摘要：软件缺陷数据的类别分布不平衡特点给软件缺陷预测任务带了巨大的挑战。合成过采样是解决这一问题最为主流的技术,但如何设计合适的采样策略避免因引入异常样本而导致的过度泛化风险,始终是软件缺陷预测过采样方法面临的难点。针对这一问题,本文提出一种结合样本学习困难程度和合成泛化影响的过采样方法(GDOS)。具体来说,GDOS方法通过样本的局部先验概率和潜在合成方向上的样本分布信息衡量样本的安全系数与泛化系数,并以此度量样本的选择权重。通过抑制潜在过泛化区域的样本合成概率,给予相对安全的近邻合成方向更高的选择概率,为高质量样本的合成提供保障。在26个PROMISE数据集上的实验表明,GDOS在MCC、pd、pf、F-measure等指标上较于经典的采样方法和专门提出的软件缺陷预测采样方法均取得了更优的性能表现。

摘要：在无监督域适应任务中,源域和目标域的分布不同,源域数据标签已知,但是目标域的数据标签未知。最大平均差异MMD是一种具有代表性的分布度量方法,广泛应用于源域与目标域之间的分布差异度量。然而,MMD度量及其变种方法通常忽略了样本的类内紧凑性和类间可分离性,降低了特征表达的可判别性。因此,提出局部判别损失无监督域适应方法,从2个方面提升域适应方法的判别能力:(1)重新设计MMD度量方法的权重,解决类别不均衡问题,使难对齐类别在域间分布上保持一致;(2)探索局部对比损失,平衡正样本对和负样本对之间的关系,从而学习到更好的判别性特征。结合域间损失和类间损失,可使同一类样本靠近,不同类样本之间远离。该方法简单有效,即插即用,可扩展至注意力机制的网络结构上。在多个域适应数据集上,该方法的有效性均得到了验证。

摘要：随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output,MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism,HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error,MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。

摘要：信息隐藏技术通过修改数字媒体信号嵌入附加信息而不影响媒体本身的使用价值;可逆信息隐藏不仅可以隐藏并提取附加信息,还可以无失真地恢复载体,是当前研究热点.针对应用最广泛的图像格式JPEG(joint photographic experts group),其可逆信息隐藏方法可分2类:1)离散余弦变换(discrete cosine transform,DCT)系数域修改,会导致文件扩展和视觉质量失真;2)熵编码域修改,生成的载密图像与原始图像相比无信号失真,但载荷有限且载荷越高往往文件扩展越严重.针对这2类方法存在的问题,设计了一种JPEG图像多域可逆信息隐藏算法,同时考虑DCT系数域修改和熵编码域修改来嵌入附加信息.由于2个域的修改对视觉质量失真和文件扩展的影响不同,因此研究重点在于载荷的合理分配.首先分析了在熵编码域嵌入信息时引起文件扩展的原因;然后据此设计基于VLC频率直方图的载荷分配算法以最小化文件扩展和视觉质量失真.实验结果表明:所提算法在文件扩展和视觉质量方面明显优于现有的方法.

摘要：揭示复杂的光物质相互作用,必须简化超材料的正向和反向按需设计。近年来深度学习作为一种流行的数据驱动方法,在很大程度上缓解了数值模拟耗时长、重经验的特点。提出了一种基于全连接的深度神经网络框架实现宽带吸收器的逆向设计和光谱预测。结果表明,深度神经网络(DNN)模型的准确度为87.47%;与传统的数值算法相比,该模型不仅在确保精确度的同时获得更高的效率,而且可为超材料按需设计性能提供参考。

摘要：神经结构搜索技术可以在大量候选网络集合中搜索到适用于特定任务的神经网络结构.目前,大多数结构搜索网络的部署是针对英伟达GPU、英特尔CPU或谷歌TPU等硬件设备的.然而,将搜索到的架构迁移到一些AI专用加速器中,如寒武纪加速卡或华为Atlas推理加速器,推理效果却表现不佳.主要存在两方面的问题:在搜索空间设计层面,由于硬件架构设计对不同算子的支持存在差异,复用传统的搜索空间到专用神经网络加速器上,其推理效率不是最优的;在结构搜索层面,由于专用神经网络加速器在并行计算资源和数据流水通道等设计的不同,仅采用参数量、计算量作为搜索目标不能准确度量推理延迟,并且限制了神经结构搜索在精度和延迟上的探索空间.为了解决上述问题,本文提出一种基于硬件感知的多目标神经结构搜索方法,首先通过测试不同类型的卷积算子在目标硬件上的性能表现,使用非支配排序设计出定制化的高效搜索空间.然后,将延迟纳入搜索目标,提出一种启发式的混合粒度交叉算子,通过粗粒度阶段间交叉和细粒度阶段内交叉提高种群在多目标下的收敛性和多样性,更好地权衡神经网络的精度和推理延迟.本文主要针对国产寒武纪加速卡MLU270-F4进行了实验分析与方法验证,在CIFAR-10上搜索得到的MLUNet-S4精度比DARTS高0.14%的同时推理速度提升了4.7倍,相比于NSGANet精度仅下降0.04%的同时速度提升了5.5倍;在ILSVRC2012数据集上MLUNet-C相较于具有相同推理速度的Mobile Net V2和Mnas Net速度上提升了1.2倍的同时预测精度也分别提升了2.3%和0.2%,效果提升显著.

摘要：为了改善稀疏码分多址系统在多天线应用中的误码率性能,将深度学习引入多输入多输出稀疏码分多址系统,提出了一种降噪自编码器辅助的编解码方法。发射端使用多个深度神经网络单元构建多天线稀疏码分多址编码器,通过神经网络的学习获得每个用户在不同发射天线上的码本,采用降噪自编码器的结构在输入端引入噪声层,使得编码器的输出为更具鲁棒性的特征表示;接收端设计了一个全链接的深度神经网络作为解码器,该解码器将多天线检测与多用户检测联合进行,一次解码即可获得用户数据;采用端到端的训练方式对编解码器进行训练,优化神经网络的结构与参数,使得神经网络能够快速收敛。实验结果表明,提出的编解码方法可以降低多输入多输出稀疏码分多址系统的误码率,同时减少接收端检测的时间。

摘要：广义空间调制(Generalized Spatial Modulation,GSM)在多输入多输出(Multiple Input Multiple Output,MIMO)系统中的应用能够提高系统的能量效率,但与此同时GSM-MIMO系统激活多根天线也给接收机的信号检测带来了极大的挑战,而接收端是否能正确高效地检测出发送信息对整个通信系统至关重要。由于在GSM-MIMO系统中,活跃用户和活跃天线都具有稀疏性,可以应用压缩感知算法进行用户和天线检测。针对多用户广义空间调制信号的结构和稀疏性,将检测问题转化为块稀疏恢复问题,提出了一种块稀疏自适应匹配追踪(Block Sparse Adaptive Matching Pursuit,BSAMP)算法,设计了支撑集检测的两步策略:第1步,利用块稀疏特征检测出活跃用户,得到块级支撑;第2步,通过求解活跃用户的各天线的l_(2)范数得到天线级的索引支撑集。有效利用每个用户的有源天线,检测出活跃用户及其用户数据。在信号值检测阶段,利用GSM-MIMO系统的特点对活跃用户有源天线上的信号取均值,降低了重构的误比特率。此外,采用稀疏度自适应的方法,接收端不需要严格知道活跃用户数目,更贴近实际环境。仿真结果表明,提出的BSAMP算法能够提高检测精度。

摘要：为解决现有的模式挖掘方法没有充分利用体检数据中检查项的异常程度与特定疾病之间相关性的问题,提出一种面向健康体检数据的多目标Top-k频繁模式挖掘方法.首先,针对体检数据的特点,提出异常度和覆盖率两个指标,在此基础上,将Top-k频繁模式挖掘建模为一个多目标优化问题;其次,针对该问题,提出一种基于偏好的种群初始化策略和一个面向模式和项的双层更新策略,并基于此设计一种高效的进化多目标优化算法进行求解.实验结果表明,所提出方法所获得的Top-k个模式不仅能够有效地反映其与特定疾病之间的关联性,而且能够提供多样化的模式,为健康管理提供重要的参考依据.

摘要：超密集网络可以通过虚拟小区间的协作来提升用户体验,但由于小区的重叠覆盖使得用户间存在较复杂的干扰问题。因此,提出了一种基于判别函数的聚类算法来缓解强干扰带来吞吐量下降的问题。首先,利用用户间干扰信道的余弦相似度定义用户间的干扰网络;然后,基于干扰网络选出簇头并划分用户,同时为了解决虚拟小区下的模糊用户归属簇问题,以簇间干扰权重之和最大,簇内干扰权重之和最小为原则设计判别函数,对用户进行模糊归类。仿真结果表明,在不增加复杂度的同时,所提算法比其他方法的系统吞吐量提升了10%~30%,对于边缘用户具有一定优势。