計(jì)算機(jī)應(yīng)用與軟件最新期刊目錄

基于情感分析和直覺模糊理論的景區(qū)排序與推薦方法————作者：林健;陳育佳;

摘要：在線評(píng)論是旅游者選擇旅游目的地的決策信息來源，對(duì)旅游者做出決策行為有著顯著影響。在線評(píng)論中蘊(yùn)含著游客留下的情感信息，綜合考慮情感信息中包含著不同的情感傾向，依據(jù)情感分析和直覺模糊理論提出了一種景區(qū)的排序與推薦方法。利用LDA和RoBERTa-BiLSTM-Attention模型，將在線評(píng)論所含的潛在信息轉(zhuǎn)化為含有情感傾向的定量信息。通過構(gòu)建基于在線評(píng)論的直覺模糊VIKOR決策方法，實(shí)現(xiàn)備選景區(qū)的排...

基于即時(shí)缺陷預(yù)測(cè)的缺陷隔離方法————作者：劉書寧;吳毅堅(jiān);宋學(xué)志;趙文耘;

摘要：缺陷隔離是保障軟件質(zhì)量和提升開發(fā)效率的重要環(huán)節(jié)，傳統(tǒng)依賴測(cè)試的缺陷隔離方法在面對(duì)大規(guī)模代碼庫(kù)和測(cè)試資源不足的情況時(shí)存在局限性。提出一種基于即時(shí)缺陷預(yù)測(cè)的缺陷隔離方法(JIT-SemDI)，結(jié)合程序分析和大語言模型技術(shù)，將代碼變更拆解為具有單一開發(fā)目的的語義子提交，提出新的特征并訓(xùn)練模型，通過對(duì)拆解后的子提交進(jìn)行缺陷預(yù)測(cè)，實(shí)現(xiàn)無需測(cè)試的高效缺陷隔離。實(shí)驗(yàn)結(jié)果表明，相比最新的即時(shí)缺陷預(yù)測(cè)算法，JIT-...

基于多模態(tài)特征融合的惡意程序分類研究————作者：劉治杰;丁錳;

摘要：針對(duì)Android系統(tǒng)惡意程序檢測(cè)面臨的復(fù)雜挑戰(zhàn)，提出一種基于多模態(tài)特征融合的惡意程序分類方法。首先，設(shè)計(jì)了APK文件關(guān)鍵組件的多通道可視化方案，提高了圖像分辨率以增強(qiáng)特征表示能力。其次，提出了一種基于改進(jìn)ResNet18-BiLSTM的混合深度學(xué)習(xí)架構(gòu)，該架構(gòu)利用改進(jìn)的ResNet18提取空間特征，BiLSTM捕獲序列依賴關(guān)系，并引入CBAM注意力機(jī)制突出重要特征。在CICMalDroid202...

基于Prophet分解和Stacking集成學(xué)習(xí)的復(fù)雜生產(chǎn)過程質(zhì)量預(yù)測(cè)方法————作者：梁生龍;

摘要：質(zhì)量預(yù)測(cè)是生產(chǎn)控制的重要手段，生產(chǎn)過程中產(chǎn)品質(zhì)量與工藝參數(shù)之間存在復(fù)雜的非線性關(guān)系，且質(zhì)量特性數(shù)據(jù)易受噪聲污染，導(dǎo)致已有質(zhì)量預(yù)測(cè)方法存在預(yù)測(cè)精度低，噪聲穩(wěn)健性差的問題。提出一種“分解-降噪-預(yù)測(cè)-集成”架構(gòu)并建立基于Prophet分解和Stacking集成學(xué)習(xí)的復(fù)雜生產(chǎn)過程質(zhì)量預(yù)測(cè)方法。首先利用Prophet對(duì)質(zhì)量特性數(shù)據(jù)建模并將其自動(dòng)分解為趨勢(shì)項(xiàng)、周期項(xiàng)、波動(dòng)項(xiàng)和殘差項(xiàng)，通過剔除殘差項(xiàng)實(shí)現(xiàn)噪聲抑...

基于大語言模型的軟件配置研究綜述————作者：張?zhí)硪?張晨曦;彭鑫;趙文耘;

摘要：軟件配置在軟件系統(tǒng)運(yùn)行與管理中至關(guān)重要，近年來大語言模型在配置任務(wù)中的應(yīng)用逐漸興起。文章聚焦于基于大語言模型的軟件配置研究，系統(tǒng)梳理并分析了近三年相關(guān)工作，將研究劃分為三個(gè)階段：在配置生成階段，探討了大語言模型生成配置的能力及其局限性；在配置驗(yàn)證階段，分析了大語言模型在配置錯(cuò)誤診斷、沖突檢測(cè)中的表現(xiàn)；在配置運(yùn)維階段，總結(jié)了大語言模型在配置故障診斷、配置故障修復(fù)中的應(yīng)用方式。通過綜合分析揭示了當(dāng)前方...

融合推斷分析的移動(dòng)應(yīng)用隱私收集分析方法————作者：虞舒甜;史一哲;楊哲慜;

摘要：隨著移動(dòng)應(yīng)用服務(wù)多樣化，其隱私收集方式日益復(fù)雜，除直接收集外，還包括基于已有用戶數(shù)據(jù)進(jìn)行隱私推斷。推斷行為雖常用于精準(zhǔn)推薦和廣告投放，但也帶來隱私泄露等安隱患。現(xiàn)有方法多聚焦于移動(dòng)應(yīng)用隱私的直接收集行為，缺乏對(duì)移動(dòng)應(yīng)用隱私推斷能力的系統(tǒng)評(píng)估。提出一種融合推斷分析的隱私收集分析方法，結(jié)合程序行為特征定位隱私直接收集行為，基于大語言模型構(gòu)建推斷預(yù)測(cè)方法。實(shí)驗(yàn)評(píng)估表明，該方法各模塊的精確率和召回率均達(dá)8...

融合多源特征和新穎度的短視頻推薦算法————作者：梁夏炎;于萬鈞;陳穎;

摘要：為了解決短視頻推薦領(lǐng)域追求準(zhǔn)確性忽略推薦內(nèi)容新穎性、無法精準(zhǔn)捕捉用戶動(dòng)態(tài)偏好問題，提出一種融合多源特征和新穎度的短視頻推薦算法DENSVD(Diverse-Element and Novelty SVD). 該算法首先對(duì)用戶交互產(chǎn)生的瀏覽行為等多源異構(gòu)數(shù)據(jù)進(jìn)行分析，并利用熵權(quán)法對(duì)數(shù)據(jù)進(jìn)行量化，生成更精準(zhǔn)的用戶-項(xiàng)目-評(píng)分矩陣。引入時(shí)間效應(yīng)函數(shù)，動(dòng)態(tài)更新評(píng)分矩陣。然后結(jié)合項(xiàng)目流行度與隱式特征等多源特...

MambaGrasp：基于Mamba的快速目標(biāo)抓取位姿檢測(cè)模型————作者：王子祥;張晨;陳靈;陳中祥;陽(yáng)波;

摘要：針對(duì)現(xiàn)有基于Transformer的機(jī)器人抓取檢測(cè)算法檢測(cè)速度較慢的問題，提出了一種基于Mamba的快速目標(biāo)抓取位姿檢測(cè)模型MambaGrasp。為了提升推理速度，該模型的特征提取模塊并行結(jié)合卷積與AM(Attention Parallel Vision Mamba)模塊，實(shí)現(xiàn)局部與全局特征的聯(lián)合提取。AM模塊由并行視覺Mamba塊結(jié)合通道注意力機(jī)制和殘差鏈接組成，以增強(qiáng)對(duì)關(guān)鍵通道信息的聚焦，并緩...

顧及深度語義與多尺度漸進(jìn)融合的乳腺癌超聲圖像分割————作者：皮斯妮;葉昭毅;胡興龍;梅禮曄;

摘要：超聲圖像分割通過精確識(shí)別和定位腫瘤，支持早期診斷、治療規(guī)劃及疾病進(jìn)展監(jiān)測(cè)。然而，傳統(tǒng)乳腺癌超聲圖像分割方法面臨著噪聲干擾嚴(yán)重、邊緣信息模糊等挑戰(zhàn)。因此，提出了一種顧及深度語義與多尺度漸進(jìn)融合的乳腺癌超聲圖像分割方法。首先，在深度語義特征編碼器中，利用移動(dòng)卷積和壓縮-激勵(lì)通道注意力，對(duì)通道量進(jìn)行設(shè)置，能夠從輸入的乳腺癌超聲圖像中提取出豐富且多尺度的局部特征表示；其次，引入自注意力機(jī)制，將全局注意力轉(zhuǎn)...

頻率先驗(yàn)引導(dǎo)的條件生成對(duì)抗去雨網(wǎng)絡(luò)————作者：楊浪;張奕;

摘要：大多數(shù)基于深度學(xué)習(xí)的單幅去雨方法將去雨視為簡(jiǎn)單的端到端映射問題，并未充分利用圖像內(nèi)在的先驗(yàn)信息，導(dǎo)致去雨效果不理想。對(duì)此，提出了一種結(jié)合圖像頻率先驗(yàn)與條件生成對(duì)抗網(wǎng)絡(luò)的單幅圖像去雨網(wǎng)絡(luò)。該網(wǎng)絡(luò)的生成器基于改進(jìn)U-Net設(shè)計(jì)，判別器中引入了圖像的頻率信息作為條件約束，使其引導(dǎo)生成器生成更清晰的去雨結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法在公開雨水?dāng)?shù)據(jù)集上的定性評(píng)估和定量評(píng)估結(jié)果均優(yōu)于現(xiàn)有方法

基于有監(jiān)督學(xué)習(xí)的問題生成綜述————作者：李玉娥;董黎剛;黃欣;蔣獻(xiàn);

摘要：?jiǎn)栴}生成(Question Generation, QG)研究是自然語言處理(Natural Language Processing, NLP)中文本生成的一個(gè)研究方向，該研究旨在給機(jī)器輸入一段文本和答案，機(jī)器據(jù)此進(jìn)行處理，輸出一個(gè)或多個(gè)與當(dāng)前文本和答案有關(guān)的問題。目前，該研究可以應(yīng)用于教育、醫(yī)學(xué)、自動(dòng)問答等多個(gè)領(lǐng)域中。然而，研究表明當(dāng)前基于有監(jiān)督學(xué)習(xí)的問題生成策略仍然存在很多缺陷。該文首先介紹問...

基于元宇宙的艦船裝備維修保障訓(xùn)練仿真系統(tǒng)研究————作者：孫賡;計(jì)浩然;柏楊;

摘要：傳統(tǒng)裝備維保訓(xùn)練方式受到場(chǎng)地、資源、設(shè)備等限制，難以為艦員提供沉浸、高效的訓(xùn)練環(huán)境。該文提出利用擴(kuò)展現(xiàn)實(shí)(XR)、物聯(lián)網(wǎng)、人工智能等技術(shù)，建立一個(gè)基于元宇宙的艦船裝備維修保障訓(xùn)練仿真系統(tǒng)的設(shè)想，設(shè)計(jì)系統(tǒng)的功能模塊、搭建構(gòu)架，構(gòu)想利用元宇宙實(shí)現(xiàn)裝備沉浸式拆裝訓(xùn)練、故障診斷排故訓(xùn)練與多人在線協(xié)同訓(xùn)練，并分析了目前實(shí)現(xiàn)系統(tǒng)的難點(diǎn)與解決方案，為艦船裝備維保訓(xùn)練以及其他軍事訓(xùn)練系統(tǒng)的建設(shè)工作提供了新的思路與...

基于域適應(yīng)的無人機(jī)航拍目標(biāo)檢測(cè)算法————作者：陳金吉;吳金明;許吉慧;徐懷宇;

摘要：無人機(jī)航拍圖像具有背景復(fù)雜、目標(biāo)尺度小、目標(biāo)朝向多變等特性，并且常因模型的訓(xùn)練數(shù)據(jù)與應(yīng)用場(chǎng)景存在偏差，導(dǎo)致檢測(cè)性能大幅下降。針對(duì)上述問題，提出基于域適應(yīng)的無人機(jī)航拍目標(biāo)檢測(cè)算法，以Faster R-CNN為基礎(chǔ)，采用域適應(yīng)方法來提升模型在不同場(chǎng)景下的泛化性，并設(shè)計(jì)融合可變形卷積的特征提取網(wǎng)絡(luò)以優(yōu)化無人機(jī)視角下目標(biāo)朝向多變的問題、采用特征金字塔網(wǎng)絡(luò)提高對(duì)小目標(biāo)的表達(dá)能力、設(shè)計(jì)D-ROI Align提...

基于TCN模型的軟件系統(tǒng)老化預(yù)測(cè)框架————作者：王艷超;姚江毅;李雄偉;劉林云;

摘要：隨著軟件規(guī)模的擴(kuò)大和邏輯復(fù)雜度的提高，軟件老化特征表現(xiàn)更加隱蔽，老化參數(shù)時(shí)序信號(hào)更加復(fù)雜，針對(duì)時(shí)序預(yù)測(cè)法對(duì)序列平穩(wěn)性要求高和BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部極值的問題，提出以時(shí)域卷積網(wǎng)絡(luò)(TCN)模型為基礎(chǔ)的軟件老化預(yù)測(cè)框架。采集可用內(nèi)存數(shù)據(jù)作為框架的輸入，經(jīng)TCN模型進(jìn)行預(yù)測(cè)，通過檢查預(yù)測(cè)輸出的內(nèi)存與實(shí)際內(nèi)存的平均誤差評(píng)價(jià)模型的效率。與ARIMA模型和RNN(LSTM)模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比表明...

VANETs中基于虛擬位置的位置隱私保護(hù)方案————作者：劉世啟;蔡英;馬孟曉;范艷芳;

摘要：車載自組織網(wǎng)絡(luò)(Vehicular Ad-Hoc Networks, VANETs)中，現(xiàn)有的基于K匿名、混合區(qū)和路徑混淆的位置隱私保護(hù)方案均需依賴周圍車輛間的協(xié)助，在車輛稀疏場(chǎng)景下無法有效保護(hù)用戶的位置隱私。針對(duì)該問題，提出一種基于虛擬位置的隱私保護(hù)方案，設(shè)計(jì)了虛擬位置生成算法，結(jié)合K匿名技術(shù)實(shí)現(xiàn)虛擬位置對(duì)用戶真實(shí)位置的混淆，降低攻擊者獲取用戶真實(shí)位置的概率。實(shí)驗(yàn)結(jié)果表明，該方案在不同車輛密度場(chǎng)...

基于分階段注意時(shí)序?qū)�齊的少樣本動(dòng)作識(shí)別————作者：趙逸飛;詹永照;黃金鉀;

摘要：由于視頻中動(dòng)作各進(jìn)展階段發(fā)生時(shí)間長(zhǎng)短不一、時(shí)刻各不相同，動(dòng)作的時(shí)序?qū)�齊直接影響少樣本動(dòng)作識(shí)別性能。對(duì)此提出基于分階段注意時(shí)序?qū)�齊的少樣本動(dòng)作識(shí)別方法，通過分階段的注意力機(jī)制更精確地實(shí)現(xiàn)視頻片段的時(shí)序?qū)�齊，避免視頻階段級(jí)別的時(shí)序錯(cuò)配，更合理地獲取利用視頻中動(dòng)作的時(shí)序信息；通過剔除相似度過低的視頻片段特征對(duì)，可有效降低非動(dòng)作片段的干擾，以提高少樣本動(dòng)作識(shí)別的準(zhǔn)確率。模型訓(xùn)練采用了c路k樣本的元學(xué)習(xí)的訓(xùn)...

結(jié)合距離骨架的語義嵌入骨架行為識(shí)別————作者：劉強(qiáng);朱子奇;

摘要：針對(duì)骨架行為識(shí)別算法不能完整提取人體骨架的運(yùn)動(dòng)信息以及沒有利用語義信息的問題，提出一種能嵌入語義信息的雙流動(dòng)作識(shí)別模型。在該模型中，首先通過語義嵌入模塊將關(guān)節(jié)名稱語義和速度語義嵌入進(jìn)骨架數(shù)據(jù)，再分別經(jīng)過距離流和關(guān)節(jié)流提取不同的特征。在距離流中，根據(jù)運(yùn)動(dòng)時(shí)不同關(guān)節(jié)的相對(duì)位置不同來構(gòu)建距離圖結(jié)構(gòu)作為輸入，并利用圖卷積網(wǎng)絡(luò)提取距離信息；關(guān)節(jié)流則以人體骨架為模型構(gòu)建關(guān)節(jié)圖作為輸入，經(jīng)過圖卷積來提取結(jié)構(gòu)特征...

風(fēng)格遷移增強(qiáng)的機(jī)場(chǎng)目標(biāo)檢測(cè)方法研究————作者：王欣;李屹;孟天宇;黃佳琪;

摘要：在基于圖像的目標(biāo)檢測(cè)中，機(jī)場(chǎng)是一類非常重要的目標(biāo)，對(duì)其進(jìn)行自動(dòng)識(shí)別具有重要意義。針對(duì)一般檢測(cè)算法難以使用復(fù)雜的近地航拍圖像中邊緣信息的問題，提出一種融合風(fēng)格遷移增強(qiáng)邊緣特征提取的目標(biāo)檢測(cè)算法。使用生成對(duì)抗網(wǎng)絡(luò)抑制圖像噪聲，使用邊緣檢測(cè)算法突出圖像邊緣特征，將突出邊緣信息的圖像經(jīng)由目標(biāo)檢測(cè)算法完成機(jī)場(chǎng)位置檢測(cè)。在機(jī)場(chǎng)目標(biāo)檢測(cè)數(shù)據(jù)集實(shí)驗(yàn)中，結(jié)合所提出的邊緣特征提取方法的目標(biāo)檢測(cè)算法相比原始目標(biāo)檢測(cè)算法...

基于RF-LightGBM-LSTM的短期風(fēng)向預(yù)測(cè)————作者：吳倩 ;吳海列 ;孫勇 ;

摘要：傳統(tǒng)風(fēng)突變監(jiān)測(cè)對(duì)采集的風(fēng)向進(jìn)行閾值判斷，無法改變機(jī)組因較大風(fēng)向變化導(dǎo)致的停機(jī)問題。針對(duì)這種情況，提出一種風(fēng)向時(shí)間序列智能預(yù)測(cè)方法。以機(jī)組實(shí)際運(yùn)行數(shù)據(jù)作為數(shù)據(jù)集，采用隨機(jī)森林方法進(jìn)行特征工程，解決風(fēng)向序列特征過少的問題；采用Sigmoid函數(shù)對(duì)序列數(shù)據(jù)二分類并基于LightGBM分別構(gòu)建回歸模型預(yù)測(cè)，應(yīng)用貝葉斯優(yōu)化對(duì)模型參數(shù)調(diào)優(yōu)，優(yōu)化模型性能；采用LSTM算法建立殘差預(yù)測(cè)模型進(jìn)行自校正。實(shí)驗(yàn)結(jié)果表明...

基于空間鄰域復(fù)雜度和直覺模糊集的FCM圖像分割算法————作者：韓玉蘭;曹曉峰;徐寒;

摘要：模糊C-均值(FCM)算法進(jìn)行圖像分割時(shí)只考慮像素的灰度信息，忽略了像素的鄰域信息，導(dǎo)致分割結(jié)果不準(zhǔn)確。針對(duì)此問題，該文考慮圖像像素間的分布特征和相互影響設(shè)計(jì)一個(gè)復(fù)雜度，復(fù)雜度的設(shè)計(jì)是為了增加像素空間鄰域信息在算法中所占權(quán)重。將此復(fù)雜度信息融入FCM算法中；結(jié)合直覺模糊集理論引入猶豫度和非隸屬度，完善圖像中的不確定信息，優(yōu)化隸屬度矩陣。實(shí)驗(yàn)結(jié)果表明，該算法弱化了噪聲對(duì)圖像的影響，對(duì)邊緣細(xì)節(jié)的處理具...

　　計(jì)算機(jī)應(yīng)用與軟件來自網(wǎng)友的投稿評(píng)論：

提交