计算机科学与探索杂志

计算机科学与探索杂志2019年第8期

• 保持Motif结构的网络表示学习

  许磊，黄玲，王昌栋

  随着信息技术的广泛应用，网络在人们日常的生活中变得无处不在。网络表示学习算法是最近研究网络的一个热门领域，它旨在保留网络拓扑结构信息的同时，将网络映射到一个潜在、低维度的向量空间。网络Motif，在网络分析中具有重要的意义，然而之前提出的网络表示学习算法绝大多数只考虑了节点的邻域属性或邻近性，而忽略了节点的Motif结构信息。因此，基于上述考虑，提出了算法“保持Motif结构的网络表示学习”，使得在学习网络节点向量表示时能够更加侧重地考虑网络Motif的结构。算法首先计算出基于Motif的网络权重矩阵；接着求得网络中每个节点的基于Motif的个性化PageRank预估值；最后进行MotifWalk得到游走路径，从而能够运用Word2Vec模型来得到网络的向量表示。通过与三个经典的网络表示算法比较，发现在稠密以及Motif结构丰富的网络中，提出的算法表现得更好。

• 异常值自识别的低秩矩阵补全方法

  李可欣，徐彬，高克宁

  低秩矩阵补全的相关问题在机器学习、图像处理、视频去噪等领域受到极大关注，在假设数据低秩的情况下，使用矩阵补全可以估计缺失数据的值，得到满足约束条件情况下最接近目标矩阵的结果矩阵。然而，在加入非高斯噪声的情况下，目前大部分矩阵补全算法的鲁棒性并不理想。为了增加矩阵补全算法的鲁棒性并避免算法过拟合，讨论了几种较为经典的矩阵补全算法，并提出了一种新的鲁棒性矩阵补全方法。该算法可以识别异常值的位置并用近似数据替换异常数据，降低异常值对算法的影响，增加精确度。模拟数据和真实数据的实验结果均显示，该算法在处理数据被高斯噪声毁坏的情况下有较好的鲁棒性和准确性。

• 分层递进的改进聚类蚁群算法解决TSP问题

  冯志雨，游晓明，刘升

  随着旅行商问题（TSP）规模的增大，传统蚁群算法的运行时间会增大，算法的解精度也会降低，并且算法很容易陷入局部最优的情况。提出的分层递进算法的思想源于分工合作的产品线组装流程，首先利用改进的密度峰聚类算法确定拐点，从而选举出聚类中心，根据聚类中心确定包含的数据点；其次将初始的TSP问题分割成较小的簇，这些簇称为二类TSP问题；再经自适应信息素更新策略的蚁群算法运算，找出每个簇的最优解，进一步将簇与簇之间相近的节点构成的边断开；然后两簇之间断开的节点重组成全局最优解；最终通过局部优化策略对重组的优化解进一步优化，从而在保证算法解质量的前提下有效地缩短了运行时间。从TSPLIB中选取小规模、大规模基准案例，通过Matlab仿真验证了改进算法具有更好的鲁棒性，特别是在大规模基准案例中显著地减少了算法运行时间。

• 安全关键系统需求形式化建模分析实例研究

  张维珺，胡军，李宛倩，陈朔，石梦烨，唐红英

  近年来，基于模型的安全性分析技术（MBSA）在航空等领域有着广泛应用，因此对以xSAP安全分析平台为核心，基于MBSA的系统安全性评估方法进行了研究，并通过一个真实的综合航电系统Garmin G1000的自动飞行控制系统（AFCS）GFC700为实例来详细介绍。该方法的实现包括使用NuSMV形式化语言对系统进行需求建模，根据系统设计故障模式，在NuSMV模型中注入故障事件，使用xSAP对NuSMV需求模型进行模型扩展得到故障扩展模型，以及对故障扩展模型进行故障分析及系统安全性评估，例如生成故障树及FMEA表等。从分析结果来看，使用xSAP平台对实际系统进行基于模型的系统安全分析是行之有效的。

• 云科学工作流截止期限约束代价优化调度算法

  陈彦橦，裴树军，苗辉

  针对异构云环境下科学工作流调度的代价优化问题，提出一种基于约束关键路径的代价优化调度算法（CSACCP）。算法以满足截止期限约束同时最小化执行代价为目标，充分考虑云环境和科学工作流的独有特性，设定任务的向上权值，将工作流分解成约束关键路径（CCP）集合。结合首次适应插入算法以减少空闲时隙，改善费用优化效果，采用及时完成和最小费用增长代价的虚拟机选择策略形成备选资源集合。整体分配CCP到最便宜的虚拟机实例，压缩数据通信开销减少工作流的执行代价。通过四种著名的科学工作流仿真测试，结果表明与现有启发式算法相比，CSACCP不仅可以在满足截止期限的约束下得到更小的执行代价，还拥有更高的任务调度成功率。

• 复杂网络关键节点组识别问题模型和算法研究

  江成，张军，卢山

  关键节点组识别问题，因其应用背景广泛，目前已经成为复杂网络微观层面的重要研究内容。随着大数据时代的到来，网络的规模愈加庞大，结构愈为复杂，现有基于仿真模拟和指标度量的传统识别方法受到很大局限，常常陷入局部最优解。同时，基于整数线性规划的识别模型存在不能够区分网络连通分支内部结构的缺陷。因此，亟需从网络整体结构和功能出发对关键节点组识别问题建模进行深入研究。为此，基于0-1二次约束二次规化理论建立识别模型，通过最小化二阶路径内连通节点对的个数，实现区分连通分支内部结构的能力。同时，提出了一种将贪婪搜索和局部置换相结合的启发式算法，以适应大规模网络的关键节点组识别。最后，在多组人工网络和真实网络数据集上实验分析，验证所提出模型和算法的正确性和有效性。

• 云计算中基于动态虚拟化电子流密码的安全存储

  任晓莉，杨建卫，李乃乾

  为提高云计算模型中用户重要数据安全性和虚拟机磁盘完整性验证的计算效率，提出一种云计算中基于电子流密码的安全动态更新存储策略。首先，云服务提供商引入虚拟化的概念来维护虚拟化服务器、存储等，实现虚拟机的即时安全迁移。同时，引入了一种基于安全电子流密码的模型，加密/解密使用ChaCha20方法，用于在云数据中心保持对用户敏感数据的适当安全性，实现虚拟机磁盘中数据的安全虚拟化和动态更新。其次，提出了一种新的Merkle哈希散列B+树的动态版本（DMBHT），该方法不需要随机Oracle签名方案，而采用q-SDH安全短签名，在DBHT的叶级上采用有效的码率作为伪删除码（Tornado-z码），可有效保持虚拟机磁盘之间的完整性和真实性。最后，仿真实验结果表明，所提算法可实现快速的更新和安全的修改，验证了所提算法的有效性。

• 基于自编码特征的语音增强声学特征提取

  张涛，任相赢，刘阳，耿彦章

  利用监督性学习算法进行语音增强时，特征提取是至关重要的步骤。现有的组合特征和多分辨率特征等听觉特征是常用的声学特征，基于这些特征的增强语音虽然可懂度得到了较大提升，但是仍然残留大量噪声，语音质量（用信噪比衡量）很低。在不影响可懂度的情况下，为了提高语音增强后语音质量，提出了一种基于自编码特征的综合特征。首先利用自编码器提取自编码特征，然后利用Group Lasso算法验证自编码特征与听觉特征的互补性和冗余性，将特征重新组合得到综合特征，最后将综合特征作为语音增强系统的输入特征进行语音增强。在TIMIT语料库和Noisex-92噪声库上进行了仿真实验，结果表明，与传统的语音增强方法以及现有的组合特征和多分辨率特征分别作为语音增强系统输入特征的深度学习等方法相比，提出的增强算法的语音质量得到了较大提升。

• 非线性幂变换Gammachirp滤波器的鲁棒语音特征提取

  李聪，葛洪伟

  针对归一化功率倒谱系数（PNCC）在较低信噪比噪声环境下说话人识别鲁棒性不佳的问题，提出了非线性幂函数变换伽马啁啾频率倒谱系数（NPGFCC）的抗噪语音特征提取算法。相比PNCC，NPGFCC的不同之处在于其采用符合人耳听觉特性的归一化压缩Gammachirp滤波器组代替Gammatone滤波器组进行滤波，并在特征参数中融合了分段式非线性幂函数变换的方式。另外，算法中利用了均值方差归一化和时间序列滤波等技术的方法，进一步提高了其在噪声环境下的鲁棒性，并在改进的i-vector+PLDA模型下进行了测试。实验结果表明，相较于目前常用的一些说话人语音特征提取算法，在不同噪声和不同信噪比下，NPGFCC特征具有最佳抗噪性能，特别是在信噪比较低的情况下，与其他语音特征相比，NPGFCC特征具有更大的优势。

• PID参数调节的谱多流形聚类算法研究

  罗养霞，马迪，常言说

  数据的复杂和多样性使得对大数据处理和分析能力有更高的要求。流形聚类在数据挖掘中取得显著的成功，但参数调整是聚类算法研究中的难点之一，直接影响聚类性能。传统的聚类算法参数调节一般依赖于经验，或者因参数调节的盲目性和随机性，而使得算法失效或复杂度较高。提出了一种基于比例-积分-微分（PID）控制约束的主动控制机制，约束谱多流形聚类参数调整的新方法。通过构造相似度矩阵，使用多个主成分分析器来估计局部切线空间。模型逼近过程由参数传递和PID调节控制。在调整过程中，采用三维ZN方法调整模型参数，扩展搜索空间，根据反馈结果控制谱多流形聚类过程，提高了算法的准确性和复杂性。通过在合成和实际中的不同类型的数据特征集进行检验，可以获得更好的聚类性能。

• 领域资讯的个性化建构抽取建模研究

  任斌斌，谢振平，刘渊

  网络资讯阅读已成为互联网时代个人知识增长的主要手段，更有效地提升资讯获取效率是个性化资讯服务的核心目标。以自动地采集满足个性化需求的领域资讯为问题目标，考虑深度优先、广度优先的抽取策略，并提出平衡组合游走建构认知抽取模型对上述问题进行建模研究。该模型基于人类学习的建构主义理论，基于用户对资讯信息的逐渐认知过程进行建模表达，并模拟用户逐渐阅读抽取网络资讯的过程。在健康领域资讯上的实验分析表明，该模型可更好地模拟人类的资讯阅读选择过程，从而为个性化资讯抽取服务提供基础手段。

• 利用LSTM网络和课程关联分类的推荐模型

  王素琴，吴子锐

  在线学习课程数量庞大，存在明显的信息过载问题，个性化智能推荐是解决这一问题的有效方式。根据学习者所学习的课程往往具有时间序列性这一特点，提出了基于LSTM网络的在线课程推荐模型。从大量学习者所学习的课程序列中提取学习行为特点，进而预测学习者将要学习的课程。该算法是基于课程之间的时序性而提出的，因此按照课程之间关系的紧密程度将课程分类后推荐的准确率更高。由于在线课程不断更新，人工维护课程分类的工作量较大，同时分类也不够科学，利用GSP算法和谱聚类算法，挖掘出课程间隐藏的时序联系，提出了更合理的课程自动分类方法。实验结果证明，与传统的协同过滤算法以及基于RNN的课程推荐算法相比，该算法推荐准确度更高。

• 螺旋结构及梯度分析的图像融合算法

  杨培，高雷阜，訾玲玲

  为了提高图像融合的效果，提出了螺旋结构和梯度分析的图像融合算法。算法首先进行非下采样轮廓波变换，得到一系列高低频子图。然后对低频子图中稀疏表示方法的滑窗模型进行了研究，针对其融合时间较慢的问题，提出了螺旋结构方向模型进行字典学习和稀疏表示，对稀疏系数通过空间频率取大的规则进行低频子图的融合，提高了融合效率；又针对高频子图中待融合图像的边缘突变情况，提出基于梯度分析的高频融合规则，使得较清晰的图像特征在融合时更易保留至最终的融合图像中。最后，对灰度图像和彩色图像进行了融合实验及不同融合算法的比较分析，并通过主观观察和客观数据对比验证了该算法在时间上和融合效果上的有效性。

• 生成式对抗网络在图像补全中的应用

  时澄，潘斌，郭小明，李芹芹，张露月，钟凡

  图像补全是数字图像处理领域的重要研究方向，具有广阔的应用前景。提出了一种基于生成式对抗网络（GAN）的图像补全方法。生成式对抗网络模型由生成器模型和判别器模型两部分构成，通过采用卷积神经网络（CNN）实现。首先，通过生成器模型对图像的缺失区域进行补全；然后，利用判别器模型对图像的补全效果进行判别。采用马尔科夫随机场（MRF）与均方误差（MSE）相结合的损失函数训练生成器模型，加强对图像纹理细节的处理能力。实验结果证明，基于生成式对抗网络的图像补全方法，相较于其他现有的方法，具有更好的补全效果。

• 广义正交模糊Maclaurin对称平均算子及其应用

  王军，张润彤，朱晓敏

  研究广义正交模糊决策环境下的集结算子及其决策应用。针对在信息集成时，需要考虑多个输入变量之间的相关关系以及专家的评价值为广义正交模糊信息的多属性决策问题，提出一种解决广义正交模糊多属性决策问题的方法。考虑到Maclaurin对称平均算子能够反映多个输入变量之间的相关关系，利用该算子集结广义正交模糊信息，提出了广义正交模糊Maclaurin对称平均算子、广义正交模糊加权Maclaurin对称平均算子，并研究了这些算子的性质和特殊情形。提出了基于广义正交模糊集结算子的多属性决策方法，并通过实例验证了其可行性和优势。

• 基于类间区分度的属性约简方法

  饶亚，贾修一，李同军，商琳

  属性约简是粗糙集理论中最重要的研究问题之一。近年来，粗糙集理论下的属性约简问题引发了学者们广泛的关注。然而，大多数属性约简方法都是基于不可分辨或可分辨关系所提出的，属性约简的性能仅仅取决于等价类或近似集的变化，却忽略了不具有等价关系的对象所在的不同类簇间关系的变化情况。因此，引入了类间区分度的概念，相较于等价类和上下近似集而言，它可以反映类簇区分程度随属性变化而变化的情况。对类间重合度和类间区分度进行了解释及定义，并结合启发式搜索策略，提出了一种基于类间区分度的属性约简方法，实验验证了所提方法的有效性。

• 多类分类模型和多层次增量算法

  徐怡，王旭生

  多类分类问题的实际应用中，在决策对象的认识由粗粒度向细粒度转化时，通过使用粒结构，提出一种基于多类分类的序贯三支决策模型。在此基础上，使用该模型非增量的方法计算序贯三支决策的时间开销较大，针对决策表中条件属性的变化，给出该模型的增量方法来进行决策。首先，通过增加新属性得到每层的条件属性，构建多层次粒结构。在多层次粒结构下，给出每层决策表的损失函数矩阵。然后，按层依次计算决策表中每个决策类的阈值，进行决策表的三支决策。最后，给出多类分类的序贯三支决策算法，通过实例说明该算法的计算过程。为了动态更新多层次下的三个域集，基于多类分类给出计算序贯三支决策的增量算法，通过仿真实验验证了该方法的有效性。