<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[广西科学 -->计算科学]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于5G毫米波协作通信的小单元无线能量信标优化部署策略]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240211&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为实现第五代移动通信(5G)无线网络中高频谱效率与低能耗的绿色通信目的，本文研究了基于毫米波(mmWave)协作通信小单元下无线能量信标(Power Beacons，PB)的优化部署策略。该策略构建了一个高低频混合组网的能量受限型用户设备(User Equipment Devices，UE) 毫米波协作通信的小单元网络模型，通过设计一个“需求-选择-建链”模式的新型建链协议，将通信毫米波定向传输技术应用于该建链过程中。在此模型基础上，以提高边缘系统频谱效率和能量收集覆盖率为目标，通过最小化固定充电的能量信标数量，在实现系统能耗最小化问题基础上保证系统的正常运行。针对该最优化问题是一个混合整数规划的多项式复杂程度的非确定性(Non-deterministic Polynomial Hard，NP-难)问题，设计一个具有常数因子的贪心算法近似求解优化问题。理论分析证明了该算法的可行性。仿真结果表明，本研究提出的优化部署策略能有效优化能量信标部署，在同等覆盖率与区域频谱效率增益下能耗最低。]]></description>
<pubDate>2024/7/8 14:30:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[卢明妤，李陶深，吕品]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240211&flag=1]]></guid><cfi:id>18</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[多策略集成的改进技能优化算法及应用]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240212&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对技能优化算法(Skill Optimization Algorithm,SOA)寻优精度不高、收敛速度慢等缺点，本研究提出一种多策略集成的改进技能优化算法(Multi Strategy integrated Skill Optimization Algorithm,MSSOA)。MSSOA采用佳点集策略初始化种群，提高初始种群在解空间内的分布质量；根据算法特点在全局搜索阶段采用自适应权重，改进个体行进的步长；根据不同个体采用不同的<i>t</i>-分布扰动方式，平衡全局搜索和局部搜寻的关系，增强算法后期局部搜寻能力。通过12个测试函数、2个工程应用问题对其性能进行测试，测试结果表明MSSOA有着理想的寻优精度和收敛速度，能够解决复杂的工程问题。]]></description>
<pubDate>2024/7/8 14:30:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[薛朝改，雒俊峰，曹武军]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240212&flag=1]]></guid><cfi:id>17</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于自监督信息增强的图表示学习]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240213&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题，本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder，Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE)，并对原始图进行特征提取和编码；然后，使用拓扑结构和节点属性生成自监督信息，在模型训练过程中约束节点表示的生成。在多个图分析任务中，Self-VGAE的实验表现均优于当前较为先进的基线模型，表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力，并且Self-VGAE具有较强的泛化能力。]]></description>
<pubDate>2024/7/8 14:30:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[袁立宁，文竹，冯文刚，刘钊]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240213&flag=1]]></guid><cfi:id>16</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于多头指针的司法事件检测方法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240214&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对如何解决中文司法事件检测中触发词与上下文关系不足以判定事件实例、案件触发词表述相似以及同一个案件中多个触发词识别和分类模糊的问题，本研究提出一种基于多头指针的司法事件检测方法。首先，该方法将上下文信息和罪名特征融合作为输入，使用双向长短期记忆(Bi-directional Long Short-Term Memory，BiLSTM)网络捕获数据依赖关系，深入提取特征；然后，使用多头指针网络对字符间的依赖关系进行建模，有效捕捉句子中的触发词；最后，利用指针标注技术抽取触发词，实现司法事件的有效检测。在公开司法数据集LEVEN上实验验证该方法的有效性，其中微平均和宏平均的<i>F1</i>指标达到了87.53%和78.05%，优于现有模型。该方法不仅显著提高了事件触发词的识别精度，而且也增强了对复杂司法文本中事件上下文关系的把握能力。]]></description>
<pubDate>2024/7/8 14:30:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[张小丽，黄辉，黄瑞章，秦永彬，陈艳平]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240214&flag=1]]></guid><cfi:id>15</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于UGC数据的旅游数据挖掘研究进展]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240110&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着互联网和社交媒体的蓬勃发展，用户生成内容(User Generated Content，UGC)数据逐渐成为旅游大数据的重要组成部分。UGC数据能够体现游客旅游行为，数据类型丰富、真实性强、噪声大。本文回顾了过去几年旅游UGC数据研究的发展，分别从文本、照片、多模态3种数据类型角度进行综述，总结了近年来旅游UGC数据挖掘研究取得的成果，并探讨了未来研究的方向。]]></description>
<pubDate>2024/5/9 16:00:35</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[俸亚特，徐正丽，文益民]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240110&flag=1]]></guid><cfi:id>14</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[一种基于局部分类精度的概念漂移数据流分类算法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240111&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[概念漂移数据流分类是一个极具挑战性的问题。当新概念出现时,该概念下的学习样本过少,无法对分类器进行及时调整,进而导致分类精度不高。为了解决该问题,本文提出一种基于局部分类精度的概念漂移数据流分类算法——LA-MS-CDC。第一,LA-MS-CDC将k-means聚类和局部分类精度算法结合,从分类器池中挑选出最优源领域分类器;第二,将最优源领域分类器与目标领域分类器加权集成,进而对样本分类;第三,根据分类样本的真实标签分别计算各分类器的损失,并对目标领域和源领域的分类器权重进行更新;第四,再利用该分类样本对目标领域分类器、最优源领域分类器进行更新;最后,完成分类器池的更新。在公开数据集上的实验结果表明,LA-MS-CDC能够有效地将源领域知识迁移到目标领域,与现有方法相比,其分类效果具有显著性提升。算法代码可在https://gitee.com/ymw12345/LAMSCDC上获取。]]></description>
<pubDate>2024/5/9 0:00:00</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[张玲，马士伦，黎利辉，文益民]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240111&flag=1]]></guid><cfi:id>13</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于MacBERT和联合注意力增强网络的物业服务投诉分类方法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240112&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[基于人工的物业投诉文件分类处理方法已经无法满足社会需求，并且已有投诉相关的自动分类方法在物业投诉分类问题上的性能较不足。因此，本研究提出一个基于MacBERT和联合注意力增强网络的物业服务投诉分类方法JAE-BERT4Com。JAE-BERT4Com使用基于近义词替换与合成少数过采样技术结合的样本增强策略解决类不平衡的问题，以及基于MacBERT的分层注意力、Transformers的多头注意力和关键词注意力等多重注意力联合增强的网络进行文本特征学习和分类。实验结果表明，JAE-BERT4Com能够获得比现有模型更高的准确率、F1分数和召回率，比现有较先进模型的性能更优。]]></description>
<pubDate>2024/5/9 16:00:35</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[湛志宏，覃开贤，彭凌华，湛铖]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240112&flag=1]]></guid><cfi:id>12</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于Raptor编码的多输入多输出光通信系统设计]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240113&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为了提高可见光通信(Visible Light Communication, VLC)系统的复用增益,本文提出一种基于多输入多输出(Multiple Input Multiple Output, MIMO)的固定比例像素化VLC系统。系统首先执行空间-角度映射,使数据的传送可在角域中进行;同时利用Raptor编码方法来跟踪由于窗口截断而引起的数据信道特性变化;然后对于使用高速相机捕捉到的一系列时变图像,利用散景效应获得所有链路距离上的固定比例图像。实验利用液晶显示器和高速相机,对所提出的VLC系统进行了验证。与传统的像素化MIMO系统相比,本文所提出的系统在未对准朝向的情境下具有更高的鲁棒性,从而在多路复用场景有着广泛的应用前景。]]></description>
<pubDate>2024/5/9 0:00:00</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[郝兵，吴迪，萧威]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20240113&flag=1]]></guid><cfi:id>11</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向火灾消防的视觉检测技术研究进展]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250613&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[本文围绕火灾消防领域的视觉检测技术开展综述研究，从消防领域火灾检测主要公共数据集、基于传统机器学习和深度学习的火灾图像目标检测技术、跨模态特征融合的火灾检测技术以及面向火灾消防的视觉大语言模型4个方面，对相关技术原理、发展脉络及其优缺点进行系统梳理，并对典型火灾图像检测技术性能进行比较。最后，对火灾检测视觉技术的发展方向进行展望，针对当前存在的高质量数据集不足、微小火情检测难等问题，指出未来研究可重点关注混合检测模型构建、多源信息融合策略及大模型在消防场景中的应用，以支撑新一代智慧火灾消防体系的建设。]]></description>
<pubDate>2026/2/27 15:05:34</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[胡浩，王欣，覃晓，梁新艳]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250613&flag=1]]></guid><cfi:id>10</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[Text-Level-BERTGCN：基于BERT优化的文本分类模型]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250614&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[传统基于文本级图卷积网络的文本分类模型在对文本进行构图时，只提取文本的空间结构信息，难以获取文本词的语义信息。针对上述不足，本文提出基于BERT(Bidirectional Encoder Representations from Transformers)优化的文本级图卷积网络Text-Level-BERTGCN(Text Level BERT Graph Convolutional Network)。具体来说，Text-Level-BERTGCN首先构建基于BERT和GCN的文本标签预测方法B2GCN，B2GCN利用BERT对文本级图进行优化以获取包含文本空间结构和语义信息的文本级图，并将优化后的文本级图信息输入图卷积神经网络中对文本标签进行预测；其次利用BERT对原始的文本进行分类预测；最后根据两个预测结果的混合损失对模型进行训练。因此，Text-Level-BERTGCN能够充分利用大规模预训练模型和文本级图神经网络的优势。在R8、R52和OHSUMED数据集上的实验结果表明，Text-Level-BERTGCN的文本分类效果优于传统的图卷积文本分类模型，特别是在OHSUMED数据集上的结果表明其具有较强的提取长文本信息能力。]]></description>
<pubDate>2026/2/27 15:05:34</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[覃晓，张金勇，郑宏春]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250614&flag=1]]></guid><cfi:id>9</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于双域自适应融合与特征细化的古汉字图像补全]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250615&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[目前针对古汉字图像补全鲜有研究，直接使用通用图像补全技术会导致古汉字字体结构失真、笔画模糊等问题，难以满足古汉字在可读性和易用性方面的需求。针对以上问题，本文构建古汉字图像补全数据集HanInpaint并提出一种基于双域自适应融合与特征细化的古汉字图像补全方法。具体来说，HanInpaint数据集包括1 386张训练图像和347张测试图像，涵盖楷书、篆书、草书等多种字体风格，为古汉字图像补全提供标准化数据与评价基准。在提出的基于双域自适应融合与特征细化的古汉字图像补全方法中，双域特征融合模块(Dual-Domain Feature Fusion Module，DDFFM)通过联合空域与频域信息实现跨域特征自适应融合，以增强模型对古汉字结构信息的建模能力；多尺度特征细化模块(Multi-Scale Feature Refinement Module，MSFRM)通过对不同尺度下的局部与全局特征进行细化以提升补全图像细节保真度；高频感知损失(High-Frequency-Aware Loss, HFALoss)约束了补全图像与真实图像在高频上的差异，从而提升笔画等高频细节的复原质量。在HanInpaint数据集上的实验结果表明，本文所提方法在测试集上的平均绝对误差(Mean Absolute Error，MAE)为0.03，峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)为31.56 dB，结构相似性(Structural Similarity Index Measure，SSIM)为0.973 1，学习感知图像块相似度(Learned Perceptual Image Patch similarity，LPIPS)为0.11，Fr&#233;chet初始距离(Fr&#233;chet Inception Distance，FID)为19.63，验证了所提方法的有效性和可行性。]]></description>
<pubDate>2026/2/27 15:05:34</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[邸梦，万金]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250615&flag=1]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[MOEA/IGD-NSE：一种基于IGD-NSE指标的高维多目标进化算法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250616&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对现实中普遍存在的高维多目标优化问题，以及已有基于性能指标的高维多目标进化算法尚存在较大改进空间的现状，本研究提出一种基于增强型IGD-NS [IGD (Inverted Generational Distance) with Noncontributing Solutions detection]指标(即IGD-NSE)的高维多目标进化算法MOEA/IGD-NSE。该算法一方面利用IGD-NSE将无贡献解集中的个体进一步划分为候选解和非候选解，以细致刻画不同解点对多样性与收敛性的贡献；另一方面采用自适应策略设计该指标以适配算法不同时期对多样性和收敛性上的要求，并将IGD-NSE嵌入多目标进化算法框架中。将新算法与新近发展的4种高效的高维多目标进化算法一同在DTLZ和MaF系列测试问题上进行IGD性能实验，结果表明本文算法在多样性和收敛性上具有较显著的优势。因此，MOEA/IGD-NSE是一种颇具前景的高维多目标进化算法。]]></description>
<pubDate>2026/2/27 15:05:34</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[付世炜，苏毅娟，谢承旺]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250616&flag=1]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合差分进化的多策略改进蜉蝣算法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250617&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对改进蜉蝣算法(IMA)全局搜索能力差、种群多样性较小、容易陷入局部最优等问题，本研究提出一种融合差分进化的多策略IMA(DEIMA)。首先，引入ICMIC混沌映射初始化蜉蝣种群，使种群均匀分布，以便提高全局搜索能力；其次，优化闵可夫斯基距离系数和重构自适应重力系数，平衡全局搜索和局部开发能力；再次，融合差分进化算法更新蜉蝣雄性个体位置，提升算法跳出局部最优能力并增强其稳定性；最后，采用莱维飞行策略进一步增加种群多样性，提高收敛速度。利用经典测试函数集对改进算法进行测试分析，并利用Wilcoxon秩和检验分析算法的优化效果。结果表明，DEIMA在寻优精度、收敛速度、稳定性等方面改善显著。]]></description>
<pubDate>2026/2/27 15:05:34</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[范英，代晓文，许晋军，张俊豪]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250617&flag=1]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[大语言模型与多模态模型在临床医学中的应用与挑战]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250110&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[大语言模型(Large Language Models,LLMs)和多模态模型(Multimodal Models,MMLs)通过整合文本、图像、语音等多模态数据，为临床诊断、个性化治疗及慢性病管理提供了全新的技术支持。本文系统梳理了LLMs和MMLs的技术基础及其在临床医学中的应用场景，包括临床诊断与决策支持、个性化医疗、慢性病管理等领域，探讨了其在提升诊断准确性、优化治疗方案及改善患者健康管理等方面的潜力与局限性。同时，深入分析了LLMs和MMLs在医疗领域面临的技术挑战，包括模型泛化能力不足、可解释性与透明性欠缺、隐私与数据安全风险，以及与现有医疗系统的兼容性问题，并阐述了这些挑战对技术落地和推广的影响。最后，本文展望了模型优化、数据融合及隐私保护等方面的发展方向，提出通过技术创新与跨领域协作，推动人工智能(Artificial Intelligence,AI)技术在医学领域的深度应用，为提升医疗服务效率和质量提供参考。]]></description>
<pubDate>2025/5/30 18:00:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[邹源，谈玉平]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250110&flag=1]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[结合位置感知的命名实体识别方法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250111&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[命名实体识别(Named Entity Recognition，NER)的性能影响自然语言处理中诸多下游任务。跨度分类是命名实体识别常用的方法，由于其需要枚举每一个跨度，因此存在高复杂度和大量负实例问题。此外，对每个跨度的独立预测不仅忽略了词与词之间的依赖关系和位置信息，而且导致模型获取的语义信息较为单一，从而忽略了全局信息。针对上述问题，本文提出结合位置感知的命名实体识别方法。具体来说，首先使用位置编码增强词与词之间的位置特征，序列融合了绝对位置信息和相对位置信息，从而得到关注语序的语义信息，预测可能的实体边界；然后对候选实体边界进行匹配组合并过滤生成带有标签信息的候选实体实例；最后使用具有局部信息感知的标签注意力机制和多层感知机联合判断候选实体的标签。实验结果表明，本文提出模型在ACE2005、GENIA和CoNLL-2003数据集上的<i>F</i>1分数分别达到90.02%、81.33%和94.52%，该结果充分验证了所提模型在不同数据集上的有效性，进一步证明了其在命名实体识别任务中的优越性能。]]></description>
<pubDate>2025/5/30 18:00:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[王纪恬，陈艳平，黄蓉，黄瑞章，秦永彬]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250111&flag=1]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合疯狂秃鹰搜索的混沌正余弦算法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250112&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对正余弦算法(Sine Cosine Algorithm,SCA)在解决优化问题时存在收敛速度慢、计算精度低等缺陷,本文提出一种融合疯狂秃鹰搜索算法的混沌正余弦算法(Chaotic Sine Cosine Algorithm based on Crazy Bald-eagle Search,CSCA-CBS)。CSCA-CBS采用结合Logistic与Tent的混合混沌映射进行种群初始化,从而获得更加均匀和多样的初始种群;受秃鹰搜索算法所启发,CSCA-CBS采用带有疯狂算子的秃鹰搜索策略,该策略能够提升CSCA-CBS的全局探索能力;为了在迭代后期避免陷入局部最优区域,CSCA-CBS使用逐维反向柯西变异策略对种群进行有规律的扰动,极大地集成了反向学习和柯西变异的优势。在15个基准函数上进行的仿真实验结果表明,CSCA-CBS在计算代价和可靠性、解的质量分析以及收敛性能等方面优于多种先进的SCA变体和非SCA基准算法。此外,土壤水分特征曲线的参数反演实验进一步验证了CSCA-CBS的实用性和有效性。]]></description>
<pubDate>2025/5/30 18:00:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[周甜，麦雄发，刘利斌，郑贵林]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250112&flag=1]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[CDKM：基于K-means聚类的因果分解方法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250113&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[冗余的条件独立性测试严重影响了基于约束的因果发现方法的效率和准确性。针对这一问题，本研究提出一种基于K-means聚类的因果分解方法(Causal decomposition method based on K-means clustering，CDKM)。CDKM利用K-means聚类将原始因果发现问题划分为多个子因果发现问题，然后再将发现的子因果网络合并，从而得到完整的因果网络。具体来说，CDKM首先利用K-means聚类将原始变量集分割成<i>k</i>个簇；其次在每个簇中加入其他簇中与当前簇相关距离最小的两个节点，得到更新后的<i>k</i>个簇；然后在每个簇上进行因果发现，得到<i>k</i>个子因果网络；最后将所有子因果网络合并得到一个完整的因果网络。CDKM不仅避免了使用高阶条件独立性测试进行分解，还大大减少了冗余的条件独立性测试，相比传统的递归型基于约束的因果发现方法，CDKM可以将原始变量集任意分割。在8个数据集上的实验结果表明，CDKM可以极大地加速因果发现，降低了时间复杂度，且精准度优于基线模型。]]></description>
<pubDate>2025/5/30 18:00:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[韦慧娴，韦程东，陈少凡，何国源，李冶通]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250113&flag=1]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于阿尔奇公式的三维直流电阻率有限元正演]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250114&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为深入分析相关参数对正演响应的影响，本文基于阿尔奇公式(Archie's formula)开展了适用于渗流条件的三维直流电阻率有限元正演。首先，采用非结构四面体网格进行区域离散，实现了地质模型的精确刻画；通过阿尔奇公式构建了孔隙度、含水饱和度等参数与岩石电阻率的内在联系，建立了渗流场的多参数模型。其次，以典型砂岩型模型与砂岩型油水模型为例，开展了系统的数值模拟研究，揭示了不同阿尔奇参数条件下正演视电阻率的响应特征。研究结果表明：孔隙度、含水饱和度、胶结指数和溶液电阻率等因素对三维直流电正演响应的影响不容忽视。基于阿尔奇公式参数与视电阻率的定量关系分析，可为渗流场的深入研究提供参考。]]></description>
<pubDate>2025/5/30 18:00:02</pubDate>
<category><![CDATA[计算科学]]></category>
<author><![CDATA[李源远，张志勇，易柯]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20250114&flag=1]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>