Current Issue: <FITEE>

Frontiers of Information Technology & Electronic Engineering (former title: Journal of Zhejiang University SCIENCE C (Computers & Electronics), 2010-2014)

ISSN 2095-9184 (print); ISSN 2095-9230 (online); CN 33-1389/TP; Monthly.


FITEE is an international peer-reviewed journal indexed by SCI-E, Ei Compendex, DBLP, IC, Scopus, JST, CSA, etc. It covers research in Electrical and Electronic Engineering, including Computer Science, Information Sciences, Control, Automation, Telecommunications, and related disciplines.

Impact factor: 0.308 (2011), 0.297 (2012), 0.380 (2013), 0.415 (2014), 0.392 (2015), 0.622 (2016), 0.910 (2017), 1.033 (2018).

 


Journal of Zhejiang University SCIENCE C

ISSN 1869-1951(Print), 1869-196x(Online), Monthly

<<<                         CONTENTS                         >>>

Computer & Automation

Querying dynamic communities in online social networks

Li Weigang, Edans F. O. Sandes, Jianya Zheng, Alba C. M. A. de Melo, Lorna Uden

DOI: 10.1631/jzus.C1300281 Downloaded: 1546 Clicked: 3274 Cited: 2 Commented: 0(p.81-90) <Full Text>   <PPT>  843

Chinese summary   <55>  在线社交网络内动态群组查询

研究目的:在线社交网络的动态群组形成具有在线即时、信息突发和传播迅速等特点,在大数据环境下及时发现有用的群组内的信息,是本专业的一项富有挑战性的工作。本文引用描述用户关系的逻辑模型(Follow Model,简称“粉丝模型”),结合文章映射和化简(MapReduce)概念,探讨映射关注和化简粉丝(MapFollowee & ReduceFollower)机制在Hadoop系统联机实现的算法。
创新要点:在线社交网络的研究缺乏使用和方便的基础理论模型,粉丝模型(Follow Model)的建立,为研究动态群组查询和微博转发预测等提供有效的元模型。结合映射和化简(MapReduce)理念,本文算法为在线社交网络动态群组的查询,即大数据的动态查询,提供并行计算的实用性算法。
方法提亮:组成粉丝模型(Follow Model)的各类函数把微博用户关系简洁和准确地描述出来,同时具备以下三个特点:反对称与对称性、可扩展性和可组合性。这些特性的灵活应用,形成本文提出的两大类查询算法:反对称关系查询算法(reverse relation)和高阶关系查询算法(high-order relation)。
重要结论:本文研究在线社交网络,特别是Twitter和新浪微博平台的动态群组形成机理,提出描述用户间关系的逻辑模型,即粉丝模型。将此模型结合映射和化简理念,提出对这些动态群组信息查询的并行算法。特别是通过对Twitter平台内两个群组信息查询的实际检验,展示大数据环境下本文算法的有效性。

关键词组:粉丝模型,Hadoop,映射和化简,信息查询,Twitter微博

A deep learning approach to the classification of 3D CAD models

Fei-wei Qin, Lu-ye Li, Shu-ming Gao, Xiao-ling Yang, Xiang Chen

DOI: 10.1631/jzus.C1300185 Downloaded: 10883 Clicked: 4986 Cited: 6 Commented: 1(p.91-106) <Full Text>   <PPT>  806

Chinese summary   <34>  用于三维CAD模型分类的深度学习方法

研究目的:模型分类对于工程领域中三维CAD模型的有效管理和重用非常关键。由于三维CAD模型分类固有的复杂性,难以通过设计一定的规则实现模型自动分类。因此,一些学者采用机器学习技术解决三维CAD模型的自动分类问题。受传统机器学习技术的制约,已有方法效果并不理想,无法应用于实际工业生产。近年来,深度学习取得了突破性进展,在图像分类、自然语言处理、语音识别等领域获得了不错效果。本文探索利用机器学习领域的最新研究成果——深度学习技术,对工程领域中常见的三维CAD模型进行自动分类。
创新要点:利用深度学习技术,模拟工程师人工识别三维零件的三个主要环节,构建了CAD模型的自动分类器;采用多种行之有效的训练策略,得到具有较好泛化性能的分类器。
研究方法:基于深度学习的三维CAD模型分类方法的主要步骤为:从制造企业获取足够的样本数据,构建三维CAD模型数据集;分析CAD领域的特点,选取合适的三维模型描述符进行特征提取,并处理为输入向量;利用深度学习技术模拟工程师人工识别工程零件的过程,设计分类器的拓扑结构并选择相应的组成元素,构建深层神经网络分类器;采用多种实用的训练技巧,使训练得到的分类器的自由参数取值尽可能逼近全局最优解,避免过拟合。
重要结论:实验数据表明,将深度学习技术与CAD领域知识结合,能够取得满意效果。深层神经网络分类器在测试集上的分类误差率低,足以满足工业生产的需求。

关键词组:CAD模型分类;设计重用;机器学习;神经网络

Transfer active learning by querying committee

Hao Shao, Feng Tao, Rui Xu

DOI: 10.1631/jzus.C1300167 Downloaded: 1464 Clicked: 3581 Cited: 1 Commented: 0(p.107-118) <Full Text>   <PPT>  523

Chinese summary   <22>  采用专家问询方法的主动迁移学习算法研究

研究目的:在分类学习中,我们往往面临着匮乏的类标信息,而对无类标数据进行分类又会耗费大量人力物力,同时大量老旧信息得不到充分应用,造成资源浪费。一个典型例就是对突发新疾病的诊断,如H7N9禽流感病毒,从发现病症到确诊,需要经过很长时间,其中重要原因是,当新疾病出现时,往往只有极少数确诊病例,而且对病情信息所知甚少,由于没有经验数据,确诊新病症极为困难,导致大量病人被当作普通流感治疗,从而耽误了救治的黄金时间。因此,针对大量疑似病例,需要尽快做出正确诊断以挽救病人生命。如果依靠医生对每一个疑似病例进行详细分析诊断,将会浪费宝贵的医疗资源和时间,耽误亟待确诊患者的救治。我们注意到,医院保存了大量其他疾病的数据库。因此,探讨如何利用已有数据(例如普通流感或肺炎数据库),辅助医生进行未知的类似病症的诊断,具有更加重要的现实意义。本研究主要利用迁移学习理论,对旧数据进行信息提取,同时借助专家系统,进一步提升其精确性,从而在快速得到准确结果的同时节省大量稀缺资源。
创新要点:采用专家系统和混合模型,进一步优化迁移学习方法。在借助专家指导的过程中,主动学习(active learning)理论可以更好提供最有价值的数据集。因此,本研究引入专家系统对迁移算法的辅助方法设计,以及使用主动学习理论来进行未知数据的人工选择,以弥补迁移学习算法在初始数据集匮乏的情况下性能不足的弱点。
研究手段:将大量冗余数据(源数据)作为专家系统,在迭代过程中设置阈值,淘汰不符合条件的专家以及数据集合,可以大大提升算法性能。
重要结论:主动学习和迁移学习的结合,能够补偿迁移学习算法对初始数据集质量的高度依赖,避免负面迁移并大大提升算法性能。

关键词组:迁移学习,主动学习,分类,数据挖掘

A pruning algorithm with L1/2 regularizer for extreme learning machine

Ye-tian Fan, Wei Wu, Wen-yu Yang, Qin-wei Fan, Jian Wang

DOI: 10.1631/jzus.C1300197 Downloaded: 2077 Clicked: 3830 Cited: 3 Commented: 0(p.119-125) <Full Text>   <PPT>  856

Chinese summary   <29>  利用L1/2正则化进行极端学习机的网络修剪算法

研究背景:1. 神经网络有着广泛的应用,但收敛速度慢、精度低,影响了它的发展。相较于传统的神经网络,极端学习机克服了这些缺点,它不仅提供更快的学习速度,而且只需较少的人工干预,这些优点使得极端学习机得到了广泛应用。2. 相比于L1和L2正则化,L1/2正则化的解具有更好的稀疏性;而与L0正则化相比,它又更容易求解。
创新要点:将L1/2正则化方法与极端学习机结合,利用L1/2正则化较好的稀疏性,修剪极端学习机的网络结构。
方法提亮:极小化的目标函数中含有L1/2范数,当权值变得较小时,其导数值会较大。为了阻止权值过快增长,提出一个可变学习率。
重要结论:数据实验表明,相比于原始的极端学习机算法和带L2正则化的极端学习机算法,带L1/2正则化的极端学习机算法不仅拥有较少隐节点,并且拥有更好泛化能力。

关键词组:极端学习机,L1/2正则化,网络修剪

An analytical model for source code distributability verification

Ayaz Isazadeh, Jaber Karimpour, Islam Elgedawy, Habib Izadkhah

DOI: 10.1631/jzus.C1300066 Downloaded: 1725 Clicked: 3784 Cited: 0 Commented: 0(p.126-138) <Full Text>

Model predictive control of servo motor driven constant pump hydraulic system in injection molding process based on neurodynamic optimization

Yong-gang Peng, Jun Wang, Wei Wei

DOI: 10.1631/jzus.C1300182 Downloaded: 2135 Clicked: 4089 Cited: 5 Commented: 0(p.139-146) <Full Text>

Chinese summary   <40>  基于神经动态优化的注塑过程伺服液压系统模型预测控制

研究目的:提出一种注塑过程伺服电机驱动定量泵液压系统,解决注塑过程的节能问题,针对注塑过程液压系统压力流量的耦合、精确控制难题,提出一种基于神经动态优化的模型预测方法,实现注塑过程液压系统的精确闭环控制。
创新方法:由于在线优化的速度和计算能力限制,目前模型预测控制主要应用于控制器性能高、反应过程较慢的大型过程控制系统。本文将基于神经动态优化的模型预测控制应用于注塑成型过程,利用神经动态优化的在线并行优化处理能力,提高了优化速度,使得模型预测控制可以应用于较快响应的动态过程控制。
研究手段:建立了注塑过程伺服驱动定量泵液压系统模型,并将其转化为非线性投影系统形式,然后采用基于神经动态优化的模型预测控制方法对其进行精确控制,解决了快速响应过程的模型预测控制快速在线优化问题,克服了注塑过程中外界的干扰,实现了精确闭环控制。
重要结论:由于神经网络并行处理和分布式计算特点,基于神经动态优化的模型预测控制使得优化速度满足注塑成型过程的精确模型预测控制。模型预测控制可以扩展到一类变化较快对象的控制。

关键词组:神经动态优化,注塑成型,模型预测控制,伺服液压系统

Stochastic gradient algorithm for a dual-rate Box-Jenkins model based on auxiliary model and FIR model

Jing Chen, Rui-feng Ding

DOI: 10.1631/jzus.C1300072 Downloaded: 1147 Clicked: 3429 Cited: 2 Commented: 0(p.147-152) <Full Text>   <PPT>  855

Chinese summary   <21>  基于辅助模型和有限脉冲响应模型的双率Box-Jenkins系统随机梯度辨识算法

研究目的:对具有双率特性的Box-Jenkins模型提出基于辅助模型的修正随机梯度算法。将复杂的Box-Jenkins模型简化为两个有限脉冲模型,并利用辅助模型辨识出系统损失的输出数据和未知噪声向量,接着利用修正的随机梯度算法辨识出系统的参数。仿真结果验证了方法的有效性。
研究手段:利用有限脉冲响应模型将复杂的Box-Jenkins模型转化成两个有限脉冲响应模型。双率系统的输出存在丢失情况,而传统的多项式转换技术是通过多项式转换技巧转换系统模型使其适合双率情形,但这样会导致待辨识参数维数的增大。本文通过损失数据估计方法插补丢失的输出数据,使其适合单率情形。损失数据估计方法的基本思想是,通过前一时刻参数和前一时刻信息向量辨识出当前时刻损失的输出,进而利用当前时刻信息向量刷新未知参数,两者交替进行。该方法不会增加待辨识参数维数,因而辨识效果较好。
重要结论:1. 采用有限脉冲方法,将复杂的Box-Jenkins模型转化成两个简单的有限脉冲模型。2. 利用损失数据估计方法辨识出系统丢失的数据和未知的噪声向量。3. 利用辨识出的数据能计算出带有有色噪声干扰的原系统的参数。4. 不会造成待辨识参数维数增大。

关键词组:参数估计,辅助模型,双率系统,随机梯度,Box-Jenkins模型

Electronic Engineering

High-speed, fixed-latency serial links with Xilinx FPGAs

Xue Liu, Qing-xu Deng, Bo-ning Hou, Ze-ke Wang

DOI: 10.1631/jzus.C1300249 Downloaded: 1856 Clicked: 3125 Cited: 1 Commented: 1(p.153-160) <Full Text>

Journal of Zhejiang University-SCIENCE, 38 Zheda Road, Hangzhou 310027, China
Tel: +86-571-87952783; E-mail: cjzhang@zju.edu.cn
Copyright © 2000 - Journal of Zhejiang University-SCIENCE