本网讯（文图/黄陈英）近日，电子信息与人工智能学院在科研领域取得了显著进展，发表了多篇高质量的核心论文，其中有黄果博士的《Research on Application of Fractional Calculus Operator in Image Underlying Processing》尤为引人注目，该论文成功被SCI2区A2评级，JCR 1区期刊收录。杨骏博士的论文《Finding Discriminative Subsequences Via a Coverage Measure and Mutual Information Selection Strategy for Multi-Class Time Series Classification》成功被SCI2区A2评级期刊收录。杨骏博士的另一篇论文《面向时间序列有序分类的Shapelet抽取算法》也在电子科技大学学报上发表，B类。刘才铭教授的论文《Artificial Immune Detection for Network Intrusion Data Based on Quantitative Matching Method》成功被SCI4区期刊收录，B类。祝加雄老师的《基于模式识别技术的光电探测器故障辨识研究》，发表于《激光杂志》，北核，C类。
黄果博士的这篇论文深入探讨了分数阶微积分算子在图像处理中的应用，特别是在图像增强和去噪方面的独特优势。分数阶微积分是传统整数阶微积分的扩展，它允许非整数阶的微分和积分，为工程应用提供了一种强有力的工具。在图像处理领域，分数阶微积分的应用为图像特征的增强和噪声的减少提供了新的思路。论文详细阐述了分数阶微积分的基础理论及其振幅-频率特性，并重点研究了分数阶微分算子在增强图像特征和减少噪声方面的有效性。实验结果表明，分数阶微分算子在突出图像中的弱边缘和强纹理等细节方面优于整数阶微分算子。此外，分数阶积分算子在去噪方面也表现出色，不仅提高了信噪比，而且在保留图像边缘和纹理等关键特征方面优于传统去噪技术。
杨骏教授的论文《Finding Discriminative Subsequences Via a Coverage Measure and Mutual Information Selection Strategy for Multi-Class Time Series Classification》在国际权威SCI期刊上发表，并被评定为二区A2类论文。这一成果不仅彰显了学院在时间序列分类领域的深厚研究实力，也为多类时间序列分类问题提供了新的解决思路。该论文提出了一种创新的基于覆盖度度量和互信息选择策略的方法来寻找具有判别性的子序列，以解决多类时间序列分类问题。具体而言，该方法首先通过覆盖度度量来评估每个子序列对类别覆盖的贡献，然后通过互信息选择策略来进一步筛选出最具判别性的子序列。这种方法不仅能够有效减少冗余信息，提高分类精度，还能为时间序列特征提取和分类器的设计提供新的启示。
实验结果表明，该方法在多类时间序列分类任务上取得了显著的效果，与其他方法相比，分类精度得到了大幅提升。这一研究成果不仅为多类时间序列分类问题提供了新的解决方案，也为相关领域的研究人员提供了新的研究思路和方法。
与此同时，杨骏博士的论文《面向时间序列有序分类的Shapelet抽取算法》也在电子科技大学学报上发表，并获得B级评价。这篇论文针对时间序列有序分类中的Shapelet抽取算法进行了深入研究。当前面向时间序列有序分类的Shapelet抽取算法存在效率较低的问题，杨骏博士提出了一种基于SAX表示时间序列的Shapelet评价指标CD-Cover，该指标同时考虑Shapelet对时间序列数据集的覆盖集中度和覆盖优势度。此外，他还提出了一种基于随机采样的Shapelet抽取算法，通过布隆过滤器对候选Shapelet进行预剪枝，采用移除自相似策略对抽取结果进行后剪枝。实验结果表明，该算法在11个时间序列公开数据集上均表现出色，不仅提高了Shapelet的有序分类能力，还显著提升了算法的计算效率。
刘才铭教授的论文《Artificial Immune Detection for Network Intrusion Data Based on Quantitative Matching Method》成功被SCI4区期刊收录，并获得B级评价。
这篇论文深入探讨了基于定量匹配方法的人工免疫检测技术在网络入侵数据检测中的应用。随着网络技术的快速发展，网络安全问题日益凸显，网络入侵检测成为保障网络安全的重要手段。然而，传统的网络入侵检测方法往往存在检测精度不高、适应性不强等问题。针对这些问题，刘才铭教授提出了一种基于定量匹配方法的人工免疫检测技术，该技术通过模拟生物免疫系统的识别和防御机制，对网络入侵数据进行高效、准确的检测。论文详细阐述了人工免疫检测技术的理论基础和实现方法，包括免疫细胞的生成、匹配和更新等关键步骤。实验结果表明，该技术能够显著提高网络入侵检测的精度和适应性，有效识别出各种复杂的网络攻击行为。此外，该技术还具有较好的可扩展性和鲁棒性，能够适应不同规模和类型的网络环境。
祝加雄教授的论文《基于模式识别技术的光电探测器故障辨识研究》在知名期刊《激光杂志》上发表，并被评定为北核C级论文。这一研究成果不仅为光电探测器故障辨识领域提供了新的解决方案，也展示了学院在电子信息与人工智能交叉研究领域的深厚底蕴。该论文针对当前光电探测器故障辨识错误率高的难题，提出了一种基于模式识别技术的光电探测器故障辨识方法。祝加雄教授及其团队首先采集光电探测器的状态信号，并从中提取特征信息。接着，他们利用主成分分析算法对特征进行降维处理，以得到最优的光电探测器状态辨识特征。最后，将这些特征作为支持向量机的输入，通过支持向量机的学习和设计，构建出光电探测器状态辨识器。
电子信息与人工智能学院申硕骨干教师今年还发表了多篇其他高质量的核心论文，论文涵盖了人工智能、机器学习、图像处理等多个领域。这些论文的发表不仅提升了学院的学术水平，也为相关领域的科研和技术创新提供了有力的支持。
今年申硕骨干教师多篇核心论文的发表，为我院申硕工作打下了坚实的基础。未来，电子信息与人工智能学院将继续秉承“创新、协作、卓越”的科研理念，加强科研团队建设，提升申硕骨干教师的科研创新能力，为推动我院的申硕工作做出更大的贡献。
