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

2023 Vol.24 No.11 P.1513-1664

Cover:

<679>

Contents:

<99>

<<< CONTENTS >>>

Perspective

Perspective: Software development in the age of intelligence: embracing large language models with the right approach

Xin PENG

DOI: 10.1631/FITEE.2300537 Downloaded: 1549 Clicked: 706 Cited: 0 Commented: 0(p.1513-1519) <Full Text> <PPT> 139

Chinese summary <17> 智能化時代的軟件開(kāi)發：擁抱大(dà)模型的正确姿勢

彭鑫
複旦大(dà)學計算機科學技術學院，中(zhōng)國上海市，200438
摘要：以ChatGPT爲代表的大(dà)語言模型技術對包括軟件工(gōng)程在内的很多領域都帶來巨大(dà)沖擊，也引發廣泛焦慮。爲在迷霧中(zhōng)看清一(yī)點方向，近期我(wǒ)們基于各種技術文獻和實踐分(fēn)享以及我(wǒ)們自身的初步探索不斷讨論和思考“大(dà)模型時代的軟件工(gōng)程”或者“大(dà)模型的軟件開(kāi)發能力”這一(yī)命題。同時我(wǒ)也參加了幾次線上訪談，觸發了更多認識和思考，在此基礎上撰寫了此篇文章，希望與大(dà)家分(fēn)享一(yī)些觀點并激發相關讨論。由于到目前爲止大(dà)模型在很大(dà)程度上仍然是一(yī)個黑盒，并且大(dà)模型技術還在快速叠代和發展之中(zhōng)，同時目前看到的以及我(wǒ)們自己實踐的基于大(dà)模型的軟件開(kāi)發案例還比較初步，因此本文的很多認識和思考不一(yī)定準确，未來還可能會随着技術和實踐的發展而不斷刷新。

關鍵詞組：大(dà)語言模型；ChatGPT；軟件工(gōng)程；軟件開(kāi)發

Review Article

Review Article: Magnetically driven microrobotsmoving in a flow: a review

Jiamiao MIAO, Xiaopu WANG, Yan ZHOU, Min YE, Hongyu ZHAO, Ruoyu XU, Huihuan QIAN

DOI: 10.1631/FITEE.2300054 Downloaded: 1366 Clicked: 392 Cited: 0 Commented: 0(p.1520-1540) <Full Text> <PPT> 128

Chinese summary <17> 流體(tǐ)内磁驅動微米機器人運動前沿研究綜述

苗佳淼^1,2，王潇樸²，周燕²，葉敏²，趙洪宇²，許若愚¹，錢輝環^1,2
¹香港中(zhōng)文大(dà)學（深圳）理工(gōng)學院，中(zhōng)國深圳市，518172
²深圳市人工(gōng)智能與機器人研究院，中(zhōng)國深圳市，518129
摘要：磁驅動微米機器人能夠在人體(tǐ)内局部低侵入性地執行特定任務。爲到達體(tǐ)内病竈區域，微米機器人常常需要在比靜止液體(tǐ)更爲複雜(zá)的流動血液内進行導航運動。因此，相應的精準控制方案設計更具挑戰性。目前已有許多關于磁控微米機器人在流體(tǐ)内的運動控制及其理論研究。本文回顧總結了有關磁控微米機器人在流體(tǐ)中(zhōng)的最新研究進展，包括流動系統的建立、運動的動力學建模以及控制方法。此外(wài)，讨論了當前面臨的挑戰和局限性。希望本文爲微米機器人在複雜(zá)流體(tǐ)環境中(zhōng)的高效控制提供新的思路，并加快微米機器人在臨床應用中(zhōng)的研究。

關鍵詞組：微米機器人；流體(tǐ)；動力學建模；控制

Research Articles

Embedding expert demonstrations into clustering buffer for effective deep reinforcement learning

Shihmin WANG, Binqi ZHAO, Zhengfeng ZHANG, Junping ZHANG, Jian PU

DOI: 10.1631/FITEE.2300084 Downloaded: 2203 Clicked: 751 Cited: 0 Commented: 0(p.1541-1556) <Full Text> <PPT> 171

Chinese summary <17> 基于專家示教聚類經驗池的高效深度強化學習

王士珉¹，趙彬琦¹，張政鋒¹，張軍平¹，浦劍²
¹複旦大(dà)學計算機科學技術學院上海市智能信息處理重點實驗室，中(zhōng)國上海市，200433
²複旦大(dà)學類腦智能科學與技術研究院，中(zhōng)國上海市，200433
摘要：作爲強化學習領域最基本的主題之一(yī)，樣本效率對于深度強化學習算法的部署至關重要。與現有大(dà)多數從不同類型的後驗分(fēn)布中(zhōng)對動作進行采樣的探索方法不同，我(wǒ)們專注于策略的采樣過程，提出一(yī)種有效的選擇性采樣方法，通過對環境的内部層次結構建模來提高樣本效率。具體(tǐ)來說，首先在策略采樣過程中(zhōng)使用聚類方法生(shēng)成動作候選集，随後引入一(yī)個用于對内部層次結構建模的聚類緩沖區，它由同軌數據、異軌數據以及專家數據組成，用于評估探索階段動作候選集中(zhōng)不同類别動作的價值。通過這種方式，我(wǒ)們的方法能夠更多地利用專家示教數據中(zhōng)的監督信息。在6種不同的連續運動環境中(zhōng)進行了實驗，結果表明選擇性采樣方法具有卓越的強化學習性能和更快的收斂速度。特别地，在LGSVL任務中(zhōng)，該方法可以減少46.7%的收斂步數和28.5%的收斂時間。代碼已開(kāi)源，見https://github.com/Shihwin/SelectiveSampling。

關鍵詞組：強化學習；采樣效率；采樣過程；聚類方法；自動駕駛

A hybrid-model optimization algorithm based on the Gaussian process and particle swarm optimization for mixed-variable CNN hyperparameter automatic search

Han YAN, Chongquan ZHONG, Yuhu WU, Liyong ZHANG, Wei LU

DOI: 10.1631/FITEE.2200515 Downloaded: 2366 Clicked: 927 Cited: 0 Commented: 0(p.1557-1573) <Full Text> <PPT> 165

Chinese summary <16> 一(yī)種基于高斯過程與粒子群算法的CNN超參數自動搜索混合模型優化算法

闫涵，仲崇權，吳玉虎，張立勇，盧偉
大(dà)連理工(gōng)大(dà)學控制科學與工(gōng)程學院，中(zhōng)國大(dà)連市，116024
摘要：卷積神經網絡（CNN）在許多實際應用領域中(zhōng)有着快速發展。然而，CNN性能很大(dà)程度上取決于其超參數，而爲CNN配置合适的超參數通常面臨着以下(xià)3個挑戰：（1）不同類型CNN超參數的混合變量編碼問題；（2）評估候選模型的昂貴計算成本問題；（3）确保搜索過程中(zhōng)收斂速率和模型性能問題。針對上述問題，提出一(yī)種基于高斯過程（GP）和粒子群優化算法（PSO）的混合模型優化算法（GPPSO），用于自動搜索最優的CNN超參數配置。首先，設計一(yī)種新的編碼方法高效編碼CNN中(zhōng)不同類型的超參數。其次，提出一(yī)種混合代理輔助（HSA）模型降低評估候選模型的高計算成本。最後，設計一(yī)種新的激活函數改善模型性能并确保收斂速率。在圖像分(fēn)類基準數據集上進行了大(dà)量實驗，驗證GPPSO優于最先進的方法。以金屬斷口診斷爲例，驗證GPPSO算法在實際應用中(zhōng)的有效性。實驗結果表明，GPPSO僅需0.04和1.70 GPU天即可在CIFAR-10和CIFAR-100數據集上實現95.26％和76.36％識别準确率。

關鍵詞組：卷積神經網絡；高斯過程；混合模型；超參數優化；混合變量；粒子群優化

A modified harmony search algorithm and its applications in weighted fuzzy production rule extraction

Shaoqiang YE, Kaiqing ZHOU, Azlan Mohd ZAIN, Fangling WANG, Yusliza YUSOFF

DOI: 10.1631/FITEE.2200334 Downloaded: 2489 Clicked: 1238 Cited: 0 Commented: 0(p.1574-1590) <Full Text> <PPT> 157

Chinese summary <15> 一(yī)種改進的和聲搜索算法及其在權重模糊産生(shēng)式規則獲取中(zhōng)的應用

葉紹強¹，周恺卿¹，Azlan Mohd ZAIN²，王方嶺¹，Yusliza YUSOFF²
¹吉首大(dà)學通信與電子工(gōng)程學院，中(zhōng)國吉首市，416000
²馬來西亞理工(gōng)大(dà)學信息處理技術學院，馬來西亞柔佛州士姑來, 81310
摘要：和聲搜索算法(harmony search, HS)是一(yī)種随機元啓發式算法，其靈感來自于音樂家的即興創作過程。針對HS在求解中(zhōng)易陷入局部極值等不足，本文提出一(yī)種混合布谷鳥算子的改進的和聲布谷鳥搜索算法(modified HS withahybridcuckoosearch (CS) operator, HS-CS)增強全局搜索能力。該算法首先對HS音高擾動調整方法的随機性進行分(fēn)析，根據和聲庫中(zhōng)解的質量生(shēng)成自适應慣性權重，并重構微調帶寬尋優，提升HS的尋優效率及精度。其次，引入CS算子擴大(dà)解空間的搜索範圍和提高種群密度，從而能夠在随機生(shēng)成和聲和更新階段快速跳出局部極值。最後，構建動态參數調整機制以提高算法尋優的效率。通過證明3個定理揭示HS-CS是一(yī)種全局收斂的元啓發式算法。在實驗部分(fēn)，選取12種經典的測試函數優化求解以驗證HS-CS算法的性能。數值分(fēn)析結果表明，HS-CS在處理高維函數優化問題上顯著優于其他算法，表現出較強魯棒性、高收斂速度以及收斂精度。爲進一(yī)步驗證算法在實際問題求解中(zhōng)的有效性，将HS-CS用于優化BP神經網絡進行加權模糊産生(shēng)式的規則抽取。仿真實驗結果表明，HS-CS優化後的BP神經網絡能夠獲得較高的規則分(fēn)類精度。因此，從理論和應用方面都證明了HS-CS是行之有效的。

關鍵詞組：和聲搜索算法；布谷鳥搜索算法；全局收斂；函數優化；權重模糊産生(shēng)式規則抽取

Smooth tracking control for conversionmode of a tilt-rotor aircraft with switching modeling

Kebi LUO, Shuang SHI, Cong PENG

DOI: 10.1631/FITEE.2300266 Downloaded: 654 Clicked: 697 Cited: 0 Commented: 0(p.1591-1600) <Full Text> <PPT> 144

Chinese summary <16> 基于切換系統建模的傾轉旋翼機過渡模式光滑跟蹤控制

羅苛比，史爽，彭聰
南(nán)京航空航天大(dà)學自動化學院，中(zhōng)國南(nán)京市，211106
摘要：本文使用切換建模和光滑插值技術，研究傾轉旋翼機過渡模式的狀态跟蹤控制問題。基于過渡模式的非線性動力學模型，采用Jacobi線性化方法，并根據傾轉角設計切換信号，建立線性切換系統模型。在此基礎上，設計狀态跟蹤控制方案解決過渡模式的控制問題。該方法不直接限制控制輸入的幅值，而采用改進的光滑插值方法實現無擾切換。最後，以XV-15傾轉旋翼機爲例，驗證該控制方案的有效性。

關鍵詞組：傾轉旋翼機；狀态跟蹤控制；線性切換系統；類時間依賴的多Lyapunov函數方法；光滑插值

Amultimodal dense convolution network for blind image quality assessment

Nandhini CHOCKALINGAM, Brindha MURUGAN

DOI: 10.1631/FITEE.2200534 Downloaded: 1120 Clicked: 456 Cited: 0 Commented: 0(p.1601-1615) <Full Text>

Chinese summary <15> 一(yī)種針對盲圖像質量評估的多模态密集卷積網絡

Nandhini CHOCKALINGAM, Brindha MURUGAN
國立技術學院計算機科學與工(gōng)程系，印度提魯奇拉帕利，620015
摘要：科技進步不斷擴大(dà)通信行業的潛力。圖像在加強交流中(zhōng)發揮着重要作用，已被廣泛應用。因此，圖像質量評估（IQA）對優化傳遞給終端用戶的内容至關重要。在IQA中(zhōng)使用卷積神經網絡面臨兩個常見難題。一(yī)是這些方法難以提供圖像最佳表示，另一(yī)個問題是模型具有大(dà)量參數，容易導緻過拟合。爲解決這些問題，提出一(yī)種參數更少的深度學習模型--密集卷積網絡（DSC-Net），用于無參考圖像質量評估（NR-IQA）。此外(wài)，将多模态數據用于深度學習明顯改進各種應用的性能。多模态密集卷積網絡（MDSC-Net）融合了灰度共生(shēng)矩陣（GLCM）方法提取的紋理特征和DSC-Net方法提取的空間特征，并對圖像質量進行預測。所提框架在基準合成數據集LIVE、TID2013和KADID-10k的性能表明，MDSC-Net方法在NR-IQA任務中(zhōng)表現出良好性能，超過了當前最先進的方法。

關鍵詞組：無參考圖像質量評估；盲圖像質量評估；多模态密集卷積網絡；深度學習；視覺效果；感知(zhī)質量

Dynamic parameterized learning for unsupervised domain adaptation

Runhua JIANG, Yahong HAN

DOI: 10.1631/FITEE.2200631 Downloaded: 2061 Clicked: 736 Cited: 0 Commented: 0(p.1616-1632) <Full Text>

Chinese summary <15> 無監督域自适應的動态參數化學習

蔣潤華^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：無監督領域自适應通過學習域不變表示實現神經網絡從有标簽數據組成的源域到無标簽數據組成的目标域遷移。近期研究通過直接匹配這兩個域的邊緣分(fēn)布實現這一(yī)目标。然而，已有研究大(dà)多數忽略域對齊和語義判别學習之間的動态平衡，因此容易受負遷移和異常樣本影響。爲解決這些問題，引入動态參數化學習框架。首先，通過探索領域級語義知(zhī)識，提出動态對齊參數自适應地調整域對齊和語義判别學習的優化過程。此外(wài)，爲獲得判别能力強和域不變的表示，提出在源域和目标域上對齊優化過程。本文通過綜合實驗證明了所提出方法的有效性，并在3個視覺任務的7個數據集上進行廣泛比較，證明可行性。

關鍵詞組：無監督領域自适應；優化步驟；跨域判别表示；語義判别

High-emitter identification for heavy-duty vehicles by temporal optimization LSTMand an adaptive dynamic threshold

Zhenyi XU, Renjun WANG, Yang CAO, Yu KANG

DOI: 10.1631/FITEE.2300005 Downloaded: 1265 Clicked: 1022 Cited: 0 Commented: 0(p.1633-1646) <Full Text> <PPT> 132

Chinese summary <15> 基于時序優化長短期記憶和自适應阈值的高排放(fàng)重型柴油車(chē)識别

許鎮義¹，王仁軍^1,2，曹洋^1,3,4，康宇^1,3,4
¹合肥綜合性國家科學中(zhōng)心人工(gōng)智能研究院，中(zhōng)國合肥市，230088
²安徽大(dà)學與合肥綜合性國家科學中(zhōng)心人工(gōng)智能研究院聯合實驗室，
中(zhōng)國合肥市，230601
³中(zhōng)國科學技術大(dà)學自動化系，中(zhōng)國合肥市，230027
⁴中(zhōng)國科學技術大(dà)學先進技術研究院，中(zhōng)國合肥市，230088
摘要：在實際場景中(zhōng)，重型柴油車(chē)是城市氮氧化物(wù)的重要來源，其排放(fàng)的氮氧化物(wù)（NO_x）占車(chē)輛總排放(fàng)量的80％以上，顆粒物(wù)（PM）占90％以上。檢測和控制重型柴油車(chē)的排放(fàng)對保護公衆健康至關重要。目前，道路上的車(chē)輛必須每6個月或每年定期檢測一(yī)次，在車(chē)輛檢查站過濾出高排放(fàng)的移動源。然而，由于年檢間隔時間較長，很難及時有效地篩選出高排放(fàng)車(chē)輛，而且固定的阈值不能适應車(chē)輛駕駛工(gōng)況的動态變化。車(chē)載診斷設備（OBD）安裝在車(chē)輛内部，可以連續跟蹤和實時記錄排放(fàng)數據。本文提出一(yī)種時間優化長短期記憶（LSTM）和自适應動态阈值方法，使用OBD數據識别重型高排放(fàng)車(chē)輛。首先，建立一(yī)個時間優化LSTM排放(fàng)預測模型，以解決實際中(zhōng)大(dà)量OBD數據流造成的時間步注意力偏重問題。然後，利用靈活的阈值标準檢測濃度預測誤差序列，以區分(fēn)異常排放(fàng)情況，該阈值随駕駛條件變化自适應計算得到。最後，引入時間序列的相似性度量策略，以糾正一(yī)些假的異常結果。在3個真實OBD時間序列排放(fàng)數據集上的實驗表明，該方法得到優異的高排放(fàng)源識别結果。

關鍵詞組：高排放(fàng)識别；時序優化；車(chē)載診斷設備（OBD）；動态阈值

Hybrid-driven Gaussian process online learning for highly maneuvering multi-target tracking

Qiang GUO, Long TENG, Tianxiang YIN, Yunfei GUO, Xinliang WU, Wenming SONG

DOI: 10.1631/FITEE.2300348 Downloaded: 1536 Clicked: 562 Cited: 0 Commented: 0(p.1647-1656) <Full Text> <PPT> 175

Chinese summary <16> 基于混合驅動高斯過程學習的強機動多目标跟蹤方法

國強¹，滕龍^1,2，尹天祥³，郭雲飛³，吳新良²，宋文明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
³杭州電子科技大(dà)學自動化學院，中(zhōng)國杭州市，310018
摘要：現有機動目标跟蹤方法在雜(zá)波環境中(zhōng)強機動目标的跟蹤性能并不令人滿意。本文提出一(yī)種混合驅動方法，利用數據驅動和基于模型算法的優點跟蹤多個高機動目标。将時變恒速（CV）模型集成到在線學習的高斯過程（GP）中(zhōng)，提高高斯過程的預測性能。進一(yī)步與廣義概率數據關聯（GPDA）算法相結合，實現多目标跟蹤。通過仿真實驗可知(zhī)，與廣泛使用的機動目标跟蹤算法如交互式多模型（IMM）和數據驅動的高斯過程運動跟蹤器（GPMT）相比，提出的混合驅動方法具有顯著的性能優勢。

關鍵詞組：目标跟蹤；高斯過程；數據驅動；在線學習；模型驅動；概率數據關聯

Correspondence

Correspondence: A high-isolation coupled-fed building block for metal-rimmed 5G smartphones

Aidi REN, Chengwei YU, Lixia YANG, Wei CUI, Zhixiang HUANG, Ying LIU

DOI: 10.1631/FITEE.2300203 Downloaded: 976 Clicked: 588 Cited: 0 Commented: 0(p.1657-1664) <Full Text> <PPT> 162

Chinese summary <16> 一(yī)種用于5G金屬邊框智能手機的高隔離(lí)度耦合饋電模塊

任愛娣¹，餘成葦¹，楊利霞¹，崔巍²，黃志(zhì)祥¹，劉英³
¹安徽大(dà)學信息材料與智能感知(zhī)安徽省實驗室，中(zhōng)國合肥市，230601
²電磁環境效應航空科技重點實驗室，中(zhōng)國沈陽市，110000
³西安電子科技大(dà)學天線與微波技術重點實驗室，中(zhōng)國西安市，710071
摘要：提出一(yī)款應用于第五代金屬邊框智能手機的高隔離(lí)度兩天線模塊。基于一(yī)個蝕刻在地闆上的T形縫隙，通過合理地設計一(yī)個耦合饋電環天線和一(yī)個耦合饋電縫隙天線，實現了一(yī)款緊湊的兩天線模塊。盡管耦合饋電環天線和耦合饋電縫隙天線共口徑，兩者之間的隔離(lí)度高于30 dB。随後，通過集成4個兩天線模塊，實現了一(yī)款8×8多入多出系統。該系統實測互耦和包絡相關系數分(fēn)别小(xiǎo)于<−18.5 dB和<0.02。