检索结果-内蒙古大学图书馆

系统仿真学报 2025年第1期37卷 25-39页

作者：黄智钦卢恬英陈哲毅福州大学计算机与大数据学院福建福州350116 大数据智能教育部工程研究中心福建福州350002 福建省网络计算与智能信息处理重点实验室(福州大学) 福建福州350116

在大规模物联网(internet-of-things,IoT)系统中,无人机使能的移动边缘计算(mobile edge computing,MEC)可缓解终端IoT设备的性能限制。然而,由于不均匀的IoT设备分布与低效的问题求解效率,如何在大规模IoT系统中高效执行计算卸载面临... 详细信息

在大规模物联网(internet-of-things,IoT)系统中,无人机使能的移动边缘计算(mobile edge computing,MEC)可缓解终端IoT设备的性能限制。然而,由于不均匀的IoT设备分布与低效的问题求解效率,如何在大规模IoT系统中高效执行计算卸载面临着巨大的挑战。现有解决方案通常无法适应动态多变的多无人机场景,导致了低效的资源利用与过度的响应延迟。为解决这些重要挑战,提出了一种新型的面向大规模IoT系统的多无人机部署与协作卸载(multi-UAV deployment and collaborative offloading,MUCO)方法。设计了一种基于约束K-Means聚类的无人机部署方案,在提升服务覆盖率的同时保证覆盖均衡。设计了一种基于多智能体强化学习(multi-agent reinforcement learning,MARL)的多无人机协作卸载策略,将来自IoT设备的卸载请求进行拆分与分布式执行,进而实现高效的协作卸载。大量仿真实验验证了MUCO方法的有效性。与基准方法相比,MUCO方法在不同场景中平均可以取得约23.82%和28.13%的无人机部署性能提升,且能取得更低的时延和能耗。

关键词：物联网移动边缘计算无人机部署计算卸载 K-Means聚类多智能体强化学习

来源：评论

学校读者我要写书评

暂无评论

基于图强化学习的多边缘协同负载均衡方法

引用

计算机科学 2025年第3期52卷 338-348页

作者：郑龙海肖博怀姚泽玮陈星莫毓昌福州大学计算机与大数据学院福州350116 大数据智能教育部工程研究中心福州350002 福建省网络计算与智能信息处理重点实验室福州350116 华侨大学计算科学福建省高校重点实验室福建泉州362021

在移动边缘计算中,设备通过将计算密集型任务卸载到附近边缘服务器,可以有效减少应用程序的延迟和能耗。为了提高服务质量,边缘服务器之间需要协作而非单独工作。针对多边缘协作的负载均衡问题,现有的策略往往依赖于精确的数学模型或缺... 详细信息

在移动边缘计算中,设备通过将计算密集型任务卸载到附近边缘服务器,可以有效减少应用程序的延迟和能耗。为了提高服务质量,边缘服务器之间需要协作而非单独工作。针对多边缘协作的负载均衡问题,现有的策略往往依赖于精确的数学模型或缺乏对边缘拓扑关系的利用。为了解决此问题,文中提出了一种基于图强化学习的卸载决策方法。首先将多边缘协作的负载均衡场景抽象为图数据;然后采用基于图卷积神经网络的图嵌入过程来提取图的信息特征,以辅助深度Q网络进行卸载决策;最后通过集中反馈控制机制找到目标负载均衡方案。在多个场景下进行仿真实验,实验结果验证了所提方法在缩短任务平均响应时延方面的有效性,并且可以在短时间内获得优于对比算法且接近理想方案的负载均衡效果。

关键词：多边缘协作负载均衡任务卸载图神经网络深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于时间感知注意力与拥塞驱动图卷积的交通流量预测

引用

福建师范大学学报(自然科学版) 2025年第1期41卷 1-10页

作者：王小军王兴林羽金彪熊金波福建师范大学计算机与网络空间安全学院福建福州350117 福建省大数据分析与应用工程研究中心福建福州350117

现有的交通流量预测模型通常基于时空图神经网络(GNN)提取交通流量数据的时空特征。然而,GNN通常基于路网连通性、路网中传感器之间的距离构建图结构,忽略了路段的拥塞信息。为了充分捕捉交通流量数据的动态时空依赖关系,提出一种基于... 详细信息

现有的交通流量预测模型通常基于时空图神经网络(GNN)提取交通流量数据的时空特征。然而,GNN通常基于路网连通性、路网中传感器之间的距离构建图结构,忽略了路段的拥塞信息。为了充分捕捉交通流量数据的动态时空依赖关系,提出一种基于时间感知注意力与拥塞驱动图卷积的交通流量预测模型TCGCN。在空间维度上,TCGCN利用两种衡量交通拥塞程度的度量指标构建图结构,挖掘路段之间的动态空间依赖关系,在时间维度上,TCGCN设计了一个时间门控因果卷积多头自注意力机制增强模型的时间感知能力和局部趋势感知能力。最后,在两个真实交通数据集上的实验结果表明,与最优基线模型相比,TCGCN在MAE、MAPE和RMSE这3评价指标上分别平均降低了5.22%、5.05%和2.90%。

关键词：交通流量预测交通拥塞注意力机制时空图神经网络

来源：评论

学校读者我要写书评

暂无评论

体位性低血压和主要心血管疾病:一项系统综述和荟萃分析

引用

中华高血压杂志(中英文) 2025年第2期33卷 163-170页

作者：陈婉婷蔡文钦滕忠铭姚月娴鲍玲鑫福建农林大学计算机与信息学院福建福州350002 福建医科大学附属第一医院老年医学科福建省高血压研究所福建医科大学附属第一医院滨海院区国家区域医疗中心老年医学科福建省老年医院康复医学科福建省老年医院老年医学科

目的探讨体位性低血压与主要心血管疾病(包括心力衰竭、冠心病及脑卒中)的关系。方法通过PubMed、Web of Science、Cochrane Library、中国知网(CNKI)、维普数据库(VIP)、万方数据知识服务平台等资源数据库对研究体位性低血压与主要... 详细信息

目的探讨体位性低血压与主要心血管疾病(包括心力衰竭、冠心病及脑卒中)的关系。方法通过PubMed、Web of Science、Cochrane Library、中国知网(CNKI)、维普数据库(VIP)、万方数据知识服务平台等资源数据库对研究体位性低血压与主要心血管疾病关系的文献进行系统检索。检索期限为数据库建库时间至2023年11月30日。利用风险比(HR)进行荟萃分析。结果纳入6项前瞻性研究,随访时间为3~26年。所有纳入文献的质量评分均≥4分,总体研究呈现高质量水平。荟萃分析结果显示:体位性低血压与心力衰竭(HR=1.37,95%CI 1.24~1.52)、冠心病(HR=1.47,95%CI 1.04~2.07)及脑卒中(HR=1.60,95%CI 1.32~1.93)风险增加相关。亚组结果分析显示:随访年限是冠心病研究间存在异质性的原因。敏感性分析结果显示:对于心力衰竭及脑卒中,荟萃分析结果总体稳健性较好;对于冠心病,敏感性分析结果不稳定。体位性低血压与心力衰竭、冠心病及脑卒中关系的漏斗图呈现不对称性,提示存在发表偏倚。利用剪补法校正后,漏斗图呈现出对称性。结论体位性低血压增加心力衰竭、冠心病及脑卒中发生的风险,但冠心病与体位性低血压之间的敏感性分析结果不稳定,还需进一步研究。

关键词：体位性低血压心血管疾病荟萃分析

来源：评论

学校读者我要写书评

暂无评论

基于数值增强图卷积网络的数学应用题求解

引用

小型微型计算机系统 2025年

作者：肖伶盛陈羽中俞俊毅福州大学计算机与大数据学院福建省网络计算与智能信息处理重点实验室大数据智能教育部工程研究中心

数学应用题求解是机器阅读与数学推理结合的关键任务，其核心目标是通过对题目文本的理解，生成准确的数学表达式以求解问题.近年来，深度学习技术的快速发展推动了数学应用题自动求解模型的进步，此外，预训练语言模型的引入进一步提... 详细信息

数学应用题求解是机器阅读与数学推理结合的关键任务，其核心目标是通过对题目文本的理解，生成准确的数学表达式以求解问题.近年来，深度学习技术的快速发展推动了数学应用题自动求解模型的进步，此外，预训练语言模型的引入进一步提升了模型对文本语义的理解能力.然而，现有模型仍未能充分捕捉数学问题中的结构化依赖关系，缺乏对数值信息间隐含逻辑的深度建模.针对上述问题，本文提出了一个基于数值增强的图卷积网络（Number-enhanced Graph Convolutional Network，NEGCN）.NEGCN 通过构建数值比较图捕捉数值的大小、类型及其相互关系，实现数值信息与文本语义特征的有效融合，从而显著提升模型的数值推理能力.此外，本文设计了一种基于句法依赖的结构化信息提取机制，将数学问题文本转化为具备句法依赖关系的图表示，并通过图卷积神经网络学习句法结构特征，为问题求解过程提供更丰富的结构化语义信息.最后，NEGCN利用交互注意力机制强化不同子句间的语义交互，提取全局语义信息，提高了模型对数学问题整体语义的把握.实验结果表明，NEGCN在MAWPS和Math23K两个数据集上的总体性能优于对比模型，表现出更高的解题准确率与稳定性.

关键词：数学应用题图卷积数值推理句法依赖交互注意力

来源：评论

学校读者我要写书评

暂无评论

考虑多资源交错的深度学习训练作业调度策略

引用

小型微型计算机系统 2025年

作者：林洁楠郑裕恒陈星福州大学计算机与大数据学院福建省网络计算与智能信息处理重点实验室大数据智能教育部工程研究中心

随着深度学习(deep learning，DL)的迅速发展，各类DL模型在CPU、GPU、存储IO和网络IO等资源的使用上表现出明显差异化特征.然而，在带有资源约束的集群环境中，面对资源瓶颈各异的DL训练作业，如何进行作业调度以最小化完工时间是一个... 详细信息

随着深度学习(deep learning，DL)的迅速发展，各类DL模型在CPU、GPU、存储IO和网络IO等资源的使用上表现出明显差异化特征.然而，在带有资源约束的集群环境中，面对资源瓶颈各异的DL训练作业，如何进行作业调度以最小化完工时间是一个挑战.大多数现有工作主要关注GPU分配，难以有效应对不同类型模型对多种资源的综合需求.为了解决这一挑战，本文引入了一种考虑多资源交错的DL训练作业调度策略，该策略充分利用DL作业分阶段迭代的特点，通过不同资源的交替使用实现作业的并行运行，并提出一种结合了DDPSO-GA（Dynamic Discrete Particle Swarm Optimization algorithm with Genetic Algorithm operators）和多轮Blossom算法的调度方法DPGB，以搜索最优作业调度方案.实验结果表明，该方法能够有效缩短集群环境下DL训练作业的完工时间.

关键词：资源共享深度学习作业调度粒子群优化算法

来源：评论

学校读者我要写书评

暂无评论

时间序列的鲁棒形态表征方法

引用

计算机应用 2025年第2期45卷 436-443页

作者：张倩婷胡丽莹陈黎飞福建师范大学计算机与网络空间安全学院福州350117 数字福建环境监测物联网实验室(福建师范大学) 福州350117 福建省应用数学中心(福建师范大学) 福州350117

鉴于时间序列数据在各个领域的广泛应用,对这些数据的可辨识特征的挖掘和表征至关重要。受数据采集环境和采集设备的影响,许多应用领域的时序数据都存在高噪声的特点,这对数据表征方法的鲁棒性提出了很高的要求。因此,提出一种时间序列... 详细信息

鉴于时间序列数据在各个领域的广泛应用,对这些数据的可辨识特征的挖掘和表征至关重要。受数据采集环境和采集设备的影响,许多应用领域的时序数据都存在高噪声的特点,这对数据表征方法的鲁棒性提出了很高的要求。因此,提出一种时间序列的鲁棒形态表征方法(TRS)。该方法采用关键形态(KS)的特征提取方法,在保留可解释性的同时减少噪声的影响,并通过位置距离度量对时间序列进行表征,从而提高整个方法的鲁棒性。在受噪声干扰的时间序列数据上的实验结果表明,TRS所提取的特征在分类上显著均优于现有的方法,与同样基于形态模式提取特征的深度学习模型——对抗动态Shapelet网络(ADSN)相比,平均正确率高出2.1个百分点。可见,TRS提取的特征集更有代表性和鲁棒性。

关键词：时间序列关键形态噪声鲁棒性表征

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的分布式Android应用自动化测试方法

引用

计算机科学 2025年

作者：宋日荣陈钦文陈星福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学)

Android应用程序已经深深融入到人们日常生活的方方面面，然而确保这些应用的正确性依然是一个极具挑战性的任务。传统测试方法主要依赖于手工操作，而自动化测试技术尽管有所发展却仍有待改进。Android应用程序不断迭代以完善性能和功... 详细信息

Android应用程序已经深深融入到人们日常生活的方方面面，然而确保这些应用的正确性依然是一个极具挑战性的任务。传统测试方法主要依赖于手工操作，而自动化测试技术尽管有所发展却仍有待改进。Android应用程序不断迭代以完善性能和功能需求，这导致了应用程序的复杂性的增加和状态组合的爆炸性增长。测试Android应用的核心在于探索复杂的用户交互下的深层故障，但是这些故障的搜索空间是巨大的，需要花费大量的时间来测试。近年来，研究人员开始使用强化学习来测试Android应用，通过利用智能体与Android应用交互过程中获得的奖励调整探索策略。然而现有工作仅利用单台设备进行测试，测试效率十分有限。为了应对上述挑战，本文提出了一种基于强化学习的分布式Android应用自动化测试框架DistributedAndroidExplore(DAE)，利用多个智能体同时对应用程序进行基于强化学习的测试，并定期迭代地聚合每个智能体累积的学习经验，以此提高测试效率。我们在10个真实世界的Android应用程序上对DAE进行了评估。结果表明，在大多数情况下，DAE的故障检测率、代码覆盖率均优于所对比的基准算法。同时测试效率明显优于其他方法，性能提高了16.5%-34.3%。

关键词：分布式系统 Android应用程序强化学习 Q-learning 自动化测试

来源：评论

学校读者我要写书评

暂无评论

多尺度特征聚合扩散和边缘信息增强的小目标检测算法

引用

计算机工程与应用 2025年第7期61卷 105-116页

作者：江旺玉王乐姚叶鹏毛国君福建理工大学计算机科学与数学学院福州350118 福建理工大学福建省大数据挖掘与应用技术重点实验室福州350118 景区交易数据要素化文化和旅游部技术创新中心福州350000 中国科学院信息工程研究所北京100084

无人机航拍图像中,目标尺寸变化剧烈、背景复杂且小目标比例较高等特点为目标检测任务带来巨大挑战。尽管现有的基于卷积的目标检测算法能有效获取空间信息,但在实现不同尺度特征的全局交互及边缘细节信息的有效利用上仍存在不足。因此... 详细信息

无人机航拍图像中,目标尺寸变化剧烈、背景复杂且小目标比例较高等特点为目标检测任务带来巨大挑战。尽管现有的基于卷积的目标检测算法能有效获取空间信息,但在实现不同尺度特征的全局交互及边缘细节信息的有效利用上仍存在不足。因此,提出了一种结合多尺度特征聚合扩散和边缘信息增强的小目标检测算法ADEYOLO。构建了多尺度特征聚合扩散金字塔网络(MFADPN),通过在中间层聚合不同层级特征,并将其直接扩散至相邻层以缩短传播路径,有效减少了信息在传递过程中的损失,增强了模型的多尺度表达能力,显著提升了对不同尺度目标的检测能力。设计了自适应上下文融合模块(ACFM),利用通道注意力机制自适应地调整不同特征图的贡献,进一步强化多尺度特征的融合效果,使得重要特征在信息融合过程中更加突出。提出的C2f-Sobel模块通过额外分支结合Sobel算子来提取图像的边缘信息,从而为模型提供了更丰富的细节信息,提升了其在复杂场景下目标定位能力。实验结果表明,ADE-YOLO相较于基线YOLOv10s,在VisDrone2019和TinyPerson数据集上分别提高了8.6个百分点和4.0个百分点(mAP0.5),并且在与其他先进模型的对比中也展示了显著的优势。

关键词：小目标检测航拍图像特征金字塔自适应特征融合边缘信息

来源：评论

学校读者我要写书评

暂无评论

基于强化特征金字塔和聚焦损失的小目标检测

引用

计算机科学与探索 2025年第3期19卷 693-702页

作者：施宇王乐姚叶鹏毛国君福建理工大学计算机科学与数学学院福州350118 福建理工大学福建省大数据挖掘与应用技术重点实验室福州350118 中国科学院信息工程研究所北京100084 景区交易数据要素化文化和旅游部技术创新中心福州350000

无人机航拍图像具有目标尺度小和背景复杂等特点,因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8,提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。设计一种跨层级强化特征金字塔网络,以跨层... 详细信息

无人机航拍图像具有目标尺度小和背景复杂等特点,因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8,提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。设计一种跨层级强化特征金字塔网络,以跨层级的方式融合注意力特征图来改进传统特征金字塔结构,通过增加浅层网络的高分辨率特征图和去除深层检测头来适应小目标检测需求。结合Complete-IOU和Focalloss损失函数思想,设计了一个基于面积交并比的聚焦损失函数,进一步提升小目标的检测能力。通过引入深度可分离卷积实现一个轻量化空间金字塔池化层模块,在减少参数量的同时保持模型的检测精度。在VisDrone和Tinyperson两个无人机航拍数据集上进行的大量实验显示,CFE-YOLO较基准模型的m AP0.50分别提高了4.72和5.58个百分点且参数量减少37.74%,同时与其他先进算法对比也取得更高的精度。

关键词：小目标检测航拍图像特征金字塔损失函数

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：