计算机科学与探索杂志

计算机科学与探索杂志2022年第12期

• 风电输出功率预测技术研究综述

  武煜昊, 王永生, 徐昊, 陈振, 张哲, 关世杰

  风电具有的波动性、间歇性等特点对并网造成一定程度的影响，提前进行风电功率预测是解决上述问题的一个重要途径。但传感器传输、网络通信等不可控因素的存在，导致采集到用于风电功率预测的数据存在异常值和缺失值，因此在进行风电功率预测前应当进行相应的异常值检测和缺失值插补操作。为进一步促进风电数据清洗及预测技术的发展，对当前现有模型及方法进行分析与总结，并对现有技术进行划分、对比。从时序数据出发，首先，对风电预测领域的异常值检测方法的研究现状进行分类、分析与总结，对现有异常检测方法所存不足与缺陷进行概述，并对未来发展中或将成为重点的研究方向进行展望；其次，将现有的缺失值处理方法的评价指标进行描述，根据处理方式的不同将处理技术按照常规处理方法、辨别式的插补方法、生成式的插补方法及物理特性方法进行分析与总结，并对现有研究中所存问题进行分析；最后，对现有研究中的预测方法、多层级预测及自适应预测系统的研究现状进行分析总结，并对现有预测存在的挑战及未来发展方向进行了总结与展望。

• RFID数据清洗技术研究进展

  王健, 乐嘉锦

  无线射频识别（RFID）技术是一种自动识别方法，它依赖于称为RFID标签的无线电转发器快速存储和检索数据。由于RFID标签与读写器通信时无需直接接触，这样为短时间内采集大量的数据提供了可能。但是，采集到的数据也产生了诸如漏读、多读、冗余、乱序等问题，如何在短时间内高效地清洗产生的大规模RFID数据成为数据库领域的重要研究课题。对现有的RFID数据清洗技术进行了综述。首先，给出了RFID系统与RFID数据清洗问题的有关定义与描述，列出了典型的数据集与评价标准，从相关技术的分类、子类、基本思想、优势、局限、适用场景等方面详细比较和总结了现有的RFID数据清洗工作，同时对相关应用系统进行比较分析。然后，针对漏读数据清洗、多读数据清洗、冗余数据清洗、乱序数据处理等关键问题，对已有的研究进行了详细的比较和总结。最后，从RFID原始数据与基准数据集构建、加密与隐私保护数据的清洗策略、数据采集准确率、清洗结果的时效性、场景自学习等方面提出了RFID数据清洗领域未来五个值得关注的研究方向。

• 激光点云的三维目标检测研究进展

  周燕, 蒲磊, 林良熙, 刘翔宇, 曾凡智, 周月霞

  三维目标检测是近年来新兴的研究方向，其主要任务是对空间中的目标进行定位与识别。目前采用单目或双目视觉的方法来完成三维目标检测任务，其容易受物体遮挡、视点变化和尺度变化的影响，导致检测精度不佳及鲁棒性差等问题。由于激光点云能描述三维场景的信息，在激光点云数据的基础上使用深度学习的方法完成三维目标检测任务，已成为三维视觉领域中研究的热点。针对激光点云的三维目标检测，梳理了近年来相关的研究工作。首先根据输入网络的数据形式，将基于激光点云的三维目标检测方法分为基于原始点云、基于点云投影、基于点云体素化及基于多模态融合的三维目标检测方法，并对各类最具有代表性的方法进行了详细阐述。然后介绍了当前常用的开源数据集及其评价指标，并在数据集上对各类方法进行了性能对比，从多个方面讨论了各类方法的优势及局限性。最后指出当前激光点云的三维目标检测研究存在的不足和难点，并对其未来的发展趋势进行了总结与展望。

• 深度在线多目标跟踪算法综述

  刘文强, 裘杭萍, 李航, 杨利, 李阳, 苗壮, 李一, 赵昕昕

  视频多目标跟踪是计算机视觉领域的一个关键任务，在工业、商业及军事领域有着广泛的应用前景。目前，深度学习的快速发展为解决多目标跟踪问题提供了多种方案。然而，目标外观发生突变、目标区域被严重遮挡以及目标的消失和出现等挑战性的问题还未完全解决。重点关注基于深度学习的在线多目标跟踪算法，总结了该领域的最新进展，按照目标特征预测、表观特征提取和数据关联三个重要模块，依据基于检测跟踪（DBT）和联合检测跟踪（JDT）两个经典框架将深度在线多目标跟踪算法分为了六个小类，讨论不同类别算法的原理和优缺点。其中，DBT算法的多阶段设计结构清晰，容易优化，但多阶段的训练可能导致次优解；JDT算法融合检测和跟踪的子模块达到了更快的推理速度，但存在各模块协同训练的问题。目前，多目标跟踪开始关注目标的长期特征提取、遮挡目标处理、关联策略改进以及端到端框架的设计。最后，结合已有算法，总结了深度在线多目标跟踪亟待解决的问题并展望未来可能的研究方向。

• 基于深度学习的伪装目标检测综述

  史彩娟, 任弼娟, 王子雯, 闫巾玮, 石泽

  基于深度学习的伪装目标检测（COD）是一项新兴的视觉检测任务，其目的是精确且高效地检测出“完美”嵌入周围环境中的伪装目标。目前大多数工作旨在构建不同的伪装目标检测模型，对现有模型的归纳总结及深入分析的综述性工作还很少。因此，对基于深度学习的伪装目标检测模型进行了全面分析和总结，并探讨了伪装目标检测未来的研究方向。首先对基于深度学习的23个伪装目标检测模型分别从由粗到细策略、多任务学习策略、置信感知学习策略、多源信息融合策略以及基于Transformer共5个角度进行了分类介绍，并对每种策略的优劣进行了深入分析；其次介绍了伪装目标检测广泛使用的4个数据集以及4种评估准则；然后对现有基于深度学习的伪装目标检测模型在4个数据集上进行了性能比较，包括定量比较、视觉比较和效率分析，并分析了这些模型对不同类型目标的检测效果；接着简单介绍了伪装目标检测在医学、工业、农业、军事、艺术等领域的应用；最后指出了现有方法在复杂场景、多尺度目标、实时性、实际应用需求、多模态等方面存在的不足和挑战，并探讨了伪装目标检测未来的研究方向。

• 多视角层次聚类下的无线网络入侵检测算法

  董新玉, 解滨, 赵旭升, 高新宝

  针对现有基于监督学习的无线网络入侵检测算法误检率高、难以发现未知类型攻击行为、获取带标记网络数据代价大的问题，提出一种基于多视角层次聚类的无监督无线网络入侵检测算法。该算法基于无监督学习，不需要为参与分类器学习的大量无线网络数据进行人工标记，具有易获取训练数据集和发现未知类型攻击行为的优势，同时该算法引入多视角余弦距离作为层次聚类中无线网络数据对象间相似性度量，使聚类结果更加合理，对网络数据行为的判定更加准确，在一定程度上降低了入侵检测的误检率。选用公开无线网络攻击数据集（AWID）进行实验，通过主成分分析法对实验数据集进行降维处理，很大程度上降低了入侵检测算法的时间复杂度。实验结果表明，与传统的无线网络入侵检测算法相比，提出的多视角层次聚类下的无线网络入侵检测算法在检测率、误检率和发现未知攻击类型等性能上都有显著提升。

• WVSN入侵检测全视角弱栅栏β-QoM增强构建算法

  郭新明, 蔡军伟

  针对无线视觉传感器网络（WVSN）捕获直线轨迹入侵者图像精准度不足的问题，提出了一种入侵检测全视角弱栅栏β-QoM增强构建算法CPFWBβEC。将随机均匀部署的WVSN最优全视角弱栅栏β-QoM增强构建转化成集合覆盖问题，并从理论上证明其为NP-hard的。在此基础上，启发式算法CPFWBβEC被提出。算法CPFWBβEC主要基于传感器覆盖面积优先的贪心思想，从而在WVSN网络上实现了入侵检测全视角弱栅栏的β-QoM增强构建。仿真实验结果表明，该算法栅栏构建平均成功率分别比算法W-GraProj和D-eTriB提高了约0.116和0.340，且生成栅栏的平均节点数分别比算法W-GraProj和D-eTriB减少了约35.5%和56.1%。另外，随着β值的增大，全视角弱栅栏的构建节点数也随之增加。同时，算法CPFWBβEC时间复杂度为O(ncgn)，因此适用于节点部署密集且实时性较高的环境中。

• 基于潜在的低秩约束的不完整模态迁移学习

  徐光生, 王士同

  当数据是多模态时，如果在训练阶段没有足够或完整的目标数据可参与训练，则可能导致训练效果较差甚至失败。为了解决该问题，提出了一个基于潜在的低秩约束的不完整模态迁移学习算法（IMTL）。所提算法通过两方面来解决不完整模态问题：一方面，基于低秩约束子空间框架，引入潜在因素来挖掘目标域中缺失的模态信息，然后借助具有完整模态的辅助数据集，通过跨模态或跨数据集方向的迁移学习来帮助模态或数据集之间的数据对齐；另一方面，利用少量标记目标数据来完成监督信息对齐从而保持目标数据在迁移学习过程中的内在结构。实验结果表明，所提算法较之于传统的迁移学习算法有明显优势；即使对于不完整的目标数据，也可以显著地提高分类性能。

• K阶图卷积属性网络社团检测方法

  陈洁, 张二明, 王倩倩, 赵姝, 张燕平

  挖掘属性网络中的社团结构有助于对网络节点进一步分析，具有重要的现实意义。图卷积神经网络能够有效地将属性网络的结构信息进行嵌入，获取节点的特征表示，从而可获得性能良好的社团结构。然而，现有图卷积方法大多使用固定的低阶图卷积，只考虑每个节点一阶或二阶内的邻居，没有充分利用节点关系，忽略了网络结构的多样性。另外原始网络结构的稀疏性无法克服，会降低社团检测的性能。为解决上述问题，提出一种融合属性信息与结构信息的K阶图卷积社团检测方法（KGCN），该方法可以有效地克服原始网络的稀疏性并利用节点的高阶结构进行社团检测。首先根据节点的属性信息对原始网络进行重构，缓解原始网络结构的稀疏性；其次考虑到高阶结构关联，采用K阶图卷积编码器对节点进行编码，获得节点的特征表示；最后使用谱聚类算法进行社团检测。实验结果表明，在四个真实数据集上，相比现有算法，KGCN方法取得更好的社团检测结果。

• 引入特征迁移和匹配学习的双蚁型蚁群算法

  陈达, 游晓明, 刘升

  针对传统蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢、易陷入局部最优等问题，提出一种引入特征迁移学习和匹配学习的双蚁型蚁群算法（BMACS）。首先，将种群动态分级为探索蚁和追踪蚁，其中适应度较高的为探索蚁，较低的为追踪蚁；其次，提出一种局部特征迁移机制，该机制下有两种策略，在特征迁移策略中，将探索蚁公共路径作为局部特征通过局部信息素奖励迁移到信息素矩阵中，进而提高探索蚁的影响力，加快算法收敛速度；在变异学习策略中，追踪蚁跟随探索蚁负责对次优路径的探索，自适应重构探索蚁路径，从而丰富种群多样性；最后，当算法停滞时，利用匹配学习机制将当前最优个体与相似度最高的历史最优个体进行交流学习，重组信息素，增加种群的多样性，进而提高算法跳出局部最优的能力。使用MATLAB对TSPLIB中的多组案例进行仿真实验，结果表明改进后的算法平衡了多样性和收敛速度，有效提高了解的质量。

• 最近邻的密度峰值聚类标签传播算法

  宋鹏, 葛洪伟

  基于动态图的密度峰值聚类标签传播算法（DPC-DLP）是密度峰值聚类算法（DPC）的一种改进算法，该算法涉及的相关参数过于复杂，并且算法在每次迭代时都会使用标签数据，会出现标签错误扩大化现象，存在迭代次数过多导致聚类效果恶化等问题。针对上述问题，提出了一种最近邻的密度峰值聚类标签传播算法（DPC-NLP）。该算法主要有三个步骤：首先利用局部密度和最小距离对样本点进行打分，根据分数确定聚类中心，然后使用聚类中心的标签在其最近邻内形成簇骨干，最后使用最近邻的标签传播方法将簇骨干的标签传播到剩余样本上，并形成最终的聚类结果。最近邻标签传播算法充分考虑数据间的结构关联性情况，并在传播的过程中不断更新数据的状态，利用更充分的信息提高分配正确率。在人工和真实数据集上对算法进行验证，并与目前主流的聚类算法进行比较，实验结果表明，DPC-NLP在性能和鲁棒性方面表现优越，并可以处理流形和非线性等复杂数据。

• 单种群自适应异构蚁群算法的机器人路径规划

  张松灿, 孙力帆, 司彦娜, 普杰信

  针对多种群蚁群算法存在结构复杂、优化速度慢及适应性不足等问题，提出一种单种群自适应异构蚁群算法，并用于机器人路径规划。该算法采用单种群结构，避免多蚁群算法结构复杂的问题；种群内每只蚂蚁都有自己的控制参数，实现蚂蚁的行为异构，增加种群的多样性；在首次迭代时，仅用启发因子构建候选解，提高了初始化种群的质量；根据蚁群优化过程中种群信息熵的变化，自适应确定信息交换周期；所设计的信息交换策略将最优蚂蚁的控制参数传递给最差蚂蚁，增强最优蚂蚁的引导作用；参数突变操作有助于在更大的参数空间探索更优的控制参数，提高算法逃离局部最优的能力。仿真实验与统计检验的结果验证了所提算法的有效性、稳定性和优越性。

• 可穿戴传感器的人体活动能量预测模型研究

  王琳, 孙倩, 马晓娜, 高永艳, 刘毅, 马宏伟, 杨东强

  为了解决可穿戴传感器特征过多与嵌入式设备计算能力和存储能力有限的矛盾问题，在多传感器（加速度传感器、陀螺仪传感器）数据融合的基础上，采用特征工程的方法选出人体运动能量消耗预测（PAEE）的最优特征。在数据预处理阶段，使用滑动窗口技术提取传感器的时域、频域特征，对三个速度水平的数据集使用正弦曲线拟合，并通过显著性差异检验分析选出有效数据。构建了过滤式、封装式和嵌入式特征选择算法与多线性回归、回归树、支持向量机和神经网络等机器学习预测模型结合的WEKA实验平台。最后决策级融合时，通过评估每个模型的相关系数和平均绝对误差选择出最优模型。模型训练时采用带抖动的数据集作为测试集，避免出现模型的过拟合现象，提高模型的泛化能力和鲁棒性。嵌入式特征选择采用经典的弹性网络算法。实验结果表明，在PAEE中加速度计传感器的特征比陀螺仪传感器的特征更具有决定性的作用，基于相关系数方法的多传感器特征融合的神经网络模型是最优模型。

• DnRFD：用于图像去噪的递进式残差融合密集网络

  曹义亲, 饶哲初, 朱志亮, 张红斌

  基于深度学习的去噪方法能够获得比传统方法更好的去噪效果，但是现有的深度学习去噪方法往往存在网络过深导致计算复杂度过大的问题。针对这个不足，提出一种用于去除高斯噪声的递进式残差融合密集网络（DnRFD）。该网络首先采用密集块来学习图像中的噪声分布，在充分提取图像局部特征的同时大幅降低网络参数；然后利用递进策略将浅层卷积特征依次与深层特征短线连接形成残差融合网络，提取出更多针对噪声的全局特征；最后将各密集块的输出特征图进行融合后输入给重建输出层，得到最后的输出结果。实验结果表明，在高斯白噪声等级为25和50时，该网络都能获得较高的峰值信噪比均值和结构相似性均值，并且去噪平均时间是DnCNN方法的一半，是FFDNet方法的1/3。总的来说，该网络整体去噪性能优于相关对比算法，可有效去除图像中的高斯白噪声和自然噪声，同时能更好地还原图像边缘与纹理细节。

• 用于人脸识别的类内低秩子空间学习

  蔡雨虹, 吴小俊

  线性回归作为简单有效的工具，在模式识别中已得到广泛使用。但是直接从高维数据到二元标签可能无法得到灵活的投影和适合分类问题的数据表示。针对这一问题，标签松弛技术被提出，虽然已经证明其有效性，但仍然存在增大同类差异的问题。因此，提出类内低秩的子空间学习（ICLRSL），不同于原始线性回归和基于标签松弛的方法，在使用原始二元标签的同时采用两个投影矩阵分别完成类内低秩子空间投影和标签空间投影。ICLRSL将类内低秩子空间作为高维数据空间到标签空间之间的桥梁，得到对数据的初步编码，通过类内低秩约束使其与最终的回归目标拥有类似的类内相关性。同时，行稀疏约束保证子空间投影关注与类内低秩最相关的少数特征，在一定程度上降低冗余信息带来的负面影响。通过中间子空间的连接，一方面比直接学习单个投影矩阵具备更多灵活性，另一方面也能得到判别的数据表示。在四个公开人脸数据集上的实验验证了ICLRSL算法的有效性。

• 快速3D-CNN结合深度可分离卷积对高光谱图像分类

  王燕, 梁琦

  针对卷积神经网络在高光谱图像特征提取和分类的过程中，存在空谱特征提取不充分以及网络层数太多引起的参数量大、计算复杂的问题，提出快速三维卷积神经网络（3D-CNN）结合深度可分离卷积（DSC）的轻量型卷积模型。该方法首先利用增量主成分分析（IPCA）对输入的数据进行降维预处理；其次将输入模型的像素分割成小的重叠的三维小卷积块，在分割的小块上基于中心像素形成地面标签，利用三维核函数进行卷积处理，形成连续的三维特征图，保留空谱特征。用3D-CNN同时提取空谱特征，然后在三维卷积中加入深度可分离卷积对空间特征再次提取，丰富空谱特征的同时减少参数量，从而减少计算时间，分类精度也有所提高。所提模型在Indian Pines、Salinas Scene和University of Pavia公开数据集上验证，并且同其他经典的分类方法进行比较。实验结果表明，该方法不仅能大幅度节省可学习的参数，降低模型复杂度，而且表现出较好的分类性能，其中总体精度（OA）、平均分类精度（AA）和Kappa系数均可达99%以上。

• 代数商空间粒度转换计算研究

  魏宗萱, 王加阳

  粒度计算是一种基于多层次结构的问题处理范式，近年来受到国内外学者的广泛关注。粒度转换技术与问题求解是进行多粒度计算的关键，然而代数商空间却缺乏对这两个重要问题的讨论。为此，针对代数商空间模型，首先，根据商空间的构造方法定义三种完备的代数商空间簇，以论证代数粒度转换的封闭性。在上述工作基础上，针对不同的粒化准则与粒化方式，从多角度给出完整的代数粒度转换方法，并详细讨论了不同转换方法的异同以及粒度转换结果之间的关系。其次，为描述代数问题在粗细粒度转换中的求解结果，基于粒度转换方法与代数求解规则，提出求解一致性原理。通过理论分析证明了粒度转换方法与一致性原理的可靠性，以实例验证了所提方法的有效性，且实例结果与理论分析结论相符合，佐证了一致性原理的正确性；解决了使用代数商空间模型进行粒度计算的核心问题，为使用代数粒度计算求解大规模复杂问题提供了理论依据。

• 基于直观图的三支概念获取及属性特征分析

  万青, 马盈仓, 李金海

  三支概念分析是三支决策与形式概念分析的结合产物，是知识发现的有效工具。基于三支概念与形式概念的关联性，从直观图的角度研究了三支概念的获取方法以及属性特征的判别方法。借鉴形式概念分析中基于直观图获取概念、面向对象概念和面向属性概念的方法，并结合四种三支概念与混合背景的三种概念之间的联系，提出属性（对象）混合直观图和属性对（对象对）诱导的三支直观图的定义，进而利用形式背景的这两类直观图对四种三支概念的获取方法进行了研究。此外，给出保持格结构不变的约简和属性特征的一般化定义，通过辨识矩阵分析了对象诱导的三支概念格的属性特征，并基于属性对诱导的三支直观图得到了保持该格结构不变的属性特征的判别方法。

• 求解高维优化问题的改进鲸鱼优化算法

  王永贵, 李鑫, 关连正

  针对鲸鱼优化算法在处理高维优化问题时全局勘探能力不足和易陷入局部极值的问题，提出一种改进的鲸鱼优化算法。首先，在搜索空间中采用Fuch混沌映射和优化的对立学习相结合的初始化策略，利用Fuch映射较高的搜索效率产生多样性良好的优质混沌初始种群，然后结合优化的对立学习策略在保证种群多样性的同时产生优良鲸鱼种群，为算法全局搜索奠定基础；其次，在全局勘探阶段对参数A进行调整，帮助鲸鱼种群更有效地进行全局搜索，在平衡全局勘探和局部开发的同时避免早熟收敛；最后，在局部开发阶段引入拉普拉斯算子对最优个体进行动态交叉操作，迭代前期产生距离父代较远的子代提高全局搜索能力摆脱局部极值束缚，迭代后期产生距离父代较近的子代精细搜索范围提高求解精度。选取10个标准测试函数在100维、500维、1 000维下进行仿真实验，结果表明该算法在收敛速度、求解精度和稳定性方面明显优于其他对比算法，能够有效处理高维优化问题。