Journal of Zhejiang University

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), 1.604 (2019), 2.161 (2020), 2.526 (2021).

Journal of Zhejiang University SCIENCE C

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

2014 Vol.15 No.2 P.81-160

<<< 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: 2874 Clicked: 7076 Cited: 2 Commented: 0(p.81-90) <Full Text> <PPT> 2177

Chinese summary <71> 在線社交網絡内動态群組查詢

研究目的：在線社交網絡的動态群組形成具有在線即時、信息突發和傳播迅速等特點，在大(dà)數據環境下(xià)及時發現有用的群組内的信息，是本專業的一(yī)項富有挑戰性的工(gōng)作。本文引用描述用戶關系的邏輯模型(Follow Model，簡稱“粉絲模型”)，結合文章映射和化簡(MapReduce)概念，探讨映射關注和化簡粉絲(MapFollowee & ReduceFollower)機制在Hadoop系統聯機實現的算法。
創新要點：在線社交網絡的研究缺乏使用和方便的基礎理論模型，粉絲模型(Follow Model)的建立，爲研究動态群組查詢和微博轉發預測等提供有效的元模型。結合映射和化簡(MapReduce)理念，本文算法爲在線社交網絡動态群組的查詢，即大(dà)數據的動态查詢，提供并行計算的實用性算法。
方法提亮：組成粉絲模型（Follow Model）的各類函數把微博用戶關系簡潔和準确地描述出來，同時具備以下(xià)三個特點：反對稱與對稱性、可擴展性和可組合性。這些特性的靈活應用，形成本文提出的兩大(dà)類查詢算法：反對稱關系查詢算法（reverse relation）和高階關系查詢算法（high-order relation）。
重要結論：本文研究在線社交網絡，特别是Twitter和新浪微博平台的動态群組形成機理，提出描述用戶間關系的邏輯模型，即粉絲模型。将此模型結合映射和化簡理念，提出對這些動态群組信息查詢的并行算法。特别是通過對Twitter平台内兩個群組信息查詢的實際檢驗，展示大(dà)數據環境下(xià)本文算法的有效性。

關鍵詞組：粉絲模型，Hadoop，映射和化簡，信息查詢，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: 15326 Clicked: 10777 Cited: 6 Commented: 1(p.91-106) <Full Text> <PPT> 2639

Chinese summary <51> 用于三維CAD模型分(fēn)類的深度學習方法

研究目的：模型分(fēn)類對于工(gōng)程領域中(zhōng)三維CAD模型的有效管理和重用非常關鍵。由于三維CAD模型分(fēn)類固有的複雜(zá)性，難以通過設計一(yī)定的規則實現模型自動分(fēn)類。因此，一(yī)些學者采用機器學習技術解決三維CAD模型的自動分(fēn)類問題。受傳統機器學習技術的制約，已有方法效果并不理想，無法應用于實際工(gōng)業生(shēng)産。近年來，深度學習取得了突破性進展，在圖像分(fēn)類、自然語言處理、語音識别等領域獲得了不錯效果。本文探索利用機器學習領域的最新研究成果——深度學習技術，對工(gōng)程領域中(zhōng)常見的三維CAD模型進行自動分(fēn)類。
創新要點：利用深度學習技術，模拟工(gōng)程師人工(gōng)識别三維零件的三個主要環節，構建了CAD模型的自動分(fēn)類器；采用多種行之有效的訓練策略，得到具有較好泛化性能的分(fēn)類器。
研究方法：基于深度學習的三維CAD模型分(fēn)類方法的主要步驟爲：從制造企業獲取足夠的樣本數據，構建三維CAD模型數據集；分(fēn)析CAD領域的特點，選取合适的三維模型描述符進行特征提取，并處理爲輸入向量；利用深度學習技術模拟工(gōng)程師人工(gōng)識别工(gōng)程零件的過程，設計分(fēn)類器的拓撲結構并選擇相應的組成元素，構建深層神經網絡分(fēn)類器；采用多種實用的訓練技巧，使訓練得到的分(fēn)類器的自由參數取值盡可能逼近全局最優解，避免過拟合。
重要結論：實驗數據表明，将深度學習技術與CAD領域知(zhī)識結合，能夠取得滿意效果。深層神經網絡分(fēn)類器在測試集上的分(fēn)類誤差率低，足以滿足工(gōng)業生(shēng)産的需求。

關鍵詞組：CAD模型分(fēn)類；設計重用；機器學習；神經網絡

Transfer active learning by querying committee

Hao Shao, Feng Tao, Rui Xu

DOI: 10.1631/jzus.C1300167 Downloaded: 2993 Clicked: 7520 Cited: 1 Commented: 0(p.107-118) <Full Text> <PPT> 1917

Chinese summary <38> 采用專家問詢方法的主動遷移學習算法研究

研究目的：在分(fēn)類學習中(zhōng)，我(wǒ)們往往面臨着匮乏的類标信息，而對無類标數據進行分(fēn)類又(yòu)會耗費(fèi)大(dà)量人力物(wù)力，同時大(dà)量老舊(jiù)信息得不到充分(fēn)應用，造成資(zī)源浪費(fèi)。一(yī)個典型例就是對突發新疾病的診斷，如H7N9禽流感病毒，從發現病症到确診，需要經過很長時間，其中(zhōng)重要原因是，當新疾病出現時，往往隻有極少數确診病例，而且對病情信息所知(zhī)甚少，由于沒有經驗數據，确診新病症極爲困難，導緻大(dà)量病人被當作普通流感治療，從而耽誤了救治的黃金時間。因此，針對大(dà)量疑似病例，需要盡快做出正确診斷以挽救病人生(shēng)命。如果依靠醫生(shēng)對每一(yī)個疑似病例進行詳細分(fēn)析診斷，将會浪費(fèi)寶貴的醫療資(zī)源和時間，耽誤亟待确診患者的救治。我(wǒ)們注意到，醫院保存了大(dà)量其他疾病的數據庫。因此，探讨如何利用已有數據（例如普通流感或肺炎數據庫），輔助醫生(shēng)進行未知(zhī)的類似病症的診斷，具有更加重要的現實意義。本研究主要利用遷移學習理論，對舊(jiù)數據進行信息提取，同時借助專家系統，進一(yī)步提升其精确性，從而在快速得到準确結果的同時節省大(dà)量稀缺資(zī)源。
創新要點：采用專家系統和混合模型，進一(yī)步優化遷移學習方法。在借助專家指導的過程中(zhōng)，主動學習（active learning）理論可以更好提供最有價值的數據集。因此，本研究引入專家系統對遷移算法的輔助方法設計，以及使用主動學習理論來進行未知(zhī)數據的人工(gōng)選擇，以彌補遷移學習算法在初始數據集匮乏的情況下(xià)性能不足的弱點。
研究手段：将大(dà)量冗餘數據（源數據）作爲專家系統，在叠代過程中(zhōng)設置阈值，淘汰不符合條件的專家以及數據集合，可以大(dà)大(dà)提升算法性能。
重要結論：主動學習和遷移學習的結合，能夠補償遷移學習算法對初始數據集質量的高度依賴，避免負面遷移并大(dà)大(dà)提升算法性能。

關鍵詞組：遷移學習，主動學習，分(fēn)類，數據挖掘

A pruning algorithm with L_1/2 regularizer for extreme learning machine

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

DOI: 10.1631/jzus.C1300197 Downloaded: 3458 Clicked: 7770 Cited: 3 Commented: 0(p.119-125) <Full Text> <PPT> 2175

Chinese summary <45> 利用L1/2正則化進行極端學習機的網絡修剪算法

研究背景：1. 神經網絡有着廣泛的應用，但收斂速度慢(màn)、精度低，影響了它的發展。相較于傳統的神經網絡，極端學習機克服了這些缺點，它不僅提供更快的學習速度，而且隻需較少的人工(gōng)幹預，這些優點使得極端學習機得到了廣泛應用。2. 相比于L1和L2正則化，L1/2正則化的解具有更好的稀疏性；而與L0正則化相比，它又(yòu)更容易求解。
創新要點：将L1/2正則化方法與極端學習機結合，利用L1/2正則化較好的稀疏性，修剪極端學習機的網絡結構。
方法提亮：極小(xiǎo)化的目标函數中(zhōng)含有L1/2範數，當權值變得較小(xiǎo)時，其導數值會較大(dà)。爲了阻止權值過快增長，提出一(yī)個可變學習率。
重要結論：數據實驗表明，相比于原始的極端學習機算法和帶L2正則化的極端學習機算法，帶L1/2正則化的極端學習機算法不僅擁有較少隐節點，并且擁有更好泛化能力。

關鍵詞組：極端學習機，L1/2正則化，網絡修剪

An analytical model for source code distributability verification

Ayaz Isazadeh, Jaber Karimpour, Islam Elgedawy, Habib Izadkhah

DOI: 10.1631/jzus.C1300066 Downloaded: 2983 Clicked: 7368 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: 3753 Clicked: 9585 Cited: 5 Commented: 0(p.139-146) <Full Text>

Chinese summary <56> 基于神經動态優化的注塑過程伺服液壓系統模型預測控制

研究目的：提出一(yī)種注塑過程伺服電機驅動定量泵液壓系統，解決注塑過程的節能問題，針對注塑過程液壓系統壓力流量的耦合、精确控制難題，提出一(yī)種基于神經動态優化的模型預測方法，實現注塑過程液壓系統的精确閉環控制。
創新方法：由于在線優化的速度和計算能力限制，目前模型預測控制主要應用于控制器性能高、反應過程較慢(màn)的大(dà)型過程控制系統。本文将基于神經動态優化的模型預測控制應用于注塑成型過程，利用神經動态優化的在線并行優化處理能力，提高了優化速度，使得模型預測控制可以應用于較快響應的動态過程控制。
研究手段：建立了注塑過程伺服驅動定量泵液壓系統模型，并将其轉化爲非線性投影系統形式，然後采用基于神經動态優化的模型預測控制方法對其進行精确控制，解決了快速響應過程的模型預測控制快速在線優化問題，克服了注塑過程中(zhōng)外(wài)界的幹擾，實現了精确閉環控制。
重要結論：由于神經網絡并行處理和分(fēn)布式計算特點，基于神經動态優化的模型預測控制使得優化速度滿足注塑成型過程的精确模型預測控制。模型預測控制可以擴展到一(yī)類變化較快對象的控制。

關鍵詞組：神經動态優化，注塑成型，模型預測控制，伺服液壓系統

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: 2529 Clicked: 7613 Cited: 2 Commented: 0(p.147-152) <Full Text> <PPT> 2325

Chinese summary <37> 基于輔助模型和有限脈沖響應模型的雙率Box-Jenkins系統随機梯度辨識算法

研究目的：對具有雙率特性的Box-Jenkins模型提出基于輔助模型的修正随機梯度算法。将複雜(zá)的Box-Jenkins模型簡化爲兩個有限脈沖模型，并利用輔助模型辨識出系統損失的輸出數據和未知(zhī)噪聲向量，接着利用修正的随機梯度算法辨識出系統的參數。仿真結果驗證了方法的有效性。
研究手段：利用有限脈沖響應模型将複雜(zá)的Box-Jenkins模型轉化成兩個有限脈沖響應模型。雙率系統的輸出存在丢失情況，而傳統的多項式轉換技術是通過多項式轉換技巧轉換系統模型使其适合雙率情形，但這樣會導緻待辨識參數維數的增大(dà)。本文通過損失數據估計方法插補丢失的輸出數據，使其适合單率情形。損失數據估計方法的基本思想是，通過前一(yī)時刻參數和前一(yī)時刻信息向量辨識出當前時刻損失的輸出，進而利用當前時刻信息向量刷新未知(zhī)參數，兩者交替進行。該方法不會增加待辨識參數維數，因而辨識效果較好。
重要結論：1. 采用有限脈沖方法，将複雜(zá)的Box-Jenkins模型轉化成兩個簡單的有限脈沖模型。2. 利用損失數據估計方法辨識出系統丢失的數據和未知(zhī)的噪聲向量。3. 利用辨識出的數據能計算出帶有有色噪聲幹擾的原系統的參數。4. 不會造成待辨識參數維數增大(dà)。

關鍵詞組：參數估計，輔助模型，雙率系統，随機梯度，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: 3356 Clicked: 7190 Cited: 1 Commented: 1(p.153-160) <Full Text>