计算机工程与应用简介
计算机工程与应用》是由中国电子科技集团公司主管,华北计算技术研究所主办的面向计算机全行业的综合性学术刊物,中国计算机学会会刊。办刊方针:坚持走学术与实践相结合的道路,注重理论的先进性和实用技术的广泛性,在促进学术交流的同时,推进了科技成果的转化。覆盖面宽、信息量大、报道及时是本刊的服务宗旨。报道范围:行业最新研究成果与学术领域最新发展动态;具有先进性和推广价值的工程方案;有独立和创新见解的学术报告;先进、广泛、实用的开发成果。
杂志文章特色
为保护知识产权和国家机密,在校学生投稿必须事先征得导师的同意,所有稿件应保证不涉及侵犯他人知识产权和泄密问题,否则由此引起的一切后果应由作者本人负责。论文内容要求——学术研究:报道最新研究成果,以及国家重点攻关项目和基础理论研究报告,要求观点新颖,创新明确,论据充实;技术报告:有独立和创新学术见解的学术报告或先进实用的开发成果,要求有方法、观点、比较和实验分析;工程应用:方案采用的技术应具有先进性和推广价值,对科研成果转化为生产力有较大的推动作用
杂志分析报告
注:年度总文献量的统计不包含资讯类文献,如致谢、稿约、启事、勘误等
注:比率 = 当年基金资助文献量 / 当年发文量 * 100%
注:当年发文量的统计不包含资讯类文献,如致谢、稿约、启事、勘误等
工程与应用,图形图像处理,模式识别与人工智能,网络、通信与安全,热点与综述,理论与研发,大数据与云计算,网络、通信、安全,博士论坛,理论研究、研发设计,数据库、数据挖掘、机器学习,信号处理,信息与信号处理,编者信息,模式识别与工人智能,YOLO的改进及应用专题,模式识别与人工智能?,目标检测专题,生成对抗网络专题,征文通知,网络、通信与安全?
摘要:随着软件规模和复杂度的不断提高,软件的质量问题成为了关注的焦点,如何高效地找出软件中的错误成为一个亟需解决的问题。错误定位是软件质量保证的重要途径之一,近年来已经成为软件工程中一个非常重要的研究课题。基于变异测试的错误定位通过比较原程序和对应变异体的差异来计算每条语句的怀疑度,再由怀疑度大小进行排序,程序员根据排序逐个检查找出错误语句。汇总近7 年(2012-2018)国内外的基于变异测试的错误定位技术的研究成果,介绍了错误定位的基本方法,介绍基于变异测试的错误定位思想,从变异算子、变异体及等价变异体3个方面对已有的研究工作进行分类归纳和总结,探讨了基于变异测试的错误定位未来可能的研究方向、机遇和挑战。
摘要:区块链是一种将时序数据以链式结构组合而成、以密码学机制保证交易数据不可篡改的分布式账本,是一种新型分布式计算模式与去中心化基础构架。区块链技术具有去中心化、建立信任关系、集体维护、交易公平和透明、不可篡改、可溯源等特征,已成为工业界和学术界的研究热点。介绍了区块链的组成元素,详细阐述了区块链的基本原理、智能合约、共识机制等关键技术,结合金融、物联网、供应链、医疗系统应用场景,讨论了其利用区块链技术的优化方向。总结了区块链技术在安全、效率、隐私保护等方面存在的不足,给出了相应的应对措施。提出了改进共识机制、匿名性和系统吞吐量的有效方法,为区块链技术的进一步发展和完善提供有益的借鉴和指导。
摘要:深度学习(Deep Learning,DL)已广泛应用于智能农业的病虫害检测、植物和水果识别、农作物及杂草检测与分类等研究中。对2014年至2019年国内发表的65篇有关DL在农业中应用研究成果进行综述。简要介绍DL的基本概念及其发展历史,给出了所选论文检索方法及其分布;对所选论文从研究对象与目的、数据来源、类间差异、预处理、数据扩增、模型框架以及性能对比等角度进行了综述;对DL的优缺点进行了分析,并指明了其在智能农业研究中的发展趋势。
摘要:人格是一种心理结构,旨在用少量稳定和可衡量的个体特征来解释人类的各种跨情境行为。以往测量人格主要依靠标准化心理测验,但因大规模实施标准化心理测量的难操作性,它的使用范围有所限制。随着科技的快速发展,社交媒体的普遍化,计算机领域有学者尝试结合计算算法和“大五”因素人格理论,借助个体在社交媒体上留下的线索推测个体人格特质,从而产生了人格计算领域。这一新兴领域主要利用个体在社交平台上留下的社交痕迹理解、预测、分析他们的行为,从而对用户人格类型做出具有一定准确性的判断。人格计算技术的应用对智能医疗、个性化服务定制等领域具有重要意义。通过总结人格计算领域近十年,在利用社交平台上的用户线索推断人格的最新进展,来阐明当前这一领域的研究现状、研究不足以及未来待研究方向。
摘要:为了更好地解决密度不均衡问题与刻画高维数据相似性度量问题,提出一种基于共享k -近邻与共享逆近邻的密度峰聚类算法。该算法计算两个点的共享k -近邻数与共享逆近邻数,并结合欧氏距离来确定这两个点之间的共享相似度;将样本点与其逆近邻点的共享相似度之和定义为该点的共享密度,再通过共享密度选取聚类中心。通过实验证明,该算法在人工数据集和真实数据集上的聚类结果较其他密度聚类算法更加准确,并且能更好地处理密度不均衡问题,同时也提高了高维数据的聚类精度。
点评详情