软件导刊

 

ISSN:1672-7800

CN:42-1671/TP

主管单位:湖北省科学技术厅

主办单位:湖北省科技信息研究院

主编:何炎祥

出版周期:月刊

电话:027-87891823

官网:www.rjdk.org.cn

邮箱:softwareguide@163.com

地址:湖北武汉洪山路2号湖北科

大厦D座5楼

 

 

  • 最新文章
  • 封面文章
  • 高被引论文
  • 高下载论文
  • 网络首发
  • 过刊浏览
更多
Volume 24 期 5,2025 2025年24卷第5期
  • 研究综述

    深度学习训练成本上涨,优化技术成挑战。专家分析性能优化原理,提供训练优化参考。

    介飞, 张海俊, 汪锦想

    DOI:10.11907/rjdk.241918
    摘要:深度学习训练中的模型与数据规模快速增长,导致模型训练成本不断上涨,如何高效完成模型训练,是深度学习落地的主要挑战之一。分析了通用深度学习训练性能优化的一般原理,从训练的常规流程出发,系统分析与总结了异构计算模型中常见的训练性能优化技术。按技术作用阶段,可分为数据准备、前/反向传播、梯度同步、参数更新阶段的性能优化技术;从计算机组成角度,这些技术又可划分为计算、通信、内存、IO等方面的优化。同时,介绍了常用的深度学习性能分析与可视化工具,旨在为相关从业人员开展深度学习训练时的性能优化提供参考。  
    关键词:训练性能;深度学习;前向计算;反向传播;参数更新;负载均衡   
    73
    |
    36
    |
    0
    <HTML>
    <网络PDF><WORD><Enhanced-PDF><Meta-XML>
    <引用本文> <批量引用> 102270680 false
    更新时间:2025-05-21
    在意图识别领域,深度学习技术显著提升了表面肌电信号手势识别的精度,展现了广阔应用前景。

    陈怡宁, 于益芝

    DOI:10.11907/rjdk.241947
    摘要:表面肌电信号是一种非侵入性的生物电信号,蕴含丰富的肌肉活动信息,被广泛用于意图识别研究。随着深度学习技术的快速发展,基于表面肌电信号的手势识别精度显著提高,展现了广阔的应用前景。简要介绍深度学习应用于表面肌电信号手势识别的流程,重点总结了卷积神经网络、长短期记忆网络、Transformer、时间卷积网络和生成对抗网络等主流模型的研究进展及应用成效,并展望了该领域未来的发展方向。  
    关键词:表面肌电信号;深度学习;神经网络;手势识别   
    58
    |
    23
    |
    0
    <HTML>
    <网络PDF><WORD><Enhanced-PDF><Meta-XML>
    <引用本文> <批量引用> 102274062 false
    更新时间:2025-05-21
    最新研究进展显示,基于生理信号的疲劳检测技术在交通、航天、医学等领域具有重要意义,为提升人类生命安全提供新思路。

    沈慧娟, 苏彤, 徐静舟, 徐淑雨, 张学典, 马佩

    DOI:10.11907/rjdk.241299
    摘要:疲劳会引发潜在的认知功能受损,使大脑注意力分散,工作决断能力下降,是导致交通、航天、医学等领域事故发生的重要因素之一,对人类生命安全造成威胁。首先,系统回顾了基于生理信号的疲劳检测方法研究工作,重点介绍基于功能性近红外脑成像(fNIRS)、光电容积脉搏波(PPG)和脑电图(EEG)等3种检测方法;其次,从测量原理、数据预处理、检测算法、多模态融合等方面对疲劳检测领域进行技术性工作总结;最后,分析当前基于生理信号的疲劳检测方法的局限性,为进一步提升疲劳检测方法的准确性和鲁棒性提出新的建议。  
    关键词:功能性近红外脑成像;光电容积脉搏波;脑电图;疲劳检测;运动伪影;多模态   
    54
    |
    54
    |
    0
    <HTML>
    <网络PDF><WORD><Enhanced-PDF><Meta-XML>
    <引用本文> <批量引用> 102270325 false
    更新时间:2025-05-21
  • 人工智能

    在肠道微生物与健康领域,专家提出了基于微生物相关网络的图分类框架PAMNC,有效预测疾病表型,为疾病研究提供新方向。

    石凯, 柳乔晖, 冀庆荣, 赵鹏阳

    DOI:10.11907/rjdk.241221
    摘要:人体肠道微生物与人类健康密切相关,许多疾病的发生都伴随着肠道微生物群落的失衡。从微生物组数据中准确预测宿主表型对于理解疾病的发生和发展具有重要意义。机器学习方法在微生物组的表型预测上展现出了强大的能力。然而,微生物组数据的稀疏性、高维性和特征之间存在相关性等问题限制了机器学习方法对疾病表型的准确、可靠预测。为此,提出一种基于微生物相关网络的图分类框架PAMNC,以学习微生物相关网络信息并进行分类。PAMNC首先学习样本组成之间的系统发育关系以增强微生物的原始丰度信息,其次使用贝叶斯成分感知推理构造出一组微生物相关网络,最后应用基于图神经网络的方法对疾病表型进行预测。在6个公开的宏基因组数据集上与9种先进的表型预测方法进行比较,实验结果显示PAMNC均表现出最好的性能,尤其是在Cirrhosis和IBD疾病数据集上,PAMNC方法实现了0.940 2和0.911 2的AUC值。  
    关键词:机器学习;微生物组分析;微生物相关网络;图表示学习;表型预测   
    45
    |
    23
    |
    0
    <HTML>
    <网络PDF><WORD><Enhanced-PDF><Meta-XML>
    <引用本文> <批量引用> 102267583 false
    更新时间:2025-05-21
查看更多
  • 专题专栏
更多
0