摘要:随着区块链技术的广泛应用, 智能合约的安全性问题日益突出. 交易顺序依赖 (transaction order dependency, TOD)漏洞是一种常见且危害性极大的漏洞, 可能引发严重的经济损失. 现有漏洞检测方法主要分为静态分析和动态分析, 但仍存在误报率高、关键路径覆盖不足及对固定规则依赖等局限性. 为此, 本文提出了一种基于函数依赖指导的TOD漏洞检测框架FuncFuzz. 该框架通过静态分析模块提取合约的关键函数依赖, 精准定位脆弱区域, 提升测试用例生成的针对性; 设计多样化的交易变异策略, 扩展测试用例的覆盖范围; 并引入基于状态的一致性判定机制, 以突破传统固定模式的限制, 动态适应复杂或未知的漏洞场景. 实验结果表明, FuncFuzz在检测TOD漏洞的有效性方面优于现有工具, 同时函数依赖指导有效增强了检测效果.

摘要:动态符号网络中的链接预测旨在通过已知的网络拓扑结构和属性特征挖掘节点间的潜在关系. 目前主流的链接预测方法大多基于图表示学习设计, 然而这些工作往往无法同时学习网络中蕴含的符号语义和时间信息. 另外, 现有的图神经网络表示学习模型也难以捕获节点间长距离的信息依赖. 针对上述问题, 本文提出了一种基于表示学习的动态符号社会网络链接预测方法(RLLP), 该方法设计了一种能够在网络中采样长距离语义路径的时序随机游走策略, 并根据平衡理论和时间感知的长短期记忆神经网络(T-LSTM)嵌入每条路径中携带的复杂信息. 最后引入了图注意力机制为节点生成了低维稠密的向量表示, 增强了网络链接的预测能力. 在现实世界的3个真实数据集上对本文提出的方法进行验证, 实验结果显示, 相较于其他基线方法, RLLP在F1分数和准确率两个指标上均取得了更优的性能表现, 在社会网络链接预测的应用中具有很高的可行性和有效性.

摘要:城市遥感图像具有分辨率高、背景多样、纹理复杂等特点, 这对边界分割提出了挑战. 当前主流的语义分割模型遇到了一些困难, 包括边缘模糊、平滑角等缺陷和无法捕获远程依赖关系. 为了解决这些挑战, 本研究提出了一种基于UNet++的增强模型ARD-UNet++. 采用7×7深度可分离卷积来减少参数计数, 促进更密集的特征提取和更全面的上下文信息捕获; 引入SimAM非参数注意力机制, 在不引入额外参数的情况下选择性地关注关键特征, 有效地抑制无关信息; 集成了残差连接以防止局部最优, 其中Res-SimAM模块取代了上采样节点中的标准卷积块. 与UNet++相比, 本增强模型在UAVid和Potsdam数据集上表现出显著的提升效果, mIoU分别提高了6.77%和1.79%, F1分别提高了4.71%和1.17%, OA分别提高了4.99%和0.98%. 通过与当前主流模型的对比分析, ARD-UNet++具有优越的性能, 是城市遥感图像精确分割的理想解决方案.

摘要:在智慧城市中, 无线通信网络连接了众多边缘智能设备, 用于收集和传输各种类型的数据. 为了保护数据隐私, 联邦学习被广泛应用于智慧城市环境中. 然而, 城市中的高密度建筑物和复杂多径传播会导致信道衰落, 严重影响通信质量和联邦学习的性能. 针对这一问题, 提出了一种基于强化学习的无线联邦学习系统自适应延迟等待时间调整算法. 该算法通过强化学习方法自动调整等待时间, 以适应动态变化的信道条件, 缓解由信道衰落引起的数据传输延迟问题, 并通过优化等待时间避免因部分客户端延迟掉队而导致的模型不可信问题. 在MNIST和CIFAR-10数据集上的仿真结果表明, 所提出的算法在保证系统性能的同时能够确保结果的可信性, 并且在多个关键性能指标上显著优于其他基线算法.

摘要:目前, 人工智能模型版权保护研究主要集中在水印技术的鲁棒性和模型精度提升, 而对于模型溯源追踪的研究仍然较少. 针对多用户模式下盗版难于追踪的问题, 提出了一个支持盗版溯源的模型指纹框架. 该框架为每个用户随机抽取唯一的可控数据增强组合, 基于此生成各用户的溯源指纹集. 接着结合多任务学习技术, 利用指纹集同时再训练源模型和接收源模型输出的溯源模型. 再训练完成后, 嵌入独特指纹集特征的源模型转化为用户专有模型, 溯源模型则能根据指纹集在对应专有模型上的预测结果推断出对应用户, 实现溯源有效性和专有模型性能之间的平衡. 在CIFAR10和Fashion-MNIST数据集上的实验结果表明, 所提出的方法在盗版检测和溯源追踪任务上均达到了90%以上的准确度, 验证了其在不同任务场景下的有效性.

摘要:基于深度学习智能系统面临对抗攻击、供应链攻击等安全威胁问题日益突出, 而传统智能系统采用单一模型, 其防御机制是静态的、确定的模式, 模型的功能存在单点脆弱性, 导致智能系统缺乏安全弹性. 本文提出了一种多个深度学习模型动态组合的方法(N-Model), 实现模型的多样性和随机性, 通过模型的动态变化增加智能攻击对象及攻击途径的不确定性, 结合多模型的表决机制, 增强智能系统的安全弹性. 理论安全分析表明, N-Model组合模型在攻击情景下相比单一模型具有较高的期望准确率. 实验结果进一步证实, 在CIFAR-10数据集下, N-Model组合模型可抵御多种对抗攻击, 其攻击成功率低于单一模型, 表现出良好的综合安全性能.

摘要:针对水下目标检测任务中图像分辨率低、目标尺寸变化大、水体浑浊及目标遮挡而导致检测精度低的问题, 提出一种基于细节增强与多尺度特征融合的水下目标检测模型DEMF-YOLO11n (YOLO11n underwater object detection model based on detail enhancement and multi-scale feature fusion). 模型以YOLO11n为主体, 为改善普通下采样对于低分辨率图像及小目标所造成的特征损失问题, 使用浅层与深层鲁棒下采样方法RFD (robust feature downsampling)分别替换模型浅层及深层步长卷积. 同时, 使用多核并行卷积模块PKIModule (poly kernel inception module)及上下文锚点注意力CAA (context anchor attention)对模型骨干中的C3k2进行重新设计, 以增强模型对遮挡目标及不同尺度目标的特征提取效果, 以及对复杂背景下目标的感知能力. 最后, 为解决水体浑浊等因素所导致的目标边缘细节模糊问题, 在头部网络中使用CGAFusion (content guide attention fusion)模块将深层特征与经EEM (edge enhance module)进行边缘增强后的浅层纹理特征进行自适应融合. 在RUOD数据集上的实验结果表明, DEMF-YOLO11n较基准模型mAP₅₀提升2.8%, mAP_50-95提升4.1%, 而参数量仅增加0.53M.

摘要:针对灾难动态变化场景中设备异构性导致模型训练效率低下, 通信开销大限制下的实时响应能力, 模型漂移使得全局模型在资源受限设备上表现不佳等问题提出了一种基于自适应蒸馏的联邦学习框架FedDis. FedDis采用ResNet-34作为基础生命监测模型, 通过蒸馏反馈环引导的动态知识蒸馏机制, 解决了设备异构性导致的模型漂移问题; 通过多标准客户端筛选机制, 优化了通信开销; 并通过公平性反馈机制, 确保了低算力设备的有效参与. 实验结果表明, FedDis在仅10轮训练内即可达到60%以上的识别精度, 通信开销减少30%, 并且在CIFAR-10、CIFAR-100和MNIST数据集上均表现出优于现有联邦学习算法的性能. FedDis为基于图像识别的灾害场景生命监测提供了高效、可靠的解决方案.

摘要:图卷积网络(GCN)在基于骨架的动作识别中表现出色, 但由于关节间距离较大和现有方法特征聚合能力有限, 识别精度受到限制. 为了解决这一问题, 本文提出了一种时序与关节的双维度拓扑优化的超图卷积网络(DDTO-HGCN), 用于骨架动作识别. 该方法通过超图理论扩展传统图结构, 利用超边提取局部与全局信息, 捕捉高阶依赖关系. 设计了时序拓扑优化超图卷积(TTO-HGC)和关节拓扑优化超图卷积(JTO-HGC), 分别在时间维度和关节维度优化拓扑结构, 增强特征表示能力. 此外, 结合多尺度时序卷积网络(MS-TCN)丰富了时序特征表达, 并通过四流集成方法将骨架中心的相对向量作为补充数据流, 提升识别性能. 在NTU RGB+D和NTU RGB+D 120数据集上的实验结果表明, 所提出的方法优于现有一些先进方法.

摘要:否定是自然语言中一种重要的表达方式, 对文本中表达的含义发挥着关键作用. 在自然语言推理中, 是否包含否定能够直接影响文本之间的语义关系. 然而, 当前的预训练模型在处理否定句时, 对语义关系判断的准确率会显著下降. 因此, 本文提出了一个增强预训练模型对自然语言推理中包含否定句的识别与理解的方法. 通过增强模型对文本中否定结构的注意力分数权重, 在不牺牲原有模型对肯定句处理的前提下, 有效提高了包含否定句的自然语言推理任务的准确率. 在针对否定的公开自然语言推理数据集上验证了本文方法的有效性.

摘要:针对视听情绪识别中如何高效融合音视频特征并准确提取时间依赖性情绪信息的问题, 本研究提出了一种基于KLSTM (Kolmogorov-Arnold long short-term memory)的互信息视听情绪识别模型. 利用互信息方法进行特征选择和自适应窗口处理, 从音频和视频信号中提取情绪相关的关键片段, 以减少信息冗余; 在特征提取中引入KLSTM网络, 有效捕捉视听模态信号的时间依赖特性; 在融合阶段, 通过跨模态一致性最大化确保音视频特征的协调性与互补性. 实验结果显示所提模型在CMU-MOSI和CMU-MOSEI数据集上均优于现有基准模型, 验证了其在多模态情绪识别任务中的有效性.

摘要:基于生成对抗网络(GAN)的图像隐写算法能自动学习嵌入代价函数并提升安全性, 已成为隐写技术研究热点. 然而, 现有算法未能充分考虑相邻嵌入像素之间的相互影响以及隐写操作对图像纹理特征的破坏, 限制了算法的安全性上限. 为了解决上述问题, 本文提出一种基于自适应纹理扰动最小化的非对称代价学习算法AATPM. 首先, 设计邻域集成奖励修正策略, 通过考虑图像子块内的像素修改生成奖励修正系数矩阵, 从而捕捉邻近嵌入像素之间的相互作用; 其次, 提出纹理一致性损失函数, 结合像素级和图像级纹理特征扰动, 通过双重约束机制优化嵌入代价分配, 有效保持载体图像和含密图像之间纹理特征的一致性. 综合实验表明, AATPM在手工设计滤波核和基于卷积神经网络的隐写分析模型上的性能都优于其他相关的隐写算法.

摘要:深度学习算法在汽车密封圈缺陷检测中展示出巨大潜力, 但是依然面临着模型复杂、部署困难的问题, 因此本文提出一种基于改进YOLOv8n的轻量化汽车密封圈缺陷检测算法FSLW-YOLOv8n. 首先, 优化C2f模块中的Bottleneck结构, 引入Faster block提升内存访问效率并增强特征提取能力. 同时, 颈部网络采用GSConv与Slim-neck的设计理念, 显著减少了参数量, 实现模型轻量化. 此外, 使用轻量级的非对称解耦头LADH-Head, 在提升检测精度的同时进一步精简模型结构. 然后, 引入Wise-IoU损失函数, 通过精细化的小目标定位策略, 提升整体检测性能. 最后将改进的算法经过模型转换部署到海思平台, 并进行模型的实际性能验证. 实验结果表明, 与基线模型相比, mAP提升了2.1%, 计算量、参数量和模型大小分别下降了55.6%、42.7%和38.3%. 在海思SD3403嵌入式平台上, 检测速度达到了31.3 f/s.

摘要:交通流预测是智能交通管理和缓解拥堵的重要任务. 传统预测方法主要依赖统计方法, 难以捕捉交通流中复杂的时空相关性. 近年来, 图神经网络(GNN)作为一种强有力的工具, 在建模和预测交通流方面取得了显著进展. 然而, 现有的基于GNN的方法在捕捉交通流的动态时空相关性及其隐性交互关系上存在一定的局限性, 影响了模型的预测精度. 本文提出了一种基于时序注意力和交互动态图卷积网络(TAIDGCN)的方法, 通过时序注意力层(TAL)和扩张时序卷积层(DTCN)捕捉动态时间相关性, 采用交互式动态图卷积网络(IDGCN)捕捉空间相关性, 并结合多组分结构进一步提升模型的时空建模能力. 具体来说, TAL和DTCN在时间维度上提取近期、日周期和周周期的时间特征, 改善了中期和长期的时空预测能力, 而IDGCN通过交互学习机制捕捉交通流中的动态空间关系. 在两个真实世界的开放高速公路数据集上对模型进行验证, 结果表明, 所提TAIDGCN模型能够有效提取动态时空信息, 且预测精度超过当前10个基准模型, 证明了该方法在交通流预测任务中的优越性和应用潜力.

摘要:无人机航拍场景下的目标检测因目标尺寸小、物体间遮挡严重、尺度变化大等因素, 常出现漏检与误检的问题. 此外, 受限于无人机平台的计算性能, 实现高精度与轻量化的实时目标检测具有较大挑战. 为此, 本文提出了一种改进YOLOv8的轻量级目标检测算法. 该算法采用轻量化的分割一切模型(segment anything model, SAM): MobileSAM的图像编码器作为YOLOv8的骨干网络, 能够有效地提取多尺度特征, 提升模型对小目标的检测效率, 同时提高泛化能力, 增强在不同任务和数据集上的表现. 针对检测头部分, 进行了轻量化设计, 提出基于共享卷积与自适应特征缩放的轻量化检测头LSCD (lightweight scalable shared convolutional detection head)以减少参数量和计算开销, 保持检测精度的同时降低模型参数量. 最后, 使用归一化高斯Wasserstein 距离(normalized Gaussian Wasserstein distance, NWD)损失, 提升小目标检测能力. 所提算法在VisDrone-DET2019数据集上对小目标的检测精度和召回率相较于原始YOLOv8s模型有较大提升; 相比于原始YOLOv8s模型, mAP50提高了3.2%, 达到41.4%, 且参数量减少了33.9%. 在DOTA v1.0数据集上, mAP50达到48.8%, 提升了8%, 表明算法具有较好的泛化能力.

摘要:在医学图像分割中, 半监督学习技术解决了标注成本高的问题. 然而, 现有的半监督方法忽略了伪标签质量不一致和模型的约束泛化问题. 因此, 本文提出了冲突驱动的交叉学习框架CDCL, 它无缝整合交叉监督和平均教师模型. 这一框架促进了有效的知识转移, 并采用两套不同的师生结构提升模型性能. 同时, 知识通过各自的教师模型在不同模型之间进行交换, 从而促进了相互学习和能力提升. 此外, 在CDCL中引入特征冲突损失(FCL)鼓励模型之间传递多样化且互补的知识, 从而丰富整体的学习动态. 更重要的是, CDCL还采用了成对复制粘贴(PCP)策略, 以生成新的训练样本来丰富模型训练. 在2个公共数据集上实验结果表明, CDCL在ACDC数据集标记数据比为10%的情况下, 平均Dice和Jaccard系数分别达到90.23%和82.71%, 分别比BCP模型提高了1.39%和2.09%. 在 PROMISE12数据集中20%和30%标记比下Dice系数分别达到了78.9%和80.09%.

摘要:面向海量高维数据场景时, 入侵检测技术仍面临数据分布不平衡、检测准确率低的问题, 针对这些问题提出一种基于深度学习的入侵检测方法. 首先, 在数据预处理阶段, 使用基于扩散模型改进的自编码器模型进行特征选择并生成高质量少数类异常流量样本, 使用SMOTE-Tomek技术进一步升采样并去除噪声数据, 使用离群点检测技术去除离群点样本. 其次, 构建新的深度学习模型, 将预处理后的数据输入引入分割注意力机制的BERT编码器中对不同特征子空间进行更细粒度的建模, 生成的向量信息转换为特征灰度图后输入改进ResNet模型, 通过在原ResNet网络中融合金字塔池化、深度可分离卷积以及焦点注意力机制分层次逐步提取特征, 最终输出融合多尺度信息且重点突出的精细化特征表达. 最后, 基于训练后模型进行分类实验. 在NSL-KDD数据集上的有效性实验结果表明, 二分类准确率达92.92%, 五分类准确率达86.41%, 均优于其他对比模型. 在UNSW-NB15数据集上的可行性实验则进一步验证了所提模型具有良好的分类性能及应对数据分布不平衡的能力.

摘要:国有大型火力发电厂冷凝塔的水温预测对“双碳”减排有重要意义, 为提高电厂运行能效, 解决监测数据非实时预测方法中的原始数据波动大、预测精度低等问题, 本文提出一种基于PINN-CEEMDAN-GA-BiLSTM分解组合模型的预测方法. 首先, 使用自适应噪声完全集合经验模态分解(CEEMDAN)模型在快速提取非线性和非光滑信号的时频特征方面的优势, 对分解得到的13个固有模态函数(IMF)进行重构. 其次, 使用遗传算法(GA)对CEEMDAN的参数进行优化调整. 最后, 引入物理信息神经网络(PINN)来引导物理规律和约束条件, 将物理信息纳入损失函数中, 利用双向长短期记忆神经网络(BiLSTM)模型在物理信息神经网络下对在每个重构的IMF分量进行建模和预测. 这种组合利用BiLSTM在物理信息神经网络下对数据进行更准确的建模, 有助于提高预测精度和模型的稳定性. 通过将该模型与其他混合模型进行对比分析, 结果证明, 所提出模型具有较高的预测精度, 决定系数、均方根误差、平均绝对误差和平均绝对百分比误差分别为0.9987、0.1295、0.1001、0.4541, 验证了该模型在水温预测方面的有效性.

摘要:流量预测有利于提高网络服务质量, 现有的流量预测方法涉及大规模的流量数据传输, 会导致用户隐私泄露等安全问题. 采用联邦学习的方法能够保护用户隐私并有效减少数据计算的工作量. 然而在实际情景中, 不同基站流量的数据存在异构现象, 且数据量有限, 导致训练得到的全局模型泛化能力较差. 针对这些问题, 在联邦学习的基础上提出一种基于注意力机制的深度学习模型(CALS). 在3个非相同分布的公开数据集上进行训练, 通过训练该模型可以更好地捕捉基站流量的变化特性, 最后与常用的深度学习算法如GRU、LSTM等模型进行比较, 平均绝对误差性能分别提升9.42%、11.1%.

摘要:传统人工势场法在多无人机协同路径规划中存在群体失稳与目标不可达等局限. 为此, 本文提出一种融合编队势场双向耦合与动态全向扰动势场设计的协同避障方法. 为解决群体运动失稳问题, 通过动态参考点生成与机间状态感知的耦合策略, 构建编队级引力-斥力协同机制, 降低航迹冲突概率; 为解决目标不可达, 局部震荡等问题, 设计动态全向扰动势场、共线实时检测器、动态参考轴生成器和自适应扰动调节器, 从而逃脱局部平衡点并保持轨迹平滑. 蒙特卡洛实验结果表明, 本方法在密集混合动态障碍场景下的航迹规划成功率达到了91%, 与对比算法相比拥有更高的可靠度.

摘要:多模态会话情感识别任务旨在通过分析会话中产生的多种数据类型, 例如文本、音频和视觉, 从而理解会话中话语所要表达的情感. 因此许多基于多模态信息融合的方法被提出并且取得了不错的性能. 然而这些工作往往忽略了在不同情况下, 模态所展现的重要性是不同的. 此外这些工作也并没有考虑到多模态数据的异质性, 该问题会导致模态特征之间差距过大从而无法有效地进行模态信息的融合. 因此本文提出一种基于模态去异质性和自适应融合的会话情感识别模型, 以解决上述所提到的问题.首先利用共享的编码器将不同模态的特征映射到共享的语义空间中初步减少模态特征的差距, 然后使用共享卷积网络来最大化模态之间的共有语义信息从而消除模态特征之间的差距, 同时使用私有卷积网络来保持模态特征的多样性. 之后通过自注意力机制来学习出每个模态自身的重要性从而实现模态信息的自适应融合. 最后在两个公开的数据集上的实验结果表明, 本文所提出的模型优于以往的基线模型.

摘要:目前, 异质图神经网络已经取得了显著的进展, 但仍存在着参数量过大, 计算时间长等问题. 量子图神经网络通过利用量子计算的特性, 能够显著优化传统图神经网络的计算性能, 为解决这一问题提供了一种潜在的解决方案. 然而, 由于异质图中复杂的语义关系和多样的特征类型, 目前基于同质图的量子图神经网络无法直接迁移到这类图结构. 为了解决上述问题, 本文提出量子异质图注意力网络(quantum heterogeneous graph attention network, QHAN). 首先, 本文提出了一种动态图分解策略, 根据不同量子设备上可用量子比特的最大数量进一步分解子图, 并设计了对应的双向振幅编码方式来进行量子态编码. 在此基础上, 我们基于线性组合酉实现了不同层次语义注意力系数的参数化量子线路设计, 该方法可以并行化计算节点级和语义级注意力系数, 并实现同层级上的参数共享. 在3个基准数据集上进行的实验表明, 与以前的量子图神经网络模型相比, QHAN模型在分类任务的性能上具有显著的优势. 此外, 本文模型能达到与经典异质图神经网络相近的结果, 但是所用参数更少.

摘要:在交通流预测领域, 收集数据时通常会因为传感器故障、外界干扰等因素导致数据缺失, 虽然现有的数据插补工作取得了一定进展, 但是仍存在直接使用原始交通流数据会导致虚假和误导性的相关性、在推测缺失数据时缺乏对全局一致性的考虑、低质量的插补数据会引入新的噪声等问题. 针对上述问题, 本文提出一种低秩和置信度驱动的交通流数据插补框架LRCDI. 首先, 通过低秩特征提取模块去除原始交通流数据中的冗余信息, 提取核心特征表示, 实现数据降维和去噪. 其次, 为了提高缺失数据预测的准确性, 提出傅里叶稀疏性约束损失模块更有效地捕捉数据的全局结构, 避免只依赖局部信息导致的预测偏差. 最后, 提出历史置信度驱动的数据插补模块, 旨在过滤低质量插补数据, 避免引入噪声影响后续预测任务的精度. 将本文所提出的数据插补方法与其他先进方法在多个数据集上进行实验对比, 结果表明所提方法具有更优异的性能, 可以更出色地完成数据插补.

摘要:随着深度学习在时间序列分析中的广泛应用, 模型的预测性能得到了显著提升, 但其“黑箱”特性仍然限制了其在实际应用中的可信度与透明度. 目前, 虽然许多可解释性方法在一定程度上提供了对模型行为的洞察, 但它们在处理复杂时间序列数据时, 尤其是具有高频成分或长周期波动的任务中, 仍存在显著的局限性. 为解决这一问题, 本文提出了一种结合频域扰动和时间序列分段的时间序列可解释性方法. 通过短时傅里叶变换和动态时间规整算法, 本文首先对时间序列进行分段, 并通过生成对抗网络(GAN)生成频域扰动, 深入分析不同频率成分对模型预测结果的影响. 提出的方法能够在频域层面提供更精确的可解释性分析, 尤其在处理频率特征密集的时间序列任务中, 表现出明显优势. 实验结果表明, 所提方法在多个时间序列分类任务中均表现优越, 尤其在包含高频特征的任务中, 能够有效提高模型的可解释性并捕捉关键的频域特征. 与现有的基准方法相比, 我们的方法能够更精确地识别出影响预测结果的关键因素, 增强模型的透明度和可靠性.

摘要:本文关注室内人群计数这一具有挑战性的任务. 在室内场景中, 人们经常聚集在一起并在有限空间内执行相似的任务. 因此, 室内人群的大多数行为都非常相似. 获取全局感受野并找出室内人群特征中的相似性是很重要的. 本文设计了一种循环卷积网络, 该网络结合了卷积神经网络和Transformer的优势, 以获取人群特征的局部和全局相关性. 与基于Transformer的方法相比, 采用了更简单且高效的循环卷积模块. 此外, 提出了一种逆变换贝叶斯损失函数, 该函数适用于具有大尺度变化的稀疏和拥挤的室内场景. 最后, 为了减轻标注偏差问题的影响, 提出了一种标签扩散策略来扩大标注区域, 假设每个原始标注点的相邻像素也有一定概率成为头部中心. 在Class A、Class B、Canteen和Mall数据集上与次优方法相比, MAE/RMSE分别提高了4.1%/4.4%、5.8%/8.0%、3.9%/1.6%和3.9%/1.6%.