基于骨干度与网络编码的链路预测模型研究

为了研究网络表示学习在社交网络中链路预测方面的应用,提出了一种基于骨干度与网络编码的链路预测模型(BDLINE)。在网络表示学习算法LINE的基础上融入骨干度算法,通过给一阶相似度和二阶相似度中增添骨干权重,将网络编码到多维向量空间中,调试到最优参数。实验采用2个真实数据的数据集,分别在不同的算法模型上进行多次实验。实验结果表明:在链路预测方面,BDLINE均比其他网络表示学习算法的性能有所提升,AUC评测值更高,预测效果表现得更好。因此,所提出的方法可以方便地提取网络特征信息,更好地处理社交网络在链路预测中的随机性,对社交网络中预测网络节点的关联性和有效性具有一定的参考。     

基于PSO的信息熵数据融合非均匀分簇路由算法

针对无线传感器网络分簇算法中能量分布不均衡导致的"热区"和簇头负载过重问题,提出了一种基于PSO算法优化簇头选举的非均匀分簇算法。在候选簇头选举和竞争半径计算过程中综合考虑节点动态能量、节点密度和节点距基站距离,将网络进行非均匀分簇,并引入PSO算法进行最终簇头选举。根据节点能量、节点密度和距基站距离确定簇间单跳多跳结合的路由规则,选取代价函数小的节点作为下一跳节点。基于节点信息熵确定融合阈值,进行簇内数据融合剔除冗余数据。仿真结果表明,改进算法的数据传输量比EEUC算法和UCRA算法分别提高了20%和10%,提升了数据的融合效率,有效延长了网络生命周期,簇头能量消耗得到均衡,减少了网络能量消耗,网络的整体性能显著优于其他对比算法。     

基于半监督聚类的网络嵌入方法

GEMSEC(graph embedding with self clustering)在计算节点特征的同时学习节点聚类,通过强制将节点进行聚类来揭露网络中的社区结构,但未考虑类别标签信息,导致学到的节点嵌入缺乏区分性。针对这一问题,提出了一种基于半监督聚类的网络嵌入方法(NESSC),将随机游走序列和少量节点类别标签作为输入,在计算节点特征和学习节点k-means聚类的过程中,利用类别标签信息指导聚类过程,同时重构已知节点类别标签信息,学习具有区分性的节点表示。在6个真实网络上进行节点聚类和节点分类评测实验,实验结果显示,NESSC方法明显优于无监督网络嵌入方法DeepWalk和GEMSEC,可以通过加入节点的标签信息来提高网络嵌入的效果。因此,通过网络节点的嵌入,可以高效地提取网络的有用信息,对于相关网络嵌入研究具有一定的参考价值。     

基于结构-语义融合的评论文本情感分类研究

为了解决当前部分情感分析模型片面依赖文本语义特征、忽视句法结构特征的问题,提出了一种基于结构-语义融合的情感分类模型SF-TLSTM(sentiment-fusion-tree LSTM),即将句法结构信息与语义信息进行融合,全面提取文本特征。首先,将BERT(bidirectional encoder representation from transformers)模型引入TreeLSTM(tree-structured bidirectional LSTM)网络结构中;其次,利用SimCSE(simple contrastive learning of sentence embeddings)模型的自监督训练对BERT获得的向量表示进行数据增强;最后,通过节点编码的方式在构建的TreeLSTM网络上实现结构语义特征融合,并与基线模型进行多组对比分析。结果表明：在斯坦福大学发布的SST(stanford sentiment tree-bank)数据集上,SF-TLSTM模型相较于经典树形结构情感分类模型获得更高的准确率,其中在二分类任务中的准确率达到了96.79%。所提方法能够全面...     

基于支持向量机和特征向量提取的人脸识别框架

为了研究支持向量机在人脸识别中的应用,提出了人脸识别框架,该框架首先利用特征向量提取算法对人脸进行特征提取,得到人脸面部纹理特征数据,然后采用支持向量机对提取的数据进行训练,得到人脸模板,并依据人脸模板对人脸进行识别。实验采用ORL人脸数据库作为实验数据,使用LBP算法提取特征向量,使用LIBSVM训练得到人脸模板数据库,当模板人脸数与预测人脸数比值一定时,随着人数增加,其预测的正确率会有所下滑;当人数一定时,人脸模板与预测人脸数值上升,其正确率会有所上升。当选择一个相对合适的模板比例时,正确率将会达到89.29%以上。实验结果表明,提出的框架对于人脸具有良好的识别能力。     

MLEP:一种B细胞线性表位预测方法

为了更快更准地确定B细胞线性表位,提出了一种新的预测方法——MLEP(Prediction of epitope based on MCFS and LSTM,MLEP)算法。采用5种性质氨基酸理化性质作为学习特征,利用多聚类特征选择算法进行特征选择,用降维后的数据作为输入,用长短期记忆网络进行训练,获得预测性能好的模型,对多聚类特征选择算法及MLEP算法的性能进行评价。对非冗余LBtope数据集进行多组实验,结果表明,使用多聚类特征选择算法降维到25时获取性能最优模型,多聚类特征选择算法比主成分分析法获得的模型准确率更高,基于MLEP算法获得的模型准确率达到94.81%。因此,MLEP算法能更好地预测B细胞线性表位,对于表位预测研究具有一定的参考价值。     

基于决策融合的多卫星通信系统态势分析技术

为了解决高轨宽带、高轨移动、低轨星座卫星通信系统融合使用时，运行态势不全面、不精确等问题，设计了基于决策融合的多卫星通信系统态势分析技术。首先，借鉴数字孪生理论，建立板卡级、设备级、节点级、网络级、应用级5个层级体系化数字空间模型。其次，提取数据特征，得到高质量数据样本。最后，通过决策融合分析方法，对数据样本运用多种算法进行初步分析，再将不同算法的分析结果进行融合得出最终结果。结果表明，基于决策融合分析，能够对真实多卫星通信系统的不同指标主题得出较好的分析结果。因此，决策融合得到的分析结果可以帮助卫星通信系统运维人员更好地优化多卫星通信系统的运行状态。     

基于多源数据融合的抽水蓄能项目投资估算方法

针对传统估算方法存在估算不准确,误差大的问题,提出基于多源数据融合的抽水蓄能项目投资估算方法。通过从宏观因素和微观因素对抽水蓄能项目投资估算的影响因素进行分析,采用LSTM神经网络法对抽水蓄能项目多源数据进行融合,将抽水蓄能项目投资有影响的宏观因素和微观因素作为多源数据融合信息输入到模型作为变量,通过平均影响值算法和粒子群算法确定最优的支持向量机模型来对抽水蓄能项目投资进行估算。实验结果表明,采用该方法可有效提高估算准确度,降低平均相对误差,具有一定的实用性。     

基于FCM聚类的石油化工压力管道疲劳寿命预测

由于传统寿命预测方法依赖于失效数据信息，而大多数产品的失效数据非常有限，导致寿命预测准确性差。为此，研究了基于模糊c-均值聚类（fuzzy c-means clustering,FCM）的石油化工压力管道疲劳寿命预测方法，采用小波支持向量回归机建立退化轨迹模型，利用遗传算法优化模型参数；通过压力管道疲劳缺陷扩展计算模型，确定压力管道存在疲劳缺陷区域；使用FCM算法监测数据聚类过程，实现拐点估计与寿命预测。测试结果表明：利用FCM聚类算法监测不同聚类中心拐点的隶属度后，疲劳寿命预测结果与实际结果误差低于1.0 m/s，说明该方法具有较高的寿命预测准确性。     

基于改进算法的煤矿隐患关联性分析

文章简述了一种适合煤矿隐患数据的Apriori改进算法,然后根据煤矿作业场所安全隐患数据信息的特点进行数据预处理,包括数据的导入和提取,将算法嵌入到某煤矿的隐患排查系统,在此之后是基于Apriori改进算法的煤矿隐患数据关联规则挖掘的实现,得到煤矿隐患内部有价值的关联规则,为企业在隐患管理和预防方面提供改进建议,从而最终对防止事故的发生、降低事故损失有着重要的实际意义。     

基于KPCA-GRNN的炼化厂管道腐蚀速率预测

为了提高炼化厂循环水对管道腐蚀预测的精度,选取8种常规监测数据作为样本标准库,在此基础上考虑各指标之间信息叠加的影响,引入核主成分分析(KPCA)和广义回归神经网络(GRNN)腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道腐蚀的主要因素,应用GRNN建立管道腐蚀速率预测的数学模型,通过分析影响循环水腐蚀的关键因素,建立了循环水腐蚀预测指标体系。结果表明,将样本监测数据的维数由8降至5,可得出各个影响因素的贡献率,提取出包含原始信息95.84%的5个变量,且基于KPCA-GRNN的算法对监测管道腐蚀速率的平均相对误差为0.033,优于误差反向传播算法(BP)的0.056。因此,基于KPCA-GRNN算法建立的循环水碳钢腐蚀速率预测模型,能够获得更准确的预测结果,拓宽了循环水腐蚀速率预测方法的研究思路。     

基于WOA-LSTM的窄带通信网网络时延预测算法

为了给窄带通信网的链路选择及协议的智能切换提供实时参考,设计了 一种基于鲸鱼优化算法(WOA)和长短期记忆神经网络(LSTM)的窄带通信网网络时延预测算法.首先对实测数据样本进行标准化处理,以LSTM神经网络算法的均方根误差函数的倒数作为适应度函数;其次采用鲸鱼优化算法对LSTM神经网络的学习率、隐含层神经元个数进行优...     

基于MA2IDDPG算法的异构多无人机协同突防方法

为了形成智能化异构多无人机协同突防策略，提出了基于多智能体异步模仿深度确定性策略梯度算法的异构多无人机协同突防方法。首先，基于典型DDPG方法，采用异步并行框架进行改进，提高经验的收集效率。其次，分别构建基于专家经验知识的牵引性奖赏函数和基于任务结果的描述性奖赏函数。再次，通过分阶段训练后，使得深度神经网络产生的协同突防策略能够快速达到专家经验知识水平后，进一步提高对抗水平。最后，在仿真实验中，构建了异构多无人机协同突防环境，对改进方法和典型DDPG方法的对抗效果进行了对比。实验结果表明，MA2IDDPG方法能够有效产生多无人机协同突防策略，并且在训练阶段表现更为稳定且对抗效果更优。所设计的创新性MA2IDDPG方法框架可有效应用于无人机群控制领域，特别是对异构无人机群的智能控制方法研究具有重要参考意义。     

改进的YOLOv3-Tiny网络在风机叶片损伤检测中的应用

为了解决YOLOv3-Tiny对无人机采集的风机叶片图像损伤检测精度不高的问题,提出一种基于深度学习的风机叶片图像损伤检测方法。首先提出一种跨越式特征联合网络结构,由卷积层和拼接层构成,将不同深度的特征信息进行融合再学习,提取目标多层级特征信息;其次引入Inception模块结构,其中4个平行通道的多个卷积核对输入的特征图进行组合和压缩,在减少网络的学习参数的同时更好地表征图像特征信息,提高小目标的检测精度。实验表明,改进后算法的检测精度提高了2.69%,在自制的数据集中mAP可以达到88.58%,并且模型的参数缩小了4倍。因此,改进的方法比传统的YOLOv3-Tiny网络具有更好的检测效果。研究结果可为基于图像的损伤检测和风机叶片损伤智能识别提供参考。     

信息网络融合:理念与规制的创新

信息网络的融合是经济发展的基础及社会发展的必然结果,但实现信息网络的融合却是一个十分复杂的过程,针对中国目前还没有实现真正的信息网络融合的现状,论文从制度开放、商业化运营模式创新及普遍服务新理念的建立进行了深入的研究。     

混合邻域结构的粒子群算法

为了克服标准粒子群算法的早熟、停滞进化或易于陷入局部最优的现象,提出了一种混合模型(简称NSPO)。NSPO将一个粒子映射到无标度网络的多个网络节点上,借助网络结构获得该粒子的邻域拓扑。对粒子的更新,NSPO既考虑种群的最优,又考虑邻域的最优。在3个具有不同难度特点的测试函数上,将NSPO与标准粒子群算法进行了比较。实验结果表明:对于全局最优和梯度信息明显的函数,NSPO具有非常优越的表现;对于具有诸多局部最优的函数,NSPO逃逸局部最优的能力要强于标准粒子群算法;对于具有误导性梯度信息的函数,NSPO偶尔表现优异。     

一种辅助工程项目投标决策ANN方法

工程项目投标决策问题不确定性较强，受决策者主观意志影响较大，如果施工单位不加选择地盲目投标，势必会给企业生产经营带来混乱，并且造成极大的浪费。借助于有效利用企业历史投标数据的理念，提出了一种基于人工神经网络（ANN）的量化计算方法，通过构建BP神经网络模型对企业历史投标数据进行信息挖掘，进而对拟投标项目进行评估预测，可以较好地解决由于决策者主观影响带来的决策失误问题。通过实例阐述了利用MATLAB编程进行计算的过程。