Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 1742

会议视频 157

会议信息 69

会议专题 2

年份

2024 3

2023 200

2022 199

2021 221

2020 158

2019 146

2018 84

2017 122

2016 63

2015 60

2014 44

2013 48

2012 46

2011 45

2010 44

2009 40

2008 44

2007 58

2006 55

2005 52

展开︾

关键词

人工智能 27

机器学习 27

2020 23

遗传算法 21

应用 17

智能制造 17

增材制造 16

钢结构 16

农业科学 15

深度学习 15

神经网络 14

2019 13

信息化 13

大数据 13

产业化 10

建筑科学 10

学术会议 9

工程管理 9

智能化 9

展开︾

检索范围：

排序：展示方式：

结构化稀疏学习综述 Review

Lin-bo QIAO, Bo-feng ZHANG, Jin-shu SU, Xi-cheng LU

《信息与电子工程前沿（英文）》 2017年第18卷第4期页码 445-463 doi: 10.1631/FITEE.1601489

摘要：稀疏学习由于其简约特性和计算优势而获得了越来越多的关注，在具有稀疏性的条件下，许多计算问题可以在实践中得到有效的处理。而结构化稀疏学习则进一步将结构信息进行编码，在多个研究领域取得成功。随着各类型结构的发现，人们相继提出了各种结构化正则函数。这些正则函数通过利用特定的结构信息极大提高了稀疏学习算法的性能。在本文中，我们从想法、形式化、算法和应用等方面系统的回顾了结构化稀疏学习。我们将这些算法置于最小化损失函数和惩罚函数的统一框架中，总结了算法的开源软件实现，并比较了典型优化算法解决结构化稀疏学习问题时的计算复杂度。在实验中，我们给出了无监督学习在结构化信号恢复和层次化图像重建中的应用，以及具有图结构引导的逻辑回归的在监督学习中的应用。

关键词：结构化稀疏学习；算法；应用

HTML PDF 收藏

UML状态图的机械语义和精化研究 Article

Feng SHENG, Liang DOU, Zong-yuan YANG

《信息与电子工程前沿（英文）》 2017年第18卷第11期页码 1773-1783 doi: 10.1631/FITEE.1601196

摘要：然而，由于UML的语义信息未被精确定义，我们无法对UML模型之间的精化关系进行验证。本文使用定理证明器Coq形式定义了UML状态图的语义和模型之间的精化关系，形成机械语义。基于机械语义，模型语义信息及精化关系可以被描述为谓词及定理，在定理证明器Coq中进行证明。此方法为可验证的、无错误的建模和精化提供了一个可行的方向。

关键词： UML状态图；Coq；精化；结构化操作语义

HTML PDF 收藏

多用户大规模MIMO系统中基于压缩感知的结构化联合信道估计 Article

Ruo-yu ZHANG, Hong-lin ZHAO, Shao-bo JIA

《信息与电子工程前沿（英文）》 2017年第18卷第12期页码 2082-2100 doi: 10.1631/FITEE.1601635

摘要：为降低该系统所消耗的导频资源，本文基于压缩感知技术，提出了一种结构化联合信道估计的方法。首先分析了实际散射环境造成的角度域信道稀疏性，其中大规模MIMO系统中地理位置临近用户的信道矩阵存在共有稀疏结构和独立稀疏结构。在此基础上，本文提出了一种结构化联合信道估计算法，该算法能够以低导频开销联合估计多个用户的信道状态信息。此外，提供了该算法的共有支撑集恢复的概率上界和信道估计质量的上界。仿真结果表明该结构化联合信道估计算法能提供比现有算法更低的导频开销和更高的系统吞吐量。

关键词：压缩感知；多用户大规模MIMO；频分双工；结构化联合信道估计；导频开销降低

HTML PDF 收藏

结合全变分最小化和稀疏字典学习后处理的低剂量CT重建 Article

Yong DING, Tuo HU

《信息与电子工程前沿（英文）》 2017年第18卷第12期页码 2001-2008 doi: 10.1631/FITEE.1700287

摘要：相比传统的滤波反投影算法，基于压缩感知的迭代重建法取得了良好的成像效果。但是迭代重建计算复杂度高，阻碍了其临床应用。本文提出一种结合全变分（total variation, TV）最小化和稀疏字典学习的重建方法，不仅提高了重建效果，而且通过自适应的停止策略提高了重建速度。

关键词：低剂量CT；CT成像；全变分；稀疏字典学习

HTML PDF 收藏

基于机器学习算法的模型参数区域化方法在无测站流域径流模拟中的应用 Article

吴厚发, 张建云, 鲍振鑫, 王国庆, 王文圣, 杨艳青, 王婕

《工程（英文）》 2023年第28卷第9期页码 93-104 doi: 10.1016/j.eng.2021.12.014

摘要：参数区域化是应用最广泛的方法，但模型参数与流域特征间的非线性关系是参数区域化的主要障碍。此外，本文也将基于相似性的区域化方法与基于回归分析的方法进行了对比。结果表明：基于支持向量回归(SVR)的区域化方法估计模型参数时径流模拟精度高。与传统的线性回归方法相比，机器学习算法处理非线性关系的能力突出，因而提高了无测站流域径流模拟的精度。不同区域化方法在湿润地区的表现比较接近，而机器学习算法的优势在干旱区更为明显。当研究区内含有嵌套流域时，由于流域密度高、空间距离短，此时采用基于相似性的区域化方法最好。研究结论可为无测站流域的洪水预报和水资源规划提高参考。

关键词：参数估计无测站流域区域化方法机器学习算法 SWAT模型

HTML PDF 收藏

基于稀疏表示的拉普拉斯稀疏字典图像分类 Article

Fang LI, Jia SHENG, San-yuan ZHANG

《信息与电子工程前沿（英文）》 2017年第18卷第11期页码 1795-1805 doi: 10.1631/FITEE.1600039

摘要：稀疏表示作为数据表示的一种数学模型，是解决模式识别、机器学习、计算机视觉等领域问题的有力工具。字典学习是稀疏表示方法的重要组成部分，在对原始信号及其在字典学习空间中的重建误差的最小化上发挥着重要的作用。在稀疏表示模型中，直接利用训练样本作为字典可以取得良好的性能。为取得更小且表现更好的字典，本文提出一种基于流形学习及双稀疏理论的拉普拉斯稀疏字典学习方法（Laplacian sparse dictionary, LSD）。本文将拉普拉斯权重图加入稀疏表示的模型，并对字典加以范数约束。LSD是一个稀疏的过完备字典，可保持数据的内在结构，并为每个类学习一个更小的字典。学习得到的字典可以嵌入基于稀疏表示的分类框架。结果显示本文提出的LSD算法比当前基于分类的稀疏表示的方法更有优势。

关键词：稀疏表示；拉普拉斯正则子；字典学习；双稀疏；流形

HTML PDF 收藏

基于核稀疏表示的磁共振图像分析及其在脑肿瘤自动分割中的应用 None

Ji-jun TONG, Peng ZHANG, Yu-xiang WENG, Dan-hua ZHU

《信息与电子工程前沿（英文）》 2018年第19卷第4期页码 471-480 doi: 10.1631/FITEE.1620342

摘要：提出一种基于核稀疏编码的全自动脑肿瘤分割方法，并在3D多模态磁共振成像图（magnetic resonance imaging, MRI）上验证。首先对MRI图像进行预处理以减少噪声，然后通过核字典学习提取非线性特征，用来构建坏死组织、水肿组织、非增强肿瘤组织、增强肿瘤组织和健康组织5个适应性字典。对从原始MRI图像上肿瘤像素点周边m×m×m的小区域提取的特征向量进行稀疏编码，并通过一种基于字典学习的核聚类方法对像素点进行编码。最后通过形态滤波填充在多个相连部分间的区域，提高分割质量。

关键词：脑肿瘤分割；核方法；稀疏编码；字典学习

HTML PDF 收藏

联合局部学习和组稀疏回归的无监督特征选择 Regular Papers

Yue WU, Can WANG, Yue-qing ZHANG, Jia-jun BU

《信息与电子工程前沿（英文）》 2019年第20卷第4期页码 538-553 doi: 10.1631/FITEE.1700804

摘要：通过挑选特征子集，可有效提升学习算法效率。由于难以获取标签信息，无监督特征选择算法相较于有监督特征选择算法应用更为广泛，其关键在于找出更能反映数据分布的特征集合。为解决这一问题，本文提出联合局部学习和组稀疏回归的无监督特征选择算法。将基于局部学习聚类方法与组稀疏回归算法有机整合，选出有效反映数据流形分布同时保持组稀疏结构的特征。通过迭代算法，回归系数汇聚到重要特征上，选出能得到更优聚类效果的特征。对多个实际数据集（图像、声音和网页）的实验证明了该算法的有效性。

关键词：无监督；局部学习；组稀疏回归；特征选择

HTML PDF 收藏

基于RGBD和稀疏学习的鲁棒目标跟踪 Article

Zi-ang MA, Zhi-yu XIANG

《信息与电子工程前沿（英文）》 2017年第18卷第7期页码 989-1001 doi: 10.1631/FITEE.1601338

摘要：随着深度传感器的普及，深度信息因其对光照变化与遮挡表现出一定的鲁棒性而被广泛应用于视觉目标跟踪算法中。本文提出了一种基于RGBD和稀疏学习的跟踪算法，从三个方面将深度信息应用到稀疏学习跟踪框架。基于KITTI和Princeton数据集的大量实验证明了所提出算法的跟踪效果优于时下最先进的多种跟踪器，包括基于稀疏学习的跟踪以及基于RGBD的跟踪。

关键词：目标跟踪；稀疏学习；深度视角；遮挡物模板；深度图像特征

HTML PDF 收藏

论文演化图：学术文献多视角结构化检索 None

Dan-ping LIAO, Yun-tao QIAN

《信息与电子工程前沿（英文）》 2019年第20卷第2期页码 187-205 doi: 10.1631/FITEE.1700105

摘要：提出一种为学术文献建立结构化检索结果的方法，称为论文演化图（PEG）。PEG采用多个演化链描述查询输入信息在不同主题方向的演化情况。

关键词：论文演化图；学术文献检索；元图分解；主题连贯性

HTML PDF 收藏

利用对称结构和结合差分进化的文化算法检测阵列中的故障传感器 Article

Shafqat Ullah KHAN,Ijaz Mansoor QURESHI,Fawad ZAMAN,Wasim KHAN

《信息与电子工程前沿（英文）》 2017年第18卷第2期页码 235-245 doi: 10.1631/FITEE.1500315

摘要：本文首先提出了一种线性阵列的对称结构，其次，基于结合差分进化的文化算法，建立了一种混合技术。对称结构具有两个优点：(1)不需要找到所有损坏的模式，仅需找到(N–1)/2个必需模式；(2)不需要扫描0°到180°区域，仅需扫描0°到90°区域。显然，这样可以减少计算的复杂度。

关键词：文化算法；差分进化；线性对称传感器阵列

HTML PDF 收藏

人工智能算法在网络空间安全中的应用：技术与现状综述 Review

陈捷1,2,武丹丹2,谢瑞云2

《信息与电子工程前沿（英文）》 2023年第24卷第8期页码 1117-1142 doi: 10.1631/FITEE.2200314

摘要：人工智能算法已成为网络安全应用增加安全机会和提高对抗能力的核心手段。近年来，人工智能技术的突破和应用为提高网络防御能力提供了先进的技术支持。本综述对2017至2022年间人工智能技术在网络空间安全领域的最新应用进行了全面回顾。本综述重点介绍了机器学习、深度学习和一些流行的优化算法在该领域的最新应用进展，对算法模型的特点、性能结果、数据集、以及潜在的优点和局限性进行了分析，强调了现存的挑战。本工作旨在为想进一步挖掘人工智能技术在网络空间安全领域应用的潜力、解决特定网络空间安全问题的研究人员提供技术指导，掌握当前技术和应用的发展趋势以及网络安全领域的热点问题。

关键词：人工智能；机器学习；深度学习；优化算法；混合算法；网络空间安全

HTML PDF 收藏

应用神经网络进行短期负荷预测

罗枚

《中国工程科学》 2007年第9卷第5期页码 77-80

摘要：针对传统的BP算法具有训练速度慢，易陷入局部最小点的缺点，采用具有较快收敛速度及稳定性的L-M（Levenberg-Marquardt）优化算法进行预测，使平均相对误差有了很大改善，而采用贝叶斯正则化算法可以解决网络过度拟合

关键词：短期负荷预测人工神经网络 L唱M算法贝叶斯正则化算法优化算法

HTML PDF 收藏

基于Wilkinson矩阵提升稀疏自适应匹配追踪重构效率 None

Rasha SHOITAN, Zaki NOSSAIR, I. I. IBRAHIM, Ahmed TOBAL

《信息与电子工程前沿（英文）》 2018年第19卷第4期页码 503-512 doi: 10.1631/FITEE.1601588

摘要：稀疏自适应匹配追踪（sparsity adaptive matching pursuit，SAMP）是压缩感知信号的一种贪婪重构算法。SAMP可以在没有稀疏先验信息的情况下重构信号，与其他贪婪算法相比对噪声信号具有更好的重构性能。但SAMP在重建质量方面，特别是在高压缩比时，仍有不足。

关键词：块压缩传感；稀疏自适应匹配追踪；贪婪算法；Wilkinson矩阵

HTML PDF 收藏

一种局部二次嵌入学习算法及其在软测量中的应用 Article

包垚垚, 朱远明, 钱峰

《工程（英文）》 2022年第18卷第11期页码 186-196 doi: 10.1016/j.eng.2022.04.025

摘要：

鉴于元学习在众多领域取得的巨大成就，本文针对数据回归问题提出了融合度量学习和神经网络（NN）的局部二次嵌入学习（LQEL）算法。首先，通过优化输入输出空间里样本间度量的全局一致性来改进马氏度量（Mahalanobis metric）学习算法；同时，通过引入松弛约束进一步证明了改进的度量学习问题等价于一个凸规划问题。然后，基于局部二次插值假设原理，引入了两个轻量级的神经网络，其一用于学习局部二次模型中的系数矩阵，另一个则用于对从不同局部近邻获得的预测结果进行权重分配。最后，将两个子模型嵌入统一的回归框架中，并通过随机梯度下降（SGD）算法学习模型参数。所提出的算法优势在于可充分利用目标标签中隐含的信息找到更可靠的参考样本。并且，使用LQEL算法对变量进行差分建模，避免了因传感器漂移或不可测量变量导致的模型退化问题。多个基准数据集和两个实际工业应用数据集的计算结果表明，所提出的方法优于几种典型的回归方法。