ISSN 
2022年 第51卷 第1期
2022, 51(1): 2-15.
doi: 10.12178/1001-0548.2021345
摘要:
近年来，量子科技的发展突飞猛进，成为继云计算、大数据、人工智能、区块链技术之后的又一种新兴战略性技术，其中量子理论在智能优化领域的应用被证明是较为成功和富有前景的。该文从量子力学的视角综述了当前智能优化算法的研究进展。将量子力学在智能优化算法中的应用分成了两个方面：1) 将量子理论中的量子比特、量子门等概念应用于构造智能优化算法的相关研究，这些工作通过在智能优化算法中实现量子特性从而获得算法性能的提升；2) 利用薛定谔方程、波函数、叠加态等概念对智能优化算法进行建模，建立了智能优化算法的量子化描述方式，为利用量子力学对智能优化算法进行分析和研究提供了新的范式。量子理论在优化算法中的应用现状表明：建立在薛定谔方程上的智能优化算法理论具有完备的数学理论框架，并能导出优化算法的核心迭代操作，有望为优化算法建立统一数学物理模型。
近年来，量子科技的发展突飞猛进，成为继云计算、大数据、人工智能、区块链技术之后的又一种新兴战略性技术，其中量子理论在智能优化领域的应用被证明是较为成功和富有前景的。该文从量子力学的视角综述了当前智能优化算法的研究进展。将量子力学在智能优化算法中的应用分成了两个方面：1) 将量子理论中的量子比特、量子门等概念应用于构造智能优化算法的相关研究，这些工作通过在智能优化算法中实现量子特性从而获得算法性能的提升；2) 利用薛定谔方程、波函数、叠加态等概念对智能优化算法进行建模，建立了智能优化算法的量子化描述方式，为利用量子力学对智能优化算法进行分析和研究提供了新的范式。量子理论在优化算法中的应用现状表明：建立在薛定谔方程上的智能优化算法理论具有完备的数学理论框架，并能导出优化算法的核心迭代操作，有望为优化算法建立统一数学物理模型。
2022, 51(1): 16-23.
doi: 10.12178/1001-0548.2021394
摘要:
股票预测本质上是数据挖掘的问题，大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中，常用深度学习技术对大盘历史数据进行拟合与特征提取，为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习，实现了一个输出“涨跌”概率的二分类预测器，并以此制定策略进行模拟交易，利用测试集数据计算累积收益率，从而评估投资策略的优劣。此外，还构造了一种混合量子−经典神经网络模型，充分利用量子计算的线路模型特点，构造参数化变分量子线路，实现了量子前馈神经网络。在量子线路学习框架中，将股票的特征因子编码到量子态的振幅上，通过训练量子神经网络 U 的参数 θ ，迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%，预测准确率更高，回报率高出3%，因此证明了量子算法的表达力强、鲁棒性高的特点。
股票预测本质上是数据挖掘的问题，大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中，常用深度学习技术对大盘历史数据进行拟合与特征提取，为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习，实现了一个输出“涨跌”概率的二分类预测器，并以此制定策略进行模拟交易，利用测试集数据计算累积收益率，从而评估投资策略的优劣。此外，还构造了一种混合量子−经典神经网络模型，充分利用量子计算的线路模型特点，构造参数化变分量子线路，实现了量子前馈神经网络。在量子线路学习框架中，将股票的特征因子编码到量子态的振幅上，通过训练量子神经网络 U 的参数 θ ，迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%，预测准确率更高，回报率高出3%，因此证明了量子算法的表达力强、鲁棒性高的特点。
2022, 51(1): 25-31.
doi: 10.12178/1001-0548.2021334
摘要:
氨基酸变异常常会影响蛋白质的结构和功能，进而导致疾病。当前，研究者们已经提出了一些基于计算的方法来预测氨基酸变异致病性。该文构建了一个新型融合模型，旨在提高预测性能和泛化性。首先，提取影响致病性的各类生物特征并用递归特征消除RFE方法筛选最优特征子集。然后，建立包含卷积神经网络和双向长短期记忆神经网络的深度学习模型提取特征，并以拼接的方式融合这两类特征作为模型输入。最后，构建一个基于XGBoost、CatBoost、LightGBM和随机森林的融合模型，用以预测氨基酸变异致病性。该融合模型的10重交叉验证准确性为92.8%，盲测准确性为93.1%，取得了当前最高的预测准确性和泛化性。该工具可用于辅助临床诊断和药物设计，降低研发成本。
氨基酸变异常常会影响蛋白质的结构和功能，进而导致疾病。当前，研究者们已经提出了一些基于计算的方法来预测氨基酸变异致病性。该文构建了一个新型融合模型，旨在提高预测性能和泛化性。首先，提取影响致病性的各类生物特征并用递归特征消除RFE方法筛选最优特征子集。然后，建立包含卷积神经网络和双向长短期记忆神经网络的深度学习模型提取特征，并以拼接的方式融合这两类特征作为模型输入。最后，构建一个基于XGBoost、CatBoost、LightGBM和随机森林的融合模型，用以预测氨基酸变异致病性。该融合模型的10重交叉验证准确性为92.8%，盲测准确性为93.1%，取得了当前最高的预测准确性和泛化性。该工具可用于辅助临床诊断和药物设计，降低研发成本。
2022, 51(1): 32-38.
doi: 10.12178/1001-0548.2021164
摘要:
由于离子通道的随机波动和突触的相互作用等因素，大脑神经元中不可避免地存在噪声。噪声会影响神经元活动和神经信息处理，但其在神经元振荡模式转换中的作用仍不清楚。为此，该文采用神经计算建模的方法，应用扩展HH模型模拟神经元的电活动，探究噪声对神经元振荡模式的影响。通过数值仿真，结果表明噪声强度的改变会引起神经元不同振荡模式之间的转换，特别是噪声强度增加使神经元更易产生多模式放电。该研究结果为揭示噪声在神经元生理活动中的功能作用提供了理论参考，并有助于理解大脑的信息处理机制。
由于离子通道的随机波动和突触的相互作用等因素，大脑神经元中不可避免地存在噪声。噪声会影响神经元活动和神经信息处理，但其在神经元振荡模式转换中的作用仍不清楚。为此，该文采用神经计算建模的方法，应用扩展HH模型模拟神经元的电活动，探究噪声对神经元振荡模式的影响。通过数值仿真，结果表明噪声强度的改变会引起神经元不同振荡模式之间的转换，特别是噪声强度增加使神经元更易产生多模式放电。该研究结果为揭示噪声在神经元生理活动中的功能作用提供了理论参考，并有助于理解大脑的信息处理机制。
2022, 51(1): 39-44.
doi: 10.12178/1001-0548.2021104
摘要:
广义旁瓣对消器GSC在传统的机载相控阵雷达的干扰抑制中有着广泛应用，辅助通道的选择直接影响干扰抑制效果。在共形阵列中，由于各个阵元的摆放方式不同导致每个阵元的单元方向图响应并不相同，选择合适的辅助通道更为重要。该文在共形阵信号模型基础上，提出了一种以最小化广义旁瓣对消输出为目标的优化方法。为了解决非凸的0-1优化问题，该文采用惩罚序列凸规划SCP算法，并基于最大最小MM算法求解。仿真和数值结果证明了该文算法在共形阵下能准确选择出具有良好干扰抑制性能的辅助通道。
广义旁瓣对消器GSC在传统的机载相控阵雷达的干扰抑制中有着广泛应用，辅助通道的选择直接影响干扰抑制效果。在共形阵列中，由于各个阵元的摆放方式不同导致每个阵元的单元方向图响应并不相同，选择合适的辅助通道更为重要。该文在共形阵信号模型基础上，提出了一种以最小化广义旁瓣对消输出为目标的优化方法。为了解决非凸的0-1优化问题，该文采用惩罚序列凸规划SCP算法，并基于最大最小MM算法求解。仿真和数值结果证明了该文算法在共形阵下能准确选择出具有良好干扰抑制性能的辅助通道。
2022, 51(1): 45-51.
doi: 10.12178/1001-0548.2021123
摘要:
针对天线阵列中阵元个数有限而导致波达方向DOA估计分辨率较低的问题，该文提出了一种基于宽频跳变信号相位补偿的虚拟孔径重构方法。该方法通过利用宽频跳变信号，将多个频点的信号向量加入补偿相位形成虚拟导向矢量，从而形成远大于物理孔径的虚拟孔径，实现高分辨DOA估计。仿真实验结果表明，该文所提的虚拟阵列重构方法可有效地提高DOA估计的角度分辨率，且具有较小的计算复杂度。
针对天线阵列中阵元个数有限而导致波达方向DOA估计分辨率较低的问题，该文提出了一种基于宽频跳变信号相位补偿的虚拟孔径重构方法。该方法通过利用宽频跳变信号，将多个频点的信号向量加入补偿相位形成虚拟导向矢量，从而形成远大于物理孔径的虚拟孔径，实现高分辨DOA估计。仿真实验结果表明，该文所提的虚拟阵列重构方法可有效地提高DOA估计的角度分辨率，且具有较小的计算复杂度。
2022, 51(1): 52-56.
doi: 10.12178/1001-0548.2021180
摘要:
宽带数字阵列雷达(WB-DAR)具有模式多变、抗干扰能力强的优势，还兼具高距离分辨力，能够获取未知目标距离像，对目标进行分类和识别。大带宽信号的使用引入了孔径渡越时间的约束，因此，宽带数字阵列雷达需采用基于时延的宽带波束形成方法，以数字时延补偿方式取代传统窄带相控阵中的移相器来形成波束。该文在宽带数字阵列基础上，针对多级抽取结合可变分数时延滤波器的典型接收通道结构，提出了一种新的接收通道优化设计方法。与原方法相比，在满足同样性能要求的情况下，该方法能够降低抗混叠滤波器和分数时延滤波器的阶数，有效地节约了系统硬件资源。
宽带数字阵列雷达(WB-DAR)具有模式多变、抗干扰能力强的优势，还兼具高距离分辨力，能够获取未知目标距离像，对目标进行分类和识别。大带宽信号的使用引入了孔径渡越时间的约束，因此，宽带数字阵列雷达需采用基于时延的宽带波束形成方法，以数字时延补偿方式取代传统窄带相控阵中的移相器来形成波束。该文在宽带数字阵列基础上，针对多级抽取结合可变分数时延滤波器的典型接收通道结构，提出了一种新的接收通道优化设计方法。与原方法相比，在满足同样性能要求的情况下，该方法能够降低抗混叠滤波器和分数时延滤波器的阶数，有效地节约了系统硬件资源。
2022, 51(1): 57-64.
doi: 10.12178/1001-0548.2021013
摘要:
考虑到实际分布式存储系统中节点故障情况的多样性，该文提出一种基于非均匀循环编码的分组修复码(GRC-NCC)，使高故障率节点得到更有效的保护。具体地，根据节点故障率对存储节点进行非均匀分组，将数据块依次存入长度递增的节点分组，再使用跨条带循环编码的思路生成组编码块和全局校验块。性能分析以及实验仿真表明，GRC-NCC虽然具有高于RS码的存储开销，但与RS码和重叠分组修复码相比，该方法在故障节点修复过程中具有较低的修复带宽开销和修复局部性，且在多节点故障修复过程中性能更优，容错性更好。
考虑到实际分布式存储系统中节点故障情况的多样性，该文提出一种基于非均匀循环编码的分组修复码(GRC-NCC)，使高故障率节点得到更有效的保护。具体地，根据节点故障率对存储节点进行非均匀分组，将数据块依次存入长度递增的节点分组，再使用跨条带循环编码的思路生成组编码块和全局校验块。性能分析以及实验仿真表明，GRC-NCC虽然具有高于RS码的存储开销，但与RS码和重叠分组修复码相比，该方法在故障节点修复过程中具有较低的修复带宽开销和修复局部性，且在多节点故障修复过程中性能更优，容错性更好。
2022, 51(1): 65-72.
doi: 10.12178/1001-0548.2021050
摘要:
针对现有基于信号分组优化的椭圆球面波函数(PSWFs)信号多载波调制方法，存在峰均功率比高的问题，该文提出一种基于连续相位调制(CPM)的椭圆球面波多载波索引调制方法。将具有编码特性的CPM调制作为星座符号映射方式，以椭圆球面波函数信号作为索引载波波形，产生调制信号，并利用最大似然检测与CPM差分解码实现接收端信号的检测与解调。该方法能以较小的误码性能损失和适量增加算法复杂度，有效降低现有方法调制信号峰均功率比值约2.90 dB。
针对现有基于信号分组优化的椭圆球面波函数(PSWFs)信号多载波调制方法，存在峰均功率比高的问题，该文提出一种基于连续相位调制(CPM)的椭圆球面波多载波索引调制方法。将具有编码特性的CPM调制作为星座符号映射方式，以椭圆球面波函数信号作为索引载波波形，产生调制信号，并利用最大似然检测与CPM差分解码实现接收端信号的检测与解调。该方法能以较小的误码性能损失和适量增加算法复杂度，有效降低现有方法调制信号峰均功率比值约2.90 dB。
2022, 51(1): 73-82.
doi: 10.12178/1001-0548.2021188
摘要:
在级联开关变换器中，负载变换器前馈电流纹波可重塑源变换器的输出电压纹波，导致源变换器的稳定性发生变化。以峰值电压纹波(PVR)控制Buck变换器级联峰值电流模式(PCM)控制Boost变换器为例，研究了级联开关变换器中源变换器的稳定性机理。首先，展示了负载变换器前馈电流纹波对源变换器稳定性的影响，分析了源变换器随所选电路参数变化的分岔行为；其次，建立了级联开关变换器具有3种开关状态序列的离散映射模型，推导了其在不动点邻域内的Jacobi矩阵，通过监测Jacobi矩阵的特征根轨迹明晰了源变换器随所选电路参数变化的失稳机理；最后，实验结果验证了仿真分析和理论分析的正确性。
在级联开关变换器中，负载变换器前馈电流纹波可重塑源变换器的输出电压纹波，导致源变换器的稳定性发生变化。以峰值电压纹波(PVR)控制Buck变换器级联峰值电流模式(PCM)控制Boost变换器为例，研究了级联开关变换器中源变换器的稳定性机理。首先，展示了负载变换器前馈电流纹波对源变换器稳定性的影响，分析了源变换器随所选电路参数变化的分岔行为；其次，建立了级联开关变换器具有3种开关状态序列的离散映射模型，推导了其在不动点邻域内的Jacobi矩阵，通过监测Jacobi矩阵的特征根轨迹明晰了源变换器随所选电路参数变化的失稳机理；最后，实验结果验证了仿真分析和理论分析的正确性。
2022, 51(1): 83-90.
doi: 10.12178/1001-0548.2021100
摘要:
传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征，推广性差，预测准确性低。为此，该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas)。该模型采用端到端的方式，避免了人工标记特征造成级联图表示困难的问题；通过子图采样捕获级联图的动态演化过程，引入自注意力机制，更好地融合在观测窗口中学到的信息级联图的动态结构变化和时序特征，为网络合理地分配权重值，减少了信息的损失，提升了预测性能。实验结果表明，DySatCas与现有的基线预测模型相比，预测准确性有明显提升。
传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征，推广性差，预测准确性低。为此，该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas)。该模型采用端到端的方式，避免了人工标记特征造成级联图表示困难的问题；通过子图采样捕获级联图的动态演化过程，引入自注意力机制，更好地融合在观测窗口中学到的信息级联图的动态结构变化和时序特征，为网络合理地分配权重值，减少了信息的损失，提升了预测性能。实验结果表明，DySatCas与现有的基线预测模型相比，预测准确性有明显提升。
2022, 51(1): 91-99.
doi: 10.12178/1001-0548.2021162
摘要:
从文本大数据中快速准确地抽取文本的实体关系信息是构建知识图谱的关键。针对目前主流的远程监督关系抽取方法常常忽略实体对的类型信息和句子语法信息的问题，该文提出了一种基于深度强化学习的文本实体关系抽取方法。首先，利用结合实体周围词注意力机制的双向长短期记忆网络作为句子编码的第一个模块；然后，在此基础上加入实体类型嵌入模块，利用实体类型来丰富句子编码信息；最后，将一个依存句法分析模块纳入模型，共同组成了关系抽取器。同时，为实现标签级别的降噪，该文结合强化学习方法，设计了一个标签学习器来学习句子的软标签，以纠正错误标签。设计的标签学习器与关系抽取器结合，构成了基于深度强化学习的文本关系抽取框架。在公开数据集ACE2005、Chinese-Literature-NER-RE-Dataset和自建的数据集上进行实验，结果表明本文提出的方法在精度和召回率上都优于目前几种主流的模型。
从文本大数据中快速准确地抽取文本的实体关系信息是构建知识图谱的关键。针对目前主流的远程监督关系抽取方法常常忽略实体对的类型信息和句子语法信息的问题，该文提出了一种基于深度强化学习的文本实体关系抽取方法。首先，利用结合实体周围词注意力机制的双向长短期记忆网络作为句子编码的第一个模块；然后，在此基础上加入实体类型嵌入模块，利用实体类型来丰富句子编码信息；最后，将一个依存句法分析模块纳入模型，共同组成了关系抽取器。同时，为实现标签级别的降噪，该文结合强化学习方法，设计了一个标签学习器来学习句子的软标签，以纠正错误标签。设计的标签学习器与关系抽取器结合，构成了基于深度强化学习的文本关系抽取框架。在公开数据集ACE2005、Chinese-Literature-NER-RE-Dataset和自建的数据集上进行实验，结果表明本文提出的方法在精度和召回率上都优于目前几种主流的模型。
2022, 51(1): 100-107.
doi: 10.12178/1001-0548.2021153
摘要:
事件抽取是构建知识图谱的关键前置任务之一，而事件论元抽取是事件抽取的子任务，对事件抽取质量有显著影响。针对现有的流水线式事件抽取方法在论元抽取时忽略了触发词和论元间、论元和论元间相互关系导致抽取质量低的问题，该文提出了一种基于双向门控循环神经网络(Bi-GRU)的事件论元抽取方法。该方法融合Bert词向量、词性特征、词位置特征和触发词类型特征作为输入，采用Bi-GRU网络对文本中的词进行编码，进而应用改进的多注意力机制为句子不同部分分配权重提取句子级别特征，最后通过全连接层实现论元识别和角色分类。在基准数据集上进行了实验验证，结果表明论元识别和角色分类任务的F1-score值分别达到了69.2%和61.6%，优于现有方法。
事件抽取是构建知识图谱的关键前置任务之一，而事件论元抽取是事件抽取的子任务，对事件抽取质量有显著影响。针对现有的流水线式事件抽取方法在论元抽取时忽略了触发词和论元间、论元和论元间相互关系导致抽取质量低的问题，该文提出了一种基于双向门控循环神经网络(Bi-GRU)的事件论元抽取方法。该方法融合Bert词向量、词性特征、词位置特征和触发词类型特征作为输入，采用Bi-GRU网络对文本中的词进行编码，进而应用改进的多注意力机制为句子不同部分分配权重提取句子级别特征，最后通过全连接层实现论元识别和角色分类。在基准数据集上进行了实验验证，结果表明论元识别和角色分类任务的F1-score值分别达到了69.2%和61.6%，优于现有方法。
2022, 51(1): 108-116.
doi: 10.12178/1001-0548.2021126
摘要:
该文针对单图像超分辨率网络(SISR)提出了一种简单的网络剪枝方法。该方法通过评估超分网络中各模块的相似性，用一种简单办法将相似度转换为各模块对网络的贡献程度，从而找到对超分网络相对不重要的模块进行网络剪枝，达到超分辨率网络压缩的目的。通过基于模块相似性的超分网络剪枝，原本参数量庞大的超分网络得到了压缩，参数量和运算量都大幅下降。实验表明，通过剪枝后的超分网络其参数量可以下降60%以上，同时精度下降不超过0.1%，对超分网络部署到低性能平台有着实际意义。
该文针对单图像超分辨率网络(SISR)提出了一种简单的网络剪枝方法。该方法通过评估超分网络中各模块的相似性，用一种简单办法将相似度转换为各模块对网络的贡献程度，从而找到对超分网络相对不重要的模块进行网络剪枝，达到超分辨率网络压缩的目的。通过基于模块相似性的超分网络剪枝，原本参数量庞大的超分网络得到了压缩，参数量和运算量都大幅下降。实验表明，通过剪枝后的超分网络其参数量可以下降60%以上，同时精度下降不超过0.1%，对超分网络部署到低性能平台有着实际意义。
2022, 51(1): 117-122.
doi: 10.12178/1001-0548.2021132
摘要:
针对传统胶囊神经网络特征提取结构单一，模型参数量大以及动态路由算法中相似度衡量粗糙等问题，该文提出一种改进的胶囊神经网络。应用Fire Module模块，将网络中特征图通道数先进行压缩，再通过多尺度的卷积核提取特征信息，进而提升网络的特征提取能力和减少网络模型的参数。将Dropout思想引入胶囊神经网络来增加模型的多样性，并在动态路由结构中应用Tanimoto系数提高动态路由算法性能，加快模型收敛提高精度。为验证改进胶囊神经网络的有效性，将改进的胶囊神经网络与双卷积胶囊神经网络和传统卷积神经网络以及VGG网络模型进行对比。实验结果表明，改进的模型具有更高的准确率和更快的训练速度。
针对传统胶囊神经网络特征提取结构单一，模型参数量大以及动态路由算法中相似度衡量粗糙等问题，该文提出一种改进的胶囊神经网络。应用Fire Module模块，将网络中特征图通道数先进行压缩，再通过多尺度的卷积核提取特征信息，进而提升网络的特征提取能力和减少网络模型的参数。将Dropout思想引入胶囊神经网络来增加模型的多样性，并在动态路由结构中应用Tanimoto系数提高动态路由算法性能，加快模型收敛提高精度。为验证改进胶囊神经网络的有效性，将改进的胶囊神经网络与双卷积胶囊神经网络和传统卷积神经网络以及VGG网络模型进行对比。实验结果表明，改进的模型具有更高的准确率和更快的训练速度。
2022, 51(1): 123-129.
doi: 10.12178/1001-0548.2021222
摘要:
自新冠肺炎疫情爆发以来，口罩佩戴检测成为疫情防控的必备操作。该文针对在光线昏暗条件下口罩佩戴检测准确率较低的问题，提出了将注意力机制引入YOLOv5网络进行口罩佩戴检测的方法。首先对训练集图片使用图像增强算法进行预处理，然后将图片送入到引入了注意力机制的YOLOv5网络中进行迭代训练，完成训练后，将最优权重模型保存并在测试集上测试。实验结果表明，在注意力的加持下，该模型能有效增强人脸和口罩等关键点信息的提取，提高模型的鲁棒性，在光线昏暗条件下对口罩佩戴的检测准确率能达到92%，能够有效满足实际需求。
自新冠肺炎疫情爆发以来，口罩佩戴检测成为疫情防控的必备操作。该文针对在光线昏暗条件下口罩佩戴检测准确率较低的问题，提出了将注意力机制引入YOLOv5网络进行口罩佩戴检测的方法。首先对训练集图片使用图像增强算法进行预处理，然后将图片送入到引入了注意力机制的YOLOv5网络中进行迭代训练，完成训练后，将最优权重模型保存并在测试集上测试。实验结果表明，在注意力的加持下，该模型能有效增强人脸和口罩等关键点信息的提取，提高模型的鲁棒性，在光线昏暗条件下对口罩佩戴的检测准确率能达到92%，能够有效满足实际需求。
2022, 51(1): 130-137.
doi: 10.12178/1001-0548.2021160
摘要:
该文提出了基于海林格距离的变分进化生成式对抗网络(HVE-GAN)，实现“类人”社交机器人检测数据集的扩充。HVE-GAN将进化生成式对抗网络(E-GAN)的生成器修改为变分自编码器(VAE)结构，提高了生成数据的“真实性”及多样性程度；将E-GAN生成器Heuristic损失函数更改为改进的海林格距离，在训练过程中加快了模型收敛速度、稳定了生成器的梯度，避免了不稳定的训练过程影响生成数据质量。实验结果表明，利用HVE-GAN模型生成的“类人”社交机器人数据的“真实性”与多样性程度均明显优于基线模型。
该文提出了基于海林格距离的变分进化生成式对抗网络(HVE-GAN)，实现“类人”社交机器人检测数据集的扩充。HVE-GAN将进化生成式对抗网络(E-GAN)的生成器修改为变分自编码器(VAE)结构，提高了生成数据的“真实性”及多样性程度；将E-GAN生成器Heuristic损失函数更改为改进的海林格距离，在训练过程中加快了模型收敛速度、稳定了生成器的梯度，避免了不稳定的训练过程影响生成数据质量。实验结果表明，利用HVE-GAN模型生成的“类人”社交机器人数据的“真实性”与多样性程度均明显优于基线模型。
2022, 51(1): 138-147.
doi: 10.12178/1001-0548.2021173
摘要:
复杂网络控制能够捕获整个网络的状态，使得从海量的蛋白质相互作用数据中找到潜在的肿瘤致病基因成为可能。该文利用复杂网络控制理论探究肿瘤关键基因，对5种癌症相关的蛋白质–蛋白质相互作用网络，通过网络最小控制集方法，选取始终处于最小控制集(minimum dominating set, MDS)的基因作为候选关键基因。利用肿瘤相关的生物通路数据和已被证实的肿瘤基因数据，采用富集分析证明了该方法的有效性。构建网络综合中心性指标，对候选关键基因进行排序。进而针对不同的癌症类型，挑选排在前面的候选基因(非已知重要基因集的基因)作为最终的预测基因，基于网络结构和体细胞突变数据分析，对其作为生物标志物的有效性进行验证。该研究在一定程度上为复杂网络控制理论在生物医学中的应用提供了思路。
复杂网络控制能够捕获整个网络的状态，使得从海量的蛋白质相互作用数据中找到潜在的肿瘤致病基因成为可能。该文利用复杂网络控制理论探究肿瘤关键基因，对5种癌症相关的蛋白质–蛋白质相互作用网络，通过网络最小控制集方法，选取始终处于最小控制集(minimum dominating set, MDS)的基因作为候选关键基因。利用肿瘤相关的生物通路数据和已被证实的肿瘤基因数据，采用富集分析证明了该方法的有效性。构建网络综合中心性指标，对候选关键基因进行排序。进而针对不同的癌症类型，挑选排在前面的候选基因(非已知重要基因集的基因)作为最终的预测基因，基于网络结构和体细胞突变数据分析，对其作为生物标志物的有效性进行验证。该研究在一定程度上为复杂网络控制理论在生物医学中的应用提供了思路。
2022, 51(1): 148-160.
doi: 10.12178/1001-0548.2021184
摘要:
多层网络描述了复杂系统之间或强或弱的耦合或联系。为了较为系统和全面地介绍基于渗流理论的多层网络鲁棒性研究，该文综述了多层网络跨层节点的依赖特征、层内节点的连接结构特征、层内节点的耦合特性和攻击方式对级联失效动力学和鲁棒性的影响。与单层网络完全不同，多层网络会在遭受攻击时发生突然性的崩溃；同时度分布异质性较强的多层网络会更为脆弱，在崩溃中会出现多重相变或混合相变现象。此外，弱依赖机制使得多层网络模型能够描述复杂系统更多丰富的细节，如依赖强度的异质性、依赖强度的非对称性及依赖关系的拓扑结构等。这些结果表明，多层网络的级联失效过程比单层网络更加复杂，忽视复杂系统之间的依赖性可能会高估复杂网络的鲁棒性甚至会带来完全错误的认识。
多层网络描述了复杂系统之间或强或弱的耦合或联系。为了较为系统和全面地介绍基于渗流理论的多层网络鲁棒性研究，该文综述了多层网络跨层节点的依赖特征、层内节点的连接结构特征、层内节点的耦合特性和攻击方式对级联失效动力学和鲁棒性的影响。与单层网络完全不同，多层网络会在遭受攻击时发生突然性的崩溃；同时度分布异质性较强的多层网络会更为脆弱，在崩溃中会出现多重相变或混合相变现象。此外，弱依赖机制使得多层网络模型能够描述复杂系统更多丰富的细节，如依赖强度的异质性、依赖强度的非对称性及依赖关系的拓扑结构等。这些结果表明，多层网络的级联失效过程比单层网络更加复杂，忽视复杂系统之间的依赖性可能会高估复杂网络的鲁棒性甚至会带来完全错误的认识。
