Performance evaluation of industry-university-research based on statistics and adaptive ParNet

doi:10.11772/j.issn.1001-9081.2023020196

Journal of Computer Applications ›› 2024, Vol. 44 ›› Issue (2): 628-637.DOI: 10.11772/j.issn.1001-9081.2023020196

• Frontier and comprehensive applications • Previous Articles

Performance evaluation of industry-university-research based on statistics and adaptive ParNet

Rui ZHANG¹(), Siqi SONG¹, Jing HU¹, Yongmei ZHANG², Yanfeng CHAI¹

^1.College of Computer Science and Technology，Taiyuan University of Science and Technology，Taiyuan Shanxi 030024，China
^2.College of Information，North China University of Technology，Beijing 100144，China

Received:2023-02-28 Revised:2023-05-11 Accepted:2023-05-15 Online:2024-02-22 Published:2024-02-10
Contact: Rui ZHANG
About author:SONG Siqi， born in 1998， M. S. candidate. Her research interests include intelligent information processing.
HU Jing， born in 1977， Ph. D.， professor. Her research interests include intelligent optimization algorithm.
ZHANG Yongmei， born in 1967， Ph. D.， professor. Her research interests include intelligent information processing.
CHAI Yanfeng， born in 1986， Ph. D.， lecturer. His research interests include intelligent information processing.
Supported by:
Ministry of Education Humanities and Social Sciences Research Project(23YJCZH299);Research Project of Graduate Education Reform in Shanxi Province(2021YJJG244);Teaching Reform and Innovation Project of Higher Institutions in Shanxi Province(J20230845);Shanxi Province Production and Education Integration Graduate Joint Training Demonstration base Project(2022JD11);Project of Joint Training Demonstration Base for Postgraduates in Taiyuan University of Science and Technology(JD2022004);Teaching Reform and Research Project of Taiyuan University of Science and Technology(JG202266)

基于统计和自适应ParNet的产学研绩效评价

张睿¹(), 宋思琪¹, 胡静¹, 张永梅², 柴艳峰¹

^1.太原科技大学计算机科学与技术学院，太原 030024
^2.北方工业大学信息学院，北京 100144

通讯作者: 张睿
作者简介:宋思琪（1998—），女，山西太原人，硕士研究生，主要研究方向：智能信息处理
胡静（1977—），女，山西大同人，教授，博士，CCF会员，主要研究方向：智能优化算法
张永梅（1967—），女，北京人，教授，博士，CCF高级会员，主要研究方向：智能信息处理
柴艳峰（1986—），男，山西太原人，讲师，博士，主要研究方向：智能信息处理。
基金资助:
教育部人文社会科学研究项目(23YJCZH299);山西省研究生教育改革研究课题(2021YJJG244);山西省高等学校教学改革创新项目(J20230845);山西省产教融合研究生联合培养示范基地项目(2022JD11);太原科技大学研究生联合培养示范基地项目(JD2022004);太原科技大学教学改革与研究项目(JG202266)

Abstract

Abstract:

The existing industry-university-research performance evaluation systems and methods have problems such as single coverage of evaluation indicators， insufficient expression of evaluation sample features， and self-optimization ability of evaluation models to be improved， the system and method of subjective and objective intelligent evaluation of industry-university-research comprehensive performance were proposed. Firstly， for the three-party cooperation subjects， the factors and the connections between these factors that affect performance in the process of industry-university-research cooperation were excavated， and the three-level subjective and objective performance evaluation system of industry-university-research was self-constructed. Secondly， the features expression of discrete samples was enhanced by mapping the collected discrete sequence evaluation samples to different high-dimensional spatial domains， such as polar coordinate space and Markov transfer matrix. Then， through the chaotic optimization strategy design based on elite reverse somersault foraging， the depth model redundancy compression and hyperparameter global optimization efficiency were improved， and the ParNet （Parallel Network） classification model with lightweight compression and high-dimensional superparameter Adaptive optimization （AParNet） was constructed. Finally， the model was applied to industry-university-research performance evaluation to achieve high-performance intelligent performance evaluation. The experimental results show that this method fits well with the applications of discrete sequence non-linear classification and improves the classification performance while reducing the computational load when an optimization strategy is added to the model. Specifically， compared to ParNet， AParNet reduces the number of parameters by 10.8%， effectively achieving model compression， and its classification accuracy in performance evaluation of industry-university-research cooperation can reach 98.6%. Therefore， in the applications of intelligent performance evaluation of industry-university-research cooperation， the proposed method improves the adaptive ability of evaluation model and achieves accurate and efficient industry-university-research performance evaluation.

Key words: performance evaluation of industry-university-research cooperation, fuzzy statistics, multi-spatial domain mapping, Convolutional Neural Network (CNN), model self-optimization strategy

摘要：

针对现有产学研绩效评价体系及方法中存在的评价指标覆盖范围单一、评价样本特征表达不充分、评价模型自优化能力待提高的问题，提出主客观产学研综合绩效智能评价的评价体系及方法。首先，围绕三方合作主体，挖掘产学研合作过程中影响绩效的要素及这些要素之间的联系，自主构建主客观产学研绩效三级评价体系；其次，通过将收集到的离散序列评价样本映射至极坐标空间、马尔可夫转移矩阵等不同高维空间域，增强离散样本特征表征；然后，通过基于精英反向翻筋斗觅食的混沌优化策略设计，提高深度模型冗余压缩和超参数的全局寻优效率，构建轻量压缩及高维超参数的自适应寻优的ParNet（AParNet）分类模型；最后，将模型应用于产学研绩效评价中，实现高性能的绩效智能评价。实验结果表明，所提方法很好地贴合了离散序列非线性分类应用，同时模型中加入优化策略后，在减少计算量的同时提高了分类性能，具体体现在：与ParNet相比，AParNet中的参数量减少了10.8%，较好地实现了模型的压缩，且它在产学研绩效评价中的分类准确率可达到98.6%。在产学研绩效智能评价应用中，该方法提高了评价模型的自适应能力，能够实现准确、高效的产学研绩效评价。

关键词: 产学研合作绩效评价, 模糊统计, 多空间域映射, 卷积神经网络, 模型自优化策略

CLC Number:

TP183

Rui ZHANG, Siqi SONG, Jing HU, Yongmei ZHANG, Yanfeng CHAI. Performance evaluation of industry-university-research based on statistics and adaptive ParNet[J]. Journal of Computer Applications, 2024, 44(2): 628-637.

张睿, 宋思琪, 胡静, 张永梅, 柴艳峰. 基于统计和自适应ParNet的产学研绩效评价[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 628-637.

Figures/Tables 13

References 30

1	王旃. 实验教学体系内涵式发展的驱动模型研究［J］. 高等工程教育研究， 2022（6）：39-43. 10.11648/j.her.20210601.13
	WANG Z. Research on driving model of connotative development of experimental teaching system ［J］. Research in Higher Education of Engineering， 2022（6）：39-43. 10.11648/j.her.20210601.13
2	WANG L. Performance evaluation of knowledge sharing in an industry-university-research alliance based on PSO-BPNN［J］. Computational Intelligence and Neuroscience， 2022， 2022： 1283588. 10.1155/2022/1283588
3	常洁，乔彬. 科技型中小企业产学研协同创新绩效评价［J］.统计与决策， 2020，36（6）：185-188.
	CHANG J， QIAO B. Performance evaluation of industry-university-research collaborative innovation for small and medium-sized technological enterprises ［J］. Statistics and Decision， 2020， 36（6）： 185-188.
4	周广亮，赵丛郁，陈昱，等.我国产学研协同创新绩效评价及空间格局分析——基于两阶段DEA及Malmquist指数［J］.信阳师范学院学报（自然科学版）， 2022， 35（2）：217-223.
	ZHOU G L， ZHAO C Y， CHEN Y， et al. Performance evaluation and spatial pattern analysis of industry-university-research collaborative innovation in China — based on two-stage DEA and Malmquist index ［J］. Journal of Xinyang Normal University （Natural Science Edition）， 2022，35（2）：217-223.
5	GHAZI M M， SRENSEN L， OURSELIN S， et al. CARRNN： a continuous autoregressive recurrent neural network for deep representation learning from sporadic temporal data［J/OL］. IEEE Transactions on Neural Networks and Learning Systems， 2022［2023-02-01］. doi：10.1109/TNNLS.2022.3177366 .
6	LI T H. The relationship between social entrepreneurship capability of SOM neural network algorithm and new enterprise performance［J］. Mathematical Problems in Engineering， 2022， 2022： 8072941. 10.1155/2022/8072941
7	SHEN J J. Research on the international trade performance evaluation of cross-border e-commerce based on the deep neural network model［J］. Journal of Sensors， 2022， 2022： 3006907. 10.1155/2022/3006907
8	YANG M， ZHANG L， LI T-Y， et al. Optimal model identification of the PEMFCs using optimized rotor Hopfield neural network［J］. Energy Reports， 2021， 7：3655-3663. 10.1016/j.egyr.2021.06.052
9	BU M L. Performance evaluation of enterprise supply chain management based on the discrete Hopfield neural network［J］. Computational Intelligence and Neuroscience， 2021， 2021： 3250700. 10.1155/2021/3250700
10	SADEGHI F， LARIJANI A， ROSTAMI O， et al. A novel multi-objective binary chimp optimization algorithm for optimal feature selection： Application of deep-learning-based approaches for SAR image classification［J］. Sensors， 2023，23（3）： 1180. 10.3390/s23031180
11	NAVEENA S， BHARATHI A. A new design of diabetes detection and glucose level prediction using moth flame-based crow search deep learning［J］. Biomedical Signal Processing and Control， 2022，77： 103748. 10.1016/j.bspc.2022.103748
12	梁军，洪泽泓，余松森.基于改进粒子群优化算法和遗传变异的图像分割模型［J］.计算机应用， 2023， 43（6）： 1743-1749.
	LIANG J， HONG Z H， YU S S. Image segmentation model based on improved particle swarm optimization algorithm and genetic mutation ［J］. Journal of Computer Applications， 2023， 43（6）： 1743-1749.
13	刘威，郭直清，刘光伟，等.融合振幅随机补偿与步长演变机制的改进原子搜索优化算法［J］. 智能系统学报， 2022， 17（3）：602-616. 10.11992/tis.202103033
	LIU W， GUO Z Q， LIU G W， et al. Improved atom search optimization by combining amplitude random compensation and step size evolution mechanism ［J］. CAAI Transactions on Intelligent Systems， 2022， 17（3）： 602-616. 10.11992/tis.202103033
14	王雅辉，钱宇华，刘郭庆.基于模糊优势互补互信息的有序决策树算法［J］. 计算机应用， 2021， 41（10）：2785-2792. 10.11772/j.issn.1001-9081.2020122006
	WANG Y H， QIAN Y H， LIU G Q. Orderly decision tree algorithm based on fuzzy advantages complementary mutual information［J］. Journal of Computer Applications， 2021， 41（10）： 2785-2792. 10.11772/j.issn.1001-9081.2020122006
15	邹铁方，谢荣荣.基于聚类和优序图法的事故再现结果融合方法［J］. 中国公路学报， 2022， 35（12）： 219-229. 10.3969/j.issn.1001-7372.2022.12.018
	ZOU T F， XIE R R. Fusion of accident reconstruction results using clustering and precedence ordering chart ［J］. China Journal of Highway and Transport， 2022， 35（12）： 219-229. 10.3969/j.issn.1001-7372.2022.12.018
16	武帅，田冰，顾世杰，等.基于PSRM模型的京津冀地区生态脆弱性时空演变［J］.环境科学， 2023， 44（10）： 5630-5640.
	WU S， TIAN B， GU S J， et al. Spatial-temporal evolution of ecological vulnerability in Beijing-Tianjin-Hebei region based on PSRM model ［J］. Environmental Science， 2023， 44（10）： 5630-5640.
17	李彤彤，王玺，刘焕新，等.基于组合赋权的T-FME岩爆倾向性预测模型研究及应用［J］. 黄金科学技术， 2020， 28（4）：565-574.
	LI T T， WANG X， LIU H X， et al. Research and application of T-FME rockburst propensity prediction model based on combination weighting ［J］. Gold Science and Technology， 2020， 28（4）： 565-574.
18	杜晓东，曾四鸣，刘科研，等.基于云模型的配电网运行画像数字孪生构建方法［J］. 电力系统保护与控制， 2022，50（10）：104-113.
	DU X D， ZENG S M， LIU K Y， et al. Construction of portraits for a distribution network with digital twins based on a cloud model ［J］. Power System Protection and Control， 2022，50（10）：104-113.
19	曹洁，马佳林，黄黛麟，等.一种基于多通道马尔可夫变迁场的故障诊断方法［J］. 吉林大学学报（工学版）， 2022， 52（2）： 491-496.
	CAO J， MA J L， HUANG D L， et al. A fault diagnosis method based on multi Markov transition field ［J］. Journal of Jilin University （Engineering and Technology Edition）， 2022， 52（2）： 491-496.
20	张训杰，张敏，李贤均.基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别［J］. 振动与冲击， 2021， 40（23）： 194-201.
	ZHANG X J， ZHANG M， LI X J. Rolling bearing fault mode recognition based on 2D image and CNN-BiGRU［J］. Journal of Vibration and Shock， 2021， 40（23）： 194-201.
21	LeCUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）： 2278-2324. 10.1109/5.726791
22	ABUALIGAH L， DIABAT A， MIRJALILI S， et al. The arithmetic optimization algorithm［J］. Computer Methods in Applied Mechanics and Engineering， 2021， 376： 113609. 10.1016/j.cma.2020.113609
23	刘公致，吴琼，王光义，等.改进型Logistic混沌映射及其在图像加密与隐藏中的应用［J］. 电子与信息学报， 2022， 44（10）：3602-3609. 10.11999/JEIT210763
	LIU G Z， WU Q， WANG G Y， et al. A improved logistic chaotic mapping and its application in image encryption and hiding ［J］. Journal of Electronics & Information Technology， 2022， 44（10）： 3602-3609. 10.11999/JEIT210763
24	ZHANG Y， LIU R， HEIDARI A A， et al. Towards augmented kernel extreme learning models for bankruptcy prediction： algorithmic behavior and comprehensive analysis［J］. Neurocomputing， 2021， 430：185-212. 10.1016/j.neucom.2020.10.038
25	ZHAO W， ZHANG Z， WANG L. Manta ray foraging optimization： an effective bio-inspired optimizer for engineering applications［J］. Engineering Applications of Artificial Intelligence， 2020， 87： 103300. 10.1016/j.engappai.2019.103300
26	SONG R W， BAI X L， ZHANG R， et al. Bearing fault diagnosis method based on multidomain heterogeneous information entropy fusion and model self-optimisation［J］. Shock and Vibration， 2022， 2022： 7214822. 10.1155/2022/7214822
27	FARAMARZI A， HEIDARINEJAD M， MIRJALILI S， et al. Marine predators algorithm： a nature-inspired metaheuristic［J］. Expert Systems with Applications， 2020， 152： 113377. 10.1016/j.eswa.2020.113377
28	MIRJALILI S， LEWIS A. The whale optimization algorithm［J］. Advances in Engineering Software， 2016， 95： 51-67. 10.1016/j.advengsoft.2016.01.008
29	XUE J K， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34. 10.1080/21642583.2019.1708830
30	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69： 46-61. 10.1016/j.advengsoft.2013.12.007

目标层（一级指标）	权重	准则层（二级指标）	权重	指标层（三级指标）	权重
1.各主体贡献评价	0.336 6	1.1学校贡献	0.181 0	1.1.1配套高校导师数	0.042 9
				1.1.2专业教师在企业挂职数	0.013 0
				1.1.3校企合作期间在培学生人数	0.035 9
				1.1.4校方投入专项经费（万元）	0.089 2
		1.2各主体对学校评价	0.014 9	1.2.1学生对学校评价	0.006 8
		1.2各主体对学校评价	0.014 9	1.2.2企业对学校评价	0.008 1
		1.3企业贡献	0.123 6	1.3.1配套企业导师数	0.034 1
		1.3企业贡献	0.123 6	1.3.2企业研发经费实际投入（万元）	0.089 5
		1.4各主体对企业评价	0.017 1	1.4.1学生对企业评价	0.004 9
		1.4各主体对企业评价	0.017 1	1.4.2学校对企业评价	0.012 2
2.各主体协同培养质量评价	0.663 4	2.1团队建设及获奖类	0.054 3	2.1.1校企共建研究基地、研究中心、研究平台数	0.008 4
				2.1.2获省级及以上科技奖项团队数	0.011 7
				2.1.3获省级及以上科技奖项个人数	0.015 6
				2.1.4合作期间企业与学校共同获省级及以上奖项数	0.018 5
		2.2科研项目立项类	0.264 3	2.2.1合作期间企业与学校共同申报国家项目累计经费（万元）	0.113 5
				2.2.2合作期间企业与学校共同申报省级项目累计经费（万元）	0.072 5
				2.2.3合作期间企业与学校共同申报横向及其他科研项目累计经费（万元）	0.078 2
		2.3知识产权成果类	0.156 9	2.3.1合作期间企业与学校共同获取发明专利数	0.023 0
				2.3.2合作期间企业与学校共同获取实用新型、外观专利等其他专利数	0.028 7
				2.3.3合作期间企业与学校共同制定国家标准、行业标准数	0.020 2
				2.3.4合作期间企业与学校共同发表高质量论文数	0.085 1
		2.4学科建设情况	0.070 3	2.4.1共建课程数	0.016 7
				2.4.2共建教材数	0.016 2
				2.4.3合作期间企业与学校共同申报研究生教学改革项目累计经费（万元）	0.037 4
		2.5研究生能力培养	0.110 1	2.5.1参与项目情况	0.016 9
				2.5.2毕业生获得职业技能证书数	0.032 6
				2.5.3学生参加本领域国内外重要赛事情况	0.019 0
				2.5.4毕业生就业及升学率累计	0.041 5
		2.6各主体对学生评价	0.007 6	2.6.1企业对学生评价	0.005 0
		2.6各主体对学生评价	0.007 6	2.6.2学校对学生评价	0.002 6

目标层（一级指标）	权重	准则层（二级指标）	权重	指标层（三级指标）	权重
1.各主体贡献评价	0.336 6	1.1学校贡献	0.181 0	1.1.1配套高校导师数	0.042 9
				1.1.2专业教师在企业挂职数	0.013 0
				1.1.3校企合作期间在培学生人数	0.035 9
				1.1.4校方投入专项经费（万元）	0.089 2
		1.2各主体对学校评价	0.014 9	1.2.1学生对学校评价	0.006 8
		1.2各主体对学校评价	0.014 9	1.2.2企业对学校评价	0.008 1
		1.3企业贡献	0.123 6	1.3.1配套企业导师数	0.034 1
		1.3企业贡献	0.123 6	1.3.2企业研发经费实际投入（万元）	0.089 5
		1.4各主体对企业评价	0.017 1	1.4.1学生对企业评价	0.004 9
		1.4各主体对企业评价	0.017 1	1.4.2学校对企业评价	0.012 2
2.各主体协同培养质量评价	0.663 4	2.1团队建设及获奖类	0.054 3	2.1.1校企共建研究基地、研究中心、研究平台数	0.008 4
				2.1.2获省级及以上科技奖项团队数	0.011 7
				2.1.3获省级及以上科技奖项个人数	0.015 6
				2.1.4合作期间企业与学校共同获省级及以上奖项数	0.018 5
		2.2科研项目立项类	0.264 3	2.2.1合作期间企业与学校共同申报国家项目累计经费（万元）	0.113 5
				2.2.2合作期间企业与学校共同申报省级项目累计经费（万元）	0.072 5
				2.2.3合作期间企业与学校共同申报横向及其他科研项目累计经费（万元）	0.078 2
		2.3知识产权成果类	0.156 9	2.3.1合作期间企业与学校共同获取发明专利数	0.023 0
				2.3.2合作期间企业与学校共同获取实用新型、外观专利等其他专利数	0.028 7
				2.3.3合作期间企业与学校共同制定国家标准、行业标准数	0.020 2
				2.3.4合作期间企业与学校共同发表高质量论文数	0.085 1
		2.4学科建设情况	0.070 3	2.4.1共建课程数	0.016 7
				2.4.2共建教材数	0.016 2
				2.4.3合作期间企业与学校共同申报研究生教学改革项目累计经费（万元）	0.037 4
		2.5研究生能力培养	0.110 1	2.5.1参与项目情况	0.016 9
				2.5.2毕业生获得职业技能证书数	0.032 6
				2.5.3学生参加本领域国内外重要赛事情况	0.019 0
				2.5.4毕业生就业及升学率累计	0.041 5
		2.6各主体对学生评价	0.007 6	2.6.1企业对学生评价	0.005 0
		2.6各主体对学生评价	0.007 6	2.6.2学校对学生评价	0.002 6

空间域	卷积神经网络						平均值
空间域	RegNet	ShuffleNetV1	ShuffleNetV2	EfficientNetV1	EfficientNetV2	ParNet	平均值
连续序列	86.4	72.8	77.1	80.4	92.9	93.4	83.8
MTF	89.1	82.0	88.0	86.6	93.6	95.0	89.1
GADF	92.0	84.9	89.1	89.7	94.6	96.3	91.1
GASF	93.3	87.4	92.8	90.9	95.1	97.1	92.8

空间域	卷积神经网络						平均值
空间域	RegNet	ShuffleNetV1	ShuffleNetV2	EfficientNetV1	EfficientNetV2	ParNet	平均值
连续序列	86.4	72.8	77.1	80.4	92.9	93.4	83.8
MTF	89.1	82.0	88.0	86.6	93.6	95.0	89.1
GADF	92.0	84.9	89.1	89.7	94.6	96.3	91.1
GASF	93.3	87.4	92.8	90.9	95.1	97.1	92.8

函数	MPA		WOA		SSA		GWO		AOA		EAOA
函数	Mean	Std	Mean	Std	Mean	Std	Mean	Std	Mean	Std	Mean	Std
F1	1.12E-49	2.32E-49	2.12E-147	1.16E-146	6.44E-28	3.43E-27	5.06E-59	8.11E-59	1.06E-06	4.57E-07	0.0	0.0
F2	9.96E-28	1.85E-27	1.85E-52	7.96E-104	1.59E-13	6.08E-13	7.85E-17	1.68E-34	6.18E-04	8.18E-04	0.0	0.0
F3	1.72E-12	4.41E-12	2.07E+04	1.12E+04	1.69E-15	6.23E-15	1.54E-14	6.82E-14	2.81E-04	2.72E-04	0.0	0.0
F4	3.04E-19	4.82E-19	3.30E+01	2.65E+01	2.23E-08	1.18E-07	1.85E-14	2.91E-14	9.84E-03	7.96E-03	0.0	0.0
F5	2.36E+01	5.56E-01	2.74E+01	5.75E-01	1.86E-01	1.11E-01	2.68E+01	6.62E-01	2.75E+01	2.82E-01	6.36E-03	3.12E-04
F6	1.83E-09	8.89E-10	6.84E-02	1.06E-01	7.11E-03	3.04E-03	6.60E-01	2.96E-01	1.72E+00	1.98E-01	1.34E-09	8.68E-10

Performance evaluation of industry-university-research based on statistics and adaptive ParNet

基于统计和自适应ParNet的产学研绩效评价

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 13

References 30

Related Articles 15

Recommended Articles

Metrics

待优化超参数	搜索范围
学习率	［1E-9，1E-3］
批量大小	［4，36］
激活函数	Sigmoid、Tanh、ReLU、ReLU6、LReLU、SiLU
优化器	Adam、Adamax、AdamW、SGD、ASGD、RMSprop
模型流结构_1中 RepVGG-SSE模块数	［1，4］
模型流结构_2中 RepVGG-SSE模块数	［1，5］
模型流结构_3中 RepVGG-SSE模块数	［1，5］

超参数及待优化模型组件	EAOA寻优后的最优取值
学习率	1E-3
批量大小	26
激活函数	ReLU
优化器	Adam
模型流结构_1中RepVGG-SSE模块数	3
模型流结构_2中RepVGG-SSE模块数	4
模型流结构_3中RepVGG-SSE模块数	4

[1]	Jiawei ZHANG, Guandong GAO, Ke XIAO, Shengzun SONG. Violent crime hierarchy algorithm by joint modeling of improved hierarchical attention network and TextCNN [J]. Journal of Computer Applications, 2024, 44(2): 403-410.
[2]	Yunyun GAO, Lasheng ZHAO, Qiang ZHANG. Acoustic word embedding model based on Bi-LSTM and convolutional-Transformer [J]. Journal of Computer Applications, 2024, 44(1): 123-128.
[3]	Hao CHEN, Zhenping XIA, Cheng CHENG, Xing LIN-LI, Bowen ZHANG. Lightweight image super-resolution reconstruction network based on Transformer-CNN [J]. Journal of Computer Applications, 2024, 44(1): 292-299.
[4]	Shaofa SHANG, Lin JIANG, Yuancheng LI, Yun ZHU. Adaptive partitioning and scheduling method of convolutional neural network inference model on heterogeneous platforms [J]. Journal of Computer Applications, 2023, 43(9): 2828-2835.
[5]	Kunting LU, Rongrong FEI, Xuande ZHANG. Remote sensing image pansharpening by convolutional neural network [J]. Journal of Computer Applications, 2023, 43(9): 2963-2969.
[6]	Yuanyuan QIN, Hong ZHANG. Pulmonary nodule detection algorithm based on attention feature pyramid networks [J]. Journal of Computer Applications, 2023, 43(7): 2311-2318.
[7]	Huibin ZHANG, Liping FENG, Yaojun HAO, Yining WANG. Ancient mural dynasty identification based on attention mechanism and transfer learning [J]. Journal of Computer Applications, 2023, 43(6): 1826-1832.
[8]	Rui XU, Shuang LIANG, Hang WAN, Yimin WEN, Shiming SHEN, Jian LI. Extraction of PM_2.5 diffusion characteristics based on candlestick pattern matching [J]. Journal of Computer Applications, 2023, 43(5): 1394-1400.
[9]	Jiahong SUI, Yingchi MAO, Huimin YU, Zicheng WANG, Ping PING. Global image captioning method based on graph attention network [J]. Journal of Computer Applications, 2023, 43(5): 1409-1415.
[10]	Jianhui HE, Chunlong HU, Xin SHU. Multi-task age estimation method based on multi-peak label distribution learning [J]. Journal of Computer Applications, 2023, 43(5): 1578-1583.
[11]	Liyao FU, Mengxiao YIN, Feng YANG. Transformer based U-shaped medical image segmentation network： a survey [J]. Journal of Computer Applications, 2023, 43(5): 1584-1595.
[12]	Haiyu YANG, Wenpu GUO, Kai KANG. Signal modulation recognition method based on convolutional long short-term deep neural network [J]. Journal of Computer Applications, 2023, 43(4): 1318-1322.
[13]	Jinyue LIU, Huiyu LI, Xiaohui JIA, Jiarui LI. Dynamic gait recognition method based on human model constraints [J]. Journal of Computer Applications, 2023, 43(3): 972-977.
[14]	Haifeng LI, Fan ZHANG, Minnan PIAO, Huaichao WANG, Nansha LI, Zhongcheng GUI. Automatic detection of targets under airport pavement based on channel and spatial attention [J]. Journal of Computer Applications, 2023, 43(3): 930-935.
[15]	Ping WANG, Nan CHEN, Lei LU. Fall detection algorithm based on scene prior and attention guidance [J]. Journal of Computer Applications, 2023, 43(2): 529-535.

函数	MPA		WOA		SSA		GWO		AOA		EAOA
函数	Mean	Std	Mean	Std	Mean	Std	Mean	Std	Mean	Std	Mean	Std
F7	-9.61E+03	5.01E+02	-1.11E+04	1.69E+03	-1.15E+02	1.03E+01	-6.02E+03	1.00E+03	-5.52E+03	3.56E+02	-5.14E+01	2.90E+00
F8	0.0	0.0	1.89E-15	1.04E-14	0.0	0.0	1.14E-14	2.75E-14	3.69E-07	3.96E-07	0.0	0.0
F9	4.20E-15	9.01E-16	4.20E-15	2.27E-15	1.01E-07	5.14E-07	1.62E-14	2.66E-15	1.82E-04	1.15E-04	0.0	0.0
F10	7.11E-03	9.52E-03	1.69E-03	9.27E-03	5.01E-01	3.31E-01	3.65E-03	7.34E-03	6.57E-06	2.80E-06	4.44E-16	0.0

函数	MPA		WOA		SSA		GWO		AOA		EAOA
函数	Mean	Std	Mean	Std	Mean	Std	Mean	Std	Mean	Std	Mean	Std
F7	-9.61E+03	5.01E+02	-1.11E+04	1.69E+03	-1.15E+02	1.03E+01	-6.02E+03	1.00E+03	-5.52E+03	3.56E+02	-5.14E+01	2.90E+00
F8	0.0	0.0	1.89E-15	1.04E-14	0.0	0.0	1.14E-14	2.75E-14	3.69E-07	3.96E-07	0.0	0.0
F9	4.20E-15	9.01E-16	4.20E-15	2.27E-15	1.01E-07	5.14E-07	1.62E-14	2.66E-15	1.82E-04	1.15E-04	0.0	0.0
F10	7.11E-03	9.52E-03	1.69E-03	9.27E-03	5.01E-01	3.31E-01	3.65E-03	7.34E-03	6.57E-06	2.80E-06	4.44E-16	0.0

网络模型	模型深度	参数/M	单幅图像测试时间/ms	准确率/%
ParNet	12	19.71	21.0	97.1
AParNet	11	17.58	13.7	98.6

网络模型	模型深度	参数/M	单幅图像测试时间/ms	准确率/%
ParNet	12	19.71	21.0	97.1
AParNet	11	17.58	13.7	98.6