Issue Ebook
cover story
当期目录
Volume 27 Issue 9，2026
常规文章
基于证据理论的数据分类研究综述 AI Introduction
Abstract：数据分类是机器学习与数据分析领域的基础任务，应用场景覆盖诸多行业。在实际应用中，特征区分度低、缺失值、分布偏移、类别不平衡、标签空间不一致、类别重叠等因素都会带来不确定性，而依托概率框架构建的传统分类方法难以显性表达并弱化这类不确定性。证据理论（ET，亦称作Dempster–Shafer理论）通过基本信任分配与证据组合规则，搭建起可对不确定性和模糊性建模的灵活框架，在分类领域受到日益广泛的重视，基于证据理论的数据分类（DCET）随之成为热门研究课题。本文系统性梳理DCET，按照基于特征和基于标签两类不确定性场景对现有方法进行归类。首先，介绍证据理论基础原理，总结证据K近邻分类器及其衍生改进算法；其次，分别梳理高维特征、属性缺失、特征分布偏移、标签分布失衡、标签空间不一致、类别重叠六大不确定性场景下适用于表格数据分类的证据理论方法；继而，阐述证据理论与深度神经网络结合、面向图像这类非结构化数据的分类方案；此外，归纳了人体行为识别、医学图像分割、遥感影像分类、遥感影像变化检测等代表性应用场景；最后，探讨了DCET未来研究方向。Keywords：证据理论;不确定数据分类;信任函数;证据推理;D-S理论;多源多源信息融合17|5|0Updated：2026-10-08常规文章
针对多模态推荐的解耦提示引导混合专家动态蒸馏机制 AI Introduction
Abstract：多模态推荐旨在利用视觉和文本特征来丰富用户偏好建模。然而，集成高维的预训练特征不可避免地引入了显著的计算开销。尽管知识蒸馏提供了一种有效的模型压缩策略，但现有框架仍面临3个相互交织的挑战：由低维投影引发的表示秩瓶颈、由共享融合空间导致的跨模态干扰以及在静态蒸馏温度下固有的优化不稳定性。为解决上述问题，本文提出了一种带有动态温度调度机制的解耦提示引导混合专家框架——ProMoE-DTS。在非对称的师生架构中，教师模型将感知模态的软提示作为语义锚点，引导异构特征独立路由至参数互斥的专家网络中，从而有效缓解跨模态冲突并打破秩瓶颈。为确保知识平稳传递，本文设计了一个反馈驱动的动态温度调度器，能够根据逐轮的训练误差信号自适应调节蒸馏强度。这种非对称设计将繁重的多模态计算完全限制在离线教师端，使得在线部署的学生模型仅保留极其高效的纯标识符结构。在3个基准数据集上的大量实验表明，相较于当前最先进的基线模型，ProMoE-DTS的Recall@20指标提升了2.24%–3.96%，且仅需占用教师模型3.28%–3.55%的参数量。Keywords：多模态推荐;知识蒸馏;提示微调;混合专家系统;动态温度调度9|5|0Updated：2026-10-08常规文章
SigmaGait：面向基于深度步态识别的剪影引导运动增强模型 AI Introduction
Abstract：激光雷达（LiDAR）采集的精确深度数据能显著提升步态识别性能。然而，这些深度数据较为粗糙，且缺乏清晰的分割边界，导致在判断人体精确动作和体型时产生更多的歧义，从而削弱模型学习判别步态相关特征的能力。针对上述问题，提出一种新颖的面向基于深度步态识别的剪影引导运动增强模型，称作SigmaGait。该模型利用剪影的清晰边界与均匀前景，以增强模型对局部区域运动模式及细粒度外观特征的认知能力。此外，针对缺乏LiDAR传感器的场景，探索了一种利用RGB彩色数据的伪深度生成方案。采用现成的蒙皮多人线性模型（SMPL），将估计得到的人体网格渲染成伪深度图，从而缩小普通摄像机与LiDAR步态识别方法之间的性能差距。在多个真实与生成数据集上对所提方法进行系统评估，包括换衣行人重识别与步态识别（CCPG）、SUSTech1K以及FreeGait。实验结果表明，所提模型在真实LiDAR数据上取得当前最先进性能，而伪深度图尽管源自合成数据，仍能显著提升该模型在二维数据集上的识别精度。Keywords：步态识别;深度;蒙皮多人线性模型（SMPL）;激光雷达（LiDaR）;伪深度7|3|0Updated：2026-10-08常规文章
基于关系感知的大规模点云地点识别网络 AI Introduction
Abstract：目前已有的基于点云的地点识别方法主要依赖单点或局部区域的特征表示，对局部邻域中的关系信息建模不足，难以学习具有判别性的关系模式，因而在几何结构相似场景中的识别性能受限。针对上述问题，本文提出一种基于关系感知的大规模点云地点识别网络RA-Net，通过协同建模局部关系特征与全局上下文信息，学习高判别性的场景表示。首先，设计空间关系特征提取（SRFE）模块，通过学习关系感知权重并自适应聚合邻域特征，在综合考虑特征差异和空间偏移的基础上，有效挖掘局部邻域中的关系模式，增强局部特征的判别能力。其次，引入全局特征提取（GFE）模块，通过融合全局信息与点级特征，充分利用全局上下文信息，进一步提升场景表示能力。实验结果表明，RA-Net能够生成更具判别性的全局描述符，在4个公开基准数据集上均取得了优于现有方法的地点识别性能，并在未见场景中展现出良好的泛化能力。Keywords：关系感知;点云;地点识别;深度学习7|4|0Updated：2026-10-08常规文章
社会雷达多普勒：基于社交媒体的危机早期预警多场景验证 AI Introduction
Abstract：社交媒体已成为复杂社会事件风险感知的重要数据来源，但现有预警方法多依赖热度峰值、任务特定语义标签或可观测传播结构，对危机形成前的传播节律变化关注不足。本文提出一种面向社交媒体危机早期预警的无监督在线检测框架。该框架将异构社交行为聚合为统一的社会强度序列，并通过因果平滑、变化率提取、滚动分位阈值、持续性约束和冷却机制，检测相对于历史基线的异常加速传播阶段。与传统强度驱动方法相比，该方法更关注是否正在加速逼近风险状态而非当前是否已经达到高热度；与语义和结构驱动方法相比，该方法对标注、本体和完整传播图的依赖更弱。基于俄乌危机微博舆论数据集和豆瓣电影短评数据集的严格因果回放实验表明，该框架能够在较低告警干扰下较早捕捉关键事件前的聚集性上升过程，并在不同场景中表现出一定的结构可复用性。研究结果说明，传播动力学变化检测可为复杂社会系统中的在线早期预警提供一种轻量、可解释且可迁移的实现路径。Keywords：社交媒体;危机早期预警;在线异常监测;因果动力学;社会雷达多普勒5|4|0Updated：2026-10-08常规文章
基于预设性能的机械臂自适应固定时间跟踪控制 AI Introduction
Abstract：机械臂常因动力学不确定性导致定位精度不足，现有大部分控制算法难以兼顾快速响应和高跟踪精度，并且依赖复杂的动力学模型计算，限制了核心算法的部署应用。本文提出面向机械臂动力学不确定性的实时跟踪控制方法，其能够平衡整体控制性能、计算复杂度与参数设置，适合直接部署在计算资源有限的嵌入式硬件上，无需进行复杂的动力学计算或学习逼近。首先设计了无模型的自适应延时估计器，用于估计并补偿机械臂的广义不确定动力学，其增益矩阵直接由跟踪误差的滑模变量幅值进行更新，以实现优异的整体性能。其次设计了具有预设性能的自适应固定时间非奇异终端滑模控制器，在预先设定的固定时间内镇定机械臂跟踪误差。该控制器参数通过解析推导的表达式确定了固定收敛时间的上界，实际整定时间都能自动得到保证，不受初始条件影响。同时瞬态响应速度和稳态跟踪精度由预设性能约束，从而提升机械臂在实时作业任务中的加工质量和效率。此外，进一步设计了跟踪控制器增益的自适应更新律，保证闭环控制系统的固定时间稳定性，同时消除动力学不确定性或其估计误差上确界的先验知识。该机械臂跟踪控制方法因参数整定便捷、计算负担小而易于实现，其有效性已通过仿真和实验验证。Keywords：自适应延时估计;自适应固定时间控制;动力学不确定性;预设性能;机械臂;跟踪控制8|4|0Updated：2026-10-08常规文章
面向飞行数据细粒度无人机异常检测的动态趋势感知 AI Introduction
Abstract：随着无人机（UAV）的广泛应用，确保其安全性和可靠性变得日益重要。数据驱动的异常检测方法在UAV健康监测领域表现出色。既有研究虽能从高维飞行数据中提取时空特征，却往往侧重于复杂的多维相关性，忽视了单维数据的内在特性，导致对单变量内在信息的监管不足。因此，单个飞行变量中的细微偏差可能会被主导性的多维特征所掩盖，从而限制模型区分细粒度异常与正常飞行状态的能力。针对这一问题，本文提出一种用于细粒度UAV异常检测的新型动态趋势感知框架——F-UAD。F-UAD旨在协同实现单变量特征保留、多维耦合特征提取与动态趋势感知，从而能够检测UAV飞行数据中的细微偏差并识别细粒度异常。在训练阶段，动态趋势感知模块包含（1）多尺度时空特征重构，以平衡独立的单变量特征保留与全面的多维耦合特征提取以及（2）基于分解飞行趋势的动态趋势预测，以增强对复杂时间演变过程的感知能力。在测试阶段，该框架结合重构一致性与动态趋势一致性来计算异常分数，进而提升正常与异常飞行状态之间的区分度。实验结果表明，在AirLab故障与异常（ALFA）真实飞行数据集的6个子集上，F-UAD框架优于当前最先进的方法，有效提升了UAV的可靠性。Keywords：异常检测;多变量时间序列;无监督异常检测;无人机（UAV）;飞行数据4|1|0Updated：2026-10-08常规文章
堆叠智能超表面辅助的多基地感知与协作通信 AI Introduction
Abstract：堆叠智能超表面（SIM）近年来已成为通感一体化领域一种极具潜力的硬件架构，其优势在于能够以较低功耗实现波域信号处理。本文研究了一种由SIM辅助的多基地通感一体化系统，其中，多个配备SIM的基站由中央处理单元统一协调，以同时支持下行通信和目标感知。在所考虑的系统架构中，各基站被配置为发射节点或接收节点，从而实现用户联合服务、目标照射以及协作式回波处理。为刻画通信性能与感知性能之间的相互影响，构建了一个联合设计优化问题，在满足面向特定目标的感知质量约束、发射功率约束以及SIM硬件约束的条件下，最大化通信系统的总速率。该非凸优化问题涉及发射功率分配、发射端和接收端SIM相移以及集中式感知接收波束形成器的耦合优化。为解决这一问题，结合加权最小均方误差重构、广义瑞利商最大化和黎曼流形优化，提出一种高效的交替优化算法。数值结果表明，所提方案在通信与感知性能之间实现了良好平衡，并优于代表性基准方案。Keywords：堆叠智能超表面;通感一体化;多基地感知;协作通信;波域波束赋形4|1|0Updated：2026-10-08常规文章
面向不确定图拓扑时频分析的期望图希尔伯特变换 AI Introduction
Abstract：本文提出期望图希尔伯特变换（EGHT），该方法是希尔伯特变换在图拓扑结构不确定性条件下对图信号的一种鲁棒性拓展。通过将图移位算子建模为随机变量，并以其数学期望作为稳定谱基，EGHT对非直流分量傅立叶谱施加π/2相移，从而在不确定性图结构上构建解析信号。文中给出无向图和有向图对应的EGHT定义，推导了该变换的线性、反对合性和正交性等核心性质，同时构造了适用于图节点调制分析的期望图解析信号。实验结果表明，EGHT在噪声环境下优于传统图希尔伯特变换，能够还原相干振荡、生成平滑相位场并抵御拓扑扰动。因此，该方法可为随机网络环境下的可靠时频分析提供支撑。Keywords：图信号处理;希尔伯特变换;解析信号;概率图;期望移位算子;不确定性拓扑3|0|0Updated：2026-10-08
- 地址：浙江杭州 天目山路148号，浙江大学出版社 邮编：310028
- 联系电话：+86-571-88273162 Email：fitee@zju.edu.cn
- 浙江大学出版社 © 2000—2025 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0