英国bet356亚洲版

信息技术研究生论坛

场次一

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A教室

 

报告题目一：云边协同环境下基于深度强化学习的边缘端缓存优化

报告人：曹翔

报告简介：当前基于多公有云环境的移动边缘计算和物联网场景中，随着边缘端物联网设备的数量规模越来越庞大，5G移动网络的普及以及边缘端物联网设备计算能力的逐渐增强，云端数据中心与边缘物联网设备之间的通信流量也随之倍增，常规的云数据中心越来越难以快速响应用户的海量请求且相互之间的数据协同效率也较低，因此，能够使得云端和边缘协同交互，提高系统运行效率的云边协同系统就成为了行业内的研究热点。我们提出了一种基于DRL的缓存分配和替换方法，将边缘服务器中的存储空间划分为n个大小相等的切片并通过DRL算法合理分配这些空间以实现缓存命中率最大化和上下行流量的最小化，由于缺乏足够的信息来构建全局环境，因此通过在线优化和纯数据驱动的方式来训练和运行我们的算法。

 

 

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A教室

 

报告题目二：基于自注意力机制的日志解析器

报告人：喻思宇

报告简介：日志可以帮助开发人员及时诊断软件系统故障。日志解析器将半结构化日志解析为结构化日志模板，是自动日志分析的第一个组件。然而，几乎所有现有的日志解析器的泛化能力都很差，并且只适用于特定的系统。此外，大多数解析器需要完整的词汇表，因此无法支持词汇表外（OOV）单词。这些限制可能会导致错误的日志分析结果。我们观察到，日志被表示为半结构化的自然语言，我们可以将日志解析视为自然语言处理任务。因此，我们提出了一种新的日志解析器Semlog，它不需要特定系统的领域知识。对于日志，常量和变量词对日志语义的贡献不同。我们对一个基于自我注意的模型进行预训练，以构建它们的语义贡献差异，然后基于预训练模型提取日志模板。我们在16个基准数据集上进行了广泛的实验，结果表明，Semlog在解析精度上优于最先进的解析器9.6%。

 

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A教室

报告题目三：基于知识蒸馏的边缘智能服务推理加速技术

报告人:覃润冰

报告简介：随着新型信息技术和应用的发展，网络连接设备数量、异构数据规模、实时 应用类型等不断增长，传统的云计算模式在可靠性、可持续性、智能性、应用模型等面临新挑战。边缘计算特点是计算资源更接近网络边缘或终端设备，在靠近数据源或用户的地方提供计算、存储等服务，以适应更低时延、更广连接、更智控制等需求，然而目前常用的深度神经网络（ResNet、AlexNet、VGG等）的参数较多，推理过程的计算量也非常大，需要耗费更多的能量和空间知识蒸馏作为一种特殊的模型压缩方法，相比于传统方法在网络结构上对模型进行压缩，知识蒸馏则是通过设计阶段对模型进行限制。需要使用到两个网络模型，一个是预先已经训练完成的复杂且准确度较高的模型，被称为教师模型，一个是未训练的小模型，被称为学生模型，使用知识蒸馏技术实现智能服务的推理加速。

 

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A实验室

报告题目四：基于图结构学习和图注意网络的多元时间序列异常检测

报告人:涂欢

报告简介：在面向智能运维的集群环境中，大量软件与服务被关键性能指标（KPI）采集组件所监控， KPIs作为一种多元时间序列数据，其异常检测对实体的服务质量管理至关重要。近年来，深度学习方法在多元时间序列的异常检测方面有了很大改进。然而，现有方法未充分考虑如何显式地捕获多元时间序列在特征维度和时间维度的关联关系，导致不可避免的异常误报。因此，本报告拟围绕上述问题，讲解图结构学习和图注意力网络在多元时间序列异常检测领域的应用，以达到较低的异常误报率和良好的模型可解释性，且能用于辅助异常诊断和根因分析。

 

 

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A实验室

报告题目五：基于sac模型的边缘缓存技术

报告人：张钰

报告简介：SAC模型是发布于2018年，是强化学习领域近期重要的里程碑。SAC是off-policy的，且使用的是stochastic policy，SAC的一个主要特征是entropy regularization 熵正则化。本次报告基于SAC作者提供的源代码简单明了的分析SAC模型的整体结构，并基于SAC建立一种对工业互联网中瞬态数据的缓存替换策略，对边缘服务器之间的协作缓存进行研究，在网络状态动态变化中保持良好的缓存性能。

 

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A实验室

报告题目六：一种低冗余计算的深度神经网络推理方法

报告人:刘康康

随着自动驾驶、语音助手等诸多新型智能应用的涌现，深度神经网络收到了越来越广泛的关注。深度神经网络模型随着性能的提高也变的越来越大，而“固定深度”的网络架构在推理过程中对于某些简单的实例因“过度推理”出现了冗余计算。早期退出网络作为一种自适应推理的新兴方向受到了广泛的关注，目前许多学者研究了基于早起退出机制的多分支深度神经网络，但多分支网络在当前出口无法退出时会产生额外的工作负载开销，我们提出了一种自适应深度神经网络推理方法，指导深度神经网络推理过程中的执行过程，寻找最优化的退出位置分支，减少平均计算时延和能量损耗；同时在深层网络分支出口使用集成学习提高推理精度。

 

 

 

 

 

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A实验室

报告题目七：移动边缘云中DNN分区和调度的协作式推理加速策略

报告人:徐文秀

报告简介：5G的大规模商用加速了移动边缘计算(MEC)中DNN推理服务的落地。DNN推理作为一种计算与数据密集型智能服务对时延高度敏感。近年来，基于DNN划分的协作式推理调度策略在MEC中取得了较好的服务加速效果。然而，现有协作式推理加速策略往往以牺牲推理精度为代价，且未充分考虑并发请求间的资源竞争关系，无法为用户提供低时延、高精度的推理服务。针对这一挑战，我们利用移动设备(MDs)-边缘服务器(ESs)协作推理方式，将加速问题转化为DNN划分和调度两个过程，提出了一种基于DNN划分和调度的协作式推理服务加速策略，从而最小化服务时延。

 

时间：2022年06月27日（星期一）19:30-21:30

地点：计算机与电子信息学院308A实验室

报告题目八：基于向量维度划分和面积计算的线性相关性算法设计

报告人:庞力源

报告简介：随着测序技术和方法的不断发展以及测序成本不断的降低,越来越多的科学工作者会通过转录组测序得到海量的基因数据,如何对得到的基因数据进行研究和从海量的基因中挖掘出与研究内容相关的基因，成为转录组测序数据研究过程中众人瞩目的关注点。基因共表达（Gene co-expression）是一种使用大量基因表达数据构建基因间的相关性，从而挖掘基因功能的一类分析方法。我们提出一种相关性计算的方法，从两个向量的维度划分和两个向量的散点图空间分布的角度计算两个向量的相关性。本方法致力于克服皮尔逊相关系数（pearson correlation coefficient）易受离群点影响和斯皮尔曼相关系数（Spearman correlation coefficient）只关注向量之间单调性的特点，在皮尔逊相关系数和斯皮尔曼相关系数评价为相关的基因群中发掘高相关的基因，从而更好、更准确的构建基因关系网络，从海量的基因中挖掘出与研究内容相关的基因。

场次二、

时间：2022年6月27日（星期一）13:00-15:00

地点：计算机与电子信息学院一楼报告厅

报告题目一：基于改进Yolov5的热轧带钢缺陷检测

报告人：李顺

报告简介：钢材是一种十分常见的工业原料，在日常生活和工业生产中有着日益广泛的应用。但在实际生产热轧带钢的过程中，会因为生产工艺的缺陷使得热轧带钢表面会出现各种各样的缺陷，如夹杂、划痕、压入氧化皮、裂纹、麻点和斑块等表面缺陷，严重影响了生产产品的质量、外观。传统的热轧带钢检测方法是通过生产工人的肉眼观测，但人工检测容易受主观因素影响，生产实践不够的工人往往会有较低的识别率，有检测速度慢、缺乏一致性等缺点；并且检测工人在光反射下长时间检测对视力影响极大。

近年来深度学习领域技术发展突飞猛进，各大工厂将视线慢慢投入智能化检测的方向，将深度学习应用于工业瑕疵诊断，结合深度学习的方法不仅大大加快了检测速度，检测准确率也会随之提高，并且节省了大量的人工成本，在实际生产中已经得到了广泛的应用。程婧怡等人则基于针对金属表面目标尺寸小、特征不清晰的问题提出了一种改进YOLOv3方法进行缺陷检测。王勇等提出了一种基于YOLOv4的方法对锯材表面活节、死节、裂纹、虫眼等瑕疵进行了检测。相较于其他目标识别算法，热轧带钢缺陷检测的过程中会存在热轧带钢表面缺陷大小不一，且分布不均、原始算法定位困难、瑕疵种类多、一张图像可能存在两种以上的瑕疵、检测过程中可能会有漏检的情况发生，YOLOv5有更快的检测速度与更高的检测精度。

报告题目二：推荐系统中的负采样优化策略研究

报告人：李庆华

报告简介：推荐系统的目的在于根据用户的兴趣爱好向用户进行个性化推荐，以提升用户体验。在推荐场景中，推荐模型主要依赖用户的历史反馈信息来建模用户的兴趣。一般来说，在模型训练过程中，我们需要同时提供正样本和负样本给模型，然后基于损失函数来学习用户和商品的表示，最终完成模型的训练。但在实际推荐场景中，考虑到数据收集的难度，我们很难获取用户的显式反馈信息来确切知道用户喜欢哪些商品，不喜欢哪些商品，绝大部分的数据都是用户的隐式反馈信息。负采样(negative sampling)是从大量的无标签数据中获取负样本标签比较常用的方法。报告详细介绍了负采样目前研究中的不足，提出一种新颖的负样本采样思路。

报告题目三：注意力机制在各类神经网络算法中的应用研究

报告人：龙泉剑

报告简介：首先介绍注意力机制的相关背景和课题来源。在基于神经网络算法中，在计算能力有限的情况下，将计算资源分配给更重要的任务，同时解决信息超载问题的一种资源分配方案。在神经网络学习中，一般而言模型的参数越多则模型的表达能力越强，模型所存储的信息量也越大，但这会带来信息过载的问题。那么通过引入注意力机制，在众多的输入信息中聚焦于对当前任务更为关键的信息，降低对其他信息的关注度，甚至过滤掉无关信息，就可以解决信息过载问题，并提高任务处理的效率和准确性。空间卷积中例如CNN等相关深度神经网络使用注意力机制显著提升网络的性能，序列卷积中例如LSTM等相关序列卷积神经网络在应用注意力机制后有显著的性能提升。

报告题目四 ：基于卷积神经网络的故障检测方法研究

报告人：许亚宁

报告简介：传统的故障诊断方法需要提取故障特征进行故障诊断，在很大程度上依赖于先验知识和专家经验。深度学习算法具有较强的特征提取能力，能够构建深层神经网络，自动学习大量数据样本中的特征，可以直接对故障进行识别和分类。重点研究深度学习中的卷积神经网络和注意力机制，在原有的卷积神经网络结构基础上添加注意力机制，使不同CNN通道的特征映射联系起来，通过注意力机制对卷积后的表达重新加权即改善卷积后的输出，增强有用信息的权重，抑制冗余信息的权重，提高特征的局部特性进而对实验模型进行优化改进，针对传统的卷积神经网络模型进行改进，探索最适合的网络结构模型。

报告题目五：基于SWIPT的MEC分级任务卸载研究

报告人：张泽维

报告简介：为了有效解决当前移动终端设备中随机性任务的不同需求，针对不同的移动用户可能会运行具有不同延迟敏感度的计算密集型应用程序。我们以MEC框架为基础，结合非线性队列调度机制，建立实用型任务分级处理体系，在动态排队模型基础上设置机制规划问题，通过划分不同的任务处理级别，将不同的计算任务进行针对性处理，最大限度满足移动用户在计算卸载时的具体要求。同时，在该系统模型基础上，结合SWIPT技术，在信息传输过程中为移动终端设备补充能量，缓解终端设备因为复杂庞大的计算任务所造成的能量消耗，降低了能量补充的成本，为构建更为复杂且现实的应用场景及计算资源共享的系统模型提供了有效的解决思路。

报告题目六：基于IRS辅助的多天线SWIPT安全传输设计

报告人：董洋帆

报告简介：无线携能同传（SWIPT）技术用一个射频信号同时进行信息解码和能量收集，实现终端能源的自给自足，是有效解决电子设备和移动网络能源受限系统的不可持续能源供应问题的方案。但鉴于SWIPT系统本身特有的网络特性，其内部的无线通信的安全性面临着严峻的挑战。对此，大量低成本无源反射元件组成的智能反射表面（IRS）作为一项有前途的新解决方案被广泛提出。针对SWIPT系统中能量接收节点存在信息容易泄露的问题，通过引入智能反射面IRS，我们设计了一个智能反射面IRS辅助的多天线SWIPT系统。其中发射器（BS）配备了多天线、信息接收器（IDR）和能量接收器（EHR）为单天线或多天线。假设EHR可能是潜在的窃听者（Eve），我们的目标是最大化保密速率以保证系统的安全性，并通过优化算法设计一种安全传输方法。该方法通过优化算法来联合优化发送端的波束成形矩阵即预编码矩阵和IRS的相移矩阵，使系统的保密速率最大化，以达到安全传输的目的。最终，通过仿真实验的结果来验证IRS在增强安全性方面的有效性。

报告题目七：无线携能通信的无人机中继传输策略研究

报告人：许钧智

报告简介：介绍无人机通信技术和无线携能通信技术的发展过程以及研究现状，针对无人机技术和无线携能通信的优劣提出无线携能技术与无人机通信结合的传输策略，设备通过无线充电实现自我维持通信，并且收获能量的还可以提高接入链路的传输稳定性。并对基于无线携能通信的无人机中继研究的下一步发展进行展望。

报告题目八：基于深度强化学习的绿色MEC系统在线卸载策略

报告人：彭璧莹

报告简介：计算卸载是指终端设备将部分或全部计算任务交给云计算环境处理的技术。现有工作多使用启发式算法、凸松弛、深度强化学习进行计算卸载，但前两种无法根据时变无线信道条件优化任务卸载决策和无线资源分配，并且在处理整数变量时不可避免地会遇到性能与复杂性两者权衡的困境。而且，任务卸载分布和资源分配均是类似图形的结构化数据，图神经网络刚好具有网络规模之间基于图的关系推断能力的优势，解决此类问题比起普通神经网络更具有潜力。为了有效解决在快衰落信道、动态任务以及不可预测的绿色能源到达的情况下，实时做出具有依赖性的任务卸载决策，最大化用户效益，同时保证系统的长期稳定性，本次报告将对国内外现有研究进行分析和总结，并提出一种基于深度强化学习的绿色MEC系统在线卸载策略。

场次三、

间：2022年6月27日（星期一）9:00-10：30

地点：计算机与电子信息学院408教室

报告题目一：基于单流和双流CNN的阿尔茨海默症诊断研究

报告人：班艳娇

报告简介：近年来，多模态影像技术已被广泛应用于基于深度学习的阿尔茨海默症（Alzheimer's Disease, AD）诊断研究。然而现有的基于多模态影像的AD研究均采用特征融合策略整合不同模态影像的信息，极大的增加了深度学习模型的参数数量，降低了模型的泛化能力。报告详细介绍了一种新颖的AD诊断方法，将多模态医学影像融合技术与深度学习技术结合，并以获得的融合图像为卷积神经网络模型的输入来进行AD分类任务。在ADNI数据集上的实验表明，所提出的方法能很好地整合多模态影像的信息，提高了AD分类的准确性。此外，相较于特征融合法，所提出的方法具有更少的模型参数，极大减少了计算机资源的浪费和提升了模型的训练速度。

时间：2022年6月27日（星期一）10:30-12：00

地点：计算机与电子信息学院408教室

报告题目二：关键切片处理技术在基于迁移学习的阿尔茨海默症诊断中的应用研究

报告人：班艳娇

报告简介：近年来，二维卷积神经网络(Convolutional Neural Network, CNN)已被广泛应用于基于结构磁共振成像(Structural Magnetic Resonance Imaging, sMRI)的阿尔茨海默病(Alzheimer's disease, AD)诊断。2D CNN具有识别微妙和复杂模式的能力，并在众多研究中取得了不错的结果，但由于缺乏对关键切片的针对性处理，CNN模型的性能有待提高。报告详细介绍了一种基于强度归一化的关键切片处理技术，并将该技术用于AD进行分类，定量评估该技术与常用三种预处理技术对CNN模型性能的影响。在ADNI-1数据集上的实验表明，所提出的方法将测试集的平均准确度提高了约26%。在ADNI1和ADNI2数据集上的独立实验表明，所提出的方法在AD诊断上具有较好的性能。

时间：2022年6月27日（星期一）9:00-10:30

地点：计算机与电子信息学院408教室

报告题目三：机器翻译的发展与面临的问题

报告人：陈婧娴

报告简介：跨越语言的障碍一直是人类的梦想。无论是17世纪中叶大量哲学家关于无歧义语言的词典设计，19世纪“世界语”的设计发明，还是20世纪30年代诞生于法国和苏联的两项翻译机器专利，这一系列工作都体现了人类对突破语言困境的不懈追求。1949年，机器翻译正式成一项为严肃的学术议题。1954年，乔治敦大学与IBM公司合作进行了世界上首次机器翻译的实验。自此之后，机器翻译，大致经历了三次浪潮，本次报告将对此梳理报告。从人工规则驱动到海量数据驱动，从离散符号表示到连续向量表示，背后隐含着人类在人工智能领域对于理性主义与经验主义、符号主义与联结主义的哲学思考，随着机器翻译的不断发展，人类对于“语言”和“智能”，都有了更深入的理解。本报告详细介绍规则机器翻译、统计机器翻译、神经机器翻译三种机器翻译方式并对各自利弊进行分析。

时间：2022年6月27日（星期一）10:30-12：00

地点：计算机与电子信息学院408教室

报告题目四：中日神经机器翻译研究

报告人：陈婧娴

报告简介：首先介绍中日神经机器翻译相关背景和课题来源。神经机器翻译是通过深度神经网络对语料库进行端到端编码和解码的过程，从而建立一个源语言到目标语言的映射。语料是机器翻译的根基，对神经机器翻译来说，规模大且质量高的语料集是非常重要的。但在全世界存在的 5651种语言中，能够获取的资源丰富的平行语料库寥寥无几，绝大部分的双语翻译任务都存在平行语料不丰富甚至稀缺的现象，这种平行语料稀缺的机器翻译任务称为低资源机器翻译任务，中日机器翻译任务就是其中之一。目前低资源神经机器翻译虽然借助各种新颖的方法在一定程度上缓解了资源匮乏、数据稀疏等问题，但距离良好的实用效果仍面临很多实际问题，本报告对中日翻译任务中一些关键问题进行探讨。

时间：2022年6月27日（星期一）8:00-12:00

地点：计算机与电子信息学院408教室

报告题目五：基于FPGA的医学图像边缘检测加速器设计

报告人：李斌

报告简介：边缘检测技术在医学图像处理中起着重要的作用。Sobel算子边缘检测是常用的边缘检测算子之一。目前大多数采用Sobel算子进行医学图像边缘检测的方案都是基于CPU、GPU的。当图像数据量增大时处理速度可能成为一个严重的问题。而FPGA对边缘检测的加速效果是相当显著的。但传统的基于FPGA的Sobel边缘检测方案都是采用硬件描述语言进行开发的，这对开发人员的要求极高，并且对调试是十分不利的。而利用采用C/C++进行编程的ZYNQ系列进行加速可以完美解决以上问题。但目前基于ZYNQ的Sobel算子边缘检测研究，只有水平边缘和垂直边缘的检测。为了提取到更多不同角度的边缘细节，我们提出了一种基于ZYNQ的改进型Sobel算子来检测边缘。对所提出的改进型Sobel算法和常规Sobel算法在CPU和ZYNQ平台上执行时的性能进行了详细的对比和评价。实验表明，所提方案可以提取到更多的边缘细节而且达到了满意的加速效果。

报告题目六：面向医疗物联网的FPGA加速器设计

报告人：李斌

报告简介：物联网在医疗保健领域的整合被称为医学4.0，也称为健康2.0，而专注于医疗应用的物联网也被称为医疗物联网。医疗物联网强调低延迟、低功耗，高安全性和实时操作性。通过引入FPGA技术，可以探索许多机会来提高医疗物联网系统的性能。该研究提出了一个基于FPGA构建硬件加速架构，从而满足医疗物联网的上述要求。所提出的硬件加速架构包含深度学习模型硬件加速架构和医学图像处理算法硬件加速架构。

时间：2022年6月27日（星期一）9:00-10:30

地点：计算机与电子信息学院408教室

报告题目七：基于ZYNQ的区域生长算法硬件加速设计

报告人：苏文俊

报告简介：首先介绍区域生长算法和ZYNQ的相关背景，ZYNQ实现并行加速的方法。通过分析区域生长算法原理，提出了一种用于医学图像处理的高度集成的通用硬件加速器，以有效提高区域生长算法的计算性能并降低FPGA器件的功耗。该设计流水线架构，将图像去噪、边缘检测和图像分割算法集成在一个硬件IP核中，通过并行计算和数据重用，可以有效提高区域生长算法在医学图像处理中的速度。

时间：2022年6月27日（星期一）10:30-12:00

地点：计算机与电子信息学院408教室

报告题目八：基于FPGA的实时边缘检测系统

报告人：苏文俊

报告简介：首先介绍边缘检测算法和ZYNQ的相关背景，ZYNQ实现并行加速的方法。首先利用高斯和sobel卷积和的秩特性，提出了一种高吞吐率复用技术，减少片上资源的使用。其次通过分析公式等效关系，将复杂计算简单化。最后使用一种高吞吐量并行缓存方法，实现并行加速。实验结果表明本文的设计不仅具有较好的加速效果，与基于先进的Intel(R) Core(TM) i7-10700 CPU的软件设计相比，计算性能分别提高了8到10倍。本系统功耗分别减少了83%和62%，功耗也更低，甚至保持几乎相同的精度。与传统设计方案相比，实时性更好，占用逻辑资源更低。

时间：2022年6月27日（星期一）9:00-10:30

地点：计算机与电子信息学院408教室

报告题目九：基于激光视觉传感器的机器人3D视觉定位研究

报告人：覃晓兰

报告简介：工业视觉机器人可以通过所配置的激光传感器对环境进行扫描，得到的数据称为点云。通过数据预处理后可以进行点云数据的配准，配准后的数据可以用来进行工件识别与位姿估计，也能计算工件打磨区域方便后续的打磨抛光工作。首先介绍点云数据以及背影应用，接着详细介绍不同体系的三维点云配准算法，对比其性能，最后展望将其运用于机器人3D视觉定位研究的算法。

时间：2022年6月27日（星期一）10:30-12:00

地点：计算机与电子信息学院408教室

报告题目十：强干扰下求解工业机器人姿态的算法

报告人：覃晓兰

报告简介：融合算法很难运用于工件打磨中，因为加速度计会受到强烈的干扰，因此很难通过融合算法解算出姿态。而角速度具有瞬时稳定的特点，融合角速度的加速度微分信息可以抵抗较强的干扰。考虑通过加速度微分信息作为桥梁求解出较为准确的加速度，再根据加速度信息求解倾角信息，最后展望通过激光传感器做定时采样计算姿态倾角作为真值信息辅助解算工业机器人的姿态算法。

时间：2022年6月27日（星期四）10:30-12:00

地点：计算机与电子信息学院408教室

报告题目十一：高速FTN传输系统的DSP算法研究

报告人：谭伊璇

报告简介：5G网络的大规模商用，促进光纤通信、云计算、物联网等技术发展。在有限的可用带宽下，高频谱效率光传输是高速大容量光通信系统的关键。FTN传输技术突破了传统奈奎斯特速率的限制，在理论上能够取得更高的频带利用率，并且保持误码性能不变。这一提高以增加收发端处理的复杂度为代价，DSP算法面临着所需开销大和通用性较差以及算法有效性与复杂度的矛盾突出等难题。报告详细介绍了DSP单元各个算法原理，针对FTN引入的ISI，对DSP算法进行改进，使其适用于PDM-16QAM FTN系统。在性能上，保证误码率底线的条件下，实现低复杂度的同时得到更高的频谱效率。

时间：2022年6月27日（星期四）9:00-10:30

地点：计算机与电子信息学院408教室

报告题目十二：FTN-16QAM系统载波恢复算法研究

报告人：谭伊璇

报告简介：超奈奎斯特系统凭借高频谱效率、大容量等优势，成为光通信的关键技术。针对超奈奎斯特系统引入码间干扰，使得载波相位估计难度增大的问题，提出一种二阶电域导频辅助载波相位估计方案，将导频辅助相位噪声补偿模块与基于Viterbi的最大似然相位估计模块级联，牺牲约1.7%的带宽开销，可以有效克服超奈奎斯特系统引入的码间干扰，对激光器线宽导致的相位噪声进行准确估计。还介绍了应用于奈奎斯特系统中传统载波恢复算法，总结传统算法的优缺点，与提出的算法进行比较。

场次四、

时间：2022年6月27日（星期一）8:00-12:00

地点：计算机与电子信息学院516

报告题目一：基于红外图像的目标检测方法研究

报告人：高小强

报告简介：目标检测技术作为计算机视觉中的一个相当重要的研究热点，一直以来都广受瞩目，使得其发展相当迅速，其应用范围之广，不止体现在视频监控、自动驾驶等领域上，而且其工业智能化方面亦占据着重要的地位。

近年来，随着深度学习浪潮的掀起，许多领域都受到了该浪潮的冲击，其中图像分类、图像识别等计算机视觉领域更是因此而得到爆发式的发展，目标检测技术就是其中的一种。在深度学习的浪潮推动下，将深度学习应用在目标检测上，已经是不可阻挡的趋势了，因为基于深度学习的目标检测技术能比传统方法的带来更好的效果，以及更快的速度。然而现阶段的目标检测技术大都是针对可见性较高的情况，以及高质量的图片和视频数据，随着社会的发展和人们生活需求的提高，针对各种中低可见性环境的目标检测技术已经变得越来越重要。红外线是一种波长较长的电磁波。任何处于高温的物体都会发出红外光；因此，在夜间或有背光的环境中可以看到其特征。另一方面，如果仅使用红外数据，则探测器无法区分具有相似温度的物体和背景。在这种情况下，RGB图像可以帮助检测对象。

报告题目二：基于微环谐振腔的光子滤波器研究

报告人：赖明彬

报告简介：硅基光子学的研究前景十分广阔，包括波分复用（WDM）及下一代光通信网络、光互连、高性能计算、光存储、微波光子系统等。其中波长分多路复用(WDM)滤波器是扩大长途光通信系统传输能力的关键组成部分。报告介绍目前主要的三种主流的光学滤波器，其中重点讲述MZI-MRRs滤波器，针对三种主流光学滤波器优缺点提出级联微环辅助MZI滤波器新的结构，从数学模型、物理模型的角度对新的结构的性能进行分析，从多个角度对比所提出的结构与原有结构的优劣。并对级联微环辅助MZI滤波器的下一步发展进行展望。

报告题目三：暗光图像增强方法研究

报告人：黄梦源

报告简介： 在低光条件下拍摄的图像通常能见度较差，而低光图像增强(LLIE)旨在提高在低照度环境下捕获的图像的感知或可解释性。介绍该领域的最新进展，进行一个全面的研究报告，涵盖了数据集的发展、传统方法和深度学习方法。重点介绍基于深度学习的解决方案，介绍经典学习策略、网络结构、损失函数、训练数据等。其中详细介绍深度学习方法中Retinex理论——将图像分解为两个部分，一部分(亮度分量)负责调节光线，而另一个部分(反射分量)负责去噪，通过这种方式，原始空间被分解为两个更小的子空间，期望更好的学习。

报告题目四：一种新的反向注册重构网格的视频重定向质量客观评价算法

报告人：卢铭胜

报告简介：介绍重定向视频质量客观评价问题的理论基础、研究难点、国内外研究现状、发展和应用，对视频重定向质量评价方法进行研究，提出一种新的反向注册重构网格的视频重定向质量客观评价算法，改进重构网格的方法，减少重构过程中引入的额外失真，使客观评价结果更符合人眼的视觉感知。

报告题目五：低光照条件下的目标检测方法研究

报告人：覃庆炮

报告简介：目标检测旨在从一幅图像中获取其中包含的物体的类别和位置信息，是高层次计算机视觉领域中的最基本最具挑战性的问题之一。在弱光条件下采集的图像会出现多种退化，包括低对比度、色偏和强噪声等。目前的目标检测技术大都只适用于高质量图像，而对低质量图像如低亮度图像的检测效果不尽人意。随着社会的发展和人们生活需求的提高，针对各种中低可见性环境的目标检测技术已经变得越来越重要。我们提出了一种轻量的、实时的、鲁棒的基于联合低光照图像增强和目标检测的级联模型，有效地提升真实世界中的低光照环境下的目标检测性能。

报告题目六：立体图像的重定向方法研究

报告人：黄悦铭

报告简介：首先介绍立体图像的相关背景和课题来源。近年来，人们对立体图像与视频的关注度逐渐攀升，使得在多种设备中观看立体内容成为一种迫切需求。但是，若直接将平面图像重定向方法应用于立体图像中，忽视立体图像的视差特性，则会造成场景深度的失真。于是，许多研究学者提出了针对立体图像的重定向方法。在对立体图像进行重定向处理时，需考虑到立体图像的特性，从而获取满足用户观感体验的立体图像。因此，研究针对于立体图像的图像重定向算法具有十分重要的理论意义以及实际应用价值。

报告题目七：基于反向配准的ARS图像重定向客观评价指标

报告人：罗媛婷

报告简介：近年来，学者们提出了多种基于内容的图像重定向算法。然而，由于缺少有效的客观图像重定向质量评价算法，限制了图像重定向技术的进一步发展。与传统的图像质量评价不同的是，图像重定向过程中的质量退化是由人为地对图像内容修改造成的。图像重定向质量评价的难点在于图像分辨率与内容的改变，这使得传统的图像质量评价方法无法准确评价图像重定向过程中发生的质量下降。在本次报告中，用了一种基于反向配准的ARS图像重定向客观评价指标。一般认为，图像在重定向过程中发生的失真主要是几何失真，本客观评价指标就致力于衡量这一失真。首先，将图像几何变形的预测问题当作一个反向配准问题来解决，几何变形还原了原始图像重定向到目标尺寸图像的过程。接着，提出一种宽高比相似度指标（ARS），利用局部图像块的变形和视觉重要度图来评价重定向图像的视觉质量。实验在MIT RetargetMe数据库上进行，结果表明，跟现存主流方法相比，本次实验使用的方法评价效果与主观评价的吻合程度更高。

报告题目八：3D视频重定向及其质量评价研究

报告人：蔡凌徽

报告简介：首先介绍3D立体视频重定向及其质量评价的相关背景和课题来源。在2D图像和视频重定向中，cropping、seam carving以及warping算法被普遍用于多媒体信息的重定向操作。传统均匀缩放算法往往没有考虑图像和视频的内容，重定向后的结果往往对图像和视频中的重要对象进行了比较大的挤压，引入失真。而基于cropping、seam carving以及warping算法是该领域的主流方法，但目前在3D视频中，这些方法应用研究较少且仍有许多不足。报告详细介绍了目前这些方法在3D视频重定向领域上的现状，并且介绍2D视频重定向质量评价指标在3D视频重定向上运用的效果。通过与传统的均匀缩放、letterboxing等方法相比，cropping、seam carving以及warping这些方法以更优秀的主客观评价脱颖而出。

场次五、

时间：2022年6月 27日（星期一）10:00-12:00

地点：广西大学西校园西21  腾讯会议号：943778379

会议密码：5054

报告题目一：神经机器翻译求解函数积分和微分方程

报告人：卢林

报告简介：微分方程是自然建模的主要工具之一，在数学、工学、物理等领域发挥着巨大作用。求解复杂问题的偏微分方程都是世界级的难题，我们需要有效的方法来解决这些问题。求解微分方程主要分为：数值解和解析解。在数值解方面。有传统的有限元、有限差分等方法，但求解时往往需要较高精细的离散化，这是非常耗时和具有挑战的。也有基于神经网络函数的逼近能力，通过构造近似解和优化权值方法求解微分方程的新方法。这里，我们考虑解析解。目前自然语言处理已发展的相当成熟，通过将数学表达式变为序列，把数学表达式到表达式映射为序列到序列，利用已发展较为完善的自然语言技术进行微分方程的求解，可在现有的专门硬件上实现、使得计算加速。相比传统的数值方法，具有更少的参数，求解速度更快

报告题目二： 非独立同分布数据的联邦学习算法优化研究

报告人：韦涛

报告简介：联邦学习是一种很有前途的分布式神经网络训练方法。

有两个关键挑战使其与传统的分布式优化区别开来。（1）网络中每个设备上的系统特征的显著可变性（系统异构性），以及（2）网络上不相同的分布式数据库（统计异构性）。具有统计异构性的客户机进行多次本地更新会导致客户机漂移，在单个客户机中产生分歧的更新。这种现象引入了与联邦平均的平均步长的高方差来进行全局更新，这阻碍了收敛到所有客户端的最优平均损失。本报告介绍了一种新颖的算法，通过追踪前几轮全局模型参数的变化指导新一轮的参数更新，已达到联邦学习快速收敛的效果。

报告题目三：基于原子团的代谢路径预测方法研究

报告人：卢吉晓

报告简介：通过计算手段研究生物代谢网络具有效率高、成本低的优点，目前已有的原子追踪搜索代谢路径的方法需要用户在搜索路径的时候定义要追踪的目标原子，导致这些方法无法找到没有目标原子转移的替代路径；已有的基于启发式搜索的方法在路径搜索过程中需要事先指定要排除的代谢物。通过追踪原子团在给定的起始化合物和目标化合物之间的转移轨迹可以在不需要定义要追踪的目标原子的情况下，绕过簇代谢物并找到了生化相关性更强的替代路径。在通过追踪原子团寻找替代路径的同时，利用化合物相似度和反应自由能信息对路径搜索进行引导可以进一步提高路径搜索质量

报告题目四：使用不可靠伪标签的半监督语义分割

报告人：卢家辉

报告简介：半监督学习的核心问题在于有效利用无标注样本，作为有标签样本的补充，以提升模型性能。常规作法是通过样本筛选的方式只留下高置信度的预测结果，将大量的无标签数据排除在训练过程外，这也导致模型训练不充分。本次报告将报告一种名为U2PL的框架，利用不可靠伪标签的替代方法。该框架通过熵来衡量预测结果的可靠与否，将每个不可靠像素推送到由负样本组成的类别队列中，并设法用所有候选像素来训练模型。在各种基准和训练环境下的实验结果表明，该方法优于最先进的替代方法。

时间：2022年6月 28日（星期二）10:00-12:00

地点：广西大学西校园西21 腾讯会议号：261956470

会议密码：3834

报告题目一：基于神经网络算法求解微分方程

报告人：卢林

报告简介：物理学、化学、力学、天文学经济学等科学和工程中遇到的许多问题都与微分方程的数学模型有关，从而研究微分方程的求解具有很强的现实意义。对于大的微分方程，无法找到解析解。因此，需要数值或近似方法来解决它们。传统求解微分方程的数值方法主要包括：龙格库塔、有限元、有限差分和线性单步法、线性多步法等，尽管这些方法提供了很好的近似解，但它们需要通过网格来离散域，这意味着计算微分方程在离散域点的近似值。这在二维或高维问题中可能是具有挑战性的。普遍逼近定理表明，神经网络的本质是逼近一个函数，如果没有对隐藏层的宽度和深度施加约束，神经网络可以逼近任意连续函数。通过构建神经网络逼近微分方程解函数，同时满足边界值和初始值条件。训练后的神经网络，与传统数值求解器的结果略有不同，但求解速度更快。

报告题目二：基于区块链的安全联邦学习方法研究

报告人：韦涛

报告简介：联邦学习（Federated Learning）是在保证大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下、在多参与方和多计算节点之间展开高效率的机器学习的一种新兴人工智能基础技术，与分布式机器学习不同的是联邦学习需要一种去中心化分布式高效系统来保证用户的隐私安全，在保证数据安全和交换、训练效率的前提下进行有效的机器学习。区块链作为一个去中心化、数据加密、不可篡改的分布式共享数据库，可以为联邦学习的数据交换提供数据保密性来对用户隐私进行保障，保证各参与方之间的数据安全，也可以保证多参与方提供数据进行模型训练的数据一致性区块链的价值驱动激励机制也能增加参与方之间提供数据、更新网络参数的积极性。基于区块链的应用优点，目前已经有一些应用区块链的联邦学习系统提出。本报告对联邦学习以及区块链在联邦学习上的应用做了简介。

报告题目三：代谢路径物种和外源酶推荐算法研究

报告人：卢吉晓

报告简介：生物合成是一种很有前途的化学合成方法，然而，由于不同微生物宿主之间的差异，生产目标化学品所需的产量和异源途径也可能因菌株而异。代谢工程的主要挑战之一是为指定的目标化学品生产选择合适的底盘宿主。同时通过考虑酶的催化效率、酶的活性影响因素来推荐更便于实际使用的外源酶。

报告题目四：关于图像风格化迁移的前沿研究

报告人：卢家辉

报告简介：图像风格化是将一张照片渲染成有艺术风格的画作。图像风格化算法的输入有二，分别是内容图和风格图，输出有一个，为风格迁移后的结果图。图像风格化迁移源于纹理建模和图像重建这两个领域。主流的风格化方法一般利用卷积神经网络学习风格和内容表示。但随着Transformer在自然语言处理领域和图像视觉领域的成功。Transformer也逐渐下沉到风格化迁移认任务，并取得了初步的成功。

场次六、

时间：2022年6月27日（星期二）9:00-9:30

地点：北部湾电子与信息工程学院5-208教室

报告题目一：脑电信号处理及情感分析

报告人：金沛原

报告简介：首先介绍脑电信号试验过程和处理等相关背景。主要研究基于不同情感对人的脑电信号各个频段的影响机制。应用脑电波测量技术和实验心理学方法为手段，从神经学、心理声学和音响技术的角度总结在视听场景下不同情感感知对脑电波的影响规律。

时间：2022年6月27日（星期一）10:00-11:00

地点：北部湾大学5教205

报告题目二：Transformer架构的深度学习模型在视觉领域的应用

报告人：韦正曦

报告简介：首先简要介绍深度学习在计算机视觉（CV）领域近些年的前沿研究成果与应用。2017年之后基于自注意力机制（self-attention）的transformer模型使得自然语言处理（NLP）领域取得突破性进展之后，许多学者也开始研究如何让transformer模型迁移泛化到计算机视觉领域.2020年Vision Transformer(ViT)成功将transformer架构引用到CV领域，取得了突破性进展。与基于卷积神经网络（CNN）架构的模型相比，ViT虽然缺少了一些归纳偏置，但是当训练数据集足够大时，模型也能达到SOTA的效果。ViT将图片等分成一个patch的小图加入位置编码后作为token输入原始Transformer模型，并将最开始添加一个用于分类输出的token，完成模型对图片分类预测。一年之后ICCV的最佳论文Swin Transformer中提出了一个全新的Transformer架构用于图像处理，通过固定窗口内做注意力，与滑窗配合掩码操作，使得相较于ViT而言，模型效率有了大幅提升。Swin Transformer作为通用骨干网路（backbone）凭借着优秀的设计，在当时的所有主流计算机视觉任务里，均取得了最好的成绩。

时间：2022年6月28日（星期二）8:00-8:30

地点：北部湾电子与信息工程学院5-208教室

报告题目三：低音对已知情感感知的影响性研究

报告人：金沛原

报告简介：首先介绍低音刺激对已知情感感知的影响的相关背景和课题来源。主要研究基于低频声对人的生理和心理的影响 机制，15-120Hz 范围内的低音对情感感知产生和调节的作用原理。应用脑电波测量技术和 实验心理学方法为手段，从神经学、心理声学和音响技术的角度总结在视听场景下低音刺激 对情感感知的影响规律和应用模式，以及可用于实际影院视听场景环境的低音控感方案。

时间：2022年6月28日（星期二）10:00-11:00

地点：北部湾大学5教205

报告题目四：算力受限设备上部署轻量化视觉模型的研究

报告人：韦正曦

报告简介：简述卷积神经网络（CNN）结构，基于CNN的模型在计算机视觉（CV）领域近些年来的发展。随着深度学习技术的发展，模型变得越来越深、参数与计算量越来越大。2015年，有101层的Resnet网络在ImageNet数据集上的图片识别能力就已经超越了人类的水平。随着模型复杂度不断的增加，模型在各类视觉任务上的表现也取得了很大的提升。但是这些模型都是在不惜计算成本的前提下追求精度，复杂度过高的模型将无法部署带算力受限的边缘或端设别中。所以在智能手机 、Jetson nano、树莓派等端设备模块中，需要寻找模型精度和实时性之间的平衡。轻量化网络就是一些参数效率较高，计算开销所需较小，专门为算力受限设备设计的神经网络。其中在图像设别任务中作为特征提取骨干网络有：Google提出的MobileNet系列、旷世提出的ShuffleNet系列、特征密集链接的DenseNet系列、精度和AlexNet相同，参数量缺少50倍的SqueezeNet。这些神经网络在保证不错的精度的同时，有着非常高的实时性能，利于在算力受限的设别中部署，解决精度要求不是很高的计算机视觉任务。

场次七、

时间：2022年6月28日（星期二）9：00-12：00

地点：计算机与电子信息学院601教室

报告题目一：基于位翻转算法的信念传播极性解码器

报告人：廖兰娟

报告简介：在极化码（Polar codes）的译码算法中，由于连续取消列表(SCL)译码的固有串行特性导致了较长的延迟，因此极性码的信念传播(BP)译码在高吞吐量应用中引起了人们的关注。然而，其纠错性能不如SCL译码。因此，位翻转策略最近被应用于BP译码，它可以通过多次额外的译码尝试来接近SCL译码性能。原始的BP翻转(BPF)译码存在固定翻转集(FS)对错误位的识别不准确，这通过广义BPF(GBPF)译码得到了改进。在近期文献中，GBPF解码被扩展到支持在一次解码尝试中翻转多个位。对于两种类型的解码错误：检测错误和未检测错误，文献提出了两种新的方法来更有效地识别错误位。针对检测到的误差，定义了环集的概念，并在研究BP解码的误差模式的基础上，引入了一种基于环的识别方法。另一方面，提出了一种考虑BP解码下的误码分布，以生成更精确的固定FS的方法。结合这两种方法，合并集(GBPF-MS)解码可以实现SCL-8的性能，对于长度为1024、信息率为1/2的极码，优于最先进的BPF、BPlist和SCflip解码。

报告题目二：改进的CRC-Aided极化码球译码算法

报告人：刘远博

报告简介：极化码由于其在短码长度上的优异性能，最近已被用作第五代无线系统的编码方案。本文提出了一种循环冗余检查(CRC)辅助球译码(CASD)算法，以进一步提高短极性码的性能。它比广泛使用的CRC-aided连续消除列表(CASCL)译码具有更好的性能，并且对CRC长度具有鲁棒性，从而在广泛的码率范围下具有稳定的性能。利用高斯消去法，将CRC中的基本奇偶校验关系转换为等价的新形式。这确保了奇偶校验位可以通过之前的译码位进行唯一判断，而不是在CA-SD期间的冗余搜索。通过这种方法，降低了CA-SD的复杂度。

报告题目三：基于可靠度的低复杂度多元LDPC码译码算法研究

报告人：李昱霖

报告简介：首先介绍人们在对多元LDPC码的设计、构造、性能分析等研究工作中发现。其次介绍基于可靠度的多元LDPC译码算法的信息传递处理机制，译码过程中信息的流向，校验节点和变量节点的信息处理方法。通过改变在变量节点上的计算公式和硬判决的特点，对原有算法进行了改进，仿真出来的结果在误码率和迭代次数上基本吻合，但是改进的算法在迭代时，乘法没有进入迭代可有效降低译码复杂度，减少内存损耗。

报告题目四：基于大数逻辑的多元LDPC译码算法研究

报告人：卢盈盈

报告简介：首先介绍研究基于大数逻辑的多元LDPC译码算法的信息传递处理机制，译码过程中信息的流向，校验节点和变量节点的信息处理方法。通过利用引入汉明距离的大小来给定动态修正系数不同的值，若汉明距离越小，给定的修正系数也就越大，若汉明距离越大，则给定的修正系数就越小，解决了原符号翻转译码算法的复杂度高的问题，在性能与复杂度之间得到折中。

报告题目五：基于随机梯度下降的去相关LMS算法研究

报告人：谢紫

报告简介：自适应滤波相比于线性滤波具有更强的适应性和更优的滤波性能，广泛应用于工程领域。本次报告首先介绍自适应滤波基础算法及其存在的缺点，其次为了解决传统去相关算法在收敛速度和稳态误差之间的权衡问题，提出了基于随机梯度下降（SGD）的变步长更新公式，随后介绍该变步长方式的复杂度计算方法，系统辨识仿真实验表明，相比于传统的仿射投影算法，该算法能够有效的提高收敛速度和降低稳态误差，在非平稳状态下也能够维持较好的跟踪性能。

报告题目六：基于贝叶斯统计理论的自适应滤波算法研究

报告人：宋帆

报告简介：首先介绍自适应滤波算法的相关背景和课题来源。其次，在自适应滤波算法中，自适应滤波算法的核心技术问题主要有稳态误差，收敛速度和抗干扰能力。LMS算法是应用最广泛的一种算法，在此基础上应用贝叶斯理论、最小值滤波法和无偏准则进行研究。贝叶斯理论从模型的稳定性和预测精度两个方面来看，贝叶斯模型优于非贝叶斯模型，估算精度高，这一方法与传统LMS算法相比，无论是从稳定性还是收敛速度方面看，该方法性能均优于传统LMS算法，而且算法的抗干扰能力也得到了极大的提升。

报告题目七：极化码连续删除扰动译码算法

报告人：曾俏丽

报告简介：作为一种可被证明在数学上达到香农限的新型编码技术，极化码有着结构稳定的编码框架，以及简洁的译码程序，一经面世便受到了来自研究学者和企业的广泛关注。尽管极化码的译码程序简单明了，但却存在译码不够准确的缺陷，对极化码的结构进行深入研究后，一些学者通过对译码过程进行改进，在原来的单路径连续删除串行（successive cancellation, SC）译码基础上进行路径拓展，Tal等人提出多路径链表连续删除串行（list successive cancellation, SCL）译码算法，使得极化码的译码性能得到提升，在此基础上，Niu等将极化码与循环冗余校验（circle redundancy check）码进行级联，进一步提升极化码的译码性能。而另一种方法则考虑对译码完成部分进行操作的后译码算法，体现为对译码不正确比特进行翻转操作的连续删除翻转（successive cancellation flip, SCF）译码，以及对接收序列进行加噪并再次译码的连续删除扰动（successive cancellation perturbation， SCP）译码算法。本报告对后译码算法中的连续删除扰动算法进行介绍。

报告题目八：改进的重新选择的基于大数逻辑的多元LDPC算法

报告人：莫莉歆

报告简介：近些年来，LDPC码得到大力发展，已经成为了一种应用广泛的编码方案，相关的理论与技术体系趋于成熟。改进的重新选择IISRB算法，通过使用第二个最有可能的决策，试图帮助解码器摆脱周期点的方法。对符号变换的阈值进行修改，扩大范围，结合原算法经过判断对调两种判决结果并且对调放大两个判决结果可靠度，进行重新排序的思想，使得只有满足条件的节点和有限域符号能参与迭代运算，算法在性能与复杂度之间得到折中。

报告题目九：Polar码HARQ方案技术研究

报告人：周泉

报告简介：极化码(Polar codes)作为第一种可理论证明的信道容量可达编码方案，已经被采纳为5G通信eMBB场景中的控制信道编码方案。混合自动请求重传(Hybrid Automatic Repeat reQuest, HARQ)是一种常用的链路自适应技术，而基于Polar码的HARQ传输方案能够有效提升系统的吞吐率和性能，近年来颇受关注。针对Polar码的CC-HARQ方案性能和吞吐率较差的问题，提出了一种基于多层译码机制(MDCC-HARQ)的重传方案。与CC-HARQ方案不同，当联合译码失败后，接收端并不会直接向发送端请求重传或停止译码，而是构造新的LLR序列进行译码，即提供了额外的译码机会。仿真结果表明，MDCC-HARQ方案相比原始CCHARQ方案能取得0.35~0.4dB的性能增益。此外，在中低信噪比下，所提方案具有更高的吞吐率，并且所需的重传次数更少。

报告题目十：一种具有低复杂度的二元LDPC译码算法

报告人：黄奕俊

报告简介：首先介绍二元LDPC译码算法的相关背景。针对二元LDPC译码算法RBI-MLGD，为了降低其码译的复杂度，在校验节点信息处理过程中，采用基于伴随式的信息处理方式，避免了外信息的计算；在变量节点信息更新过程中，变量节点基于回传的伴随式信息进行可靠度的更新，同时，结合与当前码位相对应的调制映射信息进行可靠度偏移方向的设计。迭代更新时，变量节点采用基于信息匹配的可靠度更新规则。仿真结果表明，在保持译码性能的前提上，所提出的算法具有更低的译码复杂度。

报告题目十一：大规模MIMO系统中基于深度学习的预编码技术研究

报告人：司志巍

报告简介：首先介绍了传统的预编码算法，包括WMMSE、ZF等算法、深度学习的应用等。由于传统的预编码技术计算复杂度较高且性能受信道影响较大，故采用深度学习方法对其进行离线训练，解决了复杂度高等问题，在保证性能的前提下同时兼顾了运算时间。

场次八、

时间：2022年6月28日（星期二）9:00-12:00

地点：计算机与电子信息学院807B教室

报告题目一：基于分布式车联网数据共享激励机制的研究

报告人：张震

报告简介：在车联网时代，随着现代生活中车辆地不断增加，车与车之间的数据共享变得极为重要，安全可靠的数据共享成为一个亟待解决的问题。目前大多数传统的数据共享机制都依赖于第三方机构，从而形成了集中式架构。并且在数据共享过程中，大多数资源提供者不愿意共享自己的资源信息。区块链技术具有去中心化，安全性高，防篡改等一系列优点可以有效解决单点故障问题。并且智能合约的引入可以进一步拓展区块链技术的应用空间。而在积极性问题上问题基于演化博弈论的数据共享策略可以有效解决，以激励车辆在联邦学习过程中积极共享数据。最后对激励过程通过复制动态方程分析稳定策略点。

报告题目二：利用多目标优化解决移动边缘计算卸载问题

报告人：张泽维

报告简介：介绍多目标优化的应用场景与意义，通过采取多目标进化算法解决基于SWIPT-MEC模型架构的卸载问题。在该模型中，其最终目标多为减少系统能耗或降低任务执行时延，但在系统运行过程中这两个目标存在明显的冲突，以往的优化方式大多是构建一个效率模型，通过调节约束减低冲突性。使用多目标优化的方式，可在不增加问题复杂性的基础上，最大限度的权衡二者之间的关系，得到相关的最优解。同时在之后的研究中，我们可以合理添加新的目标函数（如链路之间的传输效率和计算资源的利用率等），完善系统模型，得到更加优化的实验效果。

报告题目三：能效优先的全双工异构携能网络资源分配

报告人：许钧智

报告简介：介绍无线携能通信、混合蜂窝网的发展历程和国内外研究现状。以最大化能效为研究方向，提出能效优先的异构携能蜂窝网络资源分配策略。在满足宏蜂窝小区和毫微小区服务质量要求的条件下，联合优化功率分配和功率分流因子，并为非凸能效优化问题设计一种基于拉格朗日对偶原理和次梯度法双层优化算法。最后通过仿真实验验证所提方案的有效性，并分析层间干扰、能量收集等因素对系统能效的影响。

报告题目四：工业物联网中基于深度强化学习的区块链性能优化方法

报告人：魏双

报告简介：区块链被认为是解决工业物联网（IIoT）中数据安全和效率问题的有效方案，但传统区块链系统无法满足IIoT高事务吞吐量所需的可扩展性要求。其次，在大部分新兴区块链平台中，提高事务吞吐量都牺牲了区块链其他性能指标（比如：分布式、安全或延迟）。为应对这些挑战，本次报告一种基于深度强化学习的区块链性能优化方法。主要内容包括：基于区块链的工业物联网系统背景；区块链可扩展性、分布式、延迟和安全性四个性能方面的量化；基于深度强化学习的区块链性能优化框架。该方法能够有效解决区块链的可扩展性问题，并且同时保证其他性能。

报告题目五：基于偏差补偿归一化最小均方算法研究

报告人：杨淑婷

报告简介：当输入信号被噪声破坏时，会严重影响通信质量。在信号处理领域自适应滤波算法的研究中，不考虑噪声输入，会产生有偏差的参数估计。但估计输入噪声方差的传统方法可能会导致特定情况下的不稳定性。针对噪声输入，本报告中提出了一种保证稳定性的偏差补偿归一化最小均方（BC-NLMS）算法。首先通过研究BC-NLMS算法中平均偏差和均方差的动态特性，分析了BC-NLMS算法的稳定性。最后对输入噪声方差进行估计并调整步长，以实现稳态误差和收敛速度方面的稳定和性能增强。

时间：2022年6月28日（星期二）14：00-17：00

地点：计算机与电子信息学院807B教室

报告题目六：虚拟现实中吹气交互方法研究

报告人：张友鹏

报告简介：随着虚拟现实头戴式显示器迅速被大众观众所使用，人们对新形式的自然输入技术以提高玩家的沉浸感和用户粘性越来越感兴趣。本文提出了利用吹气进行虚拟环境的交互，可以解放用户的双手，缓解手部的疲劳，使用户在虚拟现实体验的过程中更具有沉浸感。我们提出的两种方法是基于常见的耳机麦克风进行吹气检测。基于MFCC+DTW算法的吹气交互方法，不仅具有简单、便捷、可控的特点，且可以更有效地处理用户说话的干扰，提升了识别的准确率，但是简单急促的声音信号会对识别造成一定程度的干扰。本文进一步研究提出的基于LSTM模型得吹气交互方法，可更好地适应环境噪音和不同的用户、设备。

报告题目七：基于“受限延伸棒”的VR文本输入技术研究

报告人：白化龙

报告简介：文本输入是VR人机交互中的重要一个环节，文本输入的体验也影响着用户的虚拟体验。现阶段虚拟现实的交互模态分为手柄、裸手交互、脑机接口、眼动追踪、语音交互、各类特定传感器等。脑机接口，眼动追踪，语音交互以及各类特定传感器等技术的发展给探索新型的文本输入提供了新的思路。裸手交互即不依赖任何额外的硬件，通过与真实手相对应的虚拟手与虚拟的物体进行交互，和人们在真实物理世界使用手的交互方式相似，具有给用户提供更加直观方便且自然的人机交互体验的巨大潜力。探讨现阶段的基于额外硬件辅助和基于裸手的新兴输入方式的优势以及不足，报告提出基于“受限延伸棒”的VR交互文本输入技术能够在保持原有裸手输入习惯的基础上达到不错的文本输入结果，并对后续其他可行性进行展望。

报告题目八：AR设备的手机交互

报告人：郑昱霖

报告简介：首先介绍相关背景和课题来源。在多设备协同提高交互效率的方式中，手机作为一种广泛使用的设备可以有效的增强AR设备的交互性。传统的交互方式有着诸如疲劳和不够精确等的缺陷。而基于手机产生的新型交互方式能在一定程度上改进这种缺陷，且很大程度上节约额外设备所产生的附加成本，但目前研究较少且仍有许多不足。报告详细介绍了一种改进的交互方式通过新方式能有效降低用户疲劳并且一定程度上提升人机交互的效率。

场次九、

时间：2022年6月30日（星期四）8:00-10:00

地点：计算机与电子信息学院807B教室

报告题目一：表征融合的自适应独立性假设非自回归Transformer ASR算法研究

报告人：滕思航

报告简介：首先介绍基于非自回归Transformer的端到端自动语音识别模型的相关背景及其与自回归Transformer和传统ASR模型之间的比较，讨论自回归的解码方式和独立性假设对语音识别结果的准确性产生的影响。之后详细介绍了一种解决方法-自适应独立性假设与语音表示融合的非自回归Transformer端到端中文语音识别模型。在训练期间，引入连接时间主义CTC获取encoder语音高维表示的帧信息，帧信息用于Merger的表征向量融合，获得具有更多语义的decoder输入帧；在解码期间，优化后的模型首先自适应的产生高置信度的独立性标签，再进行word embedding后取代对应的decoder输入帧，从而生成非独立性标签；最后提出了波束搜索的改进版迭代式波束搜索，使其适用于所提出的模型，以进一步提升准确率。最终展示了研究算法的实验结果及模型先进的性能。

报告题目二：一种非均匀雾度的轻量级深度多块分层去雾网络

报告人：李雅

报告简介：首先介绍非均匀图像去雾的相关背景。现有的深度学习去雾方法在图像去雾方面取得了一定的优势，但应用于非均匀去雾时往往会失败。真实雾霾环境中，雾在图像上的分布是不均匀的，薄雾区域和浓雾区域的权重应有所不同。结合图像去雾算法的研究现状，报告从轻量级深度神经网络的设计和多尺度transformer机制的引进两个部分进行介绍。对设计的多层架构，在不同层次上把图像进行分块处理，由多尺度transformer提取丰富的图像特征，注意力模块不平等地对待不同块上的雾度分布，自适应学习特征权重，通过聚合不同层次多个图像块的特征，以达到非均匀去雾的效果。最后将该模型和近年来有代表性的去雾算法进行了实验对比分析，论证了该模型的有效性和竞争力。

场次十、

时间：2022年7月2日（星期六）18:00-21:00

地点：腾讯会议 369-542-464

报告题目一：车载相机采集道路影像的特征点匹配算法研究
报告人：苏豪胜
报告简介：首先介绍特征点匹配的相关背景和课题来源。然后基于区域的图像匹配方法对成像条件、图像形变以及噪声极其敏感，同时具有较高的计算复杂度，从而限制了其应用能力。为解决上述问题，基于特征的图像匹配方法得到了广泛研究。论文从图像中提取的具有物理意义的显著结构特征，包括特征点、特征线或边缘以及具有显著性的形态区域，然后对所提取的特征结构进行匹配并估计变换函数将其他图像内容进行对齐。尽管特征的提取需要额外的算力消耗，但针对整个基于特征的匹配框架而言，由于特征可以看做整张图像的精简表达，减少了许多不必要的计算，同时能够减少噪声、畸变及其他因素对匹配性能的影响。

报告题目二： FCM聚类算法在城市道路交通运行状态分析中的研究

报告人：马昌

报告简介：城市交通运行效率直接影响城市功能的运转，改善道路运行效率的关键是采用科学有效的理论方法获取准确有效的道路交通运行状态信息，并针对性制定交通管理策略和采取有效措施。道路交通具有较强的复杂性，是人、车、路的综合体，需采用合适有效的交通状态判别方法。报告基于深入研究城市道路交通状态相关基本理论，提出了FCM模糊聚类与云模型相结合的城市道路交通运行状态评价方法，将模糊集合的概念加入进体系，使其数据划分方法得到改进，具备柔性的模糊聚类特点，使得交通运行状态评价更加有效。

报告题目三：基于贝叶斯网络的建设工程电子招投标不正当竞争分析
报告人：朱攀
报告简介：由于建设工程电子招投标中的不正当竞争行为难以发现和投标信息难以分析，导致围标串标等违法违规行为屡禁不止，因此有必要对建设工程围标串标的防范治理进行研究，这对于确保建设工程招投标过程的公平竞争以及市场资源优化配置具有重大意义，因此本报告在建设工程项目的历史围标串标案例基础上，构建贝叶斯网络模型，分析得到相似案例所存在的共性特征进而着重关注围标串标的致因源头。

报告题目四：分布式电网中基于区块链技术的高效智能合约实现
报告人：李昊帅
报告简介：传统电网交易的方式为一对多的垄断交易模式，这种集中式交易过于依赖交易中心，存在易受外界攻击、安全隐私系数低、中心节点计算时延较长等缺点。区块链的技术的特性与能源互联网的理念相吻合，成为解决能源交易问题中最有潜力的互联网技术之一。报告中设计的新型高效的分布式电能点对点交易机制，将买卖双方的交易策略部署到智能合约中。交易主体可通过查询区块链的公开信息及时获取市场历史成交记录、交易对象过往交易信用记录等自主调整自身报价，也可采用系统根据市场成交价格和市场博弈波动所给出的最优参考报价，从而提高分布式能源在电力市场中的消费占比，缓解配电网的供电压力。

报告题目五：基于多分类SVM的VIENNA整流器单管开路故障诊断

报告人：韩旭

报告简介：直流充电桩中最为关键的部分是充电模块，其主电路一般采取两级变换结构用来将电网的交流电转换为合适的直流电供给蓄电池充电。前级为整流部分，将电网的交流电整流为直流电提供给后级部分；后级为直流变换部分，用于实现电气隔离和电压变换。 VIENNA整流器通过桥臂上的箝位二极管，将交流侧电感末端电位箝为三种电平状态，大大降低了输入电流的谐波，且使得功率器件在关断时候只承受一半的输出电压，更适合高压场合，VIENNA整流器具有功率器件少、没有桥臂直通危险的优势。

报告题目六：基于总包-分包模式的云制造平台服务组合优化研究

报告人：陈永发

报告简介：首先介绍云制造的概念与云制造平台服务组合模型。随着云制造产业的普及，及云制造任务规模的提升，制造任务也在向大规模、高质量、高效率的方面提出了更高的要求。针对处理大规模制造任务的服务调度，报告详细介绍了一种基于总包-分包模式的云制造服务调度模型，以制造企业的任务吞吐量作为分包量化基准，计算任务的综合制造成本、制造时间，结合信任度指标，对制造任务进行分包。

报告题目七：基于文本上下文感知的向量优化研究
报告人：李小洁
报告简介：一种作用在细粒度情感分析的上下文感知目标和方面向量优化方法。该向量优化方法可以直接和现有的基于神经网络的目标-方面级别情感分析模型相结合，从而解决现有的方法在表示目标和方面时往往会脱离上下文，以及目标和方面在上下文中存在重叠的关联映射关系。将向量优化方法应用到其他自然语言处理任务中，并进一步改善方法的有效性和通用性。

报告题目八：基于boost变换器的改进扰动观察法在光伏MPPT中的应用
报告人：齐高峰
报告简介：首先介绍光伏发电MPPT相关背景和课题来源以及boost变换器建模。扰动观察法作为最常用的传统MPP跟踪方法在具有众多优点的同时也具有一个不可忽视的问题，当采用定步长跟踪时，步长过大会导致跟踪至最大功率点时扰动过大，造成功率损失；步长过小会导致跟踪速度变慢，无法同时兼顾精度和速度。针对上述问题提出了一种变步长扰动观察法，通过与常规扰动观察法比较，证明了改进后的方法可以较好的兼顾精度和跟踪速度。

报告题目九：顾及小目标特征的视频人流量智能统计方法
报告人：李明
报告简介：首先介绍人流量统计方法的相关背景和课题来源，提出了用于小目标检测的 Faster R-CNN 改进算法检测准确率在 Brainwash 数据集和 Pets2009 数据集上分别比原始算法高出 7.31%、10.71%，相较于传统多尺度 特征融合方法效果更优。 设计了双向人流量智能统计算法， 人流量统计指标 F 值在多种场景下均达到了90%以上，相较于以往优秀算法得到了一 定提升，实现了多场景下视频人流量的精确智能统计。

报告题目十：基于机器学习的犯罪预测方法研究
报告人：曾敬
报告简介：信息时代的发展速度加快和社会的进步,违法案件作案手段和情况越来越复杂,反侦察能力越来越强,增加了警方的破案难度。为了提高警方破案效率,机器学习技术应得到公安部门的充分利用。通过基于机器学习的犯罪预测技术,能够从海量的数据中挖掘出重要的违法犯罪线索,为警方惩治犯罪提供依据,并促进社会公平正义。本课题把犯罪预测方法分为经验模型和时空模型两种主要思路，从理论流程到基本方法逐渐展开讨论，探索犯罪发生机制和演化规律的基础上，总结领域的当前研究成果，讨论了存在的问题和未来的研究方向。

欢迎广大师生踊跃参加！