基于深度学习的变化检测综述
基于深度学习的自动化故障检测技术
基于深度学习的自动化故障检测技术在当今高度工业化和信息化的时代，各种复杂的系统和设备在我们的生活和工作中扮演着至关重要的角色。
从庞大的工业生产线到精密的医疗设备，从繁忙的交通运输网络到先进的通信系统，它们的稳定运行对于保障生产效率、服务质量以及人们的生命财产安全都具有极其重要的意义。
然而，这些系统和设备在运行过程中不可避免地会出现故障。
传统的故障检测方法往往依赖于人工巡检和经验判断，不仅效率低下，而且准确性难以保证。
随着技术的不断进步，基于深度学习的自动化故障检测技术应运而生，为解决这一难题提供了全新的思路和方法。
深度学习是一种基于人工神经网络的机器学习技术，它能够自动从大量的数据中学习到复杂的模式和特征。
在故障检测领域，深度学习可以通过对设备运行数据的分析，实现对故障的快速、准确检测。
与传统的故障检测方法相比，基于深度学习的自动化故障检测技术具有许多显著的优势。
首先，它能够处理海量的数据。
现代设备在运行过程中会产生大量的监测数据，如温度、压力、振动、电流等。
传统方法很难对如此庞大的数据进行有效的分析和处理，而深度学习算法可以轻松应对。
通过对这些数据的学习，模型能够捕捉到隐藏在其中的细微故障特征，从而提高检测的准确性。
其次，深度学习模型具有很强的泛化能力。
一旦训练完成，它可以应用于不同类型、不同工况下的设备故障检测，而不需要针对每个具体的情况进行重新设计和调整。
这大大降低了检测成本，提高了检测效率。
再者，自动化故障检测技术能够实现实时监测和预警。
它可以在设备运行的同时对数据进行实时分析，一旦发现故障迹象，立即发出警报，以便及时采取措施进行维修，避免故障的进一步扩大，减少损失。
为了实现基于深度学习的自动化故障检测，首先需要进行数据采集。
这些数据通常来自于设备上安装的各种传感器，如温度传感器、压力传感器、振动传感器等。
这些传感器能够实时监测设备的运行状态，并将数据传输到数据存储系统中。
在数据采集完成后，需要对数据进行预处理。
目标检测模型设计与改进综述方法比较与进步分析
目标检测模型设计与改进综述方法比较与进步分析目标检测是计算机视觉领域中的重要任务，其在物体识别、智能驾驶、视频监控等方面有着广泛应用。
近年来，随着深度学习的快速发展，基于深度学习的目标检测方法取得了显著的进展。
本文将对目标检测模型的设计与改进方法进行综述，比较不同方法之间的优缺点，并分析近年来的进步。
一、基于区域建议网络（Region Proposal Networks，RPN）的目标检测方法基于RPN的目标检测方法是目前主流的检测模型之一，它通过生成一系列候选框来定位目标区域，并进行分类。
其中，Faster R-CNN 是最典型的方法之一。
Faster R-CNN采用RPN生成候选框，并利用RoI Pooling提取特征，最后通过全连接层进行分类和回归。
该方法的准确率较高，但计算量较大，检测速度较慢。
二、基于单阶段检测器的目标检测方法随着目标检测模型的发展，基于单阶段检测器的方法逐渐兴起。
YOLO（You Only Look Once）是一种较为代表性的单阶段目标检测方法。
YOLO将目标检测转化为回归问题，通过网络一次性输出目标的类别和位置信息。
相比于基于RPN的方法，YOLO具有较快的检测速度，但在小目标检测方面表现不如传统方法。
三、多尺度目标检测方法为了解决目标检测中的尺度变化问题，一些研究者提出了多尺度检测方法。
如SSD（Single Shot MultiBox Detector）通过在不同层级的特征图上进行检测，以适应不同尺度的目标。
这些方法在一定程度上提升了检测的准确率，但依然存在着小目标检测不准确等问题。
四、目标检测中的注意力机制为了解决目标检测中的分布不均衡问题，一些研究者引入了注意力机制。
在目标检测中，引入注意力机制可以使网络更加关注重要的目标区域。
比如CBAM（Convolutional Block Attention Module）通过利用通道注意力和空间注意力来提升目标检测的性能。
基于无监督深度表征学习的遥感影像变化检测
02
无监督深度表征学习概述
深度学习基本原理
神经网络结构
深度学习基于神经网络，由多个 神经元组成，每个神经元接收输
入信号并产生输出信号。
反向传播算法
在训练神经网络时，通过反向传播 算法调整网络权重，使得网络输出 与目标输出之间的误差最小化。
梯度下降优化算法
梯度下降是一种常用的优化算法， 用于最小化网络损失函数，通过迭 代更新网络权重来逐渐降低损失值 。
评估方法
为了更加客观地评估模型性能，我们采用了混淆矩阵（Confusion Matrix）和PR曲线（Precision-Recall Curve）等方法。混淆矩阵可以清楚地展示模型在不同类别上的预测情况，而PR曲线则可以直观地展示模型在不 同阈值下的性能。
实验结果与分析
结果展示
通过对比实验，我们发现基于无监督深度表征学习的变化检测方法在准确率、查 全率、查准率和F1分数等指标上均取得了较好的性能。与其他主流方法相比，我 们所提出的方法在某些指标上具有显著的优势。
参考文献
像素级变化检测
通过比较两张遥感影像中相同地理位置的像素值，判断其 是否发生变化。常用方法包括阈值法、回归分析、主成分 分析等。
特征级变化检测
先从遥感影像中提取特征，再根据特征的变化情况判断地 物是否发生变化。常用的特征包括颜色、纹理、形状等。
区域级变化检测
以像素或特征为基础，将它们组合成不同的区域，再对区 域的变化情况进行检测。常用的方法包括区域生长、聚类 、图割等。
实验设置
在实验中，我们采用了双流网络结构，将空间和时间信息分别处理，并使用自 编码器进行特征学习。为了增强模型的泛化能力，我们在训练过程中使用了数 据增强技术，如随机裁剪、旋转等。
国外近十年深度学习实证研究综述主题、情境、方法及结果
国外近十年深度学习实证研究综述主题、情境、方法及结果一、概述：二、主题分类：计算机视觉：该主题主要关注图像识别、目标检测、图像生成等任务。
研究者利用深度学习模型，如卷积神经网络（CNN），在图像分类、人脸识别、物体检测等任务上取得了显著成果。
自然语言处理：自然语言处理是深度学习的另一重要应用领域。
研究者使用循环神经网络（RNN）、长短期记忆网络（LSTM）、变压器（Transformer）等模型进行文本生成、情感分析、机器翻译等任务，推动了自然语言处理技术的发展。
语音识别与生成：深度学习在语音识别和语音合成方面也有广泛应用。
研究者利用深度学习模型进行语音特征提取、语音识别和语音合成，提高了语音技术的准确性和自然度。
游戏与人工智能：深度学习在游戏领域的应用也日益增多。
研究者利用深度学习模型进行游戏策略学习、游戏内容生成等任务，提高了游戏的智能性和趣味性。
医疗与健康：深度学习在医疗领域的应用也备受关注。
研究者利用深度学习模型进行疾病诊断、药物研发、医疗影像分析等任务，为医疗健康领域的发展提供了有力支持。
这些主题分类展示了深度学习在不同领域和应用场景中的广泛应用和巨大潜力。
通过对这些主题的深入研究和分析，我们可以更好地理解深度学习的发展趋势和应用前景。
1. 计算机视觉在计算机视觉领域，深度学习技术的应用已经取得了显著的突破。
近年来，卷积神经网络（CNN）成为了该领域的主导模型，特别是在图像分类、目标检测、图像分割等方面。
AlexNet、VGG、GoogleNet、ResNet等模型的出现，不断刷新了图像分类任务上的准确率记录。
主题：计算机视觉的核心任务是让机器能够像人一样“看懂”图像和视频，从而进行自动分析和理解。
深度学习通过模拟人脑神经元的连接方式，构建出复杂的网络结构，实现对图像的高效特征提取和分类。
情境：计算机视觉的应用场景非常广泛，包括人脸识别、自动驾驶、医学影像分析、安全监控等。
在这些场景中，深度学习模型需要处理的数据集往往规模庞大，且存在噪声、模糊等问题，因此模型的鲁棒性和泛化能力成为研究重点。
基于深度学习的网络异常检测系统
基于深度学习的网络异常检测系统基于深度学习的网络异常检测系统随着网络技术的发展和普及，网络已经成为人们生活和工作中不可或缺的一部分。
然而，网络的安全性问题也随之而来。
网络异常行为和攻击活动的频繁发生给用户的数据和隐私带来了巨大的风险。
为了更好地保障网络的安全性，基于深度学习的网络异常检测系统应运而生。
一、深度学习在网络异常检测中的应用深度学习是一种基于神经网络的机器学习方法，具有强大的数据分析和处理能力。
在网络异常检测中，深度学习可以通过对网络流量数据进行训练和学习来识别异常行为和攻击活动。
1. 数据收集与预处理网络异常检测系统首先需要收集大量的网络流量数据。
这些数据源可以是网络设备、防火墙或者流量监测器。
然后，对收集到的数据进行预处理，包括数据清洗、特征提取等。
特征提取是深度学习中非常重要的一步，可以通过卷积神经网络（CNN）或者循环神经网络（RNN）等方法来提取网络流量数据的特征。
2. 深度学习模型的训练与优化基于预处理后的数据，可以构建深度学习模型进行训练与优化。
常用的深度学习模型包括卷积神经网络（CNN）、自编码器（Autoencoder）和递归神经网络（RNN）等。
通过大量网络流量数据的训练，模型可以学习到正常网络流量的模式，并能识别出异常行为和攻击活动。
3. 异常检测与预警经过训练的深度学习模型可以用于实时的网络异常检测与预警。
系统通过将实时流量数据输入到模型中，模型会根据已学习到的知识进行判断，识别出网络中的异常行为。
一旦异常行为被检测到，系统会及时发出警报并采取相应措施，以保障网络的安全性。
二、基于深度学习的网络异常检测系统的优势基于深度学习的网络异常检测系统相较于传统的网络异常检测方法具有以下优势：1. 自动特征学习传统的网络异常检测方法通常需要手动提取特征，这需要耗费大量的时间和精力。
而基于深度学习的方法能够自动学习特征，减轻了手动特征提取的负担，提高了检测系统的准确性和效率。
深度学习驱动下的目标检测研究进展综述
深度学习驱动下的目标检测研究进展综述1. 深度学习驱动下的目标检测综述在过去的几年里，深度学习已经迅速成为人工智能领域最热门的技术之一，并且在计算机视觉领域取得了巨大的成功。
特别是在目标检测方面，深度学习的应用已经带来了革命性的进步。
目标检测是计算机视觉领域的一个重要任务，旨在识别和定位图像中的物体。
这一任务具有极大的挑战性，因为需要处理复杂的背景、不同的物体形状和尺寸、光照变化等因素。
随着深度学习的兴起，卷积神经网络（CNN）已经成为目标检测领域的核心组件。
通过构建多层次的神经网络结构，CNN能够自动学习图像中的特征表示，大大提高了目标检测的准确性。
在此基础上，一系列的目标检测算法被提出并持续优化，包括RCNN系列、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等。
这些算法的发展推动了目标检测技术的不断进步。
RCNN系列算法通过区域提议和卷积神经网络相结合，实现了较高的检测准确率。
YOLO和SSD则通过单阶段的检测方式，大大提高了检测速度，并且保持了较高的准确性。
还有一些算法结合了多种技术，如锚框机制、非极大值抑制等，进一步优化了目标检测的性能。
在深度学习驱动下，目标检测技术在许多领域得到了广泛应用。
在安防领域，目标检测可以用于人脸识别、行人检测等；在自动驾驶领域，目标检测用于车辆、行人、道路标志等的识别；在医疗领域，目标检测可以用于病变识别、细胞检测等。
随着技术的不断发展，目标检测的应用场景将越来越广泛。
尽管深度学习在目标检测方面取得了显著进展，但仍面临一些挑战。
如数据的标注成本高昂、模型的复杂度高、计算资源需求大等问题。
如何进一步提高目标检测的准确性、速度和泛化能力，以及如何降低模型复杂度和计算成本，仍然是目标检测领域需要关注和研究的重要问题。
1.1 目标检测的背景和意义随着计算机视觉技术的迅速发展，目标检测作为其重要分支之一，在众多领域中发挥着越来越重要的作用。
一种基于深度学习的变化检测方法及实现
然后对解译结果求差，并采用形态学处理，
从而有效辨别变化的区域。
关键词：深度学习影像解译；全卷积神经网络；变化检测
中图分类号：
P208
文献标志码：
A
0
引言
法。在已有的遥感影像变化检测方法中，影像配准与
地表覆盖变化检测是目前遥感研究领域的热点
特征提取的好坏是影像变化检测结果的关键，绝大多
图1
预处理
由于获取条件的差异，多时相遥感图像中存在非
地物变化而造成的图像变化。因此，消除非地物变化
深度学习特点
是变化检测中不可缺少的步骤，如云层的遮挡以及不
（1）具有增量学习能力。目前主流的深度学习优
同季节等产生的地物变化，如雨雪以及植被在不同季
化方法往往利用基于小批量样本的随机梯度下降法，
节的生长变化等。
无须一次将所有样本供给与模型进行训练，通过增量
1.2
迭代的方式令模型进行学习，因此可以利用大量的历
变化信息获取
变化信息获取是变化检测处理中的关键步骤。
变化信息获取采用基于深度残差全卷积神经网络的
史数据进行训练。
（2）模型迁移能力强。深度学习在进行具备小数
据量的领域或任务时，可以基于相近领域或任务的大
第 32 期
2020 年 11 月
No.32
November，2020
计恰当的解译规则，这一过程需要具备一定的知识经
别 、视 频 分 类 和 自 然 语 言 处 理 等 多 个 领 域 成 功 运
验，一般要行业专家来完成，
无法推广普及。
用。近年来图像处理方面的研究大多集中于卷积神
破性进展，发射了资源、高分等一系列遥感卫星，大幅
基于深度学习的变化检测技术研究
基于深度学习的变化检测技术研究随着城市化进程的加速，人们的对城市及其周边环境的关注度越来越高。
如何对城市及周边的变化进行快速且准确的检测？这就需要利用现成的技术，其中基于深度学习的变化检测技术是一种新兴的技术，这种技术具有准确度高，自适应能力强，对于大规模数据的处理优势明显等优点，成为了各大学者研究的热点。
为什么要进行变化检测？随着社会不断发展，城市化进程不断加快，城市中各种新的建筑、设施、道路等等必然会涌现出来，这对城市规划和管理提出了更高的要求。
而不断富含的遥感数据则提供了城市更新、基础设施更新等研究人员处理数据、评估城市发展状况的珍贵数据源。
在这样的背景下，如何利用数据来发现变化，继而根据发现的变化来进行科学的城市规划、城市管理尤为重要。
传统的变化检测方法中，经典方法主要包括差值法、比率法、阈值法、协方差矩阵和双差值等方法；而这些传统的方法的缺点其对于细节处理不好，对于噪声等复杂情况的处理能力不足。
然而，基于深度学习的变化检测技术可以很好地解决这些问题。
深度学习技术是一种以数据为基础的学习方法，它可以在给定的输入数据中发掘内在的规律和特征，以达到分类和预测等目的。
在变化检测中，深度学习技术可以用于遥感影像的处理，得到建筑物、水体等的影像分类、目标检测等预测结果。
同时，卷积神经网络（Convolutional Neural Network，简称CNN）作为一种基于深度学习的网络结构，可以有效地处理图像数据信息，因此，基于卷积神经网络的遥感影像变化检测技术已经成为了一种主流的方法。
在基于深度学习的遥感影像变化检测方法中，根据实际的需求可以分为两种方式：有监督的和无监督的方法。
有监督的变化检测方法是基于给定的训练数据，利用卷积神经网络对影像进行分类，进而得到变化图像。
而无监督的变化检测是在不需要先验知识的条件下，将影像信息进行自底向上的聚类，得到图像变化区域。
其中有监督的变化检测方法中，基于遥感影像分类的变化检测方法是一种常见的方法，它利用卷积神经网络对遥感影像进行精细分类，以获取影像中的目标。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于深度学习的变化检测综述
随着遥感技术和深度学习技术的不断发展，基于深度学习的变化检测方法已经成为当前最具前景的研究方向之一。
本综述论文系统地介绍了基于深度学习的变化检测的相关研究，从数据预处理、特征提取、模型设计到算法应用等方面进行详细描述和分析，同时讨论了该领域的主要挑战和未来发展方向。
研究表明，基于深度学习的变化检测方法相较传统方法具有更高的准确率和效率，在地球观测、环境检测等应用领域具有广泛的应用前景。
关键词：遥感；深度学习；变化检测；数据预处理；特征提取；模型设计；应用
一、引言
1.1 研究背景
变化检测是地球科学领域中的一个重要研究课题。
变化检测可以用来研究地球表面的变化，例如水文变化、土地利用变化、资源变化等等，这些变化可能对环境、社会和经济产生重大影响。
传统的变化检测方法通常基于人工解译或遥感影像差异分析。
这些方法存在着一些不足之处，例如人工解译的结果受到主观因素的影响，遥感影像差异分析的精度受到多种因素的影响，且需要大量的时间和经验。
随着深度学习技术的快速发展，基于深度学习的变化检测方法逐渐成为了一种新的研究方向。
深度学习的特点是可以自动提取特征，同时还能够处理大量的数据，从而提高变化检测的精度和效率。
近年来，基于深度学习的变化检测方法已经应用于多个研究领域，例如城市变化、农田变化、海岸带变化等等。
这些研究表明，基于深度学习的变化检测方法具有广阔的应用前景和深远的影响。
1.2 目的和意义
本综述论文的主要目的是对基于深度学习的变化检测方法进行综述和分析。
本文首先介绍了传统的变化检测方法及其不足之处，然后详细介绍了深度学习技
术的基本原理和应用情况，最后总结了现有的基于深度学习的变化检测研究成果，并讨论了未来的研究方向。
本文的意义在于能够为地球科学领域中的变化检测提供一种新的方法和思路。
基于深度学习的变化检测方法不仅可以提高检测精度和效率，还可以应用于更广
泛的领域，例如环境保护、资源管理、城市规划等等。
此外，本文还可以为相关
领域的研究人员和决策者提供一种参考和借鉴，以促进相关领域的发展和应用。
1.3 研究现状
目前，基于深度学习的变化检测方法已经应用于多个研究领域。
以下是一些
典型的研究案例：城市变化检测：针对城市中的建筑物等目标进行变化检测。
研
究者使用卷积神经网络（CNN）[1]对遥感图像进行特征提取和分类，再使用支持
向量机（SVM）[2]进行分类和检测，最终实现了对城市建筑物变化的检测。
农田
变化检测：针对农田的利用情况进行变化检测。
研究者使用自编码器（Autoencoder）[3]对遥感图像进行特征提取和分类，再使用基于神经网络的分
类器进行分类和检测，最终实现了对农田利用情况的检测。
二、基于深度学习的变化检测算法
2.1基于深度学习的变化检测算法
检测地表变化是一项重要的任务，因为它能够帮助我们了解环境、气候变化
等方面的影响，同时也对农业、森林经济等领域的决策有着重要的意义。
基于技
术的发展，近年来深度学习技术已经被广泛应用于地表变化检测，其优势在于能
够自动、高效地进行特征提取和分类，因此在识别和分析图像方面，其比传统的
方法具有更高的准确性和效率。
2.2卷积神经网络
卷积神经网络是一种常见的深度学习模型，其具有自动学习特征的能力，在
图像分类、目标检测等领域有着广泛的应用。
在变化检测中，卷积神经网络已经
被应用于进行变化分类和变化检测等任务，其利用深度卷积网络结构，能够自动提取变化的特征，并将变化和不变化的图像进行分类。
2.3循环神经网络
循环神经网络是一种可以处理序列输入的神经网络，其可以在时间上建立联系，并根据历史信息进行预测和分类。
在变化检测中，循环神经网络已经被应用于针对序列数据进行变化检测，例如气象数据、交通流量等数据，通过学习时序数据中的变化模型，从而实现变化检测。
2.4其他深度学习方法
除了卷积神经网络和循环神经网络，其他深度学习方法也已经被应用于变化检测中。
例如，一些研究者利用深度学习技术进行遥感影像的语义分割，从而实现对地表变化的检测。
总结基于深度学习的变化检测算法已经成为研究的热点之一，其优势在于能够自动、高效地进行特征提取和分类。
基于监督学习的算法包括卷积神经网络、循环神经网络和其他深度学习方法，基于无监督学习的算法包括自编码器、对抗生成网络和其他无监督方法。
未来，深度学习技术将继续发展，相信我们可以应用更加先进的深度学习算法来实现更加准确的变化检测。
三、应用案例分析
3.1土地利用/覆盖变化检测：
土地利用/覆盖变化检测[4]是一种基于遥感影像的重要应用领域。
利用深度学习技术进行土地利用/覆盖变化检测已成为当前的研究热点。
这种技术可以通过对遥感图像进行分割和分类来判断土地利用/覆盖类型的变化情况。
在土地资源利用和开发等方面具有广泛的应用价值。
例如，利用深度学习技术实现对自然保护区的变化检测。
此项研究借助于卫星遥感数据，采用了一种基于卷积神经网络（CNN）的土地利用/覆盖分类方法。
研究表明，该方法不仅可以有效地分类保护区内的不同土地利用/覆盖类型，并且还可以细分出一些细节特征，如道路、水域和农田等。
3.2森林覆盖变化检测：
森林是地球上的重要生态系统，是大气、水文和生态系统功能的重要组成部分。
随着人类活动的不断扩张，森林的面积和覆盖率正在逐步减少。
因此，对森林的变化进行检测和评估是至关重要的。
深度学习技术在森林覆盖变化检测中也得到了广泛的应用。
例如，一项针对阿拉斯加州森林覆盖变化检测的研究，利用卫星遥感数据进行了森林分类和覆盖率统计，并采用了一种基于深度学习的森林覆盖变化检测方法。
研究表明，该方法能够有效地检测森林覆盖变化的情况，并实现准确的分类和识别。
3.3建筑物变化检测：
建筑物变化检测是一种应用深度学习技术的重要领域。
随着城市化的不断扩展和人口增长，城市中建筑物的数量也在不断增加，因此对建筑物变化进行检测和识别具有重要的实际意义
例如，针对城市建筑物的变化检测，一项研究采用了基于卷积神经网络的检测方法。
该方法可以通过对同一区域的遥感图像进行对比，从而检测出建筑物的变化情况。
研究表明，该方法可以帮助城市规划者实现对建筑物变化的快速检测和识别，为城市规划和土地管理提供支持。
其他应用领域除了上述几个应用领域之外，深度学习技术还可以应用于其他诸如交通检测、遥感图像分类、气象预测等领域。
例如，一项关于交通检测的研究，采用了基于循环神经网络（RNN）的交通流量预测方法，该方法可以实现对车流量的精确预测和检测。
总之，深度学习技术在遥感影像变化检测中具有广泛的应用前景。
未来，随着深度学习技术的不断发展和完善，这种技术将会在更多的应用领域得到应用和推广。
五、存在问题与未来展望
随着深度学习技术的日益发展，变化检测在各个领域的应用越来越广泛。
然而，在实践中，依然存在着一些问题。
首先当前深度学习算法在变化检测中的应
用仍存在着不够成熟的问题。
比如，在处理海量数据时，很难充分利用GPU等硬件加速设备，因此需要更加高效的算法。
另外，对于大规模地物识别、分类等问题，深度学习算法还需要进一步优化和完善。
其次深度学习算法依赖于大量的数据来训练模型，但当前获取数据的手段往往受到限制。
比如，在遥感领域中，由于卫星图像的分辨率。
参考文献：
[1]杨军, 于茜子. 2020. 结合Atrous卷积的FuseNet变体网络高分遥感影像语义分割[J]. 武汉大学学报(信息科学版), 1-12.
[2]李唯嘉. 2019. 面向遥感影像分类、目标识别及提取的深度学习方法研究[D]. 清华大学.
[3]李祥. 2019. 基于深度学习的高分辨遥感影像建筑物提取技术研究[D]. 中国科学院大学(中国科学院遥感与数字地球研究所).
[4]吕凤华, 舒宁, 龚龑. 2017. 利用多特征进行航空影像建筑物提取[J]. 武汉大学学报(信息科学版), 42(5):656-660.。