当期目录

2026年 第46卷 第7期 刊出日期：2026-07-10 封面下载 目录下载

上一期  

人工智能

基于大语言模型的超关系知识图谱限定符增强方法

李佳航, 韩启龙, 李丽洁, 张慧

2026, 46(7):  2043-2053.  DOI: 10.11772/j.issn.1001-9081.2025060753

摘要 ( )   HTML ( )   PDF (1197KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对超关系知识图谱（HKG）中限定符稀疏现象导致的超关系事实语义表征不完整以及任务精度和泛化能力不足的问题，提出基于大语言模型（LLM）的HKG限定符增强方法（L-EQs）。首先，通过关联知识库获取语义丰富的描述信息，以减轻实体和关系因相同标签而导致的语义混淆；其次，使用提示词模板引导LLM生成匹配的限定符及其语义解释作为外源知识，而为了保证限定符的质量，采用迭代式提示策略对生成的限定符进行筛选，并通过多次迭代生成限定符直至达到预定数量；再次，通过语义解释构建外源知识嵌入，并利用外源知识聚合模块抑制噪声，从而将外源知识与原始知识嵌入融合，为下游任务提供高质量的语义支持；最后，通过解码器预测任务结果，并在开源数据集WikiPeople和WD50K上进行广泛实验，以验证L-EQs的有效性。实验结果表明，L-EQs的平均倒数排名（MRR）、Hit@1、Hit@5和Hit@10相较于基线中的最优结果在WikiPeople数据集上分别提升了8.4、4.7、5.3和6.8个百分点，在WD50K数据集上分别提升了4.8、2.3、2.7和3.0个百分点。L-EQs解决了HKG中限定符稀疏现象和超关系事实语义表征不完整带来的问题。

基于双角色交互机制的心理健康大语言模型

程雅典, 李颖颖, 张平, 邱芳冰, 柴晓楠, 舒玉巧

2026, 46(7):  2054-2063.  DOI: 10.11772/j.issn.1001-9081.2025060783

摘要 ( )   HTML ( )   PDF (1485KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对现有的人工智能（AI）心理咨询系统仅扮演单一咨询师角色，而难以动态适应用户对专业建议与情感支持的双重需求的问题，提出一种基于双角色交互机制的心理健康大语言模型——STAR （Supportive Therapeutic Adaptive Responder）。首先，设计基于系统提示的角色动态切换机制，实现心理咨询师与朋友角色的风格转换，满足用户在心理咨询场景中对专业建议和情感支持的双重需求；其次，采用数据质量控制的训练流程，持续收集模型反馈，动态优化数据生成策略与系统提示词设计，形成数据生成与模型训练的闭环，提升数据集质量。实验结果表明，在中文心理学基准测试框架CPsyCoun （Chinese Psychological Counseling）中， STAR模型在全面性、专业性与真实性上的综合得分相较于基座模型Qwen2.5-7B-Instruct提升了9.80%，较单角色的心理大模型EmoLLM （Emotional Large Language Model）提升了26.81%，并优于使用灵心（SoulChat）等开源数据集微调的模型以及GPT-4o-mini等通用LLM。 STAR模型能够有效实现双角色自适应响应，并有效提升心理咨询的效果和体验。

基于大语言模型链接的网络安全实体识别方法

侯迪迪, 洪少东, 付玉杰, 崔允贺, 申国伟

2026, 46(7):  2064-2073.  DOI: 10.11772/j.issn.1001-9081.2025070867

摘要 ( )   HTML ( )   PDF (1589KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

网络安全知识图谱是对非结构化的网络威胁情报（CTI）数据进行深度关联分析的重要手段，使用大语言模型（LLM）能够克服传统的网络安全命名实体识别方法存在的缺乏对文本上下文的理解、难以捕捉长距离依赖以及面对噪声和冗余时缺乏鲁棒性的局限。然而，单一LLM在网络安全命名实体抽取中存在模型能力在边界外领域适应性差、分布外（OOD）数据上泛化能力不足以及单一模型认知局限的情况。为了解决以上问题，提出一种融合微调的LLM协同链接方法。该方法使用CTI语料对基础LLM进行低秩适应（LoRA）参数微调，通过参数优化增强模型对网络安全领域的理解。同时， LLM协同采用静态投票与动态元学习器的链接方式，其中，通过投票让静态机制综合多个模型的预测结果，而在动态机制中设计特征空间适配函数来量化模型的能力边界，并通过随机森林等元学习器实现输入数据特征与模型性能的动态映射。实验结果表明，所提方法的F1分数达到了91.1%，与基于多特征的语义增强网络方法相比提升了6.8%，为网络安全命名实体识别提供了高效可扩展的解决方案。

LLM与SWRL驱动的跨境数据合规异构跨链智能合约生成框架

朱林凯, 杨璐, 张弘杰, 吴子衿, 刘璐

2026, 46(7):  2074-2084.  DOI: 10.11772/j.issn.1001-9081.2026010107

摘要 ( )   HTML ( )   PDF (2934KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

跨境运营的企业通常面临彼此冲突的数据保护法规，需解决异构区块链之间的协同执行问题，这使得合规的数据跨境传输变得复杂且存在风险。因此，提出一种大语言模型（LLM）与语义网规则语言（SWRL）驱动的跨境数据合规异构跨链智能合约生成框架。首先，以形式化规则定义驱动的访问控制为核心，配合公证服务实现2个异构区块链之间的跨链互操作，并利用集成的同意模块将数据主体的最新授权实时注入访问决策；其次，构建基于有限状态决策流程的规则匹配框架，将SWRL合规规则分解为可复用的模块化逻辑单元；最后，引入经微调的LLM对SWRL规则进行语义补全，并将它们自动转换为可在区块链上执行的智能合约代码。实验结果表明，在智能合约代码生成的任务中，经过微调的LLM在综合代码生成成功率FullRate上达到了76.1%，与基线模型LLaMA-3-8B-Instruct、DeepSeek-V3和DeepSeek-R1相比，分别提升了18.6、3.2和1.2个百分点；此外，对原型系统在不同网络节点数和通道数可调的条件下进行性能评估，验证了它能够满足企业级的可扩展性需求。本文框架在保持高安全性与逻辑正确性的同时，显著提升了智能合约生成的效率，在高效且合规的跨境数据共享场景下具有实际可行性与工程应用价值。

基于多异构拓扑图协同与层次对比学习的知识感知推荐性能增强方法

樊海玮, 丁文帅, 邢宏政

2026, 46(7):  2085-2095.  DOI: 10.11772/j.issn.1001-9081.2025060795

摘要 ( )   HTML ( )   PDF (1064KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对知识感知推荐中高阶语义关系建模不足、挖掘项目深层关联不充分及知识图谱结构特征利用层次浅的问题，提出一种基于多异构拓扑图协同与层次对比学习的知识感知推荐性能增强方法（MTHCL）。首先，构建3类异构视图：项目-项目视图（CFIG）用于捕捉协同过滤信号，项目-实体视图（KGIG）用于挖掘语义关联，用户偏好图（UPG）则通过动态注意力机制建模多跳兴趣演化；其次，设计分层对比学习策略，与异构拓扑图协同形成互补机制，在局部层聚焦用户-项目的直接交互特征确保基础语义准确性，在动态层利用注意力加权聚合多跳关系提升场景适应性，在全局层融合多视图信息以保证语义一致性；最后，引入正则化项来抑制过拟合，并结合综合损失函数优化方法。实验结果表明， MTHCL的曲线下面积（AUC）和F1分数（F1）均为最高，较最优基线方法——多层次跨视图对比学习知识感知推荐系统（MCCLK）在Book-Crossing数据集上分别提升了2.23和2.19个百分点，在MovieLens-1M数据集上分别提升了1.24和1.78个百分点，在Last.FM数据集上分别提升了1.86和1.97个百分点。消融实验结果也证实了多视图协同与层次化对比学习对性能提升的关键贡献，验证了它们在有效增强推荐性能上的优越性。

融合知识增强和对比学习的高中英语阅读理解模型

王昱麒, 张仰森, 王璞

2026, 46(7):  2096-2103.  DOI: 10.11772/j.issn.1001-9081.2025070871

摘要 ( )   HTML ( )   PDF (783KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

为了解决高中英语多项选择阅读理解（MCRC）教育考试模型应用中信息过载、缺乏内容匹配和解释性不足的问题，提出一种融合知识增强和对比学习的多项选择阅读理解模型（KCL-MCRC）。首先，使用大语言模型（LLM）生成文章摘要和提取线索句子，通过知识增强减少无关信息的输入；其次，利用BERT （Bidirectional Encoder Representations from Transformers）模型获取文章、问题和选项的嵌入表示；再次，采用平均池化和绝对差值的对比学习策略获取文章、问题和选项的信息差异向量，并与原嵌入表示拼接，以共同作用于答案选择；最后，使用LLM进行问题类型标注，通过评估KCL-MCRC在各种问题类型上的答题准确率分析模型性能提升的原因。在RACE-H数据集上的实验结果表明， KCL-MCRC在验证集和测试集上的整体准确率分别达到了65.75%和64.12%，相比模型MDT （Multi-Decision-Transformer）和MMA （Multi-stage Maximization Attention）分别提高了1.02、0.35和0.88、0.92个百分点，取得了最佳性能；知识增强和对比学习对模型性能的提升都具有重要意义，在逻辑推理、主旨概括和作者态度这3种问题类型上的准确率提升明显，验证了针对问题类型进行模块设计的有效性。

基于邻域记忆的可扩展动态图表示学习

张玥, 王英

2026, 46(7):  2104-2110.  DOI: 10.11772/j.issn.1001-9081.2025070907

摘要 ( )   HTML ( )   PDF (790KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

动态图学习旨在处理节点和边在时间维度上变化的图数据。传统的图神经网络（GNN）通常依赖节点及其邻居的信息进行学习，而在动态图场景下的模型不仅需要实时捕获节点和边的动态演化特征，还需在面对大规模数据时，兼顾全局时序依赖与局部结构细节。为了解决上述问题，提出基于邻域记忆的可扩展动态图表示学习模型MTGN （Memory-based Temporal Graph Network），以通过子图采样与邻域记忆机制实现高效建模。首先，采用并行时间采样器进行高效的子图采样；其次，引入基于缓存的节点邻域记忆机制，以动态维护节点的历史状态；然后，在信息聚合阶段，通过注意力机制自适应地建模动态邻居之间的时序关系，从而生成更稳定且鲁棒的动态图表示；最后，在4个真实数据集上进行实验。结果表明：在链接预测任务中， MTGN在4个数据集上均表现出优秀的预测精度，在MOOC和LASTFM数据集上的预测精度分别为99.38%和74.46%；而在动态节点分类任务中， MTGN在Wikipedia和Reddit数据集上的预测精度分别为90.50%和79.08%，相较于基线方法具有显著的性能提升。此外， MTGN在训练效率上表现优异，在Wikipedia和Reddit数据集上的训练时间相较于基线方法分别至少减少86.9%和93.6%，验证了MTGN在大规模动态图任务中的可扩展性。

基于选择性Softmax梯度的分层相关性传播解释方法

陈冲, 邹宏杨, 曹靖, 蒋文静, 陈杰, 高富民

2026, 46(7):  2111-2118.  DOI: 10.11772/j.issn.1001-9081.2025070906

摘要 ( )   HTML ( )   PDF (2128KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

神经网络模型固有的“黑盒”性质导致它们的内部逻辑与行为决策不透明，限制了它们在关键领域的应用。针对该问题，基于分层相关传播（LRP）方法，对VGG16和ResNet50等图像分类模型的可解释性展开研究，并提出一种针对图像分类模型的可解释性方法SSGLRP （Selective Softmax Gradient for Layer-wise Relevance Propagation）。该方法在LRP中引入输出神经元正梯度的激活值与修正非目标类的初始相关性值，解决了LRP方法解释结果的热力图中含有噪声且缺乏类别区分性问题。以经典LRP、选择性分层相关传播（SLRP）、Softmax梯度分层相关传播（SGLRP）为基线方法，采用最大补丁遮掩和定点游戏实验对SSGLRP方法进行定量评估。最大补丁遮掩的实验结果表明，在VGG16上，SSGLRP的预测值变化量比LRP、SLRP和SGLRP分别平均高出91.8%、60.3%和34.2%；在ResNet50上则分别高出61.9%、64.9%和33.2%。SSGLRP方法具有更高的类别区别能力和更少的噪声，且解释VGG16和ResNet50模型的效果更好。

高频引导的扩散模型故障诊断样本增广方法

邱晓红, 于子祥, 胡玉杰

2026, 46(7):  2119-2129.  DOI: 10.11772/j.issn.1001-9081.2025060774

摘要 ( )   HTML ( )   PDF (4013KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对工业故障诊断中故障样本稀缺导致深度学习模型性能受限，以及现有的基于生成对抗网络（GAN）的数据增强方法存在训练不稳定和模式崩溃的问题，提出一种高频引导的扩散模型故障诊断样本增广方法。首先，将一维振动信号通过短时傅里叶变换（STFT）转换为二维灰度谱图，并构建基于U-Net结构的去噪扩散概率模型；其次，设计高频引导模块，通过高通滤波和交叉注意力机制增强高频特征的提取与融合，以保留故障信号中的细粒度纹理信息；同时，在扩散过程的每个去噪步骤中引入辅助分类器，以通过类别条件约束增强样本的类内多样性和类间区分性；最后，采用噪声预测和分类器引导相结合的多目标优化策略，以稳定生成过程并提升样本质量。在2个公开工业故障数据集上的实验结果表明，本文方法生成的样本用于训练分类模型后的诊断准确率最高分别达到97.41%和96.66%，相较于2个数据集上的次优方法WGAN-GP （Wasserstein Generative Adversarial Network with Gradient Penalty）和条件去噪扩散概率模型（CDDPM）分别提升了1.92和2.16个百分点。本文方法有效提高了小样本条件下的故障诊断性能，可为工业场景中的样本不平衡问题提供稳定可靠的解决方案。

数据科学与技术

基于FFT去噪与反向路径协同增强的双通道推荐算法

王柳, 陈学斌, 高远, 马凯光, 赵桐

2026, 46(7):  2130-2138.  DOI: 10.11772/j.issn.1001-9081.2025070869

摘要 ( )   HTML ( )   PDF (2944KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对传统的协同过滤推荐算法中，用户评分存在波动性及线性预测能力受限的问题，提出一种基于快速傅里叶变换（FFT）去噪与反向路径协同增强的双通道推荐算法FRP-DCR （Frequency-domain denoising and Reverse-Path enhanced Dual-Channel Recommendation）。首先，通过FFT对用户评分序列进行频域去噪，以提取长期偏好趋势，从而减少短期情绪波动对推荐的影响，并引入时间衰减机制，以提高算法对评分动态变化的表征能力；其次，在构建协同特征向量时，设计反向路径协同增强结构，以模拟用户-物品-用户之间的间接协同关系，从而解决传统协同过滤算法仅依赖用户的直接交互行为而导致的难以捕捉用户间的弱连接关系的问题；最后，采用正则化宽度学习系统（BLS）与基于梯度提升框架的高效决策树算法，分别建模主线评分结构与非线性残差部分，以提高预测精度。通过与QP-DNN-TF-IDF （Quadratic Polynomial-Deep Neural Networks- Term Frequency-Inverse Document Frequency）、轻量级图卷积网络（LightGCN）和神经协同过滤（NCF）算法等5种基线方法进行比较，对本文算法FRP-DCR的性能进行验证。实验结果表明，在MovieLens数据集上，所提算法FRP-DCR在平均绝对误差（MAE）上降低了0.029 5~0.667 5，在均方根误差（RMSE）上降低了0.036 6~0.798 3，即在2个评价指标上均表现出良好性能。

基于蒙特卡洛树搜索的参数调优方法

高锦涛, 胡志远, 姜璐璐

2026, 46(7):  2139-2151.  DOI: 10.11772/j.issn.1001-9081.2025070884

摘要 ( )   HTML ( )   PDF (1840KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

数据库管理系统（DBMS）的参数配置与优化与系统整体性能直接相关，但DBMS的默认参数设置难以达到最优性能。评估基于经验的人工调优结果表明，因无法持续捕捉系统状态与数据分布，这种调优常产生次优结果。作为主流方案的贝叶斯优化（BO）在复杂目标函数下易陷入局部最优，限制了对全局最优配置的发现能力。因此，提出一种基于蒙特卡洛树搜索（MCTS）的DBMS参数调优方法MTune。在MTune框架中，策略树主要用于对多维旋钮参数空间进行区域拆分，策略树的每一个节点均对应一个独立的参数子空间。该方案首先向贝叶斯优化（BO）模块输入旋钮配置参数，同步接收对应的性能评价指标，以此完成蒙特卡洛树搜索（MCTS）目标函数的构建。在目标函数确立后，算法采用置信区间上界（UCB）准则，完成对所有树节点的打分评估；同时依托k-means聚类算法对根初始节点开展迭代划分，实现策略树的自主生长。整个迭代过程能够持续收缩参数搜索空间，并且依托空间分区机制，动态平衡算法的探索能力与利用能力。最终通过逐层细化参数搜索区域，有效规避算法陷入局部最优解的问题，进一步提升模型搜寻全局最优解的能力。在YCSB-A与YCSB-B工作负载下的实验结果表明， MTune优于对比的先进基线。在PostgreSQL v9.6上，MTune （最佳HeSBO（Hashing-enhanced Subspace Bayesian Optimization））相较于基线的事务延迟率降低97.13%~97.91%，吞吐量提高24.83%~48.56%，系统开销降低1.62%~16.26%；在PostgreSQL v13.6上，MTune的延迟降低约为95%，吞吐量提高10%~25%，系统开销相较于DDPG（Deep Deterministic Policy Gradient）基本持平或小幅更优，相较于SMAC（Sequential Model-based Algorithm Configuration）在HeSBO-16下最佳。本文方法能够识别高质量区域，并产出近似最优的旋钮配置，在实际应用场景中表现有效且稳定。

网络空间安全

基于区块链和社交网络的多通道隐蔽通信模型

佘维, 夏克冰, 马佳伟, 刘炜, 田钊

2026, 46(7):  2152-2163.  DOI: 10.11772/j.issn.1001-9081.2025060787

摘要 ( )   HTML ( )   PDF (2846KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对现有的区块链隐蔽通信模型单一信道易受攻击、传输效率低以及与星际文件系统（IPFS）的结合存在安全隐患的问题，提出一种基于区块链和社交网络的多通道隐蔽通信模型。首先，利用Shamir秘密共享算法将上传秘密文件到IPFS后返回的内容标识符（CID）分割为多个分片；其次，分别设计基于以太坊智能合约的嵌入算法和社交网络基于零宽字符的嵌入算法，实现分片跨通道的协同传输；再次，引入冗余分片机制，在网络不稳定或部分分片丢失时仍可重构CID，并支持分片参数的动态调整以满足不同的安全性、时延和成本需求；最后，接收方需从以太坊和社交网络中提取达到恢复阈值的分片数量以重构CID，从而从IPFS检索秘密信息。实验结果表明，本文模型在基准参数下传输100 MB数据时耗时21.02 s，而通信成本仅1.01美元。与对比模型相比，本文模型在传输效率上从分钟级降低至秒级，成本降低了至少40%，并展现出优异的安全性和鲁棒性，适用于大规模数据高效、安全且低成本的隐蔽传输场景。

基于双粒度隐私保护的分布式图发布方法

高远, 陈学斌, 王柳, 马凯光

2026, 46(7):  2164-2173.  DOI: 10.11772/j.issn.1001-9081.2025070872

摘要 ( )   HTML ( )   PDF (1671KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对分布式图场景下，敏感子图数据可提取特征有限且强隐私约束下的合成图可用性不足的问题，提出一种基于双粒度隐私保护的分布式图发布方法（DPP-DGP）。本文方法在数据采集阶段获得粗细双粒度信息，分别为随机跳跃算法扰动后的度信息与随机响应扰动的邻居列表，并利用扰动度信息对邻居列表进行采样校准；在合成图生成阶段，数据发布方接收用户方传递的隐私子图信息后，使用社区发现算法获得社区信息以保留更多的拓扑结构，并在社区外部基于边数随机生成边，而在社区内部基于度序列随机生成图方法生成边。在email-Eu-core、Chameleon、Facebook和Wiki-Vote4个真实数据集上的实验结果表明，本文方法发布的合成图在保证差分隐私的同时，相较于随机邻居列表和LDPGen等分布式图发布方法可保留更多的拓扑信息，例如在度分布KL（Kullback-Leibler）散度上较基线方法低8.0以上，且4项指标（度分布KL散度、模块化相对误差、特征向量中心性相对误差和平均路径长度）在强隐私保护下均表现良好。

动态靶向解毒的后门模型净化方法

程欣铭, 黄荣, 刘浩, 蒋学芹

2026, 46(7):  2174-2183.  DOI: 10.11772/j.issn.1001-9081.2025060683

摘要 ( )   HTML ( )   PDF (3430KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

深度神经网络（DNN）的后门攻击严重破坏了模型决策的可信性，而现有的防御方法依赖一次性剪枝或全局微调，易导致模型准确率（ACC）的下降。针对此问题，提出一种动态靶向解毒的后门模型净化方法（DTR）。首先，利用前置激活刻画神经元的行为，以定位行为异常的中毒神经元；其次，在模型净化时进行靶向解毒，即仅微调中毒神经元，以避免在净化中对干净神经元的扰动，并有效地维持模型的ACC；再次，在模型净化过程中，通过监控神经元行为，获取神经元对净化的反馈，以动态地定位中毒神经元；最后，引入禁忌搜索策略排除对净化贡献微小的顽固神经元的干扰，加快模型净化的收敛。在3个基础数据集上针对BadNets （Backdoored neural Network）等6种后门攻击的实验结果表明，本文方法将平均攻击成功率（ASR）降至最高仅有0.21%，同时ACC提高了0.10~2.84个百分点，优于ABL （Anti-Backdoor Learning）等其他5种防御方法。可见，本文方法有效解决了传统方法因一次性剪枝或全局微调导致的模型ACC下降问题，为提升DNN安全性提供了更可靠的解决方法。

基于梯度特征的联邦学习后门防御算法

钟琪, 张淑芬, 张镇博, 李涛

2026, 46(7):  2184-2195.  DOI: 10.11772/j.issn.1001-9081.2025070873

摘要 ( )   HTML ( )   PDF (2100KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对现有的防御算法无法有效区分联邦学习后门攻击中的客户端梯度差异以及计算开销较大的问题，提出一种基于梯度特征的联邦学习后门防御算法GradGuard。首先，对每个客户端梯度进行归一化与缩放处理，通过缩放本地模型梯度的相对变化，解决绝对变化较大的良性维度掩盖后门维度的问题；其次，设计基于余弦相似性的主导梯度聚类算法，寻找具有最低风险概率的小客户端簇，剔除可能包含后门的恶意梯度；最后，提出一种自适应梯度裁剪策略，裁剪阈值基于良性客户端维度的L2范数与攻击者的比例进行自适应调整，从而确保全局模型的稳定性。实验结果表明，相较于Datadefense算法， GradGuard在4种不同攻击频率下防御后门攻击时的后门攻击成功率（BA）分别降低了1.91、1.36、1.28和0.49个百分点，防御边缘后门攻击时的BA分别降低了8.93、3.34、9.51和0.79个百分点。此外， GradGuard减轻了服务器的计算负担，在EMNIST和CIFAR-10数据集上，相较于Scope算法在训练时间上分别减少了42.58%和27.82%，提升了联邦学习系统的效率。

面向联邦学习中拜占庭攻击的主动防御框架

任志强, 陈学斌, 屈昌盛

2026, 46(7):  2196-2207.  DOI: 10.11772/j.issn.1001-9081.2025070875

摘要 ( )   HTML ( )   PDF (2959KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

联邦学习作为一种新兴的分布式机器学习方法，能够在保护数据隐私的前提下，使多个参与方协同训练模型。然而，现有的研究表明，联邦学习系统容易受到拜占庭攻击，此类攻击可能导致模型性能显著下降或阻碍模型收敛。针对此类攻击，提出一种主动防御框架，以检测恶意更新并减轻恶意更新的影响。该框架包括恶意更新检测与恶意更新削弱2个核心模块。其中，恶意更新检测模块主要通过构建恶意样本库，结合评分机制与聚类算法识别恶意更新；而恶意更新削弱模块则通过向客户端分发特定的“测试模型”，根据客户端响应的模型更新，利用评分及权重分配机制调整聚合权重，从而有效降低恶意更新对全局模型的负面影响。实验结果表明，针对部分攻击类型，本文框架的恶意更新检测准确率接近100%，且通过恶意更新削弱在大部分攻击场景下均保证良性更新的聚合权重占比超过90%。

数据加密算法LiCi的差分-线性分析方法

李艳俊, 黄丁韫, 王忠, 陈鑫, 高原

2026, 46(7):  2208-2215.  DOI: 10.11772/j.issn.1001-9081.2025060713

摘要 ( )   HTML ( )   PDF (710KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

目前还缺少针对数据加密算法LiCi的差分-线性安全性分析，因此，本文基于约束规划（CP）建模和密钥恢复提出一种适用于LiCi算法的差分-线性分析方法。首先，将LiCi算法拆分为差分层、中间层与线性层3层，并对每一层分别建立差分与线性掩码传播的约束，包括对LiCi算法差分与线性掩码的S盒、分支传播以及异或过程中的不等式约束以及目标函数的约束；其次，使用Gurobi求解器进行搜索。实验结果表明：对于LiCi算法存在概率为2^-27.4的13轮差分-线性区分器，在此基础上分别向前添加4轮，并向后扩展3轮，可以实现20轮的密钥恢复攻击，并可恢复91 bit的密钥信息，其中时间复杂度为2^114.3次20轮加密，数据复杂度为2⁴⁸个明文。该结果将LiCi算法的可攻破轮数从17轮推进到20轮，并首次给出31轮总轮数下剩余11轮的安全冗余量。

先进计算

考虑时间差异性的网约车充电站选址优化模型

田梓琛, 刘勤明, 叶春明, 汪宇杰

2026, 46(7):  2216-2228.  DOI: 10.11772/j.issn.1001-9081.2025060760

摘要 ( )   HTML ( )   PDF (941KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对网约车充电需求存在显著的时间差异性，而传统静态选址方法易导致高峰期覆盖不足以及低峰期资源浪费的问题，本文提出一种考虑时间差异性的网约车充电站选址优化模型。首先，基于南京市网约车运营数据深入分析充电需求的时间分布规律，将全天划分为高峰期、平峰期和低峰期3个时段，并依据需求占比与用户敏感度设定差异化权重及服务时间阈值；其次，构建以“总空驶时间成本最小化”与“高难度区域未覆盖惩罚最小化”为目标的双目标模型，引入打车难易度作为优先级调节因子，并建立站点服务能力和区域均衡等约束；最后，融合人工蜂群算法（ABC）的局部精细搜索与灰狼（GWO）算法的全局探索能力，提出改进的人工蜂群-灰狼混合算法（IBWO）求解上述模型，并加入自适应参数调整与种群重启机制以避免局部最优。实验结果表明，以南京市核心区域为算例，从1 465个候选位置中优化筛选出100个站点，本文模型实现了全时段100%需求覆盖，且高难度区域未覆盖需求为0。在迭代100次后，与遗传算法（GA）、粒子群优化（PSO）算法、GWO、ABC中求解本文模型的最佳结果相比，IBWO的最佳适应度值为16 180.1，较次优的ABC （24 929.8）降低了35.1%；建站数量较ABC （203个）减少了50.7%；计算时间为334.87 s，较次优的ABC（391.75 s）缩短了14.5%。本文模型能精准适配充电需求的时间波动，且提出的IBWO计算速度快，能避免局部最优。本文建立了充电需求时间动态与选址决策的量化关联框架，完善了多时段约束下的基础设施选址模型，可为城市电动网约车充电设施规划提供精准的决策依据，在降低50%以上建设成本的同时，保障全天候服务质量，助力“双碳”目标下交通能源系统的高效协同。

车联网中基于Stackelberg博弈的联邦学习质量感知激励机制

孙天乐, 曹腾飞

2026, 46(7):  2229-2238.  DOI: 10.11772/j.issn.1001-9081.2025060784

摘要 ( )   HTML ( )   PDF (1484KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对车联网联邦学习（FL）中的非独立同分布（Non-IID）数据、车辆参与者贡献低质量数据和激励不足等问题，提出一种车联网中基于Stackelberg博弈的联邦学习质量感知激励机制。首先，设计一种基于车辆参与者梯度优化方向相似性的聚类方法，以减轻Non-IID数据对模型收敛的影响，提高训练效率；其次，提出双维度质量评价指标，结合梯度方向一致性和损失下降幅度衡量数据质量，并根据数据贡献量进行联合激励；进一步地，采用Stackelberg博弈模型描述云服务器、边缘服务器以及车辆客户端之间的交互过程，使用逆向归纳法求解最优策略组合，深入探讨了Stackelberg均衡的存在性和唯一性。仿真实验结果表明，本文提出的质量感知激励机制优于基线机制，其社会效用和云服务器效用均显著提升；与FedAS （Federated parameter-Alignment and client-Synchronization）相比，该机制在MNIST、CIFAR-10和BelgiumTSC数据集上的准确率分别提升了0.28%、1.77%和5.08%，验证了其优势和有效性。

基于改进局部搜索的师徒进化算法求解最小弱连通支配集问题

李玉, 陈学刚

2026, 46(7):  2239-2249.  DOI: 10.11772/j.issn.1001-9081.2025060694

摘要 ( )   HTML ( )   PDF (716KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对现有的启发式算法对最小弱连通支配集问题（MWCDSP）的求解精度受限问题，提出一种基于改进局部搜索的师徒进化算法（MAE-LS）。首先，在初始解构造阶段利用双重简化规则识别必然存在于最优解中的顶点，以缩小搜索空间并提升初始解的质量；其次，在局部搜索阶段引入弱连通优先的可行解构造机制，该机制相较于传统方法能更有效地维持解的弱连通性与支配性，同时结合高效的顶点选择方式动态指导顶点加入候选解或从解中移除，以增强解的多样性和可行性；再次，设计混合频率与禁忌策略的双重循环抑制机制，以有效降低重复搜索的概率；最后，提出破路策略以及扰动策略帮助算法跳出局部最优。在4组基准测试集的98个实例上，把所提算法与CPLEX （C Programming Language for EXpressions）精确求解器以及6种最先进的算法进行对比。实验结果表明， MAE-LS是获得最优解数量最多的算法，特别是在NDR （Network Data Repository）实例上，它获得最优解的数量较性能次优的算法FPLS （Local Search algorithm based on the Feedback mechanism and the Perturbation strategy）有61.5%的显著提升，充分证明了该算法在求解精度和算法稳定性方面的显著优势。MAE-LS为NP （Nondeterministic Polynomial）难网络优化问题提供了有效的求解途径，对无线传感器网络构建等实际应用具有重要价值。

网络与通信

基于深度神经网络的正交频分复用系统信道估计算法

肖海林, 曹清阳, 蒋海龙, 张中山, 胡智群

2026, 46(7):  2250-2258.  DOI: 10.11772/j.issn.1001-9081.2025060782

摘要 ( )   HTML ( )   PDF (1459KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对正交频分复用（OFDM）系统中信道估计精度受限及复杂度较高的问题，提出一种基于深度神经网络（DNN）的OFDM系统信道估计算法。首先，利用所提DNN模型替代传统通信系统中依赖的信道估计与均衡过程，并以接收端的导频信息和数据块作为输入特征，实现对信道特性的快速学习与估计；其次，在模型训练阶段，构建包含导频块和数据块的OFDM帧，并结合无线信道传播模型生成大规模的仿真数据对，以保证训练数据覆盖多种复杂信道环境和噪声条件；最后，利用OFDM系统完成对输入输出关系的非线性映射，并将该映射关系转化为适合DNN监督学习的任务，从而使训练完成的模型能在接收端高效输出精确的信道估计结果，且实现对原始传输数据的可靠恢复并提升系统的整体性能。同时，基于现场可编程门阵列（FPGA）设计了DNN模型训练的主要计算模块，实现对训练模型的实时监控与优化。实验结果表明，与最小二乘（LS）算法、最小均方误差（MMSE）算法以及DFT-LS-WIENER算法相比，在信噪比（SNR）为10 dB时，本文算法分别将误码率（BER）降低了92.82%、80.32%、72.27%，归一化均方误差（NMSE）也小于对比算法。本文算法在复杂信道条件下具有良好的抗干扰性能和估计精度；而且在FPGA硬件平台上的资源消耗适中，运行功耗处于可控范围内，可部署在FPGA上。

多媒体计算与计算机仿真

基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS

张国有, 聂宏宇, 潘理虎, 雷润东

2026, 46(7):  2259-2266.  DOI: 10.11772/j.issn.1001-9081.2025060788

摘要 ( )   HTML ( )   PDF (1278KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

三维点云语义分割是自动驾驶与计算机视觉领域的关键技术。基于深度学习的语义分割模型由于网络结构复杂，运行效率低下。针对深度神经网络在三维点云语义分割中效率低下的问题，提出一种基于多层感知机（MLP）级联宽度学习系统（BLS）的点云语义分割网络Point-MLPBLS。首先，整体网络采用双网络协同架构：特征提取网络和点云分割网络；其次，特征提取网络对输入的点云数据采用采样-分组-聚合操作，并追加倒置残差模块增强局部特征的表达能力；再次，通过特征传播模块实现上采样，恢复原始点云分辨率并进行多尺度特征融合，构建精细化的点云表征；最后，点云分割网络采用扁平化MLP级联结构替代深层迭代训练，在特征映射层嵌入空间感知型MLP，实现高精度推理。在S3DIS数据集上的实验结果表明：与PointNet++相比，Point-MLPBLS的平均交并比（mIoU）提高了12.9个百分点，分割时间缩短了41.1%，提高了点云分割的效率，为三维点云语义分割提供了高效解决方案。

基于平滑-锐化图卷积的点云补全方法

武湘怡, 叶海良, 曹飞龙

2026, 46(7):  2267-2276.  DOI: 10.11772/j.issn.1001-9081.2025060668

摘要 ( )   HTML ( )   PDF (1412KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对点云补全中基于图学习的方法在网络层数加深时易出现点特征平滑现象所造成的局部几何细节丢失问题，提出一种基于平滑-锐化图卷积的点云补全方法，旨在提升不规则点云的补全质量。首先，将PointNet++中的SA（Set Abstraction）层与点Transformer模块交叉堆叠，以提取不完整点云的多层次特征和全局形状特征；其次，通过逐点分裂生成子点特征并以此构建图结构，同时利用平滑图卷积和锐化图卷积分别捕获点云间的局部相似性和坐标差异信息，从而保留关键几何细节并实现粗补全；最后，在细化模块中融合全局形状特征与粗补全的结果，逐步生成高分辨率点云。实验结果表明，本文方法在ShapeNet和PCN（Point Completion Network）数据集上均优于对比方法ODGNet（Orthogonal Dictionary Guided shape completion Network）与CRA-PCN（Cross-Resolution Aggregation PCN）。在PCN数据集上，本文方法的CD-T（Chamfer Distance-TopNet）、CD-P（Chamfer Distance-Point completion network）和F1值分别至少提升0.220、0.285和0.009；在ShapeNet扩展数据集上，本文方法的CD-P和F1值分别至少提升0.021和0.003，表明本文方法在几何结构恢复方面更具优势。此外，在真实场景KITTI（Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago）数据集上的补全结果进一步表明，本文方法能更完整地重建车辆轮廓，从而有效地避免模糊与伪影，并提升点云补全的效果。

多模态协同提示优化下的零样本人物交互检测方法

马岳, 赖惠成, 姜迪, 汪烈军

2026, 46(7):  2277-2287.  DOI: 10.11772/j.issn.1001-9081.2025060786

摘要 ( )   HTML ( )   PDF (4059KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对零样本人物交互（HOI）检测任务中未见类别难以识别的问题，提出一种多模态协同提示优化下的零样本HOI检测方法MCPNet （Multimodal Cooperative Prompt Network），以提升模型在零样本条件下的泛化能力。该方法结合文本引导的提示学习与图像特征生成机制，从语义建模与视觉建模2个层面提升对未见交互类别的识别能力与整体泛化性能。首先，在语义建模方面，设计融合人工模板与可学习提示的文本引导模块，结合对比语言-图像预训练（CLIP）文本编码器生成细粒度的语义表征；其次，引入可学习提示为条件的生成模块，通过变分自编码器（VAE）建模潜在的语义空间，合成具有判别性的未见类别图像特征，从而缓解类别的长尾分布；最后，在视觉建模方面，提出局部与全局特征的协同机制，将局部交互区域特征与全局图像语义信息共同作为交互检测头的输入，提升复杂场景下的HOI检测效果。实验结果表明，在HICO-DET （Humans Interacting with Common Objects DETection）数据集上的零样本检测任务中，本文方法在多个评估设置下的未见类别的平均精度均值（mAP）均优于大多数现有的先进方法。具体而言，与CLIP4HOI（towards adapting CLIP for practical zero-shot HOI detection）方法相比，本文方法的mAP在未见组合（UC）设置下提升了8.59%，在稀有优先未见组（RF-UC）设置下提升了9.94%，在非稀有优先未见组合（NF-UC）设置下提升了8.24%，在未见物体（UO）设置下提升了9.37%，验证了该方法的有效性。

基于密集时空可变形注意力的视频快照压缩成像重建方法

杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰

2026, 46(7):  2288-2296.  DOI: 10.11772/j.issn.1001-9081.2025060699

摘要 ( )   HTML ( )   PDF (4934KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

基于深度学习的视频快照压缩成像（VSCI）重建方法在多数任务中已取得良好效果，但仍存在动态场景重建中细节恢复不足及计算开销大等问题。针对这些问题，提出一种基于密集时空可变形注意力的VSCI重建方法。首先，输入压缩测量值与掩码以获取初始特征信息；其次，设计一个可变形注意力模块，以有效增强模型对局部形变与全局时序依赖的捕捉能力；最后，改进密集连接，即设计通道分割因子实现动态分组递进的特征提取与融合，从而提升特征表示能力并减少重建时间。在多个模拟灰度视频基准数据集（Kobe、Runner、Drop 等）和彩色视频基准数据集（Beauty、Bosphorus、Jockey 等）上的实验结果表明，与对比方法中的次优方法M2BA?SCI和SCT-SCI相比，本文方法的平均峰值信噪比（PSNR）分别提升了0.45 dB和0.79 dB，重建时间为0.43 s和3.37 s，表明本文方法显著提升了复杂运动场景下的重建质量与计算效率。

面向不均匀雾霾遥感图像的无监督去雾方法

刘雯玲, 李勇, 李佳慧, 张厚康

2026, 46(7):  2297-2306.  DOI: 10.11772/j.issn.1001-9081.2025060755

摘要 ( )   HTML ( )   PDF (7845KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对现有的去雾方法在真实遥感图像中难以有效抑制由不均匀雾霾分布引发的伪影生成及纹理细节恢复不足的问题，提出一种面向不均匀雾霾遥感图像的无监督去雾方法。首先，基于循环生成对抗网络（CycleGAN），在生成器中设计残差多尺度注意力机制（RMAM），扩大感受野并增强对多尺度纹理与结构信息的提取能力，从而有效恢复真实的纹理细节信息；其次，设计雾霾分布增强模块（HDEM），显式地增强雾霾特征的表达，并结合双分支融合策略引导网络精准识别和处理不均匀雾霾，缓解因雾霾分布感知不足造成的伪影；最后，在判别器中嵌入特征注意力（FA）机制，强化对图像局部结构与纹理真实性的判别能力，提高去雾图像的细节还原能力。在合成遥感图像数据集SateHaze 1k和RICE上的实验结果表明，本文方法与最优的基线方法DedustGAN相比在峰值信噪比（PSNR）上分别提高了4.20%和2.44%，在结构相似度（SSIM）上分别提高了0.96%和0.51%；在真实数据集RRSD300上的实验结果表明，本文方法与最优的基线方法Cycle-SNSPGAN相比在自然图像质量评价（NIQE）和综合局部自然图像质量评价（IL-NIQE）上分别降低了2.04%和0.45%。本文方法能够有效去除不均匀雾霾、抑制伪影生成并恢复遥感图像中的纹理细节。

基于课程强化学习的机器人端到端动态抓取方法

梁艳阳, 谢文轩, 崔伟, 吕洪妃, 李达, 钟东洲

2026, 46(7):  2307-2317.  DOI: 10.11772/j.issn.1001-9081.2025060749

摘要 ( )   HTML ( )   PDF (2184KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对机器人学习端到端动态抓取任务时效率低且难以兼顾高成功率与运动平滑性的问题，提出一种基于课程强化学习（CRL）的机器人端到端动态抓取方法。首先，构建融合彩色图、深度图与机器人本体状态的多模态输入网络，将原始感知直接映射为末端执行器的连续动作指令；其次，设计难度与平滑性约束同步递增的课程机制，并结合阶段化的奖励函数引导智能体从静态抓取逐步掌握至动态抓取；最后，采用域随机化（DR）增强策略从仿真到现实（Sim-to-Real）的迁移能力。仿真实验结果表明，在0.15~0.40 m/s的目标速度下，本文方法的抓取成功率接近100%，将稳定抓取的速度上限从基于目标检测的基线方法的0.25 m/s提升至0.40 m/s；相较于仅有难度递增的简单课程学习（SimpleCL），本文方法在最高难度测试中的抓取成功率提升了3.6个百分点，且关节加速度与加加速度的平均范数分别降低了58.34%和69.25%；在物理实验中，本文方法对静态场景及2种动态场景的抓取成功率分别为95.0%、90.0%和70.0%。本文方法通过协同优化任务难度与行为约束，在机器人动态抓取任务中实现了成功率与平滑性的有效协调。

前沿与综合应用

可解释性深度学习在热带气旋预报中的应用研究综述

凌妙根, 井瑞, 方巍

2026, 46(7):  2318-2326.  DOI: 10.11772/j.issn.1001-9081.2025070874

摘要 ( )   HTML ( )   PDF (618KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

深度学习为热带气旋预报研究提供了新途径，但其黑盒特性影响了它在关键领域的应用。因此，对可解释性深度学习在热带气旋预报中的应用研究进行综述。首先，系统梳理深度学习在热带气旋预报中的最新研究进展；其次，回顾传统预报方法的优势与局限；然后，聚焦卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）网络和Transformer等模型在不同预报任务中的应用，并探讨生成对抗网络（GAN）等方法的前沿探索。在此基础上，深入分析可解释性深度学习在热带气旋预报中的重要性，从特征重要性解释、时空模式解释以及不确定量化这3个维度探讨可解释性深度学习在热带气旋预报中的具体应用，并指出它在提升模型透明度和用户信任度方面的潜力。最后，针对当前可解释性研究中面临的挑战，提出未来融合物理机制、多粒度可视化及因果推理的研究展望。

融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络

颜建强, 董贝贝, 曲博婷, 彭晨

2026, 46(7):  2327-2333.  DOI: 10.11772/j.issn.1001-9081.2025070876

摘要 ( )   HTML ( )   PDF (819KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

交通数据存在显著的动态空间相关性与突发性模式变化，传统模型难以全面建模真实交通网络的时空依赖特性。为了解决该问题，提出一种融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络（BDDGNet）。该网络融合了时空信息与多源动态特征，通过多头注意力机制构建节点间的动态图邻接关系，从而捕捉交通网络中随时间演化的空间连接强度。在空间建模方面，设计双向扩散动态图卷积模块，以从不同路径方向学习节点状态的传播动态，从而实现对交通流中空间依赖的协同建模；同时，引入图级注意力机制提取关键节点的全局语义信息，增强对整体交通网络拓扑结构的感知能力。在2个真实交通流数据集PEMSD4和PEMSD8上的实验结果表明， BDDGNet在15、30 和60 min预测任务中均取得了更优结果。综合平均结果显示：在PEMSD4数据集上， BDDGNet的平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别达到18.26、30.26和12.16%，相较于基于静态图结构的扩散卷积循环神经网络（DCRNN）分别降低了25.2%、19.3%和26.9%；在PEMSD8数据集上， BDDGNet的MAE、RMSE和MAPE分别达到14.07、23.44和9.24%，相较于DCRNN分别降低了16.3%、11.1%和15.4%。本文网络能够在多变的交通环境下更准确地刻画时空依赖关系，并显著提升预测精度。

基于动态卷积分解和多尺度图的短期电力负荷预测模型

朱莉, 米路革麻, 朱春强, 徐婉茹, 高靖凯, 屈锦琪

2026, 46(7):  2334-2346.  DOI: 10.11772/j.issn.1001-9081.2025060676

摘要 ( )   HTML ( )   PDF (2180KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对现有的短期电力负荷预测方法难以有效建模非线性结构和缺乏跨尺度与跨变量交互能力的问题，提出基于动态卷积分解和多尺度图的短期电力负荷预测模型（DCDMSG）。首先，采用动态卷积分解方法分解负荷序列中的趋势和季节项，以应对复杂的非线性结构；其次，利用线性层预测趋势项，对季节项则采用自适应多尺度序列构建方法生成多尺度序列并进行深度建模；再次，为了建模多尺度序列内外的复杂依赖关系，使用多尺度融合图捕捉不同尺度序列内的依赖关系，利用多变量相关图建模不同变量之间的相关性，并采用多尺度混合跳传播聚合图中的特征；最后，对季节项进行预测，并将得到的预测结果与趋势项预测结果进行加权融合得到最终预测值。实验结果表明，在Australian数据集上， DCDMSG的平均绝对误差（MAE）为0.379 MW，均方根误差（RMSE）为0.529 MW，比对比模型分别降低了7.11%~21.37%和9.88%~26.32%；在Cele数据集上， DCDMSG的MAE为0.437 MW， RMSE为0.708 MW，比对比模型分别降低了5.61%~24.66%和5.22%~24.12%。在短期电力负荷预测任务中，DCDMSG利用季节趋势分解和跨尺度与跨变量建模有效提高了预测精度。

基于动态知识嵌入的轴承寿命预测方法

刘晶, 吕凤凤, 牛巍, 季海鹏, 吴健, 张啸

2026, 46(7):  2347-2354.  DOI: 10.11772/j.issn.1001-9081.2025070866

摘要 ( )   HTML ( )   PDF (2815KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

在实际工业场景中，由于复杂工况导致轴承状态演化差异显著，使得轴承寿命预测面临机制认知不完整与监测数据分布漂移的双重约束。现有的基于数据驱动的方法虽在稳定工况下表现良好，但存在标注数据依赖性强和对突变工况泛化能力不足的局限。针对上述问题，本文提出一种基于动态知识嵌入的轴承寿命预测方法（DK-BLP）。该方法动态地融合数据驱动特征与领域先验知识：首先，构建动态知识图谱，将轴承退化的先验知识编码为可计算的三元组知识，并引入滑动窗口置信度机制，实现领域知识的自适应更新；其次，利用关系图卷积网络提取具有物理意义的嵌入向量，并把它们与层级卷积网络提取的振动信号时频特征进行跨模态融合；最后，通过多头自注意力Transformer实现特征与知识的动态关联建模，使模型能够自适应地平衡数据特征与机制知识的贡献。在PHM2012和XJTU数据集上的实验结果表明，本文方法显著提升了跨工况的轴承寿命预测精度。

基于改进GhostNet的岩石薄片岩性识别模型

刘苗苗, 张郁红, 张强, 杜睿山

2026, 46(7):  2355-2363.  DOI: 10.11772/j.issn.1001-9081.2025060785

摘要 ( )   HTML ( )   PDF (3387KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

针对岩石薄片岩性识别中存在的识别精度不高和效率低等问题，提出一种基于改进GhostNet的岩石薄片岩性识别模型。首先，采用多方向Sobel算子构建边缘引导模块，有效提取岩石薄片图像中的边缘和纹理信息；其次，在GhostNet模型的关键位置嵌入卷积块注意力模块（CBAM）强化模型的特征提取能力，进一步提高模型的识别效果；最后，重新设计分类器结构，用全局平均池化层替换原始分类器，减少模型的参数量，提高模型训练效率。采用分层分类方法将数据集分为3大类别和108小类，分别进行粗粒度和细粒度识别。实验结果表明，本文模型在测试集上的一级分类准确率为98.15%，二级分类准确率为96.39%，模型大小为16.3 MB。与EfficientNetV2相比，本文模型在一级分类准确率上提高了1.31个百分点，参数量减少了81%，展现出更佳的分类性能，能够为岩石薄片的岩性识别提供高效且准确的解决方案。

基于动态时空编码器的电梯多元时间序列异常检测方法

陈坚伟, 陆佳炜, 王琪冰, 赵梦珂

2026, 46(7):  2364-2372.  DOI: 10.11772/j.issn.1001-9081.2025060800

摘要 ( )   HTML ( )   PDF (1839KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

电梯在运行过程中所产生的多元时间序列数据对于构建电梯安全监测系统至关重要。针对现有方法忽略了序列之间相关性影响的问题，提出一种基于动态时空编码器的电梯多元时间序列异常检测方法——DSTE （Dynamic Spatial-Temporal Encoder）。首先，引入动态图聚合模块，通过图卷积与注意力机制计算全局节点的自注意力，并用得到的结果进行空间特征聚合；同时，采用图池化的方法进行动态图结构更新，动态地调整序列间的关联程度；其次，构建时域特征聚合模块，向传统的时间卷积神经网络（TCN）添加门控卷积模块，并通过神经常微分方程进行时间特征传播的计算，从而实现精准的时空特征建模；最后，结合多层卷积进行解码预测，并判断电梯异常。在真实电梯运行数据集上的实验结果表明，与次优模型DTAAD （Dual TCN-Attention networks for Anomaly Detection）相比， DSTE进行异常检测的精确率提升了0.34%，召回率提升了10.85%， F1-Score提升5.39%，漏报率（FNR）降低了56.78%，同时实现了FNR与误报率（FPR）之间的平衡。本文方法能有效识别电梯异常，并降低异常事件的漏检概率。

跨工况下基于改进CGAN的钛合金显微组织数据生成方法

刘晶, 赵邵泽, 刘鑫刚, 牛浩哲, 季海鹏

2026, 46(7):  2373-2382.  DOI: 10.11772/j.issn.1001-9081.2025070865

摘要 ( )   HTML ( )   PDF (1578KB) ( )  

数据和表 | 参考文献 | 相关文章 | 计量指标

钛合金广泛应用于航空航天等领域，它的显微组织的优化是提升材料性能的关键。因此，探索钛合金热加工工艺参数与显微组织演变规律的关联性成为研究热点。传统研究方法高度依赖于实验手段，通过物理试样制备与表征获取数据，然而，热加工工况组合复杂、实验周期长且成本高，导致全工况下的显微组织数据难以完备。针对上述问题，提出一种跨工况下基于改进条件生成对抗网络（CGAN）的钛合金显微组织数据生成方法（GL-CGAN-TL）。该方法包括2个模块：1）基于全局-局部生成器融合的显微组织数据生成模块，通过全局-局部生成器在新工况下高效生成显微组织数据；2）基于自适应微调的数据质量迁移验证模块，结合迁移学习技术对生成数据质量进行验证。在TC18钛合金显微组织试样数据上进行实验的结果表明，本文方法在保持生成数据有效补全真实数据的同时，使平均绝对误差（MAE）和均方根误差（RMSE）较现有方法降低了27.6%以上，显著优于同类方法。