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

2022 Vol.23 No.12 P.1733-1880

Cover:

<240>

Contents:

<209>

<<< CONTENTS >>>

Regular Papers

Review: Technology trends in large-scale high-efficiency network computing

Jinshu SU, Baokang ZHAO, Yi DAI, Jijun CAO, Ziling WEI, Na ZHAO, Congxi SONG, Yujing LIU, Yusheng XIA

DOI: 10.1631/FITEE.2200217 Downloaded: 1254 Clicked: 1263 Cited: 0 Commented: 0(p.1733-1746) <Full Text> <PPT> 303

Chinese summary <41> 大(dà)規模高效網絡計算中(zhōng)的網絡技術發展趨勢

蘇金樹(shù)^1,2，趙寶康¹，戴藝¹，曹繼軍¹，魏子令¹，趙娜¹，宋叢溪¹，劉宇靖¹，夏雨生(shēng)²
¹國防科技大(dà)學計算機學院，中(zhōng)國長沙市，410073
²軍事科學院，中(zhōng)國北(běi)京市，100091
摘要：網絡技術是超級計算、雲計算、大(dà)數據和人工(gōng)智能等大(dà)規模高效計算的基礎。不同領域的網絡技術既互相借鑒，又(yòu)各自針對性設計和優化。綜合考慮，本文認爲大(dà)規模高效網絡計算中(zhōng)的網絡技術發展趨勢主要包括3個方面，即融合、分(fēn)化、優化。融合體(tǐ)現在不同領域的網絡技術沒有明顯分(fēn)界線；分(fēn)化體(tǐ)現在不同領域的獨特解決方案或者新應用需求下(xià)的創新方案；優化體(tǐ)現在針對特定場景的技術優化實現。本文将爲相關領域的學者提供對于未來研究方向的思考，也爲相關行業人員(yuán)構建更加實用高效的網絡系統提供方向。

關鍵詞組：超級計算；雲計算；網絡技術；發展趨勢

Review: FinBrain 2.0: when finance meets trustworthy AI

Jun ZHOU, Chaochao CHEN, Longfei LI, Zhiqiang ZHANG, Xiaolin ZHENG

DOI: 10.1631/FITEE.2200039 Downloaded: 1308 Clicked: 1494 Cited: 0 Commented: 0(p.1747-1764) <Full Text> <PPT> 250

Chinese summary <28> 金融大(dà)腦 2.0: 當金融遇到可信人工(gōng)智能

周俊^1,2，陳超超¹，李龍飛²，張志(zhì)強²，鄭小(xiǎo)林¹
¹浙江大(dà)學計算機科學與技術學院，中(zhōng)國杭州市，310027
²螞蟻科技集團，中(zhōng)國杭州市，310027
摘要：人工(gōng)智能通過從數據中(zhōng)識别隐藏模式以提高金融決策質量，從而加速金融服務的發展。然而，除了通常需要的屬性，如模型準确性，金融服務還需要可信賴的人工(gōng)智能，但其屬性尚未充分(fēn)實現。這些可信人工(gōng)智能的屬性是可解釋性、公平性和包容性、穩健性和安全性，以及隐私保護。在本文中(zhōng)，我(wǒ)們回顧人工(gōng)智能應用于金融服務各領域的最新進展和局限性，包括風險管理、欺詐檢測、财富管理、個性化服務和監管技術。基于這些進展和局限性，介紹了金融大(dà)腦2.0，一(yī)個走向可信人工(gōng)智能的研究框架。我(wǒ)們認爲，在金融服務中(zhōng)，我(wǒ)們離(lí)真正可信人工(gōng)智能還有很長的路要走，并呼籲人工(gōng)智能和金融業的社區一(yī)同努力。

關鍵詞組：金融智能；可信人工(gōng)智能；風險管理；欺詐檢測；财富管理

Parallel cognition: hybrid intelligence for human-machine interaction and management

Peijun YE, Xiao WANG, Wenbo ZHENG, Qinglai WEI, Fei-Yue WANG

DOI: 10.1631/FITEE.2100335 Downloaded: 2554 Clicked: 2380 Cited: 0 Commented: 0(p.1765-1779) <Full Text> <PPT> 216

Chinese summary <31> 平行認知(zhī)：面向人機交互與管理的混合智能

葉佩軍¹，王曉^1,2，鄭文博³，魏慶來^1,4，王飛躍^1,2,4
¹中(zhōng)國科學院自動化研究所複雜(zá)系統管理與控制國家重點實驗室，中(zhōng)國北(běi)京市，100190
²青島智能産業技術研究院，中(zhōng)國青島市，266109
³西安交通大(dà)學軟件學院，中(zhōng)國西安市，710049
⁴澳門科學與技術大(dà)學系統工(gōng)程研究所，中(zhōng)國澳門特别行政區，999078
摘要：作爲一(yī)門交叉學科，傳統的認知(zhī)科學主要采用實驗、歸納、建模和驗證的研究範式。對于包含大(dà)量用戶異質行爲和動态特性的社會物(wù)理信息系統，此種建模方法有時并不适用。爲減少複雜(zá)人機系統中(zhōng)的人-機決策沖突，提出采用智能技術與系統來考察認知(zhī)活動和認知(zhī)功能的建模範式--平行認知(zhī)。該範式分(fēn)爲三個階段：基于人工(gōng)認知(zhī)系統的描述認知(zhī)、基于計算思維實驗的預測認知(zhī)以及基于行爲交互引導的引導性認知(zhī)。在此基礎上，進一(yī)步提出由心理模型和用戶行爲數據混合驅動的學習方法，自适應地學習人類個體(tǐ)的認知(zhī)決策知(zhī)識，從而使得三個階段能夠持續在線叠代。在交通行爲引導和視覺推理場景下(xià)的初步實驗表明，平行認知(zhī)學習對于人類的行爲引導是可行且有效的，有利于提升複雜(zá)工(gōng)程系統和複雜(zá)社會系統中(zhōng)的人機協同程度。

關鍵詞組：認知(zhī)學習；人工(gōng)智能；行爲引導

Dual collaboration for decentralized multi-source domain adaptation

Yikang WEI, Yahong HAN

DOI: 10.1631/FITEE.2200284 Downloaded: 1767 Clicked: 1397 Cited: 0 Commented: 0(p.1780-1794) <Full Text> <PPT> 258

Chinese summary <29> 雙向協同的去(qù)中(zhōng)心化多源域自适應

魏義康^1,2，韓亞洪^1,2
¹天津大(dà)學智能與計算學部，中(zhōng)國天津市，300350
²天津大(dà)學天津市機器學習重點實驗室，中(zhōng)國天津市，300350
摘要：去(qù)中(zhōng)心化多源域自适應是指在數據去(qù)中(zhōng)心化場景下(xià)執行無監督多源域自适應。數據去(qù)中(zhōng)心化的挑戰是源域與目标域在訓練中(zhōng)缺乏跨域協同。對于無标簽的目标域，目标域模型需要在源域模型的協助下(xià)遷移監督知(zhī)識，而域差距會導緻源域模型的适應性能有限。對于有标簽的源域，源域模型在數據去(qù)中(zhōng)心化場景下(xià)傾向于過拟合本地數據，從而導緻負遷移問題。對于以上挑戰，提出雙向協同的去(qù)中(zhōng)心化多源域自适應方法，通過其它域模型的協助進行局部源域模型與局部目标域模型的協同訓練與聚合。對于目标域，我(wǒ)們在源域模型的協助下(xià)蒸餾監督知(zhī)識，同時完全利用無标簽目标域的數據來緩解域偏移問題。對于源域，我(wǒ)們在目标域模型的協助下(xià)正則化源域模型來避免負遷移問題。以上過程在去(qù)中(zhōng)心化的源域和目标域之間形成一(yī)種雙向協同，以便在數據去(qù)中(zhōng)心化場景下(xià)提升域自适應性能。在标準多源域自适應數據集上的實驗表明，我(wǒ)們的方法以較大(dà)優勢優于現有的多源域自适應方法。

關鍵詞組：多源域自适應；數據去(qù)中(zhōng)心化；域偏移；負遷移

Image-based traffic signal control via world models

Xingyuan DAI, Chen ZHAO, Xiao WANG, Yisheng LV, Yilun LIN, Fei-Yue WANG

DOI: 10.1631/FITEE.2200323 Downloaded: 1940 Clicked: 1147 Cited: 0 Commented: 0(p.1795-1813) <Full Text>

Chinese summary <28> 基于世界模型與圖像表示的交通信号控制

戴星原^1,2，趙宸^1,2，王曉³，呂宜生(shēng)^1,2，林懿倫⁴，王飛躍^1,2
¹中(zhōng)國科學院自動化研究所複雜(zá)系統管理與控制國家重點實驗室，中(zhōng)國北(běi)京市，100190
²中(zhōng)國科學院大(dà)學人工(gōng)智能學院，中(zhōng)國北(běi)京市，100049
³安徽大(dà)學人工(gōng)智能學院，中(zhōng)國合肥市，230039
⁴上海人工(gōng)智能實驗室，中(zhōng)國上海市，200232
摘要：交通信号控制正從被動控制過渡到主動控制，以引導當前交通流按預期狀态運行。一(yī)個有效的預測模型對主動交通信号控制至關重要；其中(zhōng)預測什麽交通狀态，如何高精度預測，以及如何利用預測優化控制策略是主動交通信号控制研究的關鍵問題。本文使用車(chē)輛位置圖像描述路口交通狀态，同時受基于模型的強化學習方法DreamerV2的啓發，引入基于學習的交通世界模型。該世界模型以圖像序列描述交通動态，并作爲交通環境的抽象替代以生(shēng)成多步預測樣本用于控制策略優化。在執行階段，優化後的交通信号控制器根據交通狀态的抽象表示直接實時輸出控制指令，同時世界模型能夠預測不同控制行爲對未來交通狀态的影響。實驗結果表明，基于交通世界模型優化的控制策略的性能優于一(yī)般基準，并且世界模型實現了基于圖像的高精度預測；這些結果顯示了世界模型在未來交通信号控制中(zhōng)的應用前景。

關鍵詞組：交通信号控制；交通預測；交通世界模型；強化學習

Ensemble enhanced active learning mixture discriminant analysis model and its application for semi-supervised fault classification

Weijun WANG, Yun WANG, Jun WANG, Xinyun FANG, Yuchen HE

DOI: 10.1631/FITEE.2200053 Downloaded: 1635 Clicked: 1404 Cited: 0 Commented: 0(p.1814-1827) <Full Text> <PPT> 287

Chinese summary <29> 集成增強主動學習混合判别分(fēn)析模型及其在半監督故障分(fēn)類中(zhōng)的應用

王偉俊¹，王雲²，王君¹，方信昀³，何雨辰¹
¹中(zhōng)國計量大(dà)學浙江省智能制造質量大(dà)數據溯源與應用重點實驗室，中(zhōng)國杭州市，310018
²浙江同濟科技職業學院機電工(gōng)程學院，中(zhōng)國杭州市，311231
³蘇州市計量測試院，中(zhōng)國蘇州市，215004
摘要：故障分(fēn)類作爲過程監控中(zhōng)不可缺少的部分(fēn)，其性能高度依賴于過程知(zhī)識的充分(fēn)性。然而，由于采樣條件有限及實驗室分(fēn)析昂貴，數據标簽總是難以獲取，這可能導緻分(fēn)類性能下(xià)降。爲了解決這個難題，本文提出一(yī)種新的半監督故障分(fēn)類方法，其中(zhōng)每個未标記樣本相對于特定标記數據集的價值采用增強的主動學習來評估。具有高價值的未标記樣本将作爲訓練數據集的補充信息。此外(wài)，引入了幾個合理的指标和準則大(dà)大(dà)降低了人工(gōng)标注的幹擾。最後，通過數值例子和田納西伊士曼過程（TEP）評估了該方法的故障分(fēn)類有效性。

關鍵詞組：半監督；主動學習；集成學習；混合判别分(fēn)析；故障分(fēn)類

MSSSA: a multi-strategy enhanced sparrow search algorithm for global optimization

Kai MENG, Chen CHEN, Bin XIN

DOI: 10.1631/FITEE.2200237 Downloaded: 2438 Clicked: 1392 Cited: 0 Commented: 0(p.1828-1847) <Full Text> <PPT> 232

Chinese summary <28> MSSSA：一(yī)種針對全局優化問題的多策略增強型麻雀搜索算法

孟凱^1,2，陳晨^1,2，辛斌^1,2
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
摘要：麻雀搜索算法(SSA)是一(yī)種新的元啓發式優化方法，具有簡單和靈活的優點。然而，在處理多模态優化問題時，該算法仍存在早熟收斂、探索與開(kāi)發不平衡等缺陷。針對上述問題，本文提出一(yī)種多策略增強的麻雀搜索算法(MSSSA)。首先，引入混沌映射以獲取高質量的初始種群，并采用對立學習策略增加種群的多樣性。其次，設計了一(yī)種自适應參數控制策略，以在全局探索與局部開(kāi)發之間保持适當的平衡。最後，在個體(tǐ)更新階段嵌入混合擾動機制，以避免算法陷入局部最優。爲了驗證所提方法的有效性，在IEEE CEC2014和IEEE CEC2019測試集的40個函數，以及10個不同維度的經典函數上進行了大(dà)量的實驗。實驗結果表明，與一(yī)些先進的算法相比，所提出的MSSSA表現出突出的優化性能。該算法還成功地應用于兩個工(gōng)程優化問題，證明了MSSSA在解決實際問題方面的優越性。

關鍵詞組：群智能；麻雀搜索算法；自适應參數控制策略；混合擾動機制；優化問題

Interpreting the vulnerability of power systems in cascading failures using multi-graph convolutional networks

Supaporn LONAPALAWONG, Changsheng CHEN, Can WANG, Wei CHEN

DOI: 10.1631/FITEE.2200035 Downloaded: 2164 Clicked: 1648 Cited: 0 Commented: 0(p.1848-1861) <Full Text> <PPT> 258

Chinese summary <27> 連鎖故障中(zhōng)電力系統脆弱性的多圖卷積網絡分(fēn)析

Supaporn LONAPALAWONG¹，陳長勝²，王燦³，陳爲¹
¹浙江大(dà)學計算機輔助設計與圖形學國家重點實驗室，中(zhōng)國杭州市，310058
²中(zhōng)國電力科學研究院，中(zhōng)國北(běi)京市，100192
³浙江大(dà)學計算機科學與技術學院，中(zhōng)國杭州市，310058
摘要：分(fēn)析電力系統在連鎖故障中(zhōng)的薄弱環節是電力系統分(fēn)析領域極具挑戰的難題。電力系統領域的傳統分(fēn)析方法雖能發現一(yī)些簡單的傳播規律，但卻難以捕捉不同運行條件下(xià)的複雜(zá)細節。近年來的研究引入了深度學習算法來解決這一(yī)難題。然而，現有基于深度學習的方法大(dà)多僅從拓撲層面考慮電力系統的網架結構，未能充分(fēn)考慮空間信息（如電距離(lí)）以提高圖卷積過程的精确度。鑒于此，本文提出一(yī)種新型電力系統加權線圖，綜合考慮電力系統拓撲結構和空間信息，大(dà)幅優化線圖的邊權分(fēn)配。此外(wài)，本文提出一(yī)種基于圖分(fēn)類任務的多圖卷積網絡（MGCN），在保留電力系統空間相關性的同時有效捕獲物(wù)理元件之間的關聯。經驗證，該模型能夠在具有額外(wài)拓撲特征的建模系統中(zhōng)保持理想精度，從而更好地分(fēn)析存在并行輸電線路的複雜(zá)連鎖故障。最後，本文采用逐層相關傳播方法解釋MGCN，并量化了模型分(fēn)類的貢獻因子，有效提升模型的可解釋性。

關鍵詞組：電力系統；脆弱性；連鎖故障；多圖卷積網絡；加權線圖

Observer-based control for fractional-order singular systems with order α (0<α<1) and input delay

Bingxin LI, Xiangfei ZHAO, Xuefeng ZHANG, Xin ZHAO

DOI: 10.1631/FITEE.2200294 Downloaded: 1827 Clicked: 1246 Cited: 0 Commented: 0(p.1862-1870) <Full Text> <PPT> 240

Chinese summary <29> 輸入時滞分(fēn)數階(0<α<1)奇異系統的觀測器控制

李丙新^1,2，趙相飛^1,2，張雪峰³，趙新^1,2,4
¹南(nán)開(kāi)大(dà)學機器人與信息自動化研究所，中(zhōng)國天津市，300071
²南(nán)開(kāi)大(dà)學天津市智能機器人技術重點實驗室，中(zhōng)國天津市，300071
³東北(běi)大(dà)學理學院，中(zhōng)國沈陽市，110819
⁴南(nán)開(kāi)大(dà)學深圳研究院，中(zhōng)國深圳市，518083
摘要：本文研究輸入時滞分(fēn)數階（0<α<1）奇異系統的觀測器控制問題。基于史密斯預測器和逼近誤差，有輸入時滞的系統近似等價于無輸入時滞的系統。進一(yī)步地，基于線性矩陣不等式方法，提出基于觀測器控制的充要條件。該條件由于包含等式約束，因此是非嚴格線性矩陣不等式條件，在使用工(gōng)具箱求解時會遇到一(yī)些麻煩。因此，本文改進了基于嚴格線性矩陣不等式的條件。最後，通過數值算例和直流電機實例說明了基于嚴格線性矩陣不等式的條件的有效性。

關鍵詞組：基于觀測器的控制；奇異系統；分(fēn)數階；輸入時滞；線性矩陣不等式

Generalized labeled multi-Bernoulli filter with signal features of unknown emitters

Qiang GUO, Long TENG, Xinliang WU, Wenming SONG, Dayu HUANG

DOI: 10.1631/FITEE.2200286 Downloaded: 1555 Clicked: 1167 Cited: 0 Commented: 0(p.1871-1880) <Full Text> <PPT> 260

Chinese summary <26> 未知(zhī)輻射源信号特征輔助的廣義标簽多伯努利濾波器

國強¹，滕龍^1,2，吳新良²，宋文明²，黃大(dà)羽²
¹哈爾濱工(gōng)程大(dà)學信息與通信工(gōng)程學院，中(zhōng)國哈爾濱市，150001
²中(zhōng)國航空無線電電子研究所，中(zhōng)國上海市，200233
摘要：提出一(yī)種未知(zhī)輻射源信号特征輔助的廣義标簽多伯努利濾波器。複雜(zá)電磁環境下(xià)，輻射源特征通常未知(zhī)且随時間變化。針對輻射源特征未知(zhī)的問題，提出一(yī)種基于數據場動态聚類的輻射源特征求解方法。針對輻射源特征時變以及對應的概率分(fēn)布未知(zhī)的問題，提出一(yī)種改進的模糊C-均值算法來計算目标和雜(zá)波量測的相關系數，以近似輻射源特征的似然函數。在此基礎上，将輻射源特征集成到廣義标簽多伯努利濾波器中(zhōng)，從而獲得新的遞歸方程。仿真結果表明，提出的方法可以提高對多目标的跟蹤性能，尤其在強雜(zá)波環境中(zhōng)。

關鍵詞組：多目标跟蹤；廣義标簽多伯努利；輻射源信号特征；模糊C-均值；動态聚類