课程文献中心 更多>>

关键词： 函数型数据   分位数回归   特征稀疏包络   广义矩估计方法   均方预测误差  

摘要： 函数型分位数回归在许多实际应用中表现良好,特别是在处理具有复杂依赖结构的数据时,常考虑的是标量响应变量与函数型预测变量之间的条件分位数关系.对于函数型数据的回归模型,已知的算法是通过函数主成分基对斜率函数进行近似展开,在此基础上再进行估计,本文提出了一种适用于函数型分位数回归,能够提高估计效率,减少预测误差的算法.该算法通过引入函数特征稀疏包络空间,将用于分位数回归的函数预测变量信息集中到一个更小的空间,降低了函数型分位数回归模型的复杂度,然后将集中信息后的分位数回归模型用广义矩估计方法进行估计.实验结果表明,本文算法在公开的函数型数据集CanadianWeather和wheat上优于对比算法.

关键词： 反洗钱   图序列化   自蒸馏   Transformer   虚拟币非法交易检测  

摘要： [研究目的]针对虚拟币非法交易检测中全局拓扑感知能力的缺失及标注非法样本稀疏的困境,提出一种融合自蒸馏与双通道图序列化的CryptoFormer检测框架,旨在提升对复杂虚拟币洗钱模式的识别精度与泛化能力。[研究方法]将图节点分类任务重构为序列分类任务。其核心方法包括:双通道图序列化,采用结合广度优先搜索(BFS)与深度优先搜索(DFS)的游走策略,将分别蕴含局部交易模式与长链资金路径的图拓扑信息转化为结构化的节点序列;基于自蒸馏的知识增强,利用教师-学生架构,先在有限标注数据上训练教师模型生成监督信号,并通过高置信度阈值筛选,再由学生模型在真实与监督信号构成的混合数据上联合训练,提升对少数非法类的学习能力。[研究结果/结论]在公开的比特币交易数据集上的实验结果表明,CryptoFormer在各项关键指标上均显著优于主流基线模型,其非法类别精确率达到87.64%,相较于最优基线提升4.5%。

关键词： 低轨巨型星座   韧性路由   软件定义网络   图神经网络   深度强化学习  

摘要： 新兴的低轨（LEO， low earth orbit）巨型星座在全球通信领域展示出巨大的潜力。然而，庞大的网络规模和频繁的网络故障导致现有基于深度强化学习（DRL， deep reinforcement learning）的路由方案的扩展性和鲁棒性较差。为此，我们提出GraphSR，一种基于图强化学习的鲁棒和可扩展的路由框架。首先，GraphSR采用一种称为虚拟流量拓扑的拓扑模型来屏蔽星座动态拓扑。虚拟流量拓扑将网络故障引起的物理拓扑变化转换为流量需求的多样性，实现鲁棒路由的计算。然后，为了实现路由可扩展性，GraphSR将星座划分为多个软件定义网络（SDN， software-defined networking）控制域，并设计了基于图神经网络（GNN， graph neural network）的DRL算法摆脱对固定拓扑的输入依赖。最后，通过蒙特卡罗模拟快速评估关键故障场景并选择对网络性能影响较大的部分关键链路，GraphSR专注于控制关键链路权重来降低DRL的动作空间维度。在Starlink巨型星座拓扑上的仿真表明，与其他基线路由方案相比，GraphSR在不同规模的链路失效场景下路径可靠性能提升超过7.04%，同时端到端时延始终保持在可接受范围内。

关键词： 智能交通   交通流预测   注意力机制   图卷积神经网络  

摘要： 【背景】随着城市现代化的发展，智能交通系统的发展已成为城市现代化进展必不可少的一部分，而使用准确交通流预测来降低城市道路的拥堵则是智能交通系统不可或缺的。【目标】综合考虑交通流数据的时空特性，动态的捕获交通数据复杂的空间相关性以及时间相关性。【方法】提出一种融合自适应图（Dynamic Graph Construction，DGC）与Transformer的预测模型，旨在通过时空特征的深度融合与交互，动态捕捉交通数据中复杂的时空相关性。模型首先利用多层感知机Multilayer Perceptron（MLP）进行特征投影，并结合时间嵌入以提取周期性时间模式。核心架构由两个堆叠的“Sandwich”块构成，每个块依次包含：Transformer编码器（捕捉长距离时间依赖）、DGC模块（数据驱动地构建自适应图结构以建模潜在空间依赖）、图卷积网络（Graph Convolutional Network，GCN，基于自适应邻接矩阵聚合空间信息）以及第二个Transformer模块（对融合空间上下文的特征进行再建模，强化时序表征）。通过残差连接增强模型表达能力与训练稳定性，最终经由MLP输出层生成预测结果。该方法实现了时空特征的交替学习与动态交互，有效提升了对复杂交通流变化的建模与预测性能。【数据】加州交通局性能测量系统Performance Measurement System（PeMS）收集的四个广泛使用的交通预测数据集。【结果】在四个公开的数据集上，DGC-Transformer模型的平均绝对误差Mean Absolute Error（MAE）、均方根误差Root Mean Square Error（RMSE）和平均绝对百分比误差Mean Absolute Percentage Error（MAPE）几乎全面优于所对比的五个基线以及十个模型，表明动态捕获交通数据时空相关性的重要性，使交通流预测效果得到显著提升。

关键词： 红棉树   正气   育人  

摘要： 为了全面地提高教育水平,教师要实现学校、家庭、社会三位一体协同育人。结合学校“红棉”文化优势、家长与社会资源,教师通过班级精神文化建设,制定长期清晰的班级发展规划目标,树立学生坚定的理想信念。同时,建立“民主平等”的班级制度文化,以“班级公约”和完善的“家长委员会制度”协同育人。再者,创设丰富多彩的班级活动文化,以主题多样的班会课、家长进课堂、校内外活动等形式,创建和谐美好的班级。通过教师们耐心地教育、家长们的大力支持、社会力量的积极扶持,用正气之风为学生成长导航,让每位孩子都团结一心,奋勇前进。

关键词： 小学数学   绘本情景图   审题能力  

摘要： 本文聚焦小学数学教学中学生审题能力培养问题,当前学生审题存在信息提取碎片化现象,探索基于绘本情景图的教学实践策略。分析审题能力培养背景与绘本情景图应用价值,明确信息提取碎片化具体表现,提出依托绘本情景图脉络梳理关键信息、构建图文关联桥梁整合碎片化信息、设计阶梯式任务提升信息处理逻辑性的策略。实践显示,这些策略可提高学生审题准确性与效率,改善审题习惯,激发学习兴趣,促进思维能力发展,为小学数学审题教学提供参考。

关键词： 频率安全评估   高比例新能源   全局特征嵌入   图注意力网络   预想故障  

摘要： 随着高比例新能源的接入，电力系统频率安全遭受严重的威胁。电网部门需要耗费大量时间通过仿真分析评估海量预想故障场景下的频率安全，以预先制定相应的应对措施。针对预想故障场景下电力系统频率安全在线评估的实时性与准确性需求，本文提出一种基于全局特征嵌入图注意力网络的频率安全智能评估方法。首先，通过在图神经网络中引入注意力机制提升模型对于故障点的关注度；其次，构建基于图卷积层和全连接层的局部-全局特征双通道，提升了模型的特征提取能力。算例测试表明，所提方法解决了仿真分析难以覆盖海量预想故障场景的困难，实现了频率安全的在线快速智能评估，在IEEE 39节点系统中测试时间仅为0.015s，相较于图卷积网络方法测试误差降低了56.8%；在云南电网(3734节点)中测试时间仅约为0.6s，测试误差降低了47.6%。所提方法在满足频率安全在线评估要求的同时，大幅提升了评估精度。

关键词： 交通流时间序列   图多头注意力   厚尾波动率   概率预测   时空关联  

摘要： 【目的】交通流时间序列具有复杂的非线性、时空依赖性和强不确定性，同时，长期预测在实际任务中更具有价值，本研究旨在构建一种基于图多头注意力网络与t分布GARCH耦合的概率预测模型，为智能交通管理提供兼具高精度长期均值预测和可靠区间估计的决策支持工具。【方法】提出图多头注意力网络（GMAN）与t分布GARCH的深度耦合架构：首先，通过多头时空注意力机制动态捕捉路网节点间的非线性时空关联关系，以精准提取交通流演化的核心特征；其次采用具有厚尾特性的t分布GARCH模型精确量化预测残差的异方差性；最后构建"点预测-区间估计"协同优化的双层输出结构。在苏州市105个路段的实测数据上，对1至12个预测时间步长进行了验证。【结果】实验表明：1）在均值预测中，12步预测MAE达17.22；2）在区间估计中，95%置信区间覆盖率达94.6%，区间宽度能自适应交通状态变化。【结论】GMAN-GARCH-t耦合模型通过时空注意力机制与厚尾波动率建模的有机融合，实现了交通流概率预测精度与可解释性的同步提升，为动态交通管控提供了可靠的量化决策依据。

关键词： 骨架动作识别   自适应图拓扑细化   跨序列对比学习   NTU RGB+D 120   鲁棒性  

摘要： 为解决骨架动作识别领域中模糊样本导致的复杂动作识别难题,本文提出了一种自适应图拓扑细化(AGTR)和跨序列对比学习(CSCL)的协同优化框架.首先, AGTR通过多头注意力机制动态构建关节关系拓扑,打破了传统图卷积依赖固定结构的局限性,实现了多视角特征的解耦.其次, CSCL融合了片段级、实例级和类原型的比较损失,结合动态困难样本挖掘策略,增强了模型对时间语义一致性和长尾分布的建模能力.经过严密实验,本文在NTU RGB+D 120数据集的CSub协议下达到89.8%的准确率,超越了基于超图与Transformer的先进方法—Hyperformer (86.9%) 2.9个百分点,在噪声和遮挡的环境下鲁棒性提高了18.8%,且参数量和计算效率得到平衡和优化(3.1 GFLOPs,实时推理25 f/s).本研究为复杂运动的理解提供了一种高精度、可解释、易于部署的解决方案,在智能医疗监测和工业人机交互应用领域具有良好的前景.

关键词： Sturm-Liouville问题   转移条件   特征值   周期边界条件   Prufer变换   Gronwall不等式  

摘要： 针对具有周期边界条件的不连续Sturm-Liouville问题(SLPs),本文首先基于常微分方程初值理论推导出不连续SLPs两个线性无关解的渐进估计;继而运用Gronwall不等式、特征值性质及解的渐进估计式,建立不连续SLPs特征值的渐进估计形式;最后通过Prufer变换证明不连续SLPs问题第n个特征值对应的特征函数在(0, c)∪(c,π)内有n个零点。本研究为不连续SLPs特征值下标的精确计算及解的振荡性分析提供了重要理论依据。