- 徐翔;王若茗;
网络主题振荡的周期特性是否影响以及如何影响主题间的触发关系，是既往研究尚未充分关注的理论维度与实证问题。通过功率谱分析与红噪声检验方法，对今日头条的28 473 604条帖子数据展开分析，探索周期特性及其振荡模式这一新的自变量维度是否与主题间触发关系的发生相关，进而影响舆论的演化与调控。结果表明，这些周期特性与主题间的触发关系呈显著正相关，且具有一定的预测效力。研究指出，需加强对主题演化中振动频率及波长的信息传播功能的关注，并在实证计算基础上提出“基于振荡模式的议题间设置”这一理论维度；通过理解和利用主题在时间上的振荡模式，拓展议程设置和主题间协同演化的理论体系，推进研究从单一的“主题演化设置”向联动的“主题间协同演化设置”延展。
2026年02期 v.59;No.347 293-307页 [查看摘要][在线阅读][下载 1513K] [下载次数：23 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：9 ] - 陈昊;金广星;苏航;
在短文本分类这一热门研究领域，预训练模型虽表现出色，但存在数据表征散布和转移学习受限等问题，导致分类效果降低。尽管诸如ERNIE(enhanced representation through knowledge integration)等大模型提升了分类效果，但由于其速度慢、资源需求大、受硬件限制等问题，难以应用于工业生产。为此提出了基于ERNIE的辅助任务模型EL(ERNIE+LAT(learning with auxiliary tasks))，旨在验证其获取更优类别特征的可行性。针对工业任务落地需求，同时提出知识蒸馏法，对EL与TextCNN模型进行蒸馏训练，以验证其在提升分类效果以及线上推理效率方面的可行性。研究验证现有预训练模型在公共数据集上的分类优势；采用辅助任务结合预训练模型的方法进行实验改进；并基于知识蒸馏法深入推进模型加速研究。实验表明，通过联合训练能够提升模型的泛化能力与特征提取能力，进而增强特定任务下的学习能力；学生模型TextCNN经蒸馏后不仅可与教师模型相媲美，在线上部署时还更具优势。
2026年02期 v.59;No.347 308-318页 [查看摘要][在线阅读][下载 1209K] [下载次数：234 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：9 ] - 陈雷;牛芳琳;
针对基于区块链的车载自组网络（vehicle Ad-Hoc networks,VANETs），研究将服务器车辆与移动边缘计算（mobile edge computing,MEC）及云计算相结合的方式，解决多车辆安全计算卸载问题。提出一种基于区块链的车载自组网络框架；采用基于区块链的访问控制方法保护车辆与服务器车辆、边缘云服务器之间的计算卸载安全；在最小化所有车辆的系统延迟、能量消耗和计算损耗的条件下，提出车载自组网络中密集计算任务卸载的最优化问题。该问题联合优化计算卸载策略、共识机制策略、功率资源、计算资源与信道带宽分配策略。为解决该最优化问题，提出一种新的深度强化学习（deep reinforcement learning,DRL）算法，即改进的多智能体深度确定性策略梯度（multi-agent deep deterministic policy gradient,MADDPG）算法。仿真结果表明，与其他现有算法相比，所提算法具有显著优势。
2026年02期 v.59;No.347 319-333页 [查看摘要][在线阅读][下载 1489K] [下载次数：20 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：9 ] - 徐煊翔;杜彦辉;陈李舟;冯俊又;刘先博;
随着车联网应用的普及，控制器局域网络(controller area network,CAN)总线易遭受网络攻击，入侵检测的作用愈发凸显。但车载设备计算资源有限，基于深度学习的高性能入侵检测系统(intrusion detection system,IDS)无法在车载环境中有效发挥作用，导致IDS性能与计算资源存在矛盾。因此，提出一种基于知识蒸馏的CAN总线入侵检测方法 H-KD(hybrid knowledge distillation) IDS，以在保证深度学习模型检测性能的同时实现轻量化。设计了混合实例内关系与响应关系的知识蒸馏CAN总线入侵检测框架，基于Gram矩阵构建师生模型的实例内特征关系，通过改进多分类焦点损失函数构建师生模型的响应关系。实验结果表明，与其他CAN总线入侵检测方法相比，H-KD IDS具有更好的检测性能与更低的资源消耗，降低了车载设备的硬件要求，适合部署于计算资源受限的车载设备中。
2026年02期 v.59;No.347 334-344页 [查看摘要][在线阅读][下载 1601K] [下载次数：388 ] |[网刊下载次数：0 ] |[引用频次：1 ] |[阅读次数：7 ] - 翁治江;严永高;王鑫;蔡韪丞;张召亮;
针对当前电力作业培训现场人员安全意识不足、作业场景复杂导致目前安全监控可靠性低的问题，提出一种基于YOLO(you only look once)v8n的改进算法。首先，将YOLOv8n模型骨干网络(backbone)中部分普通卷积模块(Conv)替换为卷积注意力模块(convolutional block attention module, CBAM)，加强复杂工况下算法对关键目标的关注度；其次，在检测头（head）部分引入双向长短期记忆(bidirectional-long short-term memory, Bi-LSTM)网络，提升算法对关键目标的实时跟踪与遮挡检测能力；然后，引入SlideLoss对原损失函数进行改进，提升算法的鲁棒性。最后，为验证所提改进算法的有效性，在自建数据集上进行了一系列实验，实验结果表明：所提改进算法在所有检测类别上的平均精度均值（mean average precision, mAP）为95.47%，较其他算法性能提升明显，能有效察觉复杂工况下电力作业培训现场的安全隐患。
2026年02期 v.59;No.347 345-352页 [查看摘要][在线阅读][下载 1444K] [下载次数：25 ] |[网刊下载次数：0 ] |[引用频次：0 ] |[阅读次数：10 ] 下载本期数据