课程文献中心 更多>>

关键词： 短期电力负荷预测   空间关联性   自适应图结构   跳跃连接  

摘要： 准确的短期电力负荷预测依赖于从电力数据中提取的复杂的时间关联性和空间关联性。然而,现有的模型未能充分考虑不同地理区域的用户之间的影响,因而难以有效提取电力数据中的空间关联性。此外,现有的模型在较长时间跨度内会经常面临梯度消失或梯度爆炸问题,进而降低模型对不同时间尺度的特征的敏感性。因此,为了克服上述缺点,该文提出了一种基于自适应地理图神经网络的短期电力负荷预测模型。首先,提出了一种自适应图构造方法,能够根据用户的用电模式动态地调整图结构,以更准确地反映不同地理区域的用户的空间关联性。其次,设计了一种带加权的跳跃连接机制,能够根据时间序列中不同时间尺度的重要性,为不同时间步的连接赋予不同的权重,以缓解短期电力负荷预测中的梯度消失和梯度爆炸问题。最后,通过在真实数据集上进行大量实验验证了所提出的模型在短期电力负荷预测中的有效性和优越性。

关键词： 运动分割   关键点提取   图结构   特征融合   深度学习   自动驾驶  

摘要： 针对现有运动分割方法在交通场景下实用性方面的不足，性能和验证时间难以平衡的问题，提出用于几何信息学习的图结构运动分割方法（GS-Net）。GS-Net由点嵌入模块、局部上下文融合模块、全局双边正则化模块和分类模块组成。其中，点嵌入模块将原始关键特征点数据从低维线性难可分的空间映射到高维线性易可分的空间，有利于网络学习图像中运动对象之间的关系；局部上下文融合模块利用双分支图结构分别在特征空间和几何空间提取局部信息，随后将两种类型的信息融合得到更强大的局部特征表征；全局双边正则化模块则利用逐点和逐通道的全局感知来增强局部上下文融合模块得到的局部特征表征；分类模块将前面得到的增强局部特征表征映射回低维分类空间进行分割。GS-Net在KT3DMoSeg数据集的误分类率均值和中值分别为2.47%和0.49%，较于SubspaceNet分别降低8.15%和7.95%；较于SUBSET分别降低7.2%和0.57%。同时，GS-Net在网络推理速度相比SubspaceNet和SUBSET均提升两个数量级；GS-Net在FBMS数据集召回率和F-measure分别为82.53%和81.93%，较于SubspaceNet分别提升13.33%和5.36%，较于SUBSET分别提升9.66%和3.71%。实验结果表明GS-Net能够快速、精确地分割出真实交通场景中的运动物体。

关键词： 雷达任务调度   图神经网络   强化学习   模型知识   拉普拉斯矩阵   随机矩阵  

摘要： 现代雷达的探测、跟踪、识别等任务场景越来越复杂。任务类型的多变性，雷达资源的稀缺性和任务执行时间窗口的严格要求，使得雷达任务调度成为一类强NP-Hard问题。然而，现有的调度算法在处理涉及复杂逻辑约束的多雷达协同调度问题时适应性不足，效率不高。因此，基于人工智能(AI)的调度算法正在成为研究热点，但是AI调度算法的效率与问题特征提取是否全面密切相关。如何能快速，全面的提取多雷达协同任务调度问题的共性特征，是提升这类AI调度算法效率的关键。因此，该文提出了基于模型知识融合的图神经网络(MKEGNN)调度算法。该算法首先将雷达任务协同调度问题建模为异构网络图模型，利用模型知识来优化GNN算法训练过程。算法创新在于：通过低复杂度的计算手段，获取模型的关键知识，进而优化GNN模型。在特征提取阶段，引入随机酉矩阵变换，利用任务异构图的随机拉普拉斯矩阵谱特征作为全局特征来强化图神经网络对共性特征的提取能力，弱化特定问题的个性化特征；在参数化决策阶段，利用由问题的引导解和经验解构成的上/下界结构知识从原理上减少决策空间大小，引导网络快速优化，加速决策学习过程的收敛。最后，进行了大量数据仿真实验。结果表明，相比目前的算法，MKEGNN算法对于所有任务集在稳定性和精度方面都有所提升，调度成功率性能提升3%～10%，加权调度成功率提升5%～15%。尤其当处理多雷达协同关系复杂的任务集时，任务调度成功率提升4%以上，算法稳定性和鲁棒性显著增强。

关键词： Melnikov函数   分段线性系统   极限环   分段哈密顿系统  

摘要： 本文主要研究分段线为直线的平面分段光滑哈密顿系统的高阶Melnikov函数算法.首先,给出了一个对称形式的任意阶Melnikov函数公式,其次,应用所提出的高阶Melnikov函数算法研究了一类分段线性系统的极限环分支问题.

关键词： 地貌形态   自动分类   DEM   黄土塬区   数字地形分析  

摘要： 地貌形态的精确划分是黄土高原进行土壤侵蚀研究、水沙模型模拟以及水土流失防治等工作的重要基础。本文系统梳理了典型黄土塬区的地貌形态特征，提出了一种基于数字高程模型（Digital Elevation Model，DEM）的自动化地貌形态分类方法。该方法依托汇水关系和地形突变原理，将黄土塬区的地貌形态划分为“塬—坡—谷”3种类型，并以甘肃省庆阳市南小河沟流域为例，基于12.5 m分辨率的DEM数据，应用提出的方法进行了地貌形态分类。与遥感图像上的人工划分结果相比，该方法基于汇水关系与坡度突变进行地貌形态分类，避免了在提取地貌形态面特征时需先提取线特征的复杂步骤，自动分类算法在南小河沟测试结果的总体分类精度达到88.4%，表征分类精度的Kappa系数为0.88，各种地貌形态的交并比（Intersection of Union）分别为塬0.899、坡0.731、谷0.378。上述结果表明本文提出的分类方法在典型黄土塬区具有较高的分类精度，能够有效识别“塬—坡—谷”3种地貌类型，因此具有地貌特征分析和精细化水沙模型方面的应用价值。

摘要： 思维导图,又名心智导图,是表达发散性思维的有效图形思维工具.它简单高效,实用性强.在小学习作教学中,教师应有效地运用思维导图,帮助学生由一个思考中心向外散发出成千上万的关键点,从而激发学生的写作兴趣,拓展思维,全面提高学生的习作水平.

关键词： 地壳各向异性   接收函数   莫霍面P-S转换波   地壳多次波  

摘要： 地壳各向异性是研究地震活动与地壳动力学演化的重要依据，接收函数莫霍面P-S转换波PmS到时随反方位角的周期性变化被广泛应用于约束地壳各向异性特征.受地震活动分布不均匀、部分地震台站记录周期偏短、莫霍面上下介质复杂多变及环境噪声等影响，一些接收函数PmS震相无法准确识别或缺失，使得利用PmS约束地壳各向异性存在一定的局限性.本文提出联合应用PmS和PPmS测量全地壳各向异性参数的方法，分别求取两种震相由各向异性导致的到时扰动，获得平均扰动值，并使用非线性拟合方法计算各向异性参数；在PPmS信号质量显著优于PmS的情况下，也可单独应用前者约束各向异性.本文将该方法应用于不同信噪比的合成地震记录以及实际观测地震数据中，综合测试验证了此方法测量全地壳方位各向异性的有效性.

关键词： 人智交互   人智协同   人机信任   生成式人工智能   人工智能生成内容  

摘要： [目的/意义]人智信任是实现高质量人智协作的基础与前提，人智协作的实践深化也进一步丰富了人智信任的视角特征。因此，在人智协作情境下解构人智信任的视角特征，对理解、巩固人智信任具有重要意义。[方法/过程]基于ANN和Q方法对人智信任进行维度划分与实证检验。一方面采用Q方法，从近10年来的相关文献对人智信任的形成视角进行定量聚类，对其特征构成进行定性归纳；另一方面采用ANN方法，基于ChatGPT的模拟情景实验对人智信任的视角特征进行实证检验。[结果/结论] Q方法的定量分析发现人智信任具有社会实体和作业工具的双重视角；Q方法的定性分析则进一步解构了两视角下人智信任的具体特征。具体而言，社会实体视角下的人智信任可以从感知、认知、评判维度解析，作业工具视角下的人智信任则由确定性、稳定性和机器能力的特征构成。此外，ANN的实证检验结果表明不同人智信任视角下的多重特征对用户满意度和持续使用倾向具有显著影响，即证明了对人智信任的维度划分具有较好的适用性。

关键词： 青钱柳   隶属函数法   截干高度   人工抚育  

摘要： 为比较不同截干高度对叶用型青钱柳(Cyclocarya paliurus)生长和营养物质积累的影响，确定叶用型青钱柳人工林抚育的最适截干高度，本研究以3年生青钱柳苗木为试验材料，利用主成分分析和隶属函数法对截干高度为60、80、100、120、140 cm的青钱柳苗木生长指标和总黄酮、总多酚、总多糖、总三萜等主要营养物质进行比较和分析。结果表明，除总多糖含量外，青钱柳主枝、侧枝的生长及营养物质含量对截干高度的变化均有显著响应；主成分分析结果表明，总多酚含量、总黄酮含量、总三萜含量、树高、地径、冠幅、侧枝数量和第一枝下高等8个指标的累积贡献率为97.727%，可代替测定的12个指标对叶用型青钱柳最适截干高度进行筛选；结合隶属函数法对截干高度进行综合评价，发现截干高度为80、100 cm的平均得分高于未截干对照组，且在100 cm处最高。结果表明，截干高度为100 cm更有利于青钱柳苗木的生长与营养物质的积累，是3年生叶用型青钱柳人工抚育的最适截干高度，为叶用型青钱柳人工林的经营管理提供理论依据和技术参考。

关键词： 单细胞RNA测序数据   丢失值   插补   基因-细胞图神经网络   协同自编码网络  

摘要： 为解决单细胞RNA测序数据中存在大量丢失值的问题，提出了一种基因与细胞图共驱动的协同自编码网络插补（CoImpute）算法。该算法利用基因-细胞图神经网络模块，提取基因维度和细胞维度上的生物相似和差异信息，协同辅助基于零膨胀负二项分布的自编码网络，系统全面地恢复单细胞RNA测序数据中的丢失值，且辅助过程创新性地采取图空间上下文感知策略。结果表明，CoImpute算法在14个数据集上的平均绝对误差为0.01～0.21，皮尔森相关系数为0.91～0.97，准确预测了基因丢失值。在不同的稀疏度条件下，CoImpute算法均能保持最小的平均绝对误差和最大的皮尔森相关系数，展示了其处理高噪声数据的优越性能。该算法不仅可以有效恢复丢失值，而且能够提供更准确的数据分析结果和生物学解释，促进了单细胞转录组动力学。