计算机科学与探索杂志

计算机科学与探索杂志2020年第3期

• IETF 6TiSCH工业物联网研究综述：标准、关键技术与平台

  杨伟，汪浩，万亚东，曹远龙，刘清华

  互联网工程任务组（IETF）正在制定一套基于IPv6的低功耗工业物联网协议栈6TiSCH，其主要应用于复杂的工业过程控制及自动化领域。IETF 6TiSCH协议栈在网络层上引入IPv6协议，使得海量的物联网节点可以无缝接入互联网；在链路层引入了IEEE802.15.4e TSCH新协议，可以有效降低节点能耗和增强无线通信可靠性。OpenWSN开源项目提供了一套该协议栈完整实现的代码。对IETF 6TiSCH工业物联网的标准、关键技术与平台进行了系统总结。首先对其发展历程及现状进行了详细的介绍；接着分析了CoAP应用层协议、UDP传输层协议、IPv6网络层协议、IEEE802.15.4e链路层协议及其物理层标准协议；随后总结了其高精度时间同步、资源调度与安全等关键技术，并对其实现平台进行了深入剖析；最后对未来研究可能面临的挑战进行了展望。

• 生成对抗网络的研究进展综述

  吴少乾，李西明

  自生成对抗网络（GANs）诞生以来，对其研究已经成为机器学习领域的一个热点。它利用对抗学习的机制训练模型，解决了当年生成算法无法解决的问题。由于GANs的优势，研究者们对其进行深入的研究，产生了许多GANs的衍生模型，这使得GANs得到了快速的发展，形成了所谓的GAN-Zoo。GANs被广泛应用于视觉领域、音频领域、自然语言领域及其他各种领域中，如图像生成、图像翻译、文本生成、音频转换和自然语言翻译等。从传统GANs出发，对近几年内GANs的研究中较为突出的方面进行总结，首先介绍了传统GANs的基本理论，然后对近年来GANs的主要衍生模型进行分析，最后总结了GANs在图像领域和信息安全领域中的主要应用成果。

• 面向开源源码大数据的数据质量研究

  包盼盼，陶传奇，黄志球

  基于开源源码大数据进行代码生成、缺陷预测等是当前智能化软件开发方法与技术的重要研究内容。然而现有的关注点主要聚焦于各种推荐、预测等智能算法的研究，较少对研究所使用数据的质量进行评估与分析。大部分智能化软件开发研究的数据来源于开源数据托管平台，受限于开发者自身水平，它们并不能保证都具有较高质量。根据“garbage in，garbage out”，这会影响最终结果质量。源码数据的质量对相关的研究有重要影响，却没有得到足够的重视。针对上述问题，提出了一种面向开源源码大数据的方法块数据质量评估方法。首先研究如何定义和评估GitHub上抽取的源码的数据质量问题，然后对开源源码从不同维度进行质量评估。通过该源码数据质量评估方法可以帮助相关研究人员构建具有更高质量的数据集，进而提高智能化相关研究，比如代码生成、缺陷预测等的结果质量。

• 价值样本选取的不均衡分类

  徐剑，王馨月，才子昕，沈启航，景丽萍

  基于传统模型的实际分类问题，不均衡分类是一个常见的挑战问题。由于传统分类器较难学习少数类数据集内部的本质结构，导致更多地偏向于多数类，从而使少数类样本被误分为多数类样本。与此同时，样本集中的冗余数据和噪音数据也会对分类器造成困扰。为有效处理上述问题，提出一种新的不均衡分类框架SSIC，该框架充分考虑数据统计特性，自适应从大小类中选取有价值样本，并结合代价敏感学习构建不均衡数据分类器。首先，SSIC通过组合部分多数类实例和所有少数类实例来构造几个平衡的数据子集。在每个子集上，SSIC充分利用数据的特征来提取可区分的高级特征并自适应地选择重要样本，从而可以去除冗余噪声数据。其次，SSIC通过在每个样本上自动分配适当的权重来引入一种代价敏感的支持向量机（SVM），以便将少数类视为与多数类相等。

• 基于LDA-DeepHawkes模型的信息级联预测

  王世杰，周丽华，孔兵，周俊华

  基于信息早期的传播特征来预测其未来的传播范围具有广泛的应用价值。DeepHawkes模型将Hawkes模型与深度学习相结合，不仅继承了Hawkes模型能够表征和建模信息扩散过程的高度可解释性，又具备深度学习自主学习流行度预测隐含特征的高准确预测能力，弥合了传统方法中信息级联的预测与理解之间的间隙。然而，DeepHawkes模型忽略了信息本身的文本内容对于传播的影响。在DeepHawkes模型的基础上提出了既考虑级联的因素又考虑文本内容的LDA-DeepHawkes模型，更加全面地建模信息扩散过程，在继承DeepHawkes高解释性的同时，进一步提高预测准确度。在两个新浪微博数据集上对比了LDA-DeepHawkes模型与其他模型的预测准确度，分析了模型中参数对预测效果的影响。实验结果表明：LDA-DeepHawkes模型有较好的预测精度，说明信息的文本内容也是影响信息扩散的重要因素。

• 基于CMAES集成学习方法的地表水质分类

  陈兴国，徐修颖，陈康扬，杨光

  为了提高人民生活质量，政府部门不断加强水质管理，然而人工分类方法无法满足实时处理的需求，传统机器学习方法的分类准确率又不够高。集成学习使用多种学习算法来获得比单一学习算法更好的预测性能。首先，对集成学习进行概述，简要介绍了Bagging和Boosting算法，并提出基于协方差自适应调整的进化策略算法（CMAES）的集成学习方法。接着，介绍了数据处理方式、模型评估方法和评价指标。最后，用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成。实验结果表明，CMAES集成学习方法优于所有其他模型，该方法将继续被应用到未来的研究之中。

• 面向卷积神经网络的FPGA加速器架构设计

  李炳剑，秦国轩，朱少杰，裴智慧

  随着人工智能的快速发展,卷积神经网络（CNN）在很多领域发挥着越来越重要的作用。分析研究了现有卷积神经网络模型，设计了一种基于现场可编程门阵列（FPGA）的卷积神经网络加速器。在卷积运算中四个维度方向实现了并行化计算；提出了参数化架构设计，在三种参数条件下，单个时钟周期分别能够完成512、1 024、2 048次乘累加；设计了片内双缓存结构，减少片外存储访问的同时实现了有效的数据复用；使用流水线实现了完整的神经网络单层运算过程，提升了运算效率。与CPU、GPU以及相关FPGA加速方案进行了对比实验，实验结果表明，所提出的设计的计算速度达到了560.2 GOP/s，为i7-6850K CPU的8.9倍。同时，其计算的性能功耗比达到了NVDIA GTX 1080Ti GPU的3.0倍，与相关研究相比，所设计的加速器在主流CNN网络的计算上实现了较高的性能功耗比，同时不乏通用性。

• 融合模糊推理和流形正则化的特征迁移学习

  宋仪轩，邓赵红，秦斌

  迁移学习利用源域中丰富的数据来为目标域构建精确的模型提供辅助和支持。特征迁移学习是迁移学习中被广泛研究的一类技术，但是现有的特征迁移方法面临着如下的问题：一些已有的方法仅能实现线性的特征迁移学习，因此这些方法迁移学习的能力有限。另一类方法虽然能实现非线性特征迁移学习，但往往需要引进核技巧等策略，这使得特征迁移的过程难以理解。针对此，引入模糊推理技术，提出基于不确定推理规则的特征迁移方法。该方法基于模糊推理系统来实现特征迁移，并利用流形正则化技术来避免特征迁移过程中的信息损失。由于模糊系统具有很好的非线性建模能力以及基于规则的良好的解释性，因此提出的方法具有良好的非线性特征迁移能力，并易于对新特征进行理解。大量实验证明，该算法在跨域图像分类问题上可以明显优于已有的多种方法。

• 启发式强化学习机制的异构双种群蚁群算法

  刘中强，游晓明，刘升

  针对传统蚁群算法在解决TSP问题时易陷入局部最优、收敛速度较慢的问题，提出了一种基于启发式强化学习的异构双种群蚁群算法。蚁群分为主种群和子种群，主种群负责解的构建和信息素的更新，子种群则是在构建解的同时对主种群的解集进行替换。算法初期利用启发式算子自适应地控制两个种群的交流频率，通过偏离度系数控制解的交换方式。前期让子种群的最优解去替换主种群的随机解，增加解的多样性，同时引入强化学习机制对交流后主种群最优路径上的信息素进行自适应的奖赏，以增大最优公共路径以后被选择的概率。后期则控制子种群的最优解去替换主种群的最差解，强化最优路径上信息素的量，并对主种群最优路径上的信息素进行奖赏，进一步提高算法的收敛速度。实验仿真表明，算法能够有效地跳出局部最优，并且解的质量在大规模测试集上有明显的改善。

• 特征标记依赖自编码器的多标记特征提取方法

  程玉胜，李志伟，庞淑芳

  在多标记学习中，如何处理高维特征一直是研究难点之一，而特征提取算法可以有效解决数据特征高维性导致的分类性能降低问题。但目前已有的多标记特征提取算法很少充分利用特征信息并充分提取“特征-标记”独立信息及融合信息。基于此，提出一种基于特征标记依赖自编码器的多标记特征提取方法。使用核极限学习机自编码器将原标记空间与原特征空间融合并产生重构后的新特征空间。一方面最大化希尔伯特-施密特范数以充分利用标记信息；另一方面通过主成分分析来降低特征提取过程中的信息损失，结合二者并分别提取“特征-特征”和“特征-标记”信息。通过在Yahoo多组高维多标记数据集上的对比实验表明，该算法的性能优于当前五种主要的多标记特征提取方法，验证了所提算法的有效性。

• 深度学习下融合不同模型的小样本表情识别

  林克正，白婧轩，李昊天，李骜

  为了进一步提高人脸表情识别在小样本中的准确率，提出了一种深度学习下融合不同模型的小样本表情识别方法。该方法首先对单个卷积神经网络（CNN）模型进行比较，通过dropout层不同的节点保留概率[p，]筛选相对合适的CNN。之后采用尺度不变特征变换（SIFT）算法提取出特征，使用SIFT提取特征的目的是提高小数据的性能。为了减少误差，避免过拟合，将所有模型进行汇总，采用简单平均的模型融合方法得到CNN-SIFT-AVG模型。最后，只采用少量样本数据来训练模型即可。该模型已在FER2013、CK+和JAFFE数据集上进行了验证实验。实验结果表明，该模型可以很大程度上提高小样本表情识别的准确率，并在FER2013、CK+和JAFFE数据集上产生了较优异的结果，与其他表情识别方法相比，准确率最大提升约6%。

• 三维卷积网络在脑海马体分割中的应用

  刘辰，肖志勇，吴鑫鑫

  为了提高海马体分割的精确性和鲁棒性，提出一种新型的三维卷积网络Dilated-3DUnet。该网络中卷积层的通道数采用“金字塔”分布的方式，有效缩小了参数的规模。此外，使用三维空洞卷积作为级联卷积操作，不仅有效地结合了脑磁共振成像（MRI）的深层特征和浅层特征，而且在不改变参数个数的情况下，扩大了卷积层的感受野，获取了多尺度信息，能够更好地捕捉MRI图像的浅层特征，从而提高了分割精度。在ADNI数据集上进行实验，以相似性系数、灵敏度、阳性预测率为评价指标，准确率分别达到了89.32%、88.72%和90.05%。实验表明，Dilated-3DUnet充分利用了脑MRI图像的三维空间信息，具有更强的泛化能力和更好的特征表达能力，从而大大提升了分割精度。

• 非负低秩图嵌入算法

  刘国庆，卢桂馥，周胜，宣东东，曹阿龙

  现有的非负矩阵分解方法（NMF）还存在一些不足之处。一方面，NMF方法直接在高维原始图像数据集上计算它的低维表示，而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中；另一方面，NMF方法还存在对噪声数据和不可靠图敏感以及鲁棒性差的缺点。为了解决这些问题，提出了一种非负低秩图嵌入算法（NLGE），该算法同时考虑了原始图像数据的几何信息和有效低秩结构，使得其鲁棒性有了进一步的提高。此外，还给出了一种求解NLGE算法的迭代规则，并进一步证明了该求解算法的收敛性。最后，在ORL、CMU PIE、YaleB和USPS数据库上的实验结果表明了NLGE算法的有效性。

• PAC最优的RMAX-KNN探索算法

  李超，门昌骞，王文剑

  探索与利用的均衡是强化学习研究的重点之一。探索帮助智能体进一步了解环境来做出更优决策；而利用帮助智能体根据其自身当前对于环境的认知来做出当前最优决策。目前大多数探索算法只与值函数相关联，不考虑当前智能体对于环境的认知程度，探索效率极低。针对此问题，提出了一种基于状态空间自适应离散化的RMAX-KNN强化学习算法，算法根据当前智能体对于环境状态空间的离散化程度改写值函数形式，然后基于此值函数对环境进行合理的探索，逐步实现对于环境状态空间的自适应离散化划分。RMAX-KNN算法通过将探索与环境状态空间离散化相结合，逐渐加深智能体对于环境的认知程度，进而提高探索效率，同时在理论上证明该算法是一种概率近似正确（PAC）最优探索算法。在Benchmark环境上的仿真实验结果表明，RMAX-KNN算法可以在探索环境的同时实现对于环境状态空间的自适应离散化，并学习到最优策略。

• 面向属性（对象）多粒度概念格之间的关系

  杨涵，秦克云

  受粗糙集中多粒度标记信息系统研究的启发，对于多粒度标记的形式背景，不同粒度标记下形成的概念格之间存在着一些联系，这在形式概念分析理论中属于热点研究问题。为了研究不同粒度标记下形成的概念格之间的关系，首先讨论了不同粒度标记下的生成的极值算子之间的关系；其次通过极值算子之间的关系，对不同粒度标记下形成的面向对象的概念格之间的关系进行了研究；再利用面向属性的概念格和面向对象的概念格之间的互补关系，对不同粒度标记下形成的面向属性的概念格之间的关系进行了研究，实现了在已知细粒度标记下的形式背景、粗粒度标记下的形式背景，通过细粒度标记下的知识推断出粗粒度标记下的知识；最后在此基础上提出了相应的概念格生成的方法。

• 不协调决策形式背景的矩阵型属性约简

  张呈玲，李进金，林艺东

  形式概念分析的属性约简是知识表达和数据处理的一种有力的工具。对于不协调决策形式背景，已有多种属性约简的方法。从布尔矩阵运算的角度研究不协调决策形式背景的属性约简问题，提出属性约简的新的刻画。首先，借助矩阵的运算给出广义矩阵协调集的定义，并研究属性之间相似性的度量。接着，针对在属性约简过程中起不同作用的属性，将条件属性区分为核心属性和非核心属性，提出一个属性是否是核心属性的充要判断条件，以及得出属性约简的判别方法。最后，在此框架上设计出不协调决策形式背景属性约简的一种启发式算法，通过例题说明此算法的可行性和合理性。通过属性约简，该形式背景下的概念格计算更为简便。上述结果有助于进一步的应用及为研究形式概念分析的矩阵方法提供理论基础。