课程文献中心 更多>>

关键词： 图神经网络推荐算法   双通道注意力机制   时间编码  

摘要： 针对多数图神经网络推荐算法未结合时间信息导致信息浪费和推荐结果不准确的问题，本文提出融合双通道注意力和时间编码的图神经网络推荐算法（GUITRec）。该模型充分利用数据集中信息，将用户自身特征、物品信息及用户与物品交互行为建为图结构，通过图神经网络进行数据聚合以形成用户和物品表征行为，从而更全面地捕捉两者特征及关系。其次，引入双通道注意力机制（CBAM）为用户和物品表征行为赋予不同权重，使模型依据权重进行深度学习，更关注重要特征信息。最后，引入时间编码器模型对用户与物品交互时间及用户位置编码，新增日、周、月周期编码和位置编码，充分挖掘时间和位置信息，为推荐提供更丰富上下文。在Ciao数据集上进行实验，在MAE、MSE和RMSE 三个评价指标上，GUITRec 均优于基线模型。

关键词： 结构安全   结构可靠度   功能函数   随机变量   概率密度函数  

摘要： 功能函数的概率分布的计算是不确定性量化及可靠度设计中的核心问题，最近提出的等效期望法是解决该问题的有效途径。本文提出了一种改进的等效期望法。针对既有等效期望法中的辅助变量取值对其概率分布有重要影响的问题，提出了辅助随机变量标准差系数的合理计算公式，得到了更为精确的辅助函数的概率分布。同时，针对既有等效期望法中由两个辅助函数的概率分布计算功能函数的概率分布时存在的计算精度问题，本文仅用一个辅助函数推导了功能函数概率分布的计算公式，提出了一种由辅助函数到功能函数的概率分布精确理论变换，使得功能函数概率分布的计算更为精确。最后通过三个算例验证了该方法的有效性和准确性。结果表明，该方法适用于高维非线性或隐式功能函数的概率分布近似计算。

关键词： 多通道融合   故障诊断   胶囊图神经网络   对称点模式  

摘要： 针对传统电机故障诊断方法依赖专业知识和经验，且在处理复杂数据时精度不高的问题，提出了结合彩色图像融合的对称点模式与多通道融合残差图胶囊网络（multichannel residual fusion graph capsule network，MCFRes-CapsGNN）的电机故障诊断方法。通过对称极坐标变换技术构建雪花图，并结合彩色多通道融合技术整合多传感器信号，生成彩色融合图像，以优化信号特征的视觉表征。利用超像素分割技术将图像划分为超像素块，并依据其纹理、颜色和距离特征构建图结构数据。使用MCFRes-CapsGNN模型对图结构数据进行处理，通过构建胶囊提取图数据特征，有效捕捉数据中的层次结构和复杂空间关系，增强特征学习能力。实验结果表明，所提方法在常规故障类型的诊断上准确率达到98.12%，优于其他智能故障诊断算法。

关键词： 月球   遥感   GIS地质填图   薛定谔盆地   地质演化  

摘要： 数字填图工作对于系统总结月球探测成果及深入理解月球地质演化具有里程碑意义。尤其南极-艾肯盆地（Southpole-Aitken Basin）更是近些年及未来几年的热点区域，但目前缺乏高纬度区域的大比例尺精细编图，因此本研究将SPA盆地内包含薛定谔盆地的高纬度区域作为研究对象，并依据美国编图标准命名为LQ140。本研究依托中国探月工程所获取的丰富光谱数据、高分辨率影像资料以及历史探测信息，以地理信息系统平台ArcGIS为工具，编制出1∶100万比例尺的LQ-140区域地质图，同时分析了区域地质演化历史，探讨了薛定谔盆地峰环的形成机制。该研究可为理解南极-艾肯盆地重大撞击事件的后期改造效应，峰环盆地形成机制提供了参考。

关键词： 路基   知识图谱   图神经网络   地基加固   联合决策   分选向量   决策向量  

摘要： 随着交通基础设施建设规模的不断扩大，传统的路基地基加固方案设计方法已经无法满足日益增长的设计需求和效率要求，仅采用神经网络方法进行方案预测往往存在可解释性差、无法兼顾规范要求等问题。提出联合规范知识图谱与设计案例图神经网络的方案智能决策方法，针对规范条文设计“方案-适用性-因素”的三元组关系，构建路基规范条文规则知识图谱，采用广度优先搜索算法遍历所有影响因素，得到适用性分选向量；针对大量路基设计案例，建立影响因素与设计方案之间的图连接关系，采用图神经网络算法进行深度学习，训练设计方案的预测向量，采用哈达玛乘积融合分选向量和预测向量，得到最终的决策向量，从而在维持规范逻辑的基础上，融入深度拟合的设计案例数据。实际工程样本分析结果表明，通过联合决策方法得到的方案准确率达到85%，远高于仅采用图神经网络预测方案的准确率75%，且决策方案与实际方案不吻合时，仍然满足规范要求。联合知识图谱与图神经网络的路基地基加固方案，智能决策方法能够较好地解决预测精度和准确度难以兼顾的问题，既可以保证方案满足规范的约束性规则，避免错误方案的产生，又可以吸收学习优秀案例的工程经验，实现设计规范显性知识与设计案例隐性知识的联合决策，可为陆路交通基础设施设计领域方案智能决策提供参考。

关键词： 灾害资源管理   AI辅助决策支持   紧急响应建模   图神经网络  

摘要： 近年来，先进的人工智能（AI）如ChatGPT已迅速成为数字经济社会的基础设施。人机融合智能在优化时间密集型流程、减少决策偏差和降低系统性风险等方面发挥着关键作用，为政府和组织在高度动态环境中做出准确决策提供有力支持。然而，全球自然和社会领域的突发事件，如公共卫生危机、地震和海啸，迫切需要利用这些技术进行灾害响应。灾害响应对于在灾后挽救生命和减少损失至关重要，而救灾应急资源管理是实现救灾行动的基础。然而，之前的研究忽略了关键的决策问题，即请求最佳资源数量的问题。为更好地解决这一问题，鉴于突发事件的显著特征，本文提出了创新模型：Gera。该基于图神经网络的深度学习模型通过设计基于周期变化的交互感知模块和双交互图聚合、全周期全局图的分解以及基于时间的对偶子图，实现了对当前未满足需求和未来资源需求的全面综合考虑，为资源类型的最佳资源需求提供了全面决策支持。本文基于爬取的近3年真实地震救灾数据进行模型训练，并通过实验证明Gera模型在性能上优于现有方法。实验结果还显示Gera模型具有强大的通用性和推广性。此外，Gera模型具有可插拔的特性，可以适配任意其他的救灾资源预测算法，为救灾资源管理研究奠定了坚实的基础。本文将Gera模型、代码以及训练权重全部开源，旨在为后续相关领域的研究提供支持。此外，本文爬取的地震救灾微博数据也已发布到Github，供救灾资源管理研究使用。

关键词： 财务困境   函数型Logistic模型   风险预警   变量选择  

摘要： 财务困境是恶化的企业经营状况长期累积结果，基于离散数据的传统预警方法侧重于静态视角测度财务指标引致财务困境的平均作用，忽略了企业财务困境形成的连续演变过程。针对财务指标预警作用的连续时变本征，本文在财务指标函数化基础上，系统拓展融合变量选择的函数型Logistic模型，旨在从过程视角识别有效财务预警指标，并测度其引致企业财务困境形成的时变影响。基于中国A股上市公司的实证分析发现，困境预警的众多财务指标并不都具有显著的预警作用，不同财务指标的预警作用呈现出显著的时段差异。预警效果比较方面，融合变量选择的函数型Logistic模型相较传统预警方法具有显著优势。本文融合变量选择系统拓展了函数型Logistic模型，能够为时变视角预警企业财务困境提供方法支持。

关键词： 故障选线   卷积神经网络   循环神经网络   Fault Line Selection   Convolutional Neural Network   Recurrent Neural Network  

摘要： 针对配电网单相接地故障特征提取困难和现有检测方法精度低的问题，本文提出一种基于原始数据生成的二维灰度图和CNN-GRU的故障选线方法。首先，获取原始的电流波形进行截取并生成二维灰度图，以有效地保留明显而全面的故障特征原始信息；然后，CNN自适应提取时频灰度图像的局部特征，GRU从CNN层学习到的局部特征中学习上下文依赖关系。最后，通过SoftMax层实现故障选线。仿真结果表明，本文所提方法的选线准确率为99.41%，与现有方法相比准确率更高。

关键词： 图神经网络   神经架构搜索   可微分方法   关系特征   点云   分类  

摘要： 针对现有图神经网络的设计严重依赖于专家知识、图节点之间隐藏的潜在高阶特征容易被忽略的问题，提出了一种基于关系特征的可微图神经架构搜索方法(differentiable graph neural architecture search based on relation feature， DGNAS-RF)。首先，为提高图搜索空间的表征能力，设计了关系特征提取操作，以引导图节点特征的学习。其次，为缓解各候选操作竞争过程中的不稳定因素，利用架构熵正则化策略交替优化可微图搜索空间中的架构参数与网络参数。所提方法在ZINC数据集的图分类任务中达到0.149的平均绝对误差，在CLUSTER数据集的节点分类任务中达到77.0%的平均分类精度，在TSP数据集的边分类任务中达到0.853的F1分数，且在ModelNet10与ModelNet40三维点云数据集上分别达到95.0%与92.8%的总分类精度。实验结果表明，DGNAS-RF方法搜索到的图神经网络明显优于人工设计的网络架构以及GNAS-MP、SGAS和ARGNP等自动搜索方法。

关键词： 无人机集群   深度强化学习   引导式学习   智能编队控制  

摘要： 针对无人机集群系统,提出一种性能函数引导的深度强化学习控制方法,同时评估性能函数的示范经验与学习策略的探索动作,保证高效可靠的策略更新,实现无人机集群系统的高性能控制.首先,利用领航–跟随集群框架,将无人机集群的控制问题转化为领航–跟随框架下的跟踪问题,进而提出基于模型的跟踪控制方法,利用性能函数将集群编队误差约束在给定范围内,实现无人机集群的模型驱动控制.接下来,为解决复杂工况下性能函数极易失效难题,将深度强化学习方法和性能函数驱动方法结合,提出性能函数引导的深度强化学习控制方法,利用性能函数的示范经验辅助训练强化学习网络,通过同时评估探索与示范动作,保证学习策略显著优于性能函数驱动控制方法,有效提高无人机编队控制精度与鲁棒性.实验结果表明,该方法能够显著提升无人机集群的控制性能,实现兼顾鲁棒性与飞行精度的高性能集群控制.