关键词： 智能算法   场域   意识形态风险   技术   制度   主体  

摘要： 以智能算法推荐为代表的人工智能技术应用，深刻重塑着信息生产与传播范式，在提高传播效率的同时也隐含着意识形态安全被操控的风险。构建“技术—制度—主体”三维分析框架，有助于系统剖析智能算法场域中主流意识形态风险的生成机理与治理路径。研究发现，在智能算法场域，意识形态风险呈现传播力消解、认同度窄化、引领力弱化、公信力动摇等特征;算法预设技术逻辑、制度滞后且供给不足、治理主体协同乏力等因素共同作用、彼此强化，加剧了风险的生成和传播。应从优化算法设计、阻断风险源头编码，加强制度的刚性约束、遏制风险系统性传导，推进多元主体共治、化解风险的社会化传播三个方面入手，推动意识形态风险治理，夯实意识形态安全根基。

关键词： 路面病害   YOLO–RDD   深度学习   目标检测   轻量化结构  

摘要： 针对道路服役年限增长导致的路面病害增多，以及复杂路面背景下细小裂缝等病害易漏检、误检的问题，本文提出一种基于YOLOv11n的改进轻量化目标检测算法YOLO–RDD，面向车载平台与无人机等资源受限场景，兼顾检测精度与部署效率。路面病害具有目标尺度小、对比度低、形态细长、背景纹理干扰强等特点，常规单阶段检测模型在下采样与跨尺度融合过程中容易削弱边界与弱纹理线索，造成裂缝类目标定位不稳与漏检。为此，YOLO–RDD在结构与特征表征环节进行任务导向优化。首先，在主干网络中采用结构重参数化的RepGELAN模块替代传统C3k2模块，通过同层渐进聚合与跨阶段信息回流增强多感受野表达，使细窄裂缝的边缘与弱纹理响应在深层传播中不易衰减，并在推理阶段折叠多分支结构以保持高效推理。其次，在颈部网络中结合动态上采样单元（DSU）与深度可分离卷积，设计DySlim–Neck轻量化融合结构，在跨层融合前进行内容自适应对齐，减轻固定插值与拼接带来的错位与过度平滑，同时降低融合开销并强化小目标信息传递。最后，在检测头部分引入动态权重检测头（DynamicHead），对多尺度特征进行自适应重整，缓解细小病害目标分类与回归耦合不足导致的漏检问题，提升复杂背景下的预测稳定性。实验采用F1分数、平均精度均值（mAP）与模型参数量等指标进行评估。RDD2022数据集上结果表明，和基准模型YOLOv11n相比，模型参数量减少19.7%的同时，YOLO–RDD的F1分数与mAP@50分别提升1.0和2.3个百分点，整体检测性能更稳健，可有效提升裂缝与坑洼等病害目标的识别与定位效果，为路面病害自动化巡检提供了可行的轻量化实现路径。

关键词： 非凸优化   Kurdyka-Lojasiewicz性质   惯性Tseng类算法   参数解耦   收敛速率  

摘要： 本文针对非凸非光滑复合优化问题,提出了一种步长参数与惯性参数解耦的惯性前向-后向-前向算法(简记为DiFBF)。DiFBF在惯性Tseng型算法的基础上通过运用Bregman距离重新设计了步长选择策略,解除了步长与惯性参数之间的依赖关系。在价值函数满足Kurdyka-Lojasiewicz (KL)性质的条件下,证明了由算法产生的迭代序列收敛到问题的临界点,并且刻画了该类算法在函数值与序列意义上的收敛速率估计。最后,通过数值实验呈现了该算法的收敛速度和稳定性的数值表现情况。

关键词： 煤矿隐蔽致灾   机器学习   随机森林   地质构造   复杂程度  

摘要： 针对传统地质构造复杂程度评价方法，存在主观性强、难以量化复杂非线性关系等局限性，本文以马场矿区为研究背景，通过逻辑回归、支持向量机、XGBoost以及随机森林等不同机器学习模型进行地质构造复杂程度评价。4种模型学习效果的对比结果表明，随机森林算法在数据复杂、样本不均衡的场景中，能够获得更稳定、泛化能力更强的评价效果。采用随机森林算法建立评价模型，通过特征重要性分析，定量揭示了断层强度、断层密度等主控地质因素及其交互机制，其中，断层密度与断层强度被随机森林模型识别为最具判别力的核心指标。研究提出的基于机器学习的智能评价方法，可为煤矿隐蔽致灾因素的精准识别与安全开采提供科学依据。

关键词： 玉米田杂草检测   全局感知   注意力机制   损失函数优化   YOLOv8n  

摘要： 针对玉米田间杂草检测面临杂草目标小、类别间形态相似与复杂背景干扰等问题,提出了一种基于全局感知与形态优化的玉米田杂草检测方法GMA-YOLO。首先,设计全局感知空间金字塔池化模块GA-SPPCSPC,通过在跨阶段部分连接结构中嵌入Non-local模块,建立特征图任意位置间的长程依赖关系,增强小尺度杂草目标的特征表达能力并抑制复杂背景干扰;其次,引入SEAM注意力模块,利用多尺度深度可分离卷积和指数映射通道激活策略,增强目标特征响应,提升对小尺度杂草的检测精度;最后,提出形态感知聚焦损失函数MAF,通过尺度自适应Wasserstein距离回归项增强小目标定位稳定性,采用类别自适应权重与焦点调制因子提升模型对形态相似类别的区分能力。在自建CornWeed数据集上的实验结果表明,GMA-YOLO的mAP@0.5达到96.2%,较基线模型YOLOv8n提升4.4%,精确率和召回率分别达到80.1%、83.4%,F1分数为81.7%。与主流检测模型相比,该方法在检测精度、召回率、综合性能等方面均表现出显著优势。跨数据集验证结果表明,GMA-YOLO能够准确区分不同类型杂草和作物,具有良好的泛化能力。

关键词： 多级特征融合   边缘辅助监督   多尺度注意力   跨模态   语义分割  

摘要： 现有跨模态语义分割网络忽略跨模态特征间的互补性和不同尺度特征间的关联性，在复杂光照条件下存在边界模糊、远处小目标分割准确性差的问题，为此提出新的跨模态语义分割算法（EMFFNet）.在编码器中，基于浅层与深层的语义特性差异，设计多尺度注意力融合模块和跨模态特征加权融合模块，分别捕获细节纹理信息和高阶语义信息.在解码器中，引入通道增强模块和边缘监督策略辅助训练，强化目标边界感知能力.相比主流算法，EMFFNet在MFNet城市街景数据集上的各项评估指标均为最优，平均准确率和平均交并比分别为76.1%和59.4%.实验结果表明，在光照变化条件下，EMFFNet能够有效缓解目标边缘模糊问题，提高远处小目标分割精度.

关键词： 路径规划   超启发式算法   蛇优化算法   Q学习   变异算子  

摘要： 针对无人机路径规划搜索空间复杂、对算法全局寻优及自适应性要求高的问题，提出一种基于Q学习的超启发式蛇优化算法（QLHHSO）。该算法在初始化阶段引入透镜成像学习策略以提升种群多样性；通过解构蛇优化算法搜索模式并集成变异与交叉算子，构建了多种低层启发式策略（LLHs）；引入Q学习作为高层策略（HLS），根据种群状态动态调度最优LLHs，实现了搜索行为的自适应调整与平衡。基于CEC2017基准函数及三种无人机路径规划场景的仿真实验表明，QLHHSO在优化精度、收敛速度及鲁棒性方面均显著优于八种主流优化算法，具有较强的求解效能与普适性。

关键词： 军事情报分析   推荐系统   智能推荐   大语言模型   生成式人工智能  

摘要： 军事情报分析是现代战争指挥决策的重要支撑，推动其智能化升级的关键在于构建面向海量异构情报的高价值信息智能推荐体系。本文针对军事情报推荐中军事语义理解浅薄、多源信息融合不足、动态对抗环境适配困难等核心技术挑战，对相关技术演进与应用方法进行系统性综述。依次梳理传统推荐技术、深度学习与知识图谱赋能的智能推荐技术、生成式人工智能驱动的推荐技术的应用特点，并结合军事应用需求展望未来发展方向，以期为军事情报分析推荐技术相关问题研究提供有益参考。

关键词： 边缘智能   计算卸载   依赖型任务   协同计算   多智能体深度强化学习  

摘要： 人工智能与移动边缘计算的深度融合,已成为实现6G网络智能内生愿景的重要驱动力,其中智能计算卸载作为重要环节之一受到广泛关注.针对多样化依赖型任务在边缘资源受限场景中的计算卸载问题,提出了一种分布式智能协同计算卸载方法.首先,综合考虑边缘节点服务有限、任务多样性与执行依赖性等因素,建立端边协同的计算卸载及多维资源分配优化问题模型,目标是在服务容忍时延约束下最大化系统长期平均任务处理效用.然后,提出一种基于图注意力多智能体深度强化学习的依赖型任务计算卸载算法求解优化问题.该算法在训练阶段采用图注意力网络挖掘全局状态的重要信息以学习高效协同策略参数,在执行阶段由终端用户根据本地状态独立决策,从而实现分布式智能协同计算卸载.最后,通过仿真实验验证所提算法性能.仿真结果表明,与现有的算法相比,所提算法在不同网络参数下均具有最优性能.

关键词： 智能算法   铸牢中华民族共同体意识   算法赋能  

摘要： 数智时代，信息传播的深度和广度不断拓展，智能算法在铸牢中华民族共同体意识方面发挥着日益重要的作用。作为数字技术的核心引擎，智能算法的精准化推送、沉浸式场景与交互化过程，有效增强了铸牢中华民族共同体意识的吸引力、渗透力与感染力。同时，算法自身存在的“去中心化”“信息茧房”“算法黑箱”等特性，也引发了遮蔽话语权威、冲击共识凝聚、弱化价值共振等多重风险。基于此，应从素养提升防范算法技术反噬、主流价值引领算法内容生产、制度规整纠偏算法运行机制等方面协同发力，最大限度释放智能算法的正向赋能效能效应，扎实推进铸牢中华民族共同体意识。