作者须知

作者向本刊所投稿件一经本刊录用,则该论文的复制权、发行权、信息网络传播权、翻译权、汇编权等权利视为自动转让给本刊。本刊为国内各主要数据库收录刊,本刊所发表的稿件将同时通过因特网进行网络出版或提供信息服务,本刊一次性支付作者著作权使用费(包括印刷费、光盘版和网络版等各种使用方式的费用)。如有异议,请来稿时声明,本刊将做适当处理。     

建筑工业化发展的多群体演化博弈与仿真研究

新型建筑工业化具有高质量、低消耗、可循环发展等特征，其推广已上升到国家战略层面。利用演化博弈方法，建立“政府-开发商-银行” 的三方动态演化博弈模型，进行各博弈主体策略的演化稳定性分析，并针对初始状态、奖惩力度、借贷风险和开发成本等对演化结果的影响进行动态仿真。在此基础上， 考虑开发商群体的网络拓扑特征对演化真实性的影响，引入复杂网络理论， 以无标度网络为载体描述开发商个体的连接偏好和决策机制，构建政府监管下的建筑工业化扩散模型，并通过仿真深入研究相关因素对扩散深度的影响作用，最后结合仿真结果给出相应对策建议。     

基于网络的决策支持系统在水资源管理中的应用

综述了决策支持系统(DSS)与基于网络的决策支持系统(Web-based DSS)在水资源管理中的应用概况,通过对二者进行比较,指出Web-based DSS具有便于系统更新维护、降低用户使用门槛、扩展用户沟通渠道等优势。对Web-based DSS涉及的基础应用开发、多源信息采集与集成、多模块并行耦合、决策效果评估等关键技术进行了分析,探讨了Web-based DSS在多源异构大数据环境下面临的问题与挑战。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

主存高效的公交网络路径规划索引

在公交时间表下给定起始和目标站点,路径规划查询返回一组到达时间早和换乘次数少的帕雷托最优路径.现有的索引方法需要大量运行时内存.本文提出主存空间高效的索引方法(a-)PAINT.(a-)PAINT对每个站点v预计算一组标签,使得对于从站点s到站点d的查询可以通过匹配s和d相关的标签高效地生成查询结果的一条路径.PAINT对任意查询返回最优路径.a-PAINT只需要很小的预处理开销,但可能返回多一趟换乘的次优路径.用真实的公交时间表与模拟查询测试,PAINT具有合理的预处理开销.a-PAINT需要更少量的预处理开销,在大规模公交网络下准确率达90％.     

美国网络空间领域战略思想及发展重点研究

美军将网络空间视为继陆、海、空、天外的第五大作战域,并将其列为国防部11项现代化优先事项之一,在美国等军事大国推动下,网络空间成为国家安全竞争和军事斗争的新疆域.文中对近年美国联邦政府、各部门及各军种发布的网络空间领域主要战略政策、规划计划进行梳理,研究其主要战略思想;分析美军2022财年国防预算、研究经费投向投量及重点项目的 研发情况.形成的研究成果将对我国网络空间安全领域研究提供技术支撑.     

基于GNSS的广电发射塔状态监测技术研究

随着全球卫星导航系统(Global Navigation Satellite System,GNSS)技术的迅速发展,定位精度持续优化,其应用范围越来越广.为了突破单基站载波相位差分(Real Time Kinematic,RTK)技术带来的局限性,网络RTK技术应运而生.网络RTK技术使设备在基准站网络覆盖范围内实现精准定位,因此在各个传统行业中的应用越来越广泛.广播电视的信号发射环节非常重要,由于广电发射塔一般地处高山地区,维护维修不便.基于此,设计一种基于网络RTK定位技术的高精度发射塔状态监测方法,可以在保证广电信号安全优质播出方面发挥重要作用.     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。