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).

Frontiers of Information Technology & Electronic Engineering

ISSN 2095-9184 (print), ISSN 2095-9230 (online), monthly

2020 Vol.21 No.12 P.1671-1814

Cover:

<590>

Contents:

<911>

<<< CONTENTS >>>

Special Feature on Cooperative Multi-UAV Systems
(Guest Editor: Bin XIN)

Review Article: A review of cooperative path planning of an unmanned aerial vehicle group

Hao Zhang, Bin Xin, Li-hua Dou, Jie Chen, Kaoru Hirota

DOI: 10.1631/FITEE.2000228 Downloaded: 3750 Clicked: 4762 Cited: 0 Commented: 0(p.1671-1694) <Full Text> <PPT> 1377

Chinese summary <42> 無人機群協同路徑規劃研究綜述

張昊¹，辛斌¹，窦麗華¹，陳傑^1,2，Kaoru HIROTA^1,3
¹北(běi)京理工(gōng)大(dà)學自動化學院，中(zhōng)國北(běi)京市，100081
²複雜(zá)系統智能控制與決策國家重點實驗室，中(zhōng)國北(běi)京市，100081
³東京理工(gōng)大(dà)學計算智能和系統科學系，日本東京市，1528550

摘要：作爲無人機技術的一(yī)個前沿分(fēn)支，無人機群協同在執行搜索救援、消防、偵察、監視等複雜(zá)而廣泛的任務中(zhōng)，在功能性和靈活性上都表現出顯著優勢，因此在民用和軍事領域得到越來越多關注。協同路徑規劃是無人機群共同執行任務的關鍵問題。本文試圖對無人機群協同路徑規劃的研究作全面回顧。首先，從任務、無人機群和環境3個要素出發，提出一(yī)個廣義的協同路徑規劃問題優化框架，作爲對不同類型的協同路徑規劃問題進行綜合分(fēn)類的基礎。基于該框架，進一(yī)步提出一(yī)種分(fēn)類法，對現有協同路徑規劃問題分(fēn)類，以便用統一(yī)方式描述不同類型協同路徑規劃問題。接着，在分(fēn)類法基礎上，對近年來的協同路徑規劃研究作回顧和統計分(fēn)析，并重點介紹現有協同路徑規劃研究中(zhōng)的協同要素。此外(wài)，提供一(yī)系列具有挑戰性的協同路徑規劃問題，以突出未來研究方向。

關鍵詞組：無人機群；協作；路徑規劃；優化問題

Multi-UAV collaborative system with a feature fast matching algorithm

Tian-miao Wang, Yi-cheng Zhang, Jian-hong Liang, Yang Chen, Chao-lei Wang

DOI: 10.1631/FITEE.2000047 Downloaded: 3650 Clicked: 4546 Cited: 0 Commented: 0(p.1695-1712) <Full Text> <PPT> 1436

Chinese summary <33> 具有快速匹配特征算法的多無人機協作系統

王田苗¹，張以成¹，梁建宏¹，陳陽²，王超磊³
¹北(běi)京航空航天大(dà)學機械工(gōng)程及自動化學院，中(zhōng)國北(běi)京市，100191
²龍岩大(dà)學物(wù)理與機電工(gōng)程學院，中(zhōng)國龍岩市，364000
³北(běi)京電子工(gōng)程總體(tǐ)研究所複雜(zá)産品智能制造系統技術國家重點實驗室，中(zhōng)國北(běi)京市，100040

摘要：針對多無人機協同任務，基于新的分(fēn)布式結構建立一(yī)套實時的單目同步定位與地圖創建（SLAM）框架。該SLAM框架與其他一(yī)般SLAM框架主要有兩點不同：首先它不以建立全局地圖爲目标，而是着眼于估算無人機最新的相鄰位置關系；其次系統中(zhōng)沒有中(zhōng)央化結構，每個飛行器擁有獨立的計算測量地圖和自運動估計器，通過自身地圖與相鄰無人機地圖間的關系計算相對位置。爲實時實現以上性能，設計一(yī)套新的特征描述與匹配算法，以避免由于無人機數量變多導緻的特征數據計算壓力災難性擴張。基于哈希與主成分(fēn)分(fēn)析，将匹配算法的時間複雜(zá)度從O(log N)優化至O(1)。爲評估性能，将算法在多視角的立體(tǐ)數據集上進行驗證，取得良好結果。最後，通過仿真與真實飛行試驗，測試整體(tǐ)系統可行性。

關鍵詞組：多無人機；協作；同步定位與地圖創建；特征描述與匹配

Energy-efficient trajectory planning for a multi-UAV-assisted mobile edge computing system

Pei-qiu Huang, Yong Wang, Ke-zhi Wang

DOI: 10.1631/FITEE.2000315 Downloaded: 2315 Clicked: 5077 Cited: 0 Commented: 0(p.1713-1725) <Full Text> <PPT> 1347

Chinese summary <31> 多無人機輔助移動邊緣計算系統能量有效的軌迹規劃

黃佩秋¹，王勇¹，王可之²
¹中(zhōng)南(nán)大(dà)學自動化學院，中(zhōng)國長沙市，410083
²諾桑比亞大(dà)學計算機信息科學系，英國紐卡斯爾市，NE18ST

摘要：本文研究多無人機輔助移動邊緣計算系統，該系統中(zhōng)無人機可作爲邊緣服務器爲物(wù)聯網設備提供計算服務。本文目标是通過規劃無人機軌迹将系統能耗最小(xiǎo)化。規劃無人機軌迹不僅要考慮停靠點的訪問順序，還要考慮停靠點的布局（包括其數量和位置）以及無人機與停靠點的關聯。爲解決該問題，提出一(yī)個3階段的能量有效軌迹規劃算法。第一(yī)階段采用種群大(dà)小(xiǎo)可變的差分(fēn)進化算法，同時更新停靠點的數量和位置。第二階段采用k均值聚類算法将給定停靠點聚類爲一(yī)系列子組，其中(zhōng)子組數目等于無人機數目，且每個子組中(zhōng)包含一(yī)個無人機需要訪問的所有停靠點。第三階段提出一(yī)種低複雜(zá)度的貪婪方法用于快速獲取每個子組中(zhōng)停靠點的訪問順序。最後，在一(yī)組不同規模的實例上驗證所提出算法的有效性。

關鍵詞組：多無人機；移動邊緣計算；軌迹規劃；差分(fēn)進化算法；k均值聚類算法；貪婪算法

Regular Papers

Review Article: Deep reinforcement learning: a survey

Hao-nan Wang, Ning Liu, Yi-yun Zhang, Da-wei Feng, Feng Huang, Dong-sheng Li, Yi-ming Zhang

DOI: 10.1631/FITEE.1900533 Downloaded: 3136 Clicked: 4985 Cited: 0 Commented: 0(p.1726-1744) <Full Text> <PPT> 1405

Chinese summary <29> 深度強化學習綜述

王浩楠，劉苧，章藝雲，馮大(dà)偉，黃峰，李東升，張一(yī)鳴
國防科技大(dà)學并行與分(fēn)布處理國家重點實驗室，中(zhōng)國長沙市，410000

摘要：深度強化學習已成爲人工(gōng)智能研究中(zhōng)最受歡迎的主題之一(yī)，已被廣泛應用于端到端控制、機器人控制、推薦系統、自然語言對話(huà)系統等多個領域。本文對深度強化學習算法和應用進行系統分(fēn)類，提供詳細論述，并将現有深度強化學習算法分(fēn)爲基于模型的方法、無模型方法和高級深度強化學習方法。之後，全面分(fēn)析探索、逆強化學習和遷移強化學習等高級算法的進展。最後，概述當前深度強化學習的代表性應用，并分(fēn)析4個亟待解決的問題。

關鍵詞組：強化學習；深度強化學習；強化學習應用

Review Article: Classical and state-of-the-art approaches for underwater image defogging: a comprehensive survey

Jing-chun Zhou, De-huan Zhang, Wei-shi Zhang

DOI: 10.1631/FITEE.2000190 Downloaded: 2333 Clicked: 4508 Cited: 0 Commented: 0(p.1745-1769) <Full Text> <PPT> 1260

Chinese summary <30> 經典和先進的水下(xià)圖像去(qù)霧方法綜述

周景春，張得歡，張維石
大(dà)連海事大(dà)學信息科學技術學院，中(zhōng)國大(dà)連市，116026

摘要：在水下(xià)場景中(zhōng)，成像系統獲取的視頻(pín)和圖像質量嚴重下(xià)降，影響目标的檢測和識别。因此，從模糊的視頻(pín)和圖像中(zhōng)恢複真實場景具有重要意義。由于懸浮粒子對光線的吸收和散射作用，獲取的圖像往往能見度低，存在偏色、對比度低、噪聲和模糊等問題。本文旨在對水下(xià)圖像去(qù)霧的重要技術進行分(fēn)類和比較，爲本領域研究人員(yuán)分(fēn)析當前研究現狀。通過廣泛的文獻調研，首先分(fēn)析水下(xià)圖像退化原因和水下(xià)光學成像模型。将現有水下(xià)圖像去(qù)霧方法分(fēn)爲3類，包括水下(xià)圖像複原方法、水下(xià)圖像增強方法和基于深度學習的去(qù)霧方法。然後，總結水下(xià)圖像客觀質量評價方法，并對經典和當前流行的水下(xià)圖像去(qù)霧方法的性能進行比較分(fēn)析。最後指出當前水下(xià)圖像複原和增強技術存在的不足，展望未來的7個研究方向。

關鍵詞組：水下(xià)圖像去(qù)霧；複原方法；增強方法；評價指标

SPSSNet: a real-time network for image semantic segmentation

Saqib Mamoon, Muhammad Arslan Manzoor, Fa-en Zhang, Zakir Ali, Jian-feng Lu

DOI: 10.1631/FITEE.1900697 Downloaded: 2508 Clicked: 4232 Cited: 0 Commented: 0(p.1770-1782) <Full Text> <PPT> 1237

Chinese summary <22> SPSSNet：一(yī)種用于圖像語義分(fēn)割的實時網絡

Saqib MAMOON¹，Muhammad Arslan MANZOOR¹，張發恩²，Zakir ALI¹，陸建峰¹
¹南(nán)京理工(gōng)大(dà)學計算機科學與工(gōng)程學院，中(zhōng)國南(nán)京市，210094
²創新奇智，中(zhōng)國北(běi)京市，100080

摘要：深度神經網絡（DNNs）雖已在語義分(fēn)割領域取得極大(dà)成功，但要實現實時推理仍然是一(yī)項巨大(dà)挑戰。大(dà)量特征通道、參數與浮點運算極大(dà)延緩了網絡的推理速度，導緻無法滿足諸如機器人控制、自動駕駛等實時任務要求。現有大(dà)多數方法是通過犧牲空間分(fēn)辨率來加速推理，往往導緻推理結果準确率下(xià)降。針對此問題，提出一(yī)種新的輕量級階段池化語義分(fēn)割網絡（SPSSN）。該網絡可以保留淺層學習得到的重要特征并在後續層中(zhōng)重複使用。SPSSN以2048×1024的全分(fēn)辨率圖像作爲輸入，網絡模型僅包含1.42×10⁶參數。在無預訓練情況下(xià)，在Cityscapes數據集上可達到69.4%的mIoU精度，推理速度則可達到每秒59幀。由于SPSSN結構輕巧，它可以在移動設備上實時運行。最後，爲驗證本文方法有效性，與當前最優網絡進行了對比。

關鍵詞組：實時語義分(fēn)割；階段池化；特征再利用

Asymmetric pixel confusion algorithm for images based on RSA and Arnold transform

Xiao-ling Huang, You-xia Dong, Kai-xin Jiao, Guo-dong Ye

DOI: 10.1631/FITEE.2000241 Downloaded: 2261 Clicked: 4358 Cited: 0 Commented: 0(p.1783-1794) <Full Text> <PPT> 1322

Chinese summary <26> 基于RSA和Arnold變換的非對稱圖像混淆算法

黃小(xiǎo)玲，董友霞，焦開(kāi)心，葉國棟
廣東海洋大(dà)學數學與計算機學院，中(zhōng)國湛江市，524088

摘要：提出一(yī)種新的基于Rivest-Shamir-Adleman（RSA）公鑰密碼系統和Arnold映射的非對稱像素混淆算法。首先，爲解決Arnold映射參數對稱分(fēn)布問題，采用RSA非對稱算法生(shēng)成兩組Arnold映射變換參數。其次，将圖像分(fēn)成圖像塊，并利用第一(yī)組參數對各圖像塊進行Arnold混淆。然後，使用第二組參數對整個圖像進行Arnold混淆。從而，充分(fēn)削弱圖像相關性，進一(yī)步提高圖像混淆程度和效果。試驗結果表明，相比于基于經典Arnold映射混淆和基于行列交換混淆，本文所提圖像像素混淆算法具有更好混淆效果。具體(tǐ)來說，灰度差的值均接近于0。另外(wài)，新的混淆操作安全性依賴于RSA，可作爲密碼學中(zhōng)混淆-替換結構的一(yī)部分(fēn)。

關鍵詞組：Rivest-Shamir-Adleman（RSA）；Arnold映射；像素混淆；非對稱算法；圖像混淆

A local density optimization method based on a graph convolutional network

Hao Wang, Li-yan Dong, Tie-hu Fan, Ming-hui Sun

DOI: 10.1631/FITEE.1900663 Downloaded: 2329 Clicked: 4315 Cited: 0 Commented: 0(p.1795-1803) <Full Text> <PPT> 1405

Chinese summary <23> 一(yī)個基于圖卷積神經網絡的局部密度優化方法

王浩^1,2，董立岩^1,2，範鐵虎³，孫銘會^1,2
¹吉林大(dà)學計算機科學與技術學院，中(zhōng)國長春市，130012
²吉林大(dà)學符号計算與知(zhī)識工(gōng)程教育部重點實驗室，中(zhōng)國長春市，130012
³吉林大(dà)學儀器科學與電氣工(gōng)程學院，中(zhōng)國長春市，130012

摘要：基于圖卷積神經網絡的半監督圖分(fēn)析（GCN）方法已取得成功。然而，該方法忽略了圖中(zhōng)節點的某些局部信息，說明GCN數據預處理不夠完善，訓練産生(shēng)的模型不夠精确。因此，在基于圖嵌入技術的多個非監督方法中(zhōng)，對輸入數據局部信息的采集非常重要。本文将基于相似鄰接度假設的局部分(fēn)析方法應用到圖卷積網絡，并給出局部密度的定義；該方法被稱作LDGCN。LDGCN通過兩種不同方法處理圖卷積網絡的輸入數據，即非平衡方法和平衡方法。被處理後的輸入數據包含更詳細的結點局部信息，訓練所生(shēng)成的模型更準确。通過GCN原理介紹LDGCN的實現，然後使用3個主流圖數據集（Cora，Citeseer和Pubmed）驗證其有效性。最後，通過節點分(fēn)類實驗與多個主流圖分(fēn)析方法對比，結果表明LDGCN算法有更好表現。

關鍵詞組：半監督學習；圖卷積網絡；圖嵌入；局部密度

Target tracking methods based on a signal-to-noise ratio model

Dai Liu, Yong-bo Zhao, Zi-qiao Yuan, Jie-tao Li, Guo-ji Chen

DOI: 10.1631/FITEE.1900679 Downloaded: 2260 Clicked: 5278 Cited: 0 Commented: 0(p.1804-1814) <Full Text> <PPT> 1276

Chinese summary <22> 基于信噪比模型的目标跟蹤算法

劉代^1,2，趙永波¹，袁子喬²，李傑濤²，陳國際²
¹西安電子科技大(dà)學雷達信号處理國家重點實驗室，中(zhōng)國西安市，710071
²西安電子工(gōng)程研究所，中(zhōng)國西安市，710100

摘要：傳統目标跟蹤算法中(zhōng)測角誤差和測距誤差取經驗值，量測噪聲爲常數。本文分(fēn)析測角誤差和測距誤差的影響因素，發現它們都與目标信噪比相關。于是建立雷達信噪比模型，将信噪比信息應用到目标跟蹤算法。結合先進的非線性濾波算法，提出利用信噪比的擴展卡爾曼濾波（SNR-EKF）算法和利用姿态角的不敏卡爾曼濾波（SNR-UKF）算法。SNR-EKF和SNR-UKF相比位置精度差距不大(dà)，但在計算耗時上SNR-EKF算法較優，速度精度上SNR-UKF占優。仿真結果表明，利用信噪比的目标跟蹤算法相比傳統的EKF、UKF算法目标跟蹤性能得到很大(dà)提高，體(tǐ)現在跟蹤精度顯著提高，收斂速度顯著加快。

關鍵詞組：信噪比模型；目标跟蹤；角度誤差；距離(lí)誤差；非線性濾波