应用科学学报

中文目录

2025, 43(1): 0-0.

摘要 ( 165 )

PDF (81KB) ( 59 )

相关文章 | 多维度评价

融合胶囊网络与因果推理的疾病预测

孙明辰, 金辉, 王英

2025, 43(1): 1-19. doi:10.3969/j.issn.0255-8297.2025.01.001

摘要 ( 348 )

PDF (2777KB) ( 146 )

参考文献 | 相关文章 | 多维度评价

现有基于深度学习的疾病预测模型通常是数据驱动的，导致模型过度依赖于训练数据集中的样本数量以及疾病类型覆盖范围。现有疾病预测方法主要存在以下局限性： 1）若模型在训练过程中所涉及的疾病类型有限，则其在处理罕见疾病时性能会大幅下降甚至做出错误预测。2）训练数据中可能存在与预测目标无关或相关性较小的特征。这种噪声会导致模型无法做出稳定的可靠预测，进而无法满足医疗领域应用对高安全性、高可靠性的现实需求。为解决上述问题，本文构建了融合胶囊网络与因果推理的疾病预测模型CausalCap。首先获取临床特征与疾病标签间的因果效应和因果关系，构建临床特征因果图。其次，对因果图进行剪枝，删除与疾病标签没有因果关系的虚假关联节点，保留对疾病发生有因果影响的关键节点，以得到疾病因果图。最后，利用分层图胶囊神经网络（hierarchical graph capsule network,HGCN）对疾病因果图进行图分类实现疾病预测。本文在6个公共数据集上进行的大量实验表明：与次优方法相比，所提方法在准确率和F1指标上分别有2.50%和6.46%的平均提升。

基于预训练大语言模型的实体关系抽取框架及其应用

魏伟, 金成功, 杨龙, 周默, 孟祥主, 冯慧

2025, 43(1): 20-34. doi:10.3969/j.issn.0255-8297.2025.01.002

摘要 ( 469 )

PDF (1446KB) ( 389 )

参考文献 | 相关文章 | 多维度评价

实体关系抽取是构建大规模知识图谱和专业领域数据集的重要基础之一，为此提出了一种基于预训练大语言模型的实体关系抽取框架（entity relation extraction framework based on pre-trained large language model,PLLM-RE），并针对循环经济政策进行了实体关系抽取研究。基于所提出的PLLM-RE框架，首先使用RoBERTa模型进行循环经济政策文本的实体识别，然后选取基于Transformer的双向编码器表示（bidirectional encoder representation from Transformers,BERT）模型进行循环经济政策实体关系抽取研究，以构建该政策领域的知识图谱。研究结果表明，PLLM-RE框架在循环经济政策实体关系抽取任务上的性能优于对比模型BiLSTM-ATT、PCNN、BERT以及ALBERT，验证了所提框架在循环经济政策实体关系抽取任务上的适配性和优越性，为后续循环经济领域资源的信息挖掘和政策分析提供了新思路。

融合机器学习与动态模型优化的雪崩预测及防治策略

金永超, 王志坚, 贾慧爽, 杜云天, 胡鑫婷, 陈学斌

2025, 43(1): 35-50. doi:10.3969/j.issn.0255-8297.2025.01.003

摘要 ( 506 )

PDF (4878KB) ( 82 )

参考文献 | 相关文章 | 多维度评价

爆破是防止雪崩的有效方法，但合适的爆破时间、爆破位置和爆破能量很难确定。本文首先收集、爬取了关于雪崩的指标数据，并对数据进行预处理。然后对数据进行探索性数据分析，重点分析时间与雪崩发生的关系，发现雪崩具有明显的季节性。以数据的80%为训练集，20%为测试集，建立支持向量机、随机森林和感知器神经网络模型，并利用贝叶斯优化算法对模型进行参数寻优，结果显示感知器神经网络的准确率最高。最后根据损失度对3个模型进行集成，对3个集成策略进行对比，结果显示SVM-RF-MLP模型的准确率最高为0.952。此后，建立基础的爆破能量模型，考虑山体高度、雪层密度随时间的变化，再基于历史数据寻找雪层稳定性的分布规律，构建动态雪崩稳定性爆破能量模型。通过对数据进行模拟验证以及对其进行三维山体可视化分析，获得最佳的爆破时机、爆破位置和爆破能量。

基于U-Net改进的日平均2 m气温订正方法

王冰轮, 方巍

2025, 43(1): 51-65. doi:10.3969/j.issn.0255-8297.2025.01.004

摘要 ( 198 )

PDF (13115KB) ( 50 )

参考文献 | 相关文章 | 多维度评价

针对数据订正常用的深度学习模型U-Net中不能充分学习空间特征以及图像细节信息丢失的问题，提出了S-CUnet 3+模型。S-CUnet 3+采取以下两个措施对U-Net进行改进：一是将原模型与能够学习图片全局特征的Swin Transformer有机结合起来；二是引入多尺度连接操作。模型还采用了预训练与微调的训练策略针对多个预报步长同时订正。7个预报步长的日平均2 m气温预报值订正的实验结果表明，S-CUnet 3+模型对所有预报步长的预报都有明显的订正效果，其中24 h预报步长的订正效果最好，平均绝对误差和均方根误差分别下降了50.64%和49.25%，且相比于基于历史资料的模式距平积分预报订正、分位数回归、岭回归、U-Net、CU-Net、Dense-CUnet和RA-UNet这7种订正方法，S-CUnet 3+取得了更好的订正效果。

一种基于轻量化卷积模块的语义分割网络

连晓峰, 康毛毛, 谭励, 王艳莉

2025, 43(1): 66-79. doi:10.3969/j.issn.0255-8297.2025.01.005

摘要 ( 289 )

PDF (5717KB) ( 135 )

参考文献 | 相关文章 | 多维度评价

融合深度学习的语义同步定位与地图构建技术为处理动态场景提供了有效的解决方案，但仍面临计算资源消耗大和模型复杂度高的挑战。为此，提出了一种基于BlendMask改进的轻量化语义分割网络。首先，设计了一种轻量的GDS-ECA卷积（Ghost-depthwise separable convolution with efficient channel attention）模块，利用深度可分离卷积替代Ghost卷积中的少量卷积操作，减少参数量和计算量，并添加注意力机制提升特征表达能力。其次，提出了特征提取网络BGTNet（bottleneck GDS-ECA attention transformer network），将GDS-ECA卷积应用于颈部模块的卷积层以提升网络的提取精度；此外，将特征金字塔网络（feature pyramid network,FPN）中的传统卷积替换为GDS-ECA卷积，构建轻量化特征金字塔网络，并结合BGTNet形成语义分割网络的主干网。最后在数据集COCO上进行了实验验证，改进后的模型处理图像时间缩短了7.3 ms，平均精度提升了1.5%。

基于卷积神经网络的轻量高效图像隐写

段新涛, 白鹿伟, 徐凯欧, 张萌, 保梦茹, 武银行, 秦川

2025, 43(1): 80-93. doi:10.3969/j.issn.0255-8297.2025.01.006

摘要 ( 261 )

PDF (11678KB) ( 60 )

参考文献 | 相关文章 | 多维度评价

基于深度学习的图像隐写方法，因存在模型参数量和计算量大等问题，而面临高参数和计算负载的挑战，为此提出了一种轻量高效的图像隐写方法。首先在编码器和解码器中引入Ghost模块，降低了编码器和解码器的参数量和计算量。其次提出了一个多尺度特征融合模块，用以捕捉多维数据中的复杂关系。最后提出了一个新颖的混合损失函数，可在保持模型不变的情况下提升图像隐写质量。实验结果表明，所提方法在256×256像素的图像上峰值信噪比达到47.59 dB。与目前最优的图像隐写方法相比，所提方法的隐写质量提升1.7 dB，参数量减少77%，计算量减少91%，在隐写质量上有较优的表现，同时模型的参数量和计算量大大降低，实现了模型的轻量高效化。

基于并行优化CBAM的轻量级故障诊断模型

贾志洋, 许兆, 冷艳梅, 闻新, 龚浩宇

2025, 43(1): 94-109. doi:10.3969/j.issn.0255-8297.2025.01.007

摘要 ( 498 )

PDF (6520KB) ( 100 )

参考文献 | 相关文章 | 多维度评价

在工程实践中，故障诊断模型的性能受到多种因素的影响，如强噪声干扰、小样本、模型参数规模较大等，对现有的数据驱动设备诊断智能模型的应用提出了挑战。本文提出一种基于并行优化卷积块注意力模块（convolutional block attention module,CBAM）的轻量级模型PCSA-Net。首先，采用多尺度信号特征提取器（signal feature extractor,SFE）将输入的传感器信号转换为特征映射。然后，优化传统的CBAM，开发协同注意力块，设计一种可学习的层缩放策略，并行化感知数据特征，使用点卷积与平均池化层组合，构建PW-Pool降维模块，减少模型参数量，对特征图的通道特征向量进行积分，得到最终的诊断结果。最后，选取包含轴承常见故障的两个数据集对模型进行验证，实验结果显示，在小样本轴承故障诊断（bearing fault diagnosis,BFD）任务中，本文模型与现有主流的故障诊断框架相比在轻量性和鲁棒性等方面表现更加优异，可满足实际轴承故障检测需求。

基于相对信任增强的推荐算法

成佳, 陈玲姣, 吴岳忠

2025, 43(1): 110-122. doi:10.3969/j.issn.0255-8297.2025.01.008

摘要 ( 183 )

PDF (751KB) ( 27 )

参考文献 | 相关文章 | 多维度评价

近年来，社会化推荐成为了推荐领域的研究热点。在基于用户历史行为的推荐算法中引入用户的社交关系，能够缓解推荐系统面临的数据稀疏性和冷启动的问题。本文提出了一种基于相对信任增强的推荐算法（relative trust enhancement recommendation algorithm based on the CosRA,RTECosRA）。该算法在“用户-物品”的二部图网络中，基于CosRA相似性指标进行资源分配，在资源分配过程中引入用户的信任关系，调整受信任用户获得的资源值，从而提高受信任用户所选物品的推荐率。在FriendFeed和Epinions数据集上的实验结果显示，相比于基准算法，RTECosRA算法在准确性和多样性上均有提高，且加入信任关系后，扩大了用户的可推荐范围，一定程度上缓解了冷启动问题。

基于多跳机制的扩散图谱推荐模型

刘珈宁, 张思佳, 张正龙, 王祎涵, 安宗诗

2025, 43(1): 123-136. doi:10.3969/j.issn.0255-8297.2025.01.009

摘要 ( 395 )

PDF (1273KB) ( 124 )

参考文献 | 相关文章 | 多维度评价

针对基于知识图谱的推荐系统中存在的高阶建模困难与用户特征建模不足的问题，提出基于多跳机制的扩散图谱推荐模型（a diffusion map recommendation model based on multi-hop mechanism,MultiHop-GDN）。该模型通过端到端方法挖掘知识图谱高阶语义信息，涵盖知识图谱构建、特征提取网络构建与多跳扩散模型构建三部分内容。利用用户特征和项目特征构建知识图谱；深入分析用户兴趣、偏好和历史行为等信息，构建用户画像和兴趣模型；提出特征提取网络捕获深层次语义信息，通过本文模型的计算得到预测值。在两个公开数据集的对比实验表明，MultiHop-GDN能够同时实现用户和项目的高阶建模，与其他代表论文的模型相比有良好的推荐效果。

面向视频的人脸特征计算方法

王莹笑, 杨彦红, 谭云峰

2025, 43(1): 137-153. doi:10.3969/j.issn.0255-8297.2025.01.010

摘要 ( 257 )

PDF (730KB) ( 252 )

参考文献 | 相关文章 | 多维度评价

本文梳理了近五年视频人脸识别领域的研究成果，对比分析了采用的面向视频的人脸特征计算方法，主要分为传统人脸特征计算方法、深度学习人脸特征计算方法、特征聚合和特征融合方法。传统特征提取方法包括线性的和非线性的，深度学习特征提取方法包括非时空特征提取方法和时空特征提取方法。特征聚合和特征融合方法能够整合多个特征源以及融合不同时间段的特征，提高识别性能。此外，本文还统一分析了相关文献用到的算法、算法的优势、评价指标以及应用，能为实际应用中的视频人脸识别系统提供更可靠和高效的解决方案。

基于多路激励和金字塔切分注意力的鸟类行为识别

邓抒憧, 陈爱斌, 戴子健

2025, 43(1): 154-168. doi:10.3969/j.issn.0255-8297.2025.01.011

摘要 ( 209 )

PDF (7521KB) ( 45 )

参考文献 | 相关文章 | 多维度评价

针对传统行为识别方法在处理复杂鸟类行为模式时存在辨识率低、误判率高等问题，提出了一种基于多路激励模块和金字塔切分注意力的改进3D残差网络的深度学习模型。利用帧间差分法有效减轻计算负担，在精确保留关键时空信息的同时提高了识别精度。引入多路激励模块改进原有残差块，使模型能够精准捕捉细微运动行为特征，解决了鸟类复杂动态行为识别易混淆的问题。以3D金字塔切分注意力替换原有3D卷积层，实现对不同尺度鸟类行为特征的有效捕获。在自建鸟类行为视频数据集上进行实验，对常见鸟类行为的识别准确率达到90.48%，显著优于基准模型与其他现有流行行为识别网络，证明了所提模型对复杂鸟类行为识别的有效性。

脉冲神经网络基准测试及类脑训练框架性能评估

胡汪鑫, 成英超, 何玉林, 黄哲学, 蔡占川

2025, 43(1): 169-182. doi:10.3969/j.issn.0255-8297.2025.01.012

摘要 ( 433 )

PDF (805KB) ( 265 )

参考文献 | 相关文章 | 多维度评价

随着脉冲神经网络（spiking neural network,SNN）研究需求的不断增长，开源类脑训练框架也迅速发展。然而，目前缺乏针对这些框架的系统性选择指南。为了解决该问题，提出了一种基于图像分类任务的SNN基准测试方法。本文为两种SNN训练方法，即直接替代梯度反向传播训练方法以及从人工神经网络（artificial neural network,ANN）到SNN的转换训练方法分别设计了卷积神经网络和全连接深度神经网络模型，并使用MNIST、Fashion-MNIST和CIFAR-10基准图像数据集，以训练时间和分类准确率为评估指标，比较了不同类脑训练框架的性能差异。研究结果表明，在SNN直接训练中，类脑训练框架SpikingJelly在训练时间和分类准确率方面均表现优异；而在ANN到SNN的转换训练中，Lava框架实现了最高的分类准确率。

一种基于指数移动平均的物联网边缘设备选择机制

吴桐, 袁培燕

2025, 43(1): 183-194. doi:10.3969/j.issn.0255-8297.2025.01.013

摘要 ( 214 )

PDF (1416KB) ( 64 )

参考文献 | 相关文章 | 多维度评价

在小型蜂窝网络中，用户设备（user equipment,UE）数量往往大于小基站（small base station,SBS）数量，每个SBS服务多个UE，同时每个UE可被多个SBS覆盖。如何选择合适的SBS为每个UE服务，是小型蜂窝网络面临的重要挑战之一。传统的多点协同（coordinated multiple point,CoMP）传输技术基于按比例公平策略进行资源分配，没有考虑系统动态性，整个系统资源利用率不高。本文提出了一种基于指数移动平均（exponential moving average,EMA）的CoMP方法，对每个时间片系统内所有UE与SBS传输效益按照优先级排序，增加高优先级设备在下一个时间片内的分配权重，使高权重的UE接受更多的SBS服务，最终实现资源动态调整。实验结果表明，基于指数移动平均的CoMP操作能够显著提升系统的达峰时间以及整个系统的吞吐效率，同时降低了系统的中断率，进而为物联网边缘系统提供更优的设备选择机制。

当期目录