摘要：为解决相互学习中两个小型学生网络在训练过程出现图像局部信息丢失,造成单个学生网络接收精炼特征图不完整的问题,提出基于知识蒸馏的特征精炼相互学习方法。通过对每个学生网络配备辅助网络,提供精炼特征映射和软标签,保留特征的局部信息,为学生网络之间相互学习传递精炼提取知识,提高视觉任务适用性。实验结果表明,在细粒度视觉分类任务公开数据集和基准数据集下的准确率与深度相互学习和自我知识蒸馏方法相比均有明显提升。

摘要：研究复杂网络能控性鲁棒性对包括社会网络、生物和技术网络等在内的复杂系统的控制和应用具有重要价值.复杂网络的能控性是指:可通过若干控制节点和适当的输入,在有限时间内将系统状态驱动至任意目标状态.能控性鲁棒性则是指在受到攻击的情况下,复杂网络依然维持能控性的能力.设计具有优异能控性鲁棒性的复杂网络模型和优化实际网络的能控性鲁棒性一直是复杂网络领域的重要研究内容.本文首先比较了常用的能控性鲁棒性定义及度量,接着从攻击策略的角度分析了3类攻击的特点及效果,包括随机攻击、基于特征的蓄意攻击和启发式攻击.然后比较了常见模型网络的能控性鲁棒性.介绍了常用优化策略,包括模型设计和重新连边等.目前的研究在攻击策略和拓扑结构优化方面都取得了进展,也为进一步理论分析提供条件.最后总结全文并提出潜在研究方向.

摘要：为提高大数据时代半结构化数据集聚类分析效率,提出一种以数据集频繁子树模式为特征的半结构化数据集聚类方法。提出一种频繁子树模式挖掘方法FSTPMiner,使用“编码树”数据结构对半结构化数据进行编码,通过编码树将树结构频繁模式挖掘过程转化为线性表结构频繁模式挖掘,提高挖掘效率。使用频繁子树模式作为特征并构建特征向量空间,基于经典凝聚型层次聚类方法对半结构化文档数据集进行聚类。经过对照实验,与Costa算法、ICQB算法和Damalagas算法相比,在保证聚类结果正确率前提下,对半结构化数据集聚类效率方面具有优势。

摘要：针对资源受限的移动边缘计算(MEC)卸载问题,提出一种基于遗传算法优化的卸载决策与计算资源分配方法(GAO)。建立联合时延、能耗以及卸载费用的系统卸载效益模型,提出最小资源分配阈值;引入改进的遗传算法求解效益最大化问题,针对该问题提出一种两段式的染色体结构和遗传算子。进行仿真实验,对比分析随机卸载决策与平均计算资源分配、全部卸载决策与随机计算资源分配等4种策略,GAO均优于其它策略,提高了系统卸载效益。进行灵敏度分析,该方法在设备数量、传输功率等参数下均具有较好的性能。

摘要：为有效解决由于信噪比偏低,夜间图像显著目标检测结果具有区域定位不准确、内部结构不完整和外部边界不清晰等问题,提出由全局语义感知和局部结构细化引导的深度全卷积网络用于夜间显著性检测,判别夜间图像的像素级显著性。为进一步完善目标定位和像素分类性能,模型集成全局语义感知模块以获取更多空间信息,嵌入局部结构细化模块提取具有完整边界知识的显著性信息。实验结果表明,所提模型具备先进的夜间显著性检测性能。

摘要：针对物联网边缘计算卸载与资源分配问题,提出改进混合离散二进制粒子群算法(improve-BPSO)。将卸载决策和资源分配的相关算法进行关联,建立以系统总成本为优化目标的函数模型;将离散二进制粒子群与模拟退火算法相结合,优化产生算子的方法,制定卸载决策及更新;在更新的卸载决策下,将原问题转化为计算资源分配问题,利用拉格朗日乘子法求最优解。通过仿真实验与参比算法对比,该算法在迭代次数、周期数等影响因素下的总成本最低,有效提升了物联网终端设备性能和服务质量。

摘要：针对物联网边缘计算中计算卸载的高能耗、高时延以及移动智能设备自身条件不足等问题,提出一种基于binAD算法的边缘计算任务卸载决策。以最大化移动终端设备系统效用为目标,将任务执行计算能耗和时延加权和定义为系统效用的优化函数。将二进制人工蜂群算法和二进制差分进化算法相结合得到binAD算法,其中为扩大可行解范围、提高全局搜索能力,将最个体引入变异操作中,将交叉概率因子修改为适应性交叉概率因子。使用binAD算法解决优化问题。仿真结果表明,binAD算法在能耗、时延、系统效用方面均具有优越性。

摘要：针对移动智能设备(SMD)的算力、内存和能量等无法满足计算密集型需求的问题,提出一种应用任务卸载到高性能边缘服务器的计算卸载。根据任务计算、传输等情况下的能耗和时延,构建出卸载决策系统模型;根据SMD和边缘服务器的计算能力等情况,降低SMD能耗为目标,将任务卸载决策问题描述为一个非线性约束优化问题;为对约束优化问题求解提出GA-BPSO算法,算法中将静态学习因子改为动态学习因子,将最优个体引入交叉操作中,扩大算法在解空间中的探索能力。通过实验验证GA-BPSO算法能在较短时间内收敛,实现了SMD较低的能量消耗。

摘要：生成适应网络利用对抗训练辅助模型进行域适应分类,但仅使用单源域学到的知识有限,且对抗训练不足以减少域差异,造成判别特征难以识别,影响分类精度。针对该问题,提出一种结合对抗网络与条件均值的多源适应分类方法(MSDACG)。对多个源域进行特征提取,提升特征学习的有效部分,对不同源和目标域特征使用特定域的生成对抗网络及条件最大均值差异拉近域间距离,采用差异损失约束由不同源域训练的分类器,实现利用多个源域的监督信息对目标域样本进行分类。实验结果表明,MSDACG模型能学到更优的域不变特征,与目前多源域适应算法比较,其图像生成质量和分类精度有明显提升。

摘要：针对现有的图表示学习在自监督对比学习方法中存在视图差异较大,且依赖于负样本防止模型坍塌,导致节点表示能力弱及空间复杂度加大的问题,提出一种基于双重视图耦合的自监督图表示学习模型(self-supervised graph representation learning model with dual view coupling, DVCGRL),用于学习图数据表示。采用特征空间增广和结构空间扩充相结合生成双重视图,将双重视图作为正样本对输入孪生神经网络;利用图编码器提取图数据特征,通过多层感知器获得映射后的特征向量;采用耦合网络拉近双重视图的特征向量距离,提升节点表示能力,防止模型坍塌。在公开数据集上进行的节点分类实验结果表明,与当前主流图表示学习模型相比,该模型降低了空间复杂度,节点分类精度得到明显提高。