-RNN)的区别与联系, 以及其相对于时间常数循环神经网络所具有的优势. 接着介绍了液态神经网络在汽车自动驾驶、无人机导航以及股票预测中的应用, 分析了其中采用的液态神经网络模型. 最后对其面临的问题和挑战进行了总结和展望.
2026,35(3):13-22, DOI: 10.15888/j.cnki.csa.010102, CSTR: 32024.14.csa.010102
摘要：
在医疗领域, 检索增强生成(RAG)被提出以减少大语言模型幻觉, 并提供更多的可解释性和可控性, 然而现有技术面临对低频实体的召回能力较弱、难以处理模糊冗长或多义性强的查询的问题, 本文提出一种面向大语言模型的迭代式混合检索增强生成(iterative hybrid retrieval-augmented generation, IHRAG)方法以提升对复杂问题的意图解析能力, 增强模型在知识挖掘方面的表现, 使大语言模型生成更加准确的回答. 该框架通过动态路由机制协同调度向量检索的语义泛化能力与知识图谱的结构化推理能力, 结合医疗本体驱动的查询解构算法, 将复杂临床问题分解为可检索的原子子问题, 并引入知识缺口感知的神经符号扩展模型与“检索-验证-迭代”闭环优化机制, 构建了从表层信息提取到深层知识挖掘的递进式发现流程. 实验结果表明, IHRAG在Qwen、DeepSeek等不同规模基础模型上均显著提升性能, 最高可使准确性提升11.12个百分点, 优秀回答率提升17个百分点.
在医疗领域, 检索增强生成(RAG)被提出以减少大语言模型幻觉, 并提供更多的可解释性和可控性, 然而现有技术面临对低频实体的召回能力较弱、难以处理模糊冗长或多义性强的查询的问题, 本文提出一种面向大语言模型的迭代式混合检索增强生成(iterative hybrid retrieval-augmented generation, IHRAG)方法以提升对复杂问题的意图解析能力, 增强模型在知识挖掘方面的表现, 使大语言模型生成更加准确的回答. 该框架通过动态路由机制协同调度向量检索的语义泛化能力与知识图谱的结构化推理能力, 结合医疗本体驱动的查询解构算法, 将复杂临床问题分解为可检索的原子子问题, 并引入知识缺口感知的神经符号扩展模型与“检索-验证-迭代”闭环优化机制, 构建了从表层信息提取到深层知识挖掘的递进式发现流程. 实验结果表明, IHRAG在Qwen、DeepSeek等不同规模基础模型上均显著提升性能, 最高可使准确性提升11.12个百分点, 优秀回答率提升17个百分点.
2026,35(3):23-31, DOI: 10.15888/j.cnki.csa.010109, CSTR: 32024.14.csa.010109
摘要：
针对新型网络攻击初始阶段样本稀缺导致入侵检测模型泛化能力不足、检测效果差等问题, 本文提出一种基于扩散模型的小样本入侵检测方法. 该方法在数据增强层面构建噪声感知的条件扩散模型, 采用余弦噪声调度平衡生成效率与样本质量, 并通过残差连接增强特征传播稳定性, 从而提升合成流量数据的分布保真度. 在特征度量层面, 设计动态原型网络结构, 利用多头注意力优化类原型表示, 缓解小样本特征稀疏问题; 同时采用交叉熵损失与正交正则项的联合优化策略, 增强类内聚合与类间区分度. 在两个公开数据集上的实验结果表明, 该模型在小样本场景下的准确率和泛化能力均优于其他检测方法, 为小样本入侵检测提供了新的解决思路.
针对新型网络攻击初始阶段样本稀缺导致入侵检测模型泛化能力不足、检测效果差等问题, 本文提出一种基于扩散模型的小样本入侵检测方法. 该方法在数据增强层面构建噪声感知的条件扩散模型, 采用余弦噪声调度平衡生成效率与样本质量, 并通过残差连接增强特征传播稳定性, 从而提升合成流量数据的分布保真度. 在特征度量层面, 设计动态原型网络结构, 利用多头注意力优化类原型表示, 缓解小样本特征稀疏问题; 同时采用交叉熵损失与正交正则项的联合优化策略, 增强类内聚合与类间区分度. 在两个公开数据集上的实验结果表明, 该模型在小样本场景下的准确率和泛化能力均优于其他检测方法, 为小样本入侵检测提供了新的解决思路.
2026,35(3):32-43, DOI: 10.15888/j.cnki.csa.010103, CSTR: 32024.14.csa.010103
摘要：
分子性质预测和化合物-蛋白质相互作用(CPI)预测是药物发现中的关键环节, 但传统图卷积网络(GCN)受限于局部感受野, 难以充分捕捉化学结构复杂性、分子构象动态变化以及长程电子相互作用等信息, 预测性能存在瓶颈. 为解决这一问题, 本文提出了一种深度学习模型T-SeGAT, 用于提升分子性质和 CPI 预测的准确性与泛化能力. 该模型融合了ESM-2蛋白语言模型、ChemBERTa分子语言模型以及基于图注意力网络(GAT)与Set2Set 的图神经网络, 实现从序列到结构的多层次特征提取与融合. 同时, 针对实验数据的不平衡问题, 模型在数据加载、损失计算和预测决策这3个层面引入加权随机采样、平衡/焦点/自适应损失函数以及动态阈值搜索机制, 并结合基于 AUC 差值的过拟合抑制方法、早停策略和学习率调度, 提升训练稳定性与泛化能力. 本文在 BACE、P53 和 hERG 数据集上进行分子性质预测实验, 在Human和C. elegans 数据集上进行 CPI 预测实验, 均采用分层5折交叉验证进行性能评估. 实验结果表明, T-SeGAT 在所有数据集上均优于现有基线模型, 其中在 BACE 和 hERG 数据集上, AUC和精确率分别较次优模型提升0.022、0.010 和0.004、0.022, 在 Human 数据集上的精确率提升 0.013. 综合实验结果表明, T-SeGAT在精度、稳定性和实用性方面表现出显著优势, 为药物发现过程中的分子性质预测与 CPI 预测提供了有力支持.
分子性质预测和化合物-蛋白质相互作用(CPI)预测是药物发现中的关键环节, 但传统图卷积网络(GCN)受限于局部感受野, 难以充分捕捉化学结构复杂性、分子构象动态变化以及长程电子相互作用等信息, 预测性能存在瓶颈. 为解决这一问题, 本文提出了一种深度学习模型T-SeGAT, 用于提升分子性质和 CPI 预测的准确性与泛化能力. 该模型融合了ESM-2蛋白语言模型、ChemBERTa分子语言模型以及基于图注意力网络(GAT)与Set2Set 的图神经网络, 实现从序列到结构的多层次特征提取与融合. 同时, 针对实验数据的不平衡问题, 模型在数据加载、损失计算和预测决策这3个层面引入加权随机采样、平衡/焦点/自适应损失函数以及动态阈值搜索机制, 并结合基于 AUC 差值的过拟合抑制方法、早停策略和学习率调度, 提升训练稳定性与泛化能力. 本文在 BACE、P53 和 hERG 数据集上进行分子性质预测实验, 在Human和C. elegans 数据集上进行 CPI 预测实验, 均采用分层5折交叉验证进行性能评估. 实验结果表明, T-SeGAT 在所有数据集上均优于现有基线模型, 其中在 BACE 和 hERG 数据集上, AUC和精确率分别较次优模型提升0.022、0.010 和0.004、0.022, 在 Human 数据集上的精确率提升 0.013. 综合实验结果表明, T-SeGAT在精度、稳定性和实用性方面表现出显著优势, 为药物发现过程中的分子性质预测与 CPI 预测提供了有力支持.
2026,35(3):44-58, DOI: 10.15888/j.cnki.csa.010100, CSTR: 32024.14.csa.010100
摘要：
生成式文本摘要旨在通过理解输入的原始文本生成简洁、易读的摘要. 然而, 现有模型输出的摘要中仍存在语义冗余、事实性错误以及暴露偏差的问题. 解决这些问题对于提升模型性能和摘要质量具有重要的研究意义. 因此, 提出一种融合知识增强与SimCLS框架的生成式文本摘要模型. 首先, 设计了知识增强编码器获取源文本的结构化知识信息以维护全局上下文的结构信息, 并结合文本编码器充分编码全文语义信息. 其次, 在解码器部分利用Copy机制, 更加准确地再现原始文本中的信息. 最后, 使用SimCLS两阶段的对比学习训练框架, 对模型生成的摘要进行评分以驱动模型生成高质量摘要. 实验结果表明, 相较于表现较为优异的SeqCo模型, 所提模型在CNN/Daily Mail数据集上的ROUGE-1/2/L及BERTScore分别提升了1.84、0.65、2.04和0.21个百分点, 在XSum数据集上分别提升了1.78、2.16、2.36和0.13个百分点, 验证了模型的有效性.
生成式文本摘要旨在通过理解输入的原始文本生成简洁、易读的摘要. 然而, 现有模型输出的摘要中仍存在语义冗余、事实性错误以及暴露偏差的问题. 解决这些问题对于提升模型性能和摘要质量具有重要的研究意义. 因此, 提出一种融合知识增强与SimCLS框架的生成式文本摘要模型. 首先, 设计了知识增强编码器获取源文本的结构化知识信息以维护全局上下文的结构信息, 并结合文本编码器充分编码全文语义信息. 其次, 在解码器部分利用Copy机制, 更加准确地再现原始文本中的信息. 最后, 使用SimCLS两阶段的对比学习训练框架, 对模型生成的摘要进行评分以驱动模型生成高质量摘要. 实验结果表明, 相较于表现较为优异的SeqCo模型, 所提模型在CNN/Daily Mail数据集上的ROUGE-1/2/L及BERTScore分别提升了1.84、0.65、2.04和0.21个百分点, 在XSum数据集上分别提升了1.78、2.16、2.36和0.13个百分点, 验证了模型的有效性.
2026,35(3):59-68, DOI: 10.15888/j.cnki.csa.010107, CSTR: 32024.14.csa.010107
摘要：
传统多模态情感分析方法在特征拼接和融合中易产生信息冗余, 难以捕捉细粒度复杂情感特征, 在模态缺失和跨域迁移场景下鲁棒性不足. 同时, 现有混合专家(MoE)方法大多为单层结构, 专家分工不明确, 存在功能重叠和泛化性欠佳的问题. 本文提出一种分层自适应混合专家模型H-GEM (hierarchical gated expert mixture). 通过构建3层分级专家体系: 模态专家层提炼模态特征; 融合与抽象专家层自适应选择融合策略; 情感极性专家层进行细粒度建模. 同时引入信息论与判别性约束提升专家选择的语义区分性和稀疏性. 通过分层门控实现逐级决策, 保证专家差异化分工与跨任务建模. 在CMU-MOSI和CMU-MOSEI数据集上的实验结果表明, H-GEM在一系列指标上均优于基线模型. 与单层MoE架构相比, 显著降低的路由熵表明其能够有效缓解专家冗余问题. 该模型在低资源和模态缺失复杂任务中表现出更高的鲁棒性, 展现出良好的应用潜力.
传统多模态情感分析方法在特征拼接和融合中易产生信息冗余, 难以捕捉细粒度复杂情感特征, 在模态缺失和跨域迁移场景下鲁棒性不足. 同时, 现有混合专家(MoE)方法大多为单层结构, 专家分工不明确, 存在功能重叠和泛化性欠佳的问题. 本文提出一种分层自适应混合专家模型H-GEM (hierarchical gated expert mixture). 通过构建3层分级专家体系: 模态专家层提炼模态特征; 融合与抽象专家层自适应选择融合策略; 情感极性专家层进行细粒度建模. 同时引入信息论与判别性约束提升专家选择的语义区分性和稀疏性. 通过分层门控实现逐级决策, 保证专家差异化分工与跨任务建模. 在CMU-MOSI和CMU-MOSEI数据集上的实验结果表明, H-GEM在一系列指标上均优于基线模型. 与单层MoE架构相比, 显著降低的路由熵表明其能够有效缓解专家冗余问题. 该模型在低资源和模态缺失复杂任务中表现出更高的鲁棒性, 展现出良好的应用潜力.
快速检索
过刊检索
全选反选导出
显示模式：
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010111
摘要：
针对现有文本去毒方法未充分考虑隐式毒性以及去毒后文本质量较差的问题, 提出一种多阶段多目标优化的文本去毒框架MSMO-Detox (multi-stage multi-objective detoxification). 本方法采用3阶段级联处理实现精准去毒: 首先运用基于标记的毒性解释技术, 通过传播分解向量以精确识别毒性贡献度超阈值的词元并进行掩码处理; 随后采用专家乘积(product of experts, PoE)框架进行词元生成, 替换掉被掩码词元; 最后实施多目标重排序策略, 从隐式毒性、文本流畅度、语义保留这3个维度综合评估候选句子, 选取评分最优的候选句作为输出. 实验结果表明, 在MAgr、SBF、DynaHate、Jigsaw数据集上, MSMO-Detox相较于不同数据集上的最优基线方法, 毒性指标分别平均下降23.1%、23.9%、17.6%、5.6%, 此外, 文本流畅度与语义保留能力也得到改善. 可见, MSMO-Detox在文本去毒任务中具有显著优势, 特别是在网络生态优化中, 该方法可以作为网络生态优化中去除网络暴力的重要工具, 用于有毒文本的风格迁移.
针对现有文本去毒方法未充分考虑隐式毒性以及去毒后文本质量较差的问题, 提出一种多阶段多目标优化的文本去毒框架MSMO-Detox (multi-stage multi-objective detoxification). 本方法采用3阶段级联处理实现精准去毒: 首先运用基于标记的毒性解释技术, 通过传播分解向量以精确识别毒性贡献度超阈值的词元并进行掩码处理; 随后采用专家乘积(product of experts, PoE)框架进行词元生成, 替换掉被掩码词元; 最后实施多目标重排序策略, 从隐式毒性、文本流畅度、语义保留这3个维度综合评估候选句子, 选取评分最优的候选句作为输出. 实验结果表明, 在MAgr、SBF、DynaHate、Jigsaw数据集上, MSMO-Detox相较于不同数据集上的最优基线方法, 毒性指标分别平均下降23.1%、23.9%、17.6%、5.6%, 此外, 文本流畅度与语义保留能力也得到改善. 可见, MSMO-Detox在文本去毒任务中具有显著优势, 特别是在网络生态优化中, 该方法可以作为网络生态优化中去除网络暴力的重要工具, 用于有毒文本的风格迁移.
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010123
摘要：
随着不确定知识图谱(uncertain knowledge graph, UKG)在开放世界知识表示中的广泛应用, 其内部所建模的概率型关系日益复杂. 仅依赖嵌入表示或简单的模式匹配方法, 已难以满足对高质量推理结果的需求. 因此, 引入高置信、可解释的规则挖掘机制, 对于提升UKG的推理能力与知识可解释性具有重要意义. 为此本文提出了一种基于BERT语义建模与结构路径规则挖掘的不确定知识图谱补全模型UBERT-RM (uncertain knowledge graph BERT-rule mining). UBERT-RM构建了一个端到端的统一框架, 将子图建模、路径生成与置信度预测有机融合于一体. 模型利用BERT提取三元组的上下文语义表征, 路径生成模块采用Transformer解码器结构, 以自回归方式逐步生成高置信度的关系路径. 规则解析模块中引入动态置信度阈值机制, 对节点进行筛选与解析, 确保最终的推理路径在保持语义连贯的同时具备良好的可信度与可解释性. 在置信度预测部分, 模型将生成的规则与目标三元组共同编码, 通过多头自注意力机制进行深层语义交互与信息聚合, 并引入多层感知机实现对尾实体置信度的回归建模, 从而完成从路径挖掘到置信度预测的闭环推理过程. 在CN15k和NL27k数据集上的实验结果表明, UBERT-RM在链接预测任务中的效果都达到了最佳.
随着不确定知识图谱(uncertain knowledge graph, UKG)在开放世界知识表示中的广泛应用, 其内部所建模的概率型关系日益复杂. 仅依赖嵌入表示或简单的模式匹配方法, 已难以满足对高质量推理结果的需求. 因此, 引入高置信、可解释的规则挖掘机制, 对于提升UKG的推理能力与知识可解释性具有重要意义. 为此本文提出了一种基于BERT语义建模与结构路径规则挖掘的不确定知识图谱补全模型UBERT-RM (uncertain knowledge graph BERT-rule mining). UBERT-RM构建了一个端到端的统一框架, 将子图建模、路径生成与置信度预测有机融合于一体. 模型利用BERT提取三元组的上下文语义表征, 路径生成模块采用Transformer解码器结构, 以自回归方式逐步生成高置信度的关系路径. 规则解析模块中引入动态置信度阈值机制, 对节点进行筛选与解析, 确保最终的推理路径在保持语义连贯的同时具备良好的可信度与可解释性. 在置信度预测部分, 模型将生成的规则与目标三元组共同编码, 通过多头自注意力机制进行深层语义交互与信息聚合, 并引入多层感知机实现对尾实体置信度的回归建模, 从而完成从路径挖掘到置信度预测的闭环推理过程. 在CN15k和NL27k数据集上的实验结果表明, UBERT-RM在链接预测任务中的效果都达到了最佳.
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010137
摘要：
雷达回波外推被广泛用于降水预测和气象灾害预警等任务, 近年来结合深度学习的时序预测模型有效提升了预测效果, 但是仍然存在着全局依赖建模不足、预报图像模糊等问题. 为了提升预测精度, 提出一种融合动态窗口注意力与长短期记忆网络的雷达回波外推模型DMLSTM (dynamic window attention memory-enhanced LSTM). 首先, 通过动态双缩放窗口注意力精准捕捉多尺度气象结构; 同步采用记忆增强型滑动窗口维持时空连续演化; 再由自适应残差门控单元抑制长程特征衰减并增强突变响应; 最终, 借梯度对齐型多尺度注意力损失函数保持关键气象结构的物理运动约束. 实验结果表明, 在深圳雷达回波数据集上, 相较最优基线模型(SwinLSTM-B), 本研究模型参数量小幅增加, 经结构优化后, 单轮推理耗时增加5%, 但均方误差(MSE)降低了10.3%, 结构相似性(SSIM)提升了1.4%. 在Moving MNIST数据集上, MSE降低14.9%, SSIM达0.926. 实验结果验证了该模型在雷达回波外推任务的先进性及其泛化能力.
雷达回波外推被广泛用于降水预测和气象灾害预警等任务, 近年来结合深度学习的时序预测模型有效提升了预测效果, 但是仍然存在着全局依赖建模不足、预报图像模糊等问题. 为了提升预测精度, 提出一种融合动态窗口注意力与长短期记忆网络的雷达回波外推模型DMLSTM (dynamic window attention memory-enhanced LSTM). 首先, 通过动态双缩放窗口注意力精准捕捉多尺度气象结构; 同步采用记忆增强型滑动窗口维持时空连续演化; 再由自适应残差门控单元抑制长程特征衰减并增强突变响应; 最终, 借梯度对齐型多尺度注意力损失函数保持关键气象结构的物理运动约束. 实验结果表明, 在深圳雷达回波数据集上, 相较最优基线模型(SwinLSTM-B), 本研究模型参数量小幅增加, 经结构优化后, 单轮推理耗时增加5%, 但均方误差(MSE)降低了10.3%, 结构相似性(SSIM)提升了1.4%. 在Moving MNIST数据集上, MSE降低14.9%, SSIM达0.926. 实验结果验证了该模型在雷达回波外推任务的先进性及其泛化能力.
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010138
摘要：
针对高吞吐网络环境下的带宽隔离需求, 本文提出一种基于FPGA的硬件化令牌桶带宽限制技术. 通过设计“时间驱动”模型, 将传统周期累积式令牌桶转化为发送时间计算机制, 避免令牌逐周期更新带来的开销; 结合整数化等效令牌注入技术, 在消除浮点运算的同时, 实现了10 Mb/s–100 Gb/s范围内的精细化速率控制. 系统采用流水线架构与双端口BRAM优化, 支持超过4k队列的并行限速调度控制. 在Xilinx Alveo U200平台上的实验结果表明, 所提方案在单队列调度场景下吞吐率提升近100%, 资源开销显著降低(LUT减少89%, 寄存器减少77%, BRAM减少≥20%), 速率控制误差低于0.1%. 本技术为高性能网络系统提供了一种具备纳秒级精度和高扩展性的带宽隔离解决方案.
针对高吞吐网络环境下的带宽隔离需求, 本文提出一种基于FPGA的硬件化令牌桶带宽限制技术. 通过设计“时间驱动”模型, 将传统周期累积式令牌桶转化为发送时间计算机制, 避免令牌逐周期更新带来的开销; 结合整数化等效令牌注入技术, 在消除浮点运算的同时, 实现了10 Mb/s–100 Gb/s范围内的精细化速率控制. 系统采用流水线架构与双端口BRAM优化, 支持超过4k队列的并行限速调度控制. 在Xilinx Alveo U200平台上的实验结果表明, 所提方案在单队列调度场景下吞吐率提升近100%, 资源开销显著降低(LUT减少89%, 寄存器减少77%, BRAM减少≥20%), 速率控制误差低于0.1%. 本技术为高性能网络系统提供了一种具备纳秒级精度和高扩展性的带宽隔离解决方案.
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010120
摘要：
在复杂堆叠环境中, 引入推动动作辅助机械臂抓取可以提升抓取成功率. 然而, 现有推抓协同方法中存在网络特征提取能力不足与推动策略低效等问题. 针对上述问题, 本文提出一种改进的基于深度Q网络 (DQN)的推抓协同算法. 该方法在感知-动作策略网络中引入高效多尺度注意力(efficient multi-scale attention, EMA)机制, EMA模块通过通道分组与跨空间建模增强对物体边缘、物体表面等关键任务特征的提取能力; 同时, 设计基于图像频域能量变化与能量质心位移的推动有效性评估机制, 构建更具判别力的奖励函数, 以引导智能体学习有效的推抓协同策略. 在CoppeliaSim仿真环境平台上的实验表明, 本文方法相较于METOVPG等基线方法, 在抓取成功率和动作效率方面均有显著提升. 其中, 在仿真环境下测试抓取成功率提升21.2%, 验证了所提注意力机制与奖励设计在复杂场景下的有效性与协同优势.
在复杂堆叠环境中, 引入推动动作辅助机械臂抓取可以提升抓取成功率. 然而, 现有推抓协同方法中存在网络特征提取能力不足与推动策略低效等问题. 针对上述问题, 本文提出一种改进的基于深度Q网络 (DQN)的推抓协同算法. 该方法在感知-动作策略网络中引入高效多尺度注意力(efficient multi-scale attention, EMA)机制, EMA模块通过通道分组与跨空间建模增强对物体边缘、物体表面等关键任务特征的提取能力; 同时, 设计基于图像频域能量变化与能量质心位移的推动有效性评估机制, 构建更具判别力的奖励函数, 以引导智能体学习有效的推抓协同策略. 在CoppeliaSim仿真环境平台上的实验表明, 本文方法相较于METOVPG等基线方法, 在抓取成功率和动作效率方面均有显著提升. 其中, 在仿真环境下测试抓取成功率提升21.2%, 验证了所提注意力机制与奖励设计在复杂场景下的有效性与协同优势.
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010124
摘要：
针对车联网(Internet of Vehicles, IoV)中大多数基于位置的路由协议存在传输时延高的问题, 提出一种基于移动贝叶斯和仿生智能算法的路由协议. 首先, 该协议在原贪心周界无状态路由(greedy perimeter stateless routing, GPSR)协议的基础上引入动态贝叶斯网络(dynamic Bayesian network, DBN), 用于预测车辆下一时刻位置, 然后确定下一时刻距离源节点最远且最可靠的节点. 基于所确定的节点确定可信通信范围, 在可信通信范围内添加移动性的概念来选择下一跳. 其次, 如果不符合贪心转发条件而转入周界转发, 该协议采用蛙跳算法(shuffled frog leaping algorithm, SFLA)、蚁群优化算法(ant colony optimization algorithm, ACO)和左右手法则确定下一跳路由路径. 实验结果表明, 该协议在高速公路场景中的数据包丢失率(packet loss rate, PLR)和吞吐量均优于经典GPSR、无线自组网按需平面距离向量路由(ad-hoc on-demand distance vector routing, AODV)协议、基于粒子群优化的GPSR (particle swarm optimization based GPSR, PSO-GPSR)协议和最大累计通信持续时间最小角度GPSR (maxduration-minangle GPSR, MM-GPSR)协议.
针对车联网(Internet of Vehicles, IoV)中大多数基于位置的路由协议存在传输时延高的问题, 提出一种基于移动贝叶斯和仿生智能算法的路由协议. 首先, 该协议在原贪心周界无状态路由(greedy perimeter stateless routing, GPSR)协议的基础上引入动态贝叶斯网络(dynamic Bayesian network, DBN), 用于预测车辆下一时刻位置, 然后确定下一时刻距离源节点最远且最可靠的节点. 基于所确定的节点确定可信通信范围, 在可信通信范围内添加移动性的概念来选择下一跳. 其次, 如果不符合贪心转发条件而转入周界转发, 该协议采用蛙跳算法(shuffled frog leaping algorithm, SFLA)、蚁群优化算法(ant colony optimization algorithm, ACO)和左右手法则确定下一跳路由路径. 实验结果表明, 该协议在高速公路场景中的数据包丢失率(packet loss rate, PLR)和吞吐量均优于经典GPSR、无线自组网按需平面距离向量路由(ad-hoc on-demand distance vector routing, AODV)协议、基于粒子群优化的GPSR (particle swarm optimization based GPSR, PSO-GPSR)协议和最大累计通信持续时间最小角度GPSR (maxduration-minangle GPSR, MM-GPSR)协议.
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010131
摘要：
针对深度学习模型在分布偏移场景中泛化能力不足的问题, 在Mamba状态空间模型的基础上, 提出一种融合反事实语义增强和因果注意力机制的领域泛化方法, 通过设计反事实语义增强模块, 实现前景-背景解耦与重组生成反事实特征, 显式构建“前景保持、背景干预”的因果情境, 有效削弱背景-标签的伪相关性, 强化模型对因果语义前景的挖掘能力, 引导其关注稳定可靠的语义关联; 进一步提出因果注意力机制, 将上述模块提取到的因果语义信息显式嵌入Mamba状态更新过程, 以提高特征的因果一致性. 整体模型结构实现了对前景与背景信息的动态区分与融合. 在标准领域泛化基准上的实验结果表明, 本文方法在PACS、OfficeHome、VLCS和TerraIncognita数据集上平均准确率分别达到91.9%、77.0%、81.1%和54.9%, 均优于现有SOTA方法, 证实本文方法显著提高了模型对前景语义区域的关注一致性, 展现出优越的可解释性与泛化性能.
针对深度学习模型在分布偏移场景中泛化能力不足的问题, 在Mamba状态空间模型的基础上, 提出一种融合反事实语义增强和因果注意力机制的领域泛化方法, 通过设计反事实语义增强模块, 实现前景-背景解耦与重组生成反事实特征, 显式构建“前景保持、背景干预”的因果情境, 有效削弱背景-标签的伪相关性, 强化模型对因果语义前景的挖掘能力, 引导其关注稳定可靠的语义关联; 进一步提出因果注意力机制, 将上述模块提取到的因果语义信息显式嵌入Mamba状态更新过程, 以提高特征的因果一致性. 整体模型结构实现了对前景与背景信息的动态区分与融合. 在标准领域泛化基准上的实验结果表明, 本文方法在PACS、OfficeHome、VLCS和TerraIncognita数据集上平均准确率分别达到91.9%、77.0%、81.1%和54.9%, 均优于现有SOTA方法, 证实本文方法显著提高了模型对前景语义区域的关注一致性, 展现出优越的可解释性与泛化性能.
优先出版日期: 2026-03-02
,DOI: 10.15888/j.cnki.csa.010132
摘要：
内窥镜影像为胃癌的筛查与诊断提供重要依据. 然而, 传统内窥镜检查准确率有限. 为此, 多模态融合异常检测方法被引入内窥镜影像分析, 但仍面临模态偏差与配对数据稀缺等问题. 针对这些问题, 本文提出一种基于多模态增强融合与多分支蒸馏的内窥镜异常检测模型. 首先, 设计交叉掩码注意力跨模态融合模块, 通过局部特征重建与交叉注意力机制挖掘模态间的潜在关系. 其次, 提出一种多分支跨模态蒸馏架构, 由多模态教师网络和两个独立学生分支组成. 该架构仅教师网络需配对数据训练, 学生分支则完全无需配对数据. 这一设计降低模型对配对数据的依赖并有效缓解模态偏差. 最后, 引入全局余弦相似度损失以增强多模态特征的一致性表示. 在真实公开数据集上进行的大量实验表明, 本文方法在多模态内窥镜异常检测任务中取得领先的性能. 本文的源码将公开在: https://github.com/LuoYifei-xs/CEMD.
内窥镜影像为胃癌的筛查与诊断提供重要依据. 然而, 传统内窥镜检查准确率有限. 为此, 多模态融合异常检测方法被引入内窥镜影像分析, 但仍面临模态偏差与配对数据稀缺等问题. 针对这些问题, 本文提出一种基于多模态增强融合与多分支蒸馏的内窥镜异常检测模型. 首先, 设计交叉掩码注意力跨模态融合模块, 通过局部特征重建与交叉注意力机制挖掘模态间的潜在关系. 其次, 提出一种多分支跨模态蒸馏架构, 由多模态教师网络和两个独立学生分支组成. 该架构仅教师网络需配对数据训练, 学生分支则完全无需配对数据. 这一设计降低模型对配对数据的依赖并有效缓解模态偏差. 最后, 引入全局余弦相似度损失以增强多模态特征的一致性表示. 在真实公开数据集上进行的大量实验表明, 本文方法在多模态内窥镜异常检测任务中取得领先的性能. 本文的源码将公开在: https://github.com/LuoYifei-xs/CEMD.
优先出版日期: 2026-02-06
,DOI: 10.15888/j.cnki.csa.010121
摘要：
随着计算机辅助诊断技术快速发展, 对皮肤病变筛查的效率明显提高, 但皮肤镜图像中众多干扰因素, 致使皮肤病变区域自动分割成为难题. 由于Skip-Connecting模型在小目标和模糊边界分割、Atrous-Convolution模型在大范围和多尺度病变分割的良好表现, 成为皮肤病变图像分割的两大主流方向; Transformer模型凭借其强大的全局建模能力和对长距离依赖关系的捕捉能力, 未来将与传统深度学习模型进一步耦合, 以优化分割性能. 基于此, 本文系统梳理Skip-Connecting模型与Atrous-Convolution模型在皮肤病变分割中的应用进展及其衍生网络的改进策略; 重点分析Transformer模型在该领域的应用范式及其与传统模型的耦合方法; 并对视觉状态空间模型(Mamba)、生成对抗网络、扩散模型等新兴架构的探索性研究进行分析. 最后, 针对当前临床研究中存在的局限性及分割效果不佳的问题, 提出相应的解决思路, 并对未来的研究方向进行展望.
随着计算机辅助诊断技术快速发展, 对皮肤病变筛查的效率明显提高, 但皮肤镜图像中众多干扰因素, 致使皮肤病变区域自动分割成为难题. 由于Skip-Connecting模型在小目标和模糊边界分割、Atrous-Convolution模型在大范围和多尺度病变分割的良好表现, 成为皮肤病变图像分割的两大主流方向; Transformer模型凭借其强大的全局建模能力和对长距离依赖关系的捕捉能力, 未来将与传统深度学习模型进一步耦合, 以优化分割性能. 基于此, 本文系统梳理Skip-Connecting模型与Atrous-Convolution模型在皮肤病变分割中的应用进展及其衍生网络的改进策略; 重点分析Transformer模型在该领域的应用范式及其与传统模型的耦合方法; 并对视觉状态空间模型(Mamba)、生成对抗网络、扩散模型等新兴架构的探索性研究进行分析. 最后, 针对当前临床研究中存在的局限性及分割效果不佳的问题, 提出相应的解决思路, 并对未来的研究方向进行展望.
优先出版日期: 2026-02-06
,DOI: 10.15888/j.cnki.csa.010115
摘要：
针对在遮挡和日常环境中, 盒式物体位姿计算精度差等问题, 提出采用基于RTMPose-BRNM的盒式物体2D关键点检测和点云深度信息相结合的位姿计算方法. 首先, 引入RFAConv替换普通Conv卷积, 提高遮挡2D关键点坐标识别精确度; 使用NATTEN模块, 提高模型对盒式物体边缘轮廓点抽取能力; 设计混合感受野卷积(mixed-perception convolution, MPC)结构, 增强不同尺寸盒式物体识别适应性. 实验结果表明, RTMPose-BRNM关键点识别算法平均像素距离误差为0.98, 相比原RTMPose模型, 降低1.19像素误差; 改进后平移误差和旋转误差为1.32%和0.96°左右.
针对在遮挡和日常环境中, 盒式物体位姿计算精度差等问题, 提出采用基于RTMPose-BRNM的盒式物体2D关键点检测和点云深度信息相结合的位姿计算方法. 首先, 引入RFAConv替换普通Conv卷积, 提高遮挡2D关键点坐标识别精确度; 使用NATTEN模块, 提高模型对盒式物体边缘轮廓点抽取能力; 设计混合感受野卷积(mixed-perception convolution, MPC)结构, 增强不同尺寸盒式物体识别适应性. 实验结果表明, RTMPose-BRNM关键点识别算法平均像素距离误差为0.98, 相比原RTMPose模型, 降低1.19像素误差; 改进后平移误差和旋转误差为1.32%和0.96°左右.
优先出版日期: 2026-02-06
,DOI: 10.15888/j.cnki.csa.010117
摘要：
现有虚假新闻检测方法存在明显不足. 这些方法未能充分挖掘多模态关联, 忽视关键信息导致冗余问题, 且未考虑相似新闻的正负关联影响检测精度. 此外, 能协同利用文本、图像和社交图这3种模态的方法较为稀缺. 针对这些问题, 提出了一种基于社交图与标签优化的多模态虚假新闻检测模型. 该方法同步提取文本、图像和社交图特征, 通过全局动态加权机制强化社交图关键特征并通过图像描述增强视觉表征, 利用跨模态交叉注意力实现模态间优势互补, 并结合对比学习进行跨模态对齐. 本文模型在标签优化器中通过双向标签注意力捕捉相似新闻间的正负相关性优化预测标签. 在Weibo和PHEME数据集上的实验表明, 本文方法较基线方法准确率提升1.63%和3.01%, F1分数提升2.46%和3.67%.
现有虚假新闻检测方法存在明显不足. 这些方法未能充分挖掘多模态关联, 忽视关键信息导致冗余问题, 且未考虑相似新闻的正负关联影响检测精度. 此外, 能协同利用文本、图像和社交图这3种模态的方法较为稀缺. 针对这些问题, 提出了一种基于社交图与标签优化的多模态虚假新闻检测模型. 该方法同步提取文本、图像和社交图特征, 通过全局动态加权机制强化社交图关键特征并通过图像描述增强视觉表征, 利用跨模态交叉注意力实现模态间优势互补, 并结合对比学习进行跨模态对齐. 本文模型在标签优化器中通过双向标签注意力捕捉相似新闻间的正负相关性优化预测标签. 在Weibo和PHEME数据集上的实验表明, 本文方法较基线方法准确率提升1.63%和3.01%, F1分数提升2.46%和3.67%.
优先出版日期: 2026-02-06
,DOI: 10.15888/j.cnki.csa.010118
摘要：
卷烟加工过程对生产线上混合物料状态的感知能力, 直接影响产品质量与运行效率. 但当前监测方法主要聚焦原料属性, 难以全面揭示生产线运行状态. 为此, 提出一种以烟垢为切入点的生产线异常检测新方法, 通过引入自适应特征增强模块(adaptive feature enhancement, AFE)和多尺度卷积注意力机制(multi-scale convolutional attention mechanism, MSCAM), 提升模型在复杂背景下的小目标烟垢检测精度和实时性, 构建出高效率的烟垢检测YOLO11-AM网络. 对标准取样得到的烟草混合物料, 在正交优化后的环境参数下进行消融实验, 结果表明YOLO11-AM模型的平均精度达到97.8%. 同时, 推理速度较基础模型提升了24.6%, 达到2.16 ms/张. 进一步的工业部署显示, 模型预测烟垢质量的误差控制在±5%以内, 满足卷烟厂对在线监测系统的性能要求. 本研究为烟草行业的智能化质量控制提供了高效技术支持, 具有显著的理论和实践价值.
卷烟加工过程对生产线上混合物料状态的感知能力, 直接影响产品质量与运行效率. 但当前监测方法主要聚焦原料属性, 难以全面揭示生产线运行状态. 为此, 提出一种以烟垢为切入点的生产线异常检测新方法, 通过引入自适应特征增强模块(adaptive feature enhancement, AFE)和多尺度卷积注意力机制(multi-scale convolutional attention mechanism, MSCAM), 提升模型在复杂背景下的小目标烟垢检测精度和实时性, 构建出高效率的烟垢检测YOLO11-AM网络. 对标准取样得到的烟草混合物料, 在正交优化后的环境参数下进行消融实验, 结果表明YOLO11-AM模型的平均精度达到97.8%. 同时, 推理速度较基础模型提升了24.6%, 达到2.16 ms/张. 进一步的工业部署显示, 模型预测烟垢质量的误差控制在±5%以内, 满足卷烟厂对在线监测系统的性能要求. 本研究为烟草行业的智能化质量控制提供了高效技术支持, 具有显著的理论和实践价值.
优先出版日期: 2026-02-06
,DOI: 10.15888/j.cnki.csa.010119
摘要：
遗址类建筑物作为历史文化的重要载体, 具有重要的研究与保护价值. 然而, 由于其数量稀少且持续消亡, 传统重建方法难以实现完整复原, 现有文生图技术虽可借助文本描述重现其外观, 但仍存在细节缺失、图像质量不高等问题. 为此, 本文提出一种基于改进扩散模型的遗址类建筑物生成方法, 通过引入门控残差机制优化信息流动、缓解梯度消失, 提升生成稳定性; 结合通道与空间双重注意力机制以增强局部细节与全局结构建模能力; 并利用VGG19作为判别网络, 提取多层次语义特征并引入感知损失以提升对关键视觉特征的建模效果. 实验结果表明, 相比同样基于扩散模型的KNN-diffusion与Simple diffusion, 本文方法FID下降了30.39%, CLIP-score、IS和SSIM分别提升了1.08%、9.01%和2.35%. 本研究为高质量遗址类建筑图像生成提供了可行的技术路径, 有助于推动数字文化遗产的可持续研究与智能化保护.
遗址类建筑物作为历史文化的重要载体, 具有重要的研究与保护价值. 然而, 由于其数量稀少且持续消亡, 传统重建方法难以实现完整复原, 现有文生图技术虽可借助文本描述重现其外观, 但仍存在细节缺失、图像质量不高等问题. 为此, 本文提出一种基于改进扩散模型的遗址类建筑物生成方法, 通过引入门控残差机制优化信息流动、缓解梯度消失, 提升生成稳定性; 结合通道与空间双重注意力机制以增强局部细节与全局结构建模能力; 并利用VGG19作为判别网络, 提取多层次语义特征并引入感知损失以提升对关键视觉特征的建模效果. 实验结果表明, 相比同样基于扩散模型的KNN-diffusion与Simple diffusion, 本文方法FID下降了30.39%, CLIP-score、IS和SSIM分别提升了1.08%、9.01%和2.35%. 本研究为高质量遗址类建筑图像生成提供了可行的技术路径, 有助于推动数字文化遗产的可持续研究与智能化保护.
优先出版日期: 2026-01-15
,DOI: 10.15888/j.cnki.csa.010113
摘要：
随着极端气候频发, 提升降水预报能力已成为气象业务中的迫切需求. 现有的大多数基于数据驱动的方法将降水的运动与强度耦合建模, 尽管能有效捕捉大尺度降水系统, 却难以准确预测中小尺度强降水的剧烈演变, 限制了其在强降水预报上的评分. 本文基于拉格朗日变换实现运动与强度的解耦, 构建了一种双分支融合网络LAFUNet, 一个分支直接分析原始雷达图像序列, 以捕捉大尺度降水的空间结构与运动特征; 另一个分支将降水场转换至拉格朗日坐标系, 专注于建模降水强度的演变, 从而更有效地表征与中小尺度强降水相关的非线性强度变化. 此外, 双分支交互模块用于自适应地融合两个分支的特征. 实验基于CIKM和SEVIR公开雷达数据集开展, 结果表明, 该模型在强降水预报上的性能突出. 尤其是在SEVIR数据集上, 针对强度阈值超过219的极端降水事件, 其未来1 h的CSI指标高达0.1368, 显著超越了VMRNN等模型.
随着极端气候频发, 提升降水预报能力已成为气象业务中的迫切需求. 现有的大多数基于数据驱动的方法将降水的运动与强度耦合建模, 尽管能有效捕捉大尺度降水系统, 却难以准确预测中小尺度强降水的剧烈演变, 限制了其在强降水预报上的评分. 本文基于拉格朗日变换实现运动与强度的解耦, 构建了一种双分支融合网络LAFUNet, 一个分支直接分析原始雷达图像序列, 以捕捉大尺度降水的空间结构与运动特征; 另一个分支将降水场转换至拉格朗日坐标系, 专注于建模降水强度的演变, 从而更有效地表征与中小尺度强降水相关的非线性强度变化. 此外, 双分支交互模块用于自适应地融合两个分支的特征. 实验基于CIKM和SEVIR公开雷达数据集开展, 结果表明, 该模型在强降水预报上的性能突出. 尤其是在SEVIR数据集上, 针对强度阈值超过219的极端降水事件, 其未来1 h的CSI指标高达0.1368, 显著超越了VMRNN等模型.
优先出版日期: 2026-01-15
,DOI: 10.15888/j.cnki.csa.010104
摘要：
在车联网(Internet of Vehicles, IoV)与移动边缘计算(mobile edge computing, MEC)深度融合的背景下, 如何在保障低时延与高可靠服务质量的同时实现高效任务卸载成为关键问题. 哈里斯鹰优化算法(Harris hawks optimization, HHO)虽具较强的全局搜索能力, 但在种群初始化、探索-开发切换及多样性维持方面仍存在不足, 易陷入早熟收敛. 为此, 本文提出一种动态双种群哈里斯鹰优化算法(dynamic dual-population Harris hawks optimization, DDHHO). 该算法引入动态双种群协同演化机制(DDPC), 并结合L-T混沌初始化、非线性逃逸能量及非线性跳跃策略, 实现全局探索与局部开发的自适应平衡. 实验结果表明, 在车联网MEC任务卸载场景中, DDHHO在系统总代价指标上较混合策略哈里斯鹰优化算法(MSHHO)、原始HHO、MASSFOA、IPSO与PSO分别降低约2.5%、3.2%、4.9%、6.0% 和 7.9%; 在时延与能耗联合优化中亦展现出更快的收敛速度与更高的稳定性. 研究结果验证了DDHHO的有效性与优越性, 为车联网MEC资源管理提供了一种高效、稳定且可扩展的优化方案.
在车联网(Internet of Vehicles, IoV)与移动边缘计算(mobile edge computing, MEC)深度融合的背景下, 如何在保障低时延与高可靠服务质量的同时实现高效任务卸载成为关键问题. 哈里斯鹰优化算法(Harris hawks optimization, HHO)虽具较强的全局搜索能力, 但在种群初始化、探索-开发切换及多样性维持方面仍存在不足, 易陷入早熟收敛. 为此, 本文提出一种动态双种群哈里斯鹰优化算法(dynamic dual-population Harris hawks optimization, DDHHO). 该算法引入动态双种群协同演化机制(DDPC), 并结合L-T混沌初始化、非线性逃逸能量及非线性跳跃策略, 实现全局探索与局部开发的自适应平衡. 实验结果表明, 在车联网MEC任务卸载场景中, DDHHO在系统总代价指标上较混合策略哈里斯鹰优化算法(MSHHO)、原始HHO、MASSFOA、IPSO与PSO分别降低约2.5%、3.2%、4.9%、6.0% 和 7.9%; 在时延与能耗联合优化中亦展现出更快的收敛速度与更高的稳定性. 研究结果验证了DDHHO的有效性与优越性, 为车联网MEC资源管理提供了一种高效、稳定且可扩展的优化方案.
优先出版日期: 2025-11-17
,DOI: 10.15888/j.cnki.csa.010041
摘要：
多智能体强化学习是多智能体系统研究的重要组成部分, 在复杂协同任务中成效显著. 然而, 在需要长期决策的场景下, 由于长期回报的估计难度更大, 且难以对环境中的不确定性进行精准建模, 多智能体的表现往往不佳. 为解决上述问题, 本文提出了一种基于分位数回归的多智能体记忆强化学习模型. 该模型不仅选择性地利用了历史决策经验用于辅助长期决策, 还通过分位数函数对回报分布进行建模, 从而有效地捕捉了回报的不确定性. 该模型由记忆索引模块、隐式分位数决策网络和值分布分解模块这3部分组成, 其中记忆索引模块利用历史决策经验生成内在奖励, 促进智能体充分利用已有经验. 隐式分位数决策网络通过分位数回归, 对奖励分布进行建模, 为长期决策提供有力支持. 值分布分解模块将整体的回报分布分解为单个智能体的回报分布, 用于辅助单个智能体策略的学习. 本文的算法在星际争霸环境中进行了广泛的实验, 实验结果表明, 本文提出的方法提升了智能体在长期决策任务中的表现, 并具有较快的收敛速度.
多智能体强化学习是多智能体系统研究的重要组成部分, 在复杂协同任务中成效显著. 然而, 在需要长期决策的场景下, 由于长期回报的估计难度更大, 且难以对环境中的不确定性进行精准建模, 多智能体的表现往往不佳. 为解决上述问题, 本文提出了一种基于分位数回归的多智能体记忆强化学习模型. 该模型不仅选择性地利用了历史决策经验用于辅助长期决策, 还通过分位数函数对回报分布进行建模, 从而有效地捕捉了回报的不确定性. 该模型由记忆索引模块、隐式分位数决策网络和值分布分解模块这3部分组成, 其中记忆索引模块利用历史决策经验生成内在奖励, 促进智能体充分利用已有经验. 隐式分位数决策网络通过分位数回归, 对奖励分布进行建模, 为长期决策提供有力支持. 值分布分解模块将整体的回报分布分解为单个智能体的回报分布, 用于辅助单个智能体策略的学习. 本文的算法在星际争霸环境中进行了广泛的实验, 实验结果表明, 本文提出的方法提升了智能体在长期决策任务中的表现, 并具有较快的收敛速度.
-
全文下载排行(总排行，年度排行，各期排行)
摘要点击排行(总排行，年度排行，各期排行)
快速检索
过刊检索
全选反选导出
显示模式：
2000,9(2):38-41
摘要：
本文详细讨论了VRML技术与其他数据访问技术相结合 ,实现对数据库实时交互的技术实现方法 ,并简要阐述了相关技术规范的语法结构和技术要求。所用技术手段安全可靠 ,具有良好的实际应用表现 ,便于系统移植。
本文详细讨论了VRML技术与其他数据访问技术相结合 ,实现对数据库实时交互的技术实现方法 ,并简要阐述了相关技术规范的语法结构和技术要求。所用技术手段安全可靠 ,具有良好的实际应用表现 ,便于系统移植。
1993,2(8):41-42
摘要：
本文介绍了作者近年来应用工具软件NU清除磁盘引导区和硬盘主引导区病毒、修复引导区损坏磁盘的 经验，经实践检验，简便有效。
本文介绍了作者近年来应用工具软件NU清除磁盘引导区和硬盘主引导区病毒、修复引导区损坏磁盘的 经验，经实践检验，简便有效。
1995,4(5):2-5
摘要：
本文简要介绍了海关EDI自动化通关系统的定义概况及重要意义，对该EDI应用系统下的业务运作模式所涉及的法律问题，采用EDIFACT国际标准问题、网络与软件技术问题，以及工程管理问题进行了结合实际的分析。
本文简要介绍了海关EDI自动化通关系统的定义概况及重要意义，对该EDI应用系统下的业务运作模式所涉及的法律问题，采用EDIFACT国际标准问题、网络与软件技术问题，以及工程管理问题进行了结合实际的分析。
2016,25(8):1-7
,DOI: 10.15888/j.cnki.csa.005283
摘要：
从2006年开始，深度神经网络在图像/语音识别、自动驾驶等大数据处理和人工智能领域中都取得了巨大成功，其中无监督学习方法作为深度神经网络中的预训练方法为深度神经网络的成功起到了非常重要的作用. 为此，对深度学习中的无监督学习方法进行了介绍和分析，主要总结了两类常用的无监督学习方法，即确定型的自编码方法和基于概率型受限玻尔兹曼机的对比散度等学习方法，并介绍了这两类方法在深度学习系统中的应用，最后对无监督学习面临的问题和挑战进行了总结和展望.
从2006年开始，深度神经网络在图像/语音识别、自动驾驶等大数据处理和人工智能领域中都取得了巨大成功，其中无监督学习方法作为深度神经网络中的预训练方法为深度神经网络的成功起到了非常重要的作用. 为此，对深度学习中的无监督学习方法进行了介绍和分析，主要总结了两类常用的无监督学习方法，即确定型的自编码方法和基于概率型受限玻尔兹曼机的对比散度等学习方法，并介绍了这两类方法在深度学习系统中的应用，最后对无监督学习面临的问题和挑战进行了总结和展望.
2008,17(5):122-126
摘要：
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
2022,31(5):1-20
,DOI: 10.15888/j.cnki.csa.008463
摘要：
深度学习方法的提出使得机器学习研究领域得到了巨大突破, 但是却需要大量的人工标注数据来辅助完成. 在实际问题中, 受限于人力成本, 许多应用需要对从未见过的实例类别进行推理判断. 为此, 零样本学习(zero-shot learning, ZSL)应运而生. 图作为一种表示事物之间联系的自然数据结构, 目前在零样本学习中受到了越来越多的关注. 本文对零样本图学习方法进行了系统综述. 首先概述了零样本学习和图学习的定义, 并总结了零样本学习现有的解决方案思想. 然后依据图的不同利用方式对目前零样本图学习的方法体系进行了分类. 接下来讨论了零样本图学习所涉及到的评估准则和数据集. 最后指明了零样本图学习进一步研究中需要解决的问题以及未来可能的发展方向.
深度学习方法的提出使得机器学习研究领域得到了巨大突破, 但是却需要大量的人工标注数据来辅助完成. 在实际问题中, 受限于人力成本, 许多应用需要对从未见过的实例类别进行推理判断. 为此, 零样本学习(zero-shot learning, ZSL)应运而生. 图作为一种表示事物之间联系的自然数据结构, 目前在零样本学习中受到了越来越多的关注. 本文对零样本图学习方法进行了系统综述. 首先概述了零样本学习和图学习的定义, 并总结了零样本学习现有的解决方案思想. 然后依据图的不同利用方式对目前零样本图学习的方法体系进行了分类. 接下来讨论了零样本图学习所涉及到的评估准则和数据集. 最后指明了零样本图学习进一步研究中需要解决的问题以及未来可能的发展方向.
2011,20(11):80-85
摘要：
在研究了目前主流的视频转码方案基础上,提出了一种分布式转码系统。系统采用HDFS(HadoopDistributed File System)进行视频存储,利用MapReduce 思想和FFMPEG 进行分布式转码。详细讨论了视频分布式存储时的分段策略,以及分段大小对存取时间的影响。同时,定义了视频存储和转换的元数据格式。提出了基于MapReduce 编程框架的分布式转码方案,即Mapper 端进行转码和Reducer 端进行视频合并。实验数据显示了转码时间随视频分段大小和转码机器数量不同而变化的趋势。结
在研究了目前主流的视频转码方案基础上,提出了一种分布式转码系统。系统采用HDFS(HadoopDistributed File System)进行视频存储,利用MapReduce 思想和FFMPEG 进行分布式转码。详细讨论了视频分布式存储时的分段策略,以及分段大小对存取时间的影响。同时,定义了视频存储和转换的元数据格式。提出了基于MapReduce 编程框架的分布式转码方案,即Mapper 端进行转码和Reducer 端进行视频合并。实验数据显示了转码时间随视频分段大小和转码机器数量不同而变化的趋势。结
1999,8(7):43-46
摘要：
用较少的颜色来表示较大的色彩空间一直是人们研究的课题，本文详细讨论了半色调技术和抖动技术，并将它们扩展到实用的真彩色空间来讨论，并给出了实现的算法。
用较少的颜色来表示较大的色彩空间一直是人们研究的课题，本文详细讨论了半色调技术和抖动技术，并将它们扩展到实用的真彩色空间来讨论，并给出了实现的算法。
2012,21(3):260-264
摘要：
开放平台的核心问题是用户验证和授权问题,OAuth 是目前国际通用的授权方式,它的特点是不需要用户在第三方应用输入用户名及密码,就可以申请访问该用户的受保护资源。OAuth 最新版本是OAuth2.0,其认证与授权的流程更简单、更安全。研究了OAuth2.0 的工作原理,分析了刷新访问令牌的工作流程,并给出了OAuth2.0 服务器端的设计方案和具体的应用实例。
开放平台的核心问题是用户验证和授权问题,OAuth 是目前国际通用的授权方式,它的特点是不需要用户在第三方应用输入用户名及密码,就可以申请访问该用户的受保护资源。OAuth 最新版本是OAuth2.0,其认证与授权的流程更简单、更安全。研究了OAuth2.0 的工作原理,分析了刷新访问令牌的工作流程,并给出了OAuth2.0 服务器端的设计方案和具体的应用实例。
2019,28(6):1-12
,DOI: 10.15888/j.cnki.csa.006915
摘要：
知识图谱是以图的形式表现客观世界中的概念和实体及其之间关系的知识库，是语义搜索、智能问答、决策支持等智能服务的基础技术之一.目前，知识图谱的内涵还不够清晰；且因建档不全，已有知识图谱的使用率和重用率不高.为此，本文给出知识图谱的定义，辨析其与本体等相关概念的关系.本体是知识图谱的模式层和逻辑基础，知识图谱是本体的实例化；本体研究成果可以作为知识图谱研究的基础，促进知识图谱的更快发展和更广应用.本文罗列分析了国内外已有的主要通用知识图谱和行业知识图谱及其构建、存储及检索方法，以提高其使用率和重用率.最后指出知识图谱未来的研究方向.
知识图谱是以图的形式表现客观世界中的概念和实体及其之间关系的知识库，是语义搜索、智能问答、决策支持等智能服务的基础技术之一.目前，知识图谱的内涵还不够清晰；且因建档不全，已有知识图谱的使用率和重用率不高.为此，本文给出知识图谱的定义，辨析其与本体等相关概念的关系.本体是知识图谱的模式层和逻辑基础，知识图谱是本体的实例化；本体研究成果可以作为知识图谱研究的基础，促进知识图谱的更快发展和更广应用.本文罗列分析了国内外已有的主要通用知识图谱和行业知识图谱及其构建、存储及检索方法，以提高其使用率和重用率.最后指出知识图谱未来的研究方向.
2002,11(10):70-73
摘要：
2007,16(9):22-25
摘要：
本文结合物流遗留系统的实际安全状态,分析了面向对象的编程思想在横切关注点和核心关注点处理上的不足,指出面向方面的编程思想解决方案对系统进行分离关注点处理的优势,并对面向方面的编程的一种具体实现AspectJ进行分析,提出了一种依据AspectJ对遗留物流系统进行IC卡安全进化的方法.
本文结合物流遗留系统的实际安全状态,分析了面向对象的编程思想在横切关注点和核心关注点处理上的不足,指出面向方面的编程思想解决方案对系统进行分离关注点处理的优势,并对面向方面的编程的一种具体实现AspectJ进行分析,提出了一种依据AspectJ对遗留物流系统进行IC卡安全进化的方法.
2011,20(7):184-187,120
摘要：
针对智能家居、环境监测等的实际要求，设计了一种远距离通讯的无线传感器节点。该系统采用集射频与控制器于一体的第二代片上系统CC2530 为核心模块，外接CC2591 射频前端功放模块；软件上基于ZigBee2006 协议栈，在ZStack 通用模块基础上实现应用层各项功能。介绍了基于ZigBee 协议构建无线数据采集网络，给出了传感器节点、协调器节点的硬件设计原理图及软件流程图。实验证明节点性能良好、通讯可靠,通讯距离较TI 第一代产品有明显增大。
针对智能家居、环境监测等的实际要求，设计了一种远距离通讯的无线传感器节点。该系统采用集射频与控制器于一体的第二代片上系统CC2530 为核心模块，外接CC2591 射频前端功放模块；软件上基于ZigBee2006 协议栈，在ZStack 通用模块基础上实现应用层各项功能。介绍了基于ZigBee 协议构建无线数据采集网络，给出了传感器节点、协调器节点的硬件设计原理图及软件流程图。实验证明节点性能良好、通讯可靠,通讯距离较TI 第一代产品有明显增大。
2016,25(7):8-16
,DOI: 10.15888/j.cnki.csa.005241
摘要：
软件是基于Visual C++ 6.0和Access 2003工具来完成的，在Unicode字符集模式下进行软件设计，解决当前民族文字软件开发时的系统使用兼容性以及字符的输出乱码等问题.本开发模式使用简单、操作稳定、接口灵活，在便于用户对词汇和语音数据库进行统一处理（备份、打印）的同时，也为其它民族文字翻译软件的开发提供了初期技术指导.目前面向傣族地区的翻译辅助工具还尚未推出，“傣泐文-汉文互译有声电子词典”是傣文信息化领域的一个重要“应用创新”成果，是开展少数民族语言文化信息元表示与提取研究的基础支撑，其作用主要是负责傣文的查询、翻译、朗读等工作.傣汉互译电子词典设计实现了傣汉对照互译、傣语真人朗读、傣语音标显示等常用功能，同时还支持对词库进行添加、修改、删除自定义操作，实现了良好的人机交互功能.
软件是基于Visual C++ 6.0和Access 2003工具来完成的，在Unicode字符集模式下进行软件设计，解决当前民族文字软件开发时的系统使用兼容性以及字符的输出乱码等问题.本开发模式使用简单、操作稳定、接口灵活，在便于用户对词汇和语音数据库进行统一处理（备份、打印）的同时，也为其它民族文字翻译软件的开发提供了初期技术指导.目前面向傣族地区的翻译辅助工具还尚未推出，“傣泐文-汉文互译有声电子词典”是傣文信息化领域的一个重要“应用创新”成果，是开展少数民族语言文化信息元表示与提取研究的基础支撑，其作用主要是负责傣文的查询、翻译、朗读等工作.傣汉互译电子词典设计实现了傣汉对照互译、傣语真人朗读、傣语音标显示等常用功能，同时还支持对词库进行添加、修改、删除自定义操作，实现了良好的人机交互功能.
2004,13(10):7-9
摘要：
本文介绍了车辆监控系统的组成,研究了如何应用Rockwell GPS OEM板和WISMOQUIKQ2406B模块进行移动单元的软硬件设计,以及监控中心 GIS软件的设计.重点介绍嵌入TCP/IP协议处理的Q2406B模块如何通过AT指令接入Internet以及如何和监控中心传输TCP数据.
本文介绍了车辆监控系统的组成,研究了如何应用Rockwell GPS OEM板和WISMOQUIKQ2406B模块进行移动单元的软硬件设计,以及监控中心 GIS软件的设计.重点介绍嵌入TCP/IP协议处理的Q2406B模块如何通过AT指令接入Internet以及如何和监控中心传输TCP数据.
2008,17(1):113-116
摘要：
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
2008,17(8):87-89
摘要：
随着面向对象软件开发技术的广泛应用和软件测试自动化的要求，基于模型的软件测试逐渐得到了软件开发人员和软件测试人员的认可和接受。基于模型的软件测试是软件编码阶段的主要测试方法之一，具有测试效率高、排除逻辑复杂故障测试效果好等特点。但是误报、漏报和故障机理有待进一步研究。对主要的测试模型进行了分析和分类，同时，对故障密度等参数进行了初步的分析；最后，提出了一种基于模型的软件测试流程。
随着面向对象软件开发技术的广泛应用和软件测试自动化的要求，基于模型的软件测试逐渐得到了软件开发人员和软件测试人员的认可和接受。基于模型的软件测试是软件编码阶段的主要测试方法之一，具有测试效率高、排除逻辑复杂故障测试效果好等特点。但是误报、漏报和故障机理有待进一步研究。对主要的测试模型进行了分析和分类，同时，对故障密度等参数进行了初步的分析；最后，提出了一种基于模型的软件测试流程。
2008,17(8):2-5
摘要：
本文介绍了一个企业信息门户中单点登录系统的设计与实现。系统实现了一个基于Java EE架构的结合凭证加密和Web Services的单点登录系统，对门户用户进行统一认证和访问控制。论文详细阐述了该系统的总体结构、设计思想、工作原理和具体实现方案，目前系统已在部分省市的广电行业信息门户平台中得到了良好的应用。
本文介绍了一个企业信息门户中单点登录系统的设计与实现。系统实现了一个基于Java EE架构的结合凭证加密和Web Services的单点登录系统，对门户用户进行统一认证和访问控制。论文详细阐述了该系统的总体结构、设计思想、工作原理和具体实现方案，目前系统已在部分省市的广电行业信息门户平台中得到了良好的应用。
2004,13(8):58-59
摘要：
本文介绍了Visual C++6.0在对话框的多个文本框之间,通过回车键转移焦点的几种方法,并提出了一个改进方法.
本文介绍了Visual C++6.0在对话框的多个文本框之间,通过回车键转移焦点的几种方法,并提出了一个改进方法.
-
全文下载排行(总排行，年度排行，各期排行)
摘要点击排行(总排行，年度排行，各期排行)
快速检索
过刊检索
全选反选导出
显示模式：
2007,16(10):48-51
摘要：
论文对HDF数据格式和函数库进行研究,重点以栅格图像为例,详细论述如何利用VC++.net和VC#.net对光栅数据进行读取与处理,然后根据所得到的象素矩阵用描点法显示图像.论文是以国家气象中心开发Micaps3.0(气象信息综合分析处理系统)的课题研究为背景的.
论文对HDF数据格式和函数库进行研究,重点以栅格图像为例,详细论述如何利用VC++.net和VC#.net对光栅数据进行读取与处理,然后根据所得到的象素矩阵用描点法显示图像.论文是以国家气象中心开发Micaps3.0(气象信息综合分析处理系统)的课题研究为背景的.
2002,11(12):67-68
摘要：
本文介绍非实时操作系统Windows 2000下,利用VisualC++6.0开发实时数据采集的方法.所用到的数据采集卡是研华的PCL-818L.借助数据采集卡PCL-818L的DLLs中的API函数,提出三种实现高速实时数据采集的方法及优缺点.
本文介绍非实时操作系统Windows 2000下,利用VisualC++6.0开发实时数据采集的方法.所用到的数据采集卡是研华的PCL-818L.借助数据采集卡PCL-818L的DLLs中的API函数,提出三种实现高速实时数据采集的方法及优缺点.
2008,17(1):113-116
摘要：
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
排序是计算机程序设计中一种重要操作，本文论述了C语言中快速排序算法的改进，即快速排序与直接插入排序算法相结合的实现过程。在C语言程序设计中，实现大量的内部排序应用时，所寻求的目的就是找到一个简单、有效、快捷的算法。本文着重阐述快速排序的改进与提高过程，从基本的性能特征到基本的算法改进，通过不断的分析，实验，最后得出最佳的改进算法。
2008,17(5):122-126
摘要：
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
随着Internet的迅速发展，网络资源越来越丰富，人们如何从网络上抽取信息也变得至关重要，尤其是占网络资源80%的Deep Web信息检索更是人们应该倍加关注的难点问题。为了更好的研究Deep Web爬虫技术，本文对有关Deep Web爬虫的内容进行了全面、详细地介绍。首先对Deep Web爬虫的定义及研究目标进行了阐述，接着介绍了近年来国内外关于Deep Web爬虫的研究进展，并对其加以分析。在此基础上展望了Deep Web爬虫的研究趋势，为下一步的研究奠定了基础。
2026,35(3):1-12, DOI: 10.15888/j.cnki.csa.010090
摘要：
2026,35(2):23-39, DOI: 10.15888/j.cnki.csa.010061
摘要：
2026,35(2):1-22, DOI: 10.15888/j.cnki.csa.010058
摘要：
2026,35(1):1-18, DOI: 10.15888/j.cnki.csa.010074
摘要：
2026,35(1):39-51, DOI: 10.15888/j.cnki.csa.010055
摘要：
2026,35(1):19-38, DOI: 10.15888/j.cnki.csa.010029
摘要：
2025,34(12):1-15, DOI: 10.15888/j.cnki.csa.010033
摘要：
2025,34(11):1-19, DOI: 10.15888/j.cnki.csa.010002
摘要：
2025,34(10):16-31, DOI: 10.15888/j.cnki.csa.009979
摘要：
2025,34(10):1-15, DOI: 10.15888/j.cnki.csa.009975
摘要：
2025,34(8):1-13, DOI: 10.15888/j.cnki.csa.009907
摘要：
2025,34(7):1-13, DOI: 10.15888/j.cnki.csa.009942
摘要：
2025,34(6):1-11, DOI: 10.15888/j.cnki.csa.009903
摘要：
2025,34(5):1-13, DOI: 10.15888/j.cnki.csa.009879
摘要：
2025,34(4):18-33, DOI: 10.15888/j.cnki.csa.009865
摘要：
2025,34(4):1-17, DOI: 10.15888/j.cnki.csa.009839
摘要：
2025,34(1):1-10, DOI: 10.15888/j.cnki.csa.009782
摘要：
2025,34(1):26-36, DOI: 10.15888/j.cnki.csa.009733
摘要：
2025,34(1):11-25, DOI: 10.15888/j.cnki.csa.009709
摘要：
2024,33(12):1-15, DOI: 10.15888/j.cnki.csa.009708
摘要：
2024,33(11):38-47, DOI: 10.15888/j.cnki.csa.009702
摘要：
2024,33(10):26-36, DOI: 10.15888/j.cnki.csa.009646
摘要：
2024,33(6):16-27, DOI: 10.15888/j.cnki.csa.009559
摘要：
2024,33(6):1-15, DOI: 10.15888/j.cnki.csa.009531
摘要：
2024,33(4):50-59, DOI: 10.15888/j.cnki.csa.009486
摘要：
2024,33(4):26-38, DOI: 10.15888/j.cnki.csa.009466
摘要：
2024,33(3):1-11, DOI: 10.15888/j.cnki.csa.009433
摘要：
2024,33(3):12-23, DOI: 10.15888/j.cnki.csa.009421
摘要：
2024,33(1):37-48, DOI: 10.15888/j.cnki.csa.009377
摘要：
2024,33(1):22-36, DOI: 10.15888/j.cnki.csa.009369
摘要：
2023,32(12):32-42, DOI: 10.15888/j.cnki.csa.009356
摘要：
2023,32(11):36-47, DOI: 10.15888/j.cnki.csa.009269
摘要：
2023,32(9):1-18, DOI: 10.15888/j.cnki.csa.009226
摘要：
2023,32(8):1-18, DOI: 10.15888/j.cnki.csa.009208
摘要：
2023,32(4):1-15, DOI: 10.15888/j.cnki.csa.009038
摘要：
2023,32(4):16-41, DOI: 10.15888/j.cnki.csa.009037
摘要：
2023,32(3):25-47, DOI: 10.15888/j.cnki.csa.008980
摘要：
2023,32(3):1-14, DOI: 10.15888/j.cnki.csa.008976
摘要：
2023,32(2):1-12, DOI: 10.15888/j.cnki.csa.008743
摘要：
2023,32(1):12-28, DOI: 10.15888/j.cnki.csa.008914
摘要：
2023,32(1):29-40, DOI: 10.15888/j.cnki.csa.008909
摘要：
2023,32(1):1-11, DOI: 10.15888/j.cnki.csa.008848
摘要：
2023,32(1):41-49, DOI: 10.15888/j.cnki.csa.008805
摘要：
2022,31(12):20-28, DOI: 10.15888/j.cnki.csa.008838
摘要：
2022,31(12):1-9, DOI: 10.15888/j.cnki.csa.008825
摘要：
2022,31(11):49-59, DOI: 10.15888/j.cnki.csa.008847
摘要：
2022,31(11):31-48, DOI: 10.15888/j.cnki.csa.008811
摘要：
2022,31(10):44-50, DOI: 10.15888/j.cnki.csa.008776
摘要：
2022,31(10):25-35, DOI: 10.15888/j.cnki.csa.008734
摘要：
2022,31(10):36-43, DOI: 10.15888/j.cnki.csa.008711
摘要：
2022,31(9):57-69, DOI: 10.15888/j.cnki.csa.008661
摘要：
2022,31(8):1-16, DOI: 10.15888/j.cnki.csa.008713
摘要：
2022,31(7):12-22, DOI: 10.15888/j.cnki.csa.008641
摘要：
2022,31(7):35-45, DOI: 10.15888/j.cnki.csa.008595
摘要：
2022,31(7):46-54, DOI: 10.15888/j.cnki.csa.008590
摘要：
2022,31(7):23-34, DOI: 10.15888/j.cnki.csa.008566
摘要：
2022,31(7):1-11, DOI: 10.15888/j.cnki.csa.008545
摘要：
2022,31(5):40-51, DOI: 10.15888/j.cnki.csa.008476
摘要：
2022,31(5):1-20, DOI: 10.15888/j.cnki.csa.008463
摘要：
2022,31(5):21-29, DOI: 10.15888/j.cnki.csa.008426
摘要：
2022,31(4):14-32, DOI: 10.15888/j.cnki.csa.008419
摘要：
2022,31(4):1-13, DOI: 10.15888/j.cnki.csa.008418
摘要：
2022,31(4):47-58, DOI: 10.15888/j.cnki.csa.008403
摘要：
2022,31(3):1-8, DOI: 10.15888/j.cnki.csa.008415
摘要：
2022,31(3):48-55, DOI: 10.15888/j.cnki.csa.008377
摘要：
2022,31(2):13-21, DOI: 10.15888/j.cnki.csa.008319
摘要：
2022,31(2):1-12, DOI: 10.15888/j.cnki.csa.008303
摘要：
2022,31(1):1-10, DOI: 10.15888/j.cnki.csa.008323
摘要：
2021,30(12):28-36, DOI: 10.15888/j.cnki.csa.008289
摘要：
2021,30(12):10-17, DOI: 10.15888/j.cnki.csa.008252
摘要：
2021,30(12):1-9, DOI: 10.15888/j.cnki.csa.008245
摘要：
2021,30(10):21-30, DOI: 10.15888/j.cnki.csa.008137
摘要：
2021,30(9):12-23, DOI: 10.15888/j.cnki.csa.008086
摘要：
2021,30(9):24-40, DOI: 10.15888/j.cnki.csa.008079
摘要：
2021,30(9):41-52, DOI: 10.15888/j.cnki.csa.008078
摘要：
2021,30(8):14-21, DOI: 10.15888/j.cnki.csa.008003
摘要：
2021,30(7):13-21, DOI: 10.15888/j.cnki.csa.007992
摘要：
2021,30(7):1-12, DOI: 10.15888/j.cnki.csa.007973
摘要：
2021,30(6):18-27, DOI: 10.15888/j.cnki.csa.007956
摘要：
2021,30(5):21-30, DOI: 10.15888/j.cnki.csa.007916
摘要：
2021,30(3):1-13, DOI: 10.15888/j.cnki.csa.007839
摘要：
2021,30(1):10-18, DOI: 10.15888/j.cnki.csa.007776
摘要：
2020,29(12):13-25, DOI: 10.15888/j.cnki.csa.007701
摘要：
2020,29(11):29-39, DOI: 10.15888/j.cnki.csa.007705
摘要：
2020,29(9):16-25, DOI: 10.15888/j.cnki.csa.007632
摘要：
2020,29(9):26-31, DOI: 10.15888/j.cnki.csa.007617
摘要：
2020,29(9):1-15, DOI: 10.15888/j.cnki.csa.007489
摘要：
2020,29(8):1-8, DOI: 10.15888/j.cnki.csa.007478
摘要：
2020,29(6):56-63, DOI: 10.15888/j.cnki.csa.007460
摘要：
2020,29(6):1-12, DOI: 10.15888/j.cnki.csa.007431
摘要：
2020,29(6):13-21, DOI: 10.15888/j.cnki.csa.007430
摘要：
2020,29(3):29-38, DOI: 10.15888/j.cnki.csa.007315
摘要：
2020,29(3):1-10, DOI: 10.15888/j.cnki.csa.007301
摘要：
2020,29(3):11-19, DOI: 10.15888/j.cnki.csa.007261
摘要：
2020,29(2):1-8, DOI: 10.15888/j.cnki.csa.007275
摘要：
2020,29(2):9-27, DOI: 10.15888/j.cnki.csa.007262
摘要：
2020,29(1):14-21, DOI: 10.15888/j.cnki.csa.007243
摘要：
2020,29(1):22-28, DOI: 10.15888/j.cnki.csa.007237
摘要：
2019,28(12):1-8, DOI: 10.15888/j.cnki.csa.007195
摘要：
2019,28(11):1-9, DOI: 10.15888/j.cnki.csa.007156
摘要：
2019,28(9):1-8, DOI: 10.15888/j.cnki.csa.007037
摘要：
2019,28(7):1-8, DOI: 10.15888/j.cnki.csa.006988
摘要：
2019,28(6):1-12, DOI: 10.15888/j.cnki.csa.006915
摘要：
2019,28(4):205-211, DOI: 10.15888/j.cnki.csa.006739
摘要：
2019,28(3):1-9, DOI: 10.15888/j.cnki.csa.006812
摘要：
2019,28(3):10-17, DOI: 10.15888/j.cnki.csa.006806
摘要：
2019,28(1):1-9, DOI: 10.15888/j.cnki.csa.006720
摘要：
2019,28(1):10-16, DOI: 10.15888/j.cnki.csa.006707
摘要：
2018,27(10):39-45, DOI: 10.15888/j.cnki.csa.006591
摘要：
2018,27(10):33-38, DOI: 10.15888/j.cnki.csa.006560
摘要：
2018,27(9):47-51, DOI: 10.15888/j.cnki.csa.006542
摘要：
2018,27(8):10-18, DOI: 10.15888/j.cnki.csa.006456
摘要：
2018,27(7):1-10, DOI: 10.15888/j.cnki.csa.006451
摘要：
2018,27(5):1-9, DOI: 10.15888/j.cnki.csa.006336
摘要：
2018,27(4):1-9, DOI: 10.15888/j.cnki.csa.006273
摘要：
2018,27(1):1-9, DOI: 10.15888/j.cnki.csa.006169
摘要：
2017,26(12):32-36, DOI: 10.15888/j.cnki.csa.006129
摘要：
2017,26(12):25-31, DOI: 10.15888/j.cnki.csa.006096
摘要：
2017,26(6):36-39, DOI: 10.15888/j.cnki.csa.005807
摘要：
2017,26(4):1-8, DOI: 10.15888/j.cnki.csa.005773
摘要：
2017,26(2):30-36, DOI: 10.15888/j.cnki.csa.005626
摘要：
2016,25(9):17-26, DOI: 10.15888/j.cnki.csa.005354
摘要：
2016,25(9):10-16, DOI: 10.15888/j.cnki.csa.005330
摘要：
2016,25(8):1-7, DOI: 10.15888/j.cnki.csa.005283
摘要：
2016,25(6):9-16, DOI: 10.15888/j.cnki.csa.005173
摘要：
2016,25(6):1-8, DOI: 10.15888/j.cnki.csa.005206
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
摘要：
您是第位访问者
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
