课程文献中心 更多>>

关键词： 等变图神经网络   等变性   光滑粒子动力学   流体粒子   流动预测  

摘要： 近年来，图神经网络(GNN)因能较好解决结构网格的问题，且具有较强的组合泛化能力，被越来越多地应用于复杂的流体系统预测中。然而，在拉格朗日无网格视角下，经过平移、旋转或翻转变换的流体粒子信息输入GNN会出现不可预测的输出问题。为了解决该问题，提出了基于等变图神经网络模拟(EGNS)的方法。首先将几何向量转换成相对的等变量，然后通过每一步具有等变性的消息传递使整个神经网络具有等变性，网络输出与输入等变量的空间变换保持一致，最后在光滑粒子动力学(SPH)方法模拟的粒子轨迹里训练得到较优的EGNS模型。在公开流体仿真数据集上的实验结果表明，EGNS具有良好预测效果。相较于图神经网络模拟(GNS)的方法，EGNS在流体粒子运动形态、速度及典型细节的表现力上更加准确，预测精度提高了16%。

关键词： 无轴承开关磁阻电机   单绕组   宽转子齿   转矩分配函数   悬浮力分配函数   模型预测控制  

摘要： 由于单绕组宽转子齿结构无轴承开关磁阻电机的供电方式和双凸极结构，其在应用传统电流斩波控制策略时存在较大的转矩脉动和悬浮力波动以及悬浮运行不稳定的情况。为克服这些不足，本文基于该电机的本体结构与工作原理，提出了适用于该电机的转矩分配函数和悬浮力分配函数，结合模型预测控制理论，研究了一种基于转矩分配函数和悬浮力分配函数的预测转矩和预测悬浮力控制方法。通过仿真软件及硬件平台，验证了该控制方法不仅可以实现电机的稳定悬浮运行，而且在抑制转矩脉动和悬浮力波动方面具有优越性。

关键词： 绝缘沿面缺陷   劣化   功函数   特高频均值   放电仿真  

摘要： 绝缘沿面缺陷是GIS设备内部常见缺陷，特高频法是对运行条件下GIS绝缘缺陷检测应用最广泛的手段。目前由于对缺陷劣化过程中的信号变化机理认识尚不明晰，导致放电特高频信号幅值无法直接和缺陷严重程度相关联，从而难以对缺陷劣化阶段进行合理划分。试验测量了绝缘沿面缺陷劣化过程中的特高频信号，并通过仿真探究了绝缘沿面缺陷特高频信号的变化机理，最后根据不同劣化程度特高频信号仿真结果提出了基于功函数归一化均值的沿面缺陷劣化程度划分方法。研究发现，劣化过程中绝缘表面功函数与特高频放电次数和均值都密切相关，利用功函数将特高频均值归一化后可以作为缺陷劣化阶段的划分标准，将缺陷严重程度分为低、中、高三类。经试验数据验证发现，所提方法能够对绝缘沿面缺陷劣化过程作出较好划分。研究成果为基于放电信号的缺陷严重程度评估奠定了理论基础。

关键词： 多标签文本分类   图卷积网络   注意力机制   动态图  

摘要： 多标签文本分类旨在为文本分配若干预定义的标签或类别.为了充分发掘标签间的关联,目前的方法通常使用标签关系图并结合图神经网络获取标签特征表示.然而,这类方法过度依赖初始建图策略,忽视了当前文本中固有的标签相关性,使得分类结果更依赖于数据集统计信息,而容易忽视当前文本段中的标签相关信息.因此,提出一种基于特征融合动态图网络的多标签文本分类算法,设计动态图来建模当前文本中的标签相关性,并结合特征融合与图神经网络,形成基于当前文本的标签表示,并由此形成更为准确的多标签文本结果.随后,设计实验进行验证,在3个数据集实验结果表明,所提出的模型在多标签分类任务中取得优秀的性能,验证其有效性和可行性.

关键词： 图神经网络   知识图谱   特征学习   推荐系统   特征融合  

摘要： 基于知识图谱的推荐模型通过捕捉交互物品在知识图谱上的实体关联，实现对用户偏好的精准建模，从而提高推荐的准确性。然而，现有工作忽略了交互图的噪声问题和稀疏性问题，限制了模型对实体关联的捕捉效率，导致用户偏好建模出现偏差，从而无法获得最优结果。为了解决上述问题，提出了一种基于知识感知的图优化推荐模型 (Knowledge-aware Graph Refinement Network，KGRN)。具体来说，首先设计了一个图修剪模块，利用知识图谱的语义信息来动态修剪交互图中的噪声交互。然后，设计了一个图构建模块来缓解交互图的数据稀疏性，提高模型挖掘用户偏好实体能力，增强用户偏好建模。为了验证KGRN的有效性，在三个基准数据集上进行了对比试验。相较于现有模型，KGRN在MovieLens-1M上的表现提升了2.97%，在Amazon-Book上的表现提升了1.69%，在BookCrossing上的表现提升了2.22%，实验结果证明了所提模型的有效性。

关键词： 法律人工智能   司法判决预测   图深度学习  

摘要： 司法判决预测旨在根据案件事实描述预测判决结果，如案件所涉及法条、罪名、刑期。近年来，图深度学习方法在法律人工智能领域取得了显著成效，能够有效地捕捉案件事实描述之间的复杂关系和法条之间的依赖关系。该文全面归纳并总结了图深度学习在司法判决预测任务上最新的研究成果。首先明确司法判决预测的任务定义，并回顾了早期的研究。其次，重点关注基于图结构的司法判决预测的文本表示方法，具体包括因果图、要素图和知识图谱在本领域中的应用。随后，分析图深度学习在司法判决预测中的相关方法，涵盖图蒸馏算子、图卷积网络、门控图神经网络、异构图神经网络、图注意力网络、图推理网络。接下来，介绍了CAIL、ELAM等主流数据集以及司法判决预测其他相关数据集，并整理了评估指标。最后，展望司法判决预测的未来研究趋势，强调了图深度学习在此领域的持续创新和应用前景。该文的工作展现出图深度学习方法在司法判决预测中具有巨大的潜力，能够为法律人工智能领域的发展提供新的视角和方法，并为相关实践应用提供了参考。

关键词： 广义P-模糊集合   Zadeh模糊集   P-模糊集   模糊元素迁移   广义P-模糊依赖度  

摘要： 利用模糊元素迁移的概念,在同一论域上构建了向内收缩的广义内P-模糊集合AF与向外扩张的广义外P-模糊集合AF,给出广义P-模糊集合的数学结构。利用广义P-模糊集合定义广义P-模糊依赖度并分析了广义P-模糊集合特性。讨论广义P-模糊集与Zadeh模糊集的关系和相关定理,分析了由广义P-模糊集合生成的P-集合的几种形式。广义P-模糊集是Zadeh模糊集与P-集合的推广,Zadeh模糊集与P-集合都是广义P-模糊集的特殊情况。最后给出了广义P-模糊集合在风险投资管理系统中的应用。

关键词： 管理区   GIS   PFCM   半方差函数  

摘要： 目的：通过地统计学和聚类算法优化苏打盐碱地水田管理，以提高经济效益并减少环境影响。方法：从吉林大安农田生态系统国家野外科学观测研究站的试验田(6.67 km2)收集34个土壤样本，深度为0～20 cm。利用半方差函数模型分析土壤化学性质的空间变异性，并采用克里金插值法预测其空间分布。通过探索性回归分析确定土壤元素间的关系，选择地理加权回归模型（GWR）和可能性模糊c均值聚类方法（PFCM）进行管理区划分，最终确定3个管理区（MZ1、MZ2、MZ3）。结果：高斯、线性、指数和球形模型是描述土壤参数的最佳模型，拟合系数均超过0.650。克里金插值法揭示了土壤变量的高变异性。MZ3区域，占总面积的47.1%，以电导率、有效磷和有效钾含量高而突出；MZ1区域，占38.2%，以全氮、有机质和pH值高而著称；MZ2区域，占14.7%，土壤指标介于MZ1和MZ3之间，为研究提供了独特视角。结论：管理区的划分为土壤管理提供了精细化策略，优化了土壤肥力和作物产量。研究采用的统计分析方法为苏打盐碱地水稻种植提供了科学指导，为管理者提供了决策支持，推动了东北地区苏打盐碱地水田的可持续管理。

关键词： 肺动脉高压   超声心动图   右心功能   右心导管   右心房压  

摘要： 目的 探讨肺动脉高压（PAH）患者右心房压（RAP）与超声心动图（Echo）右心功能参数的相关性及其影响因素。方法 回顾性选取70例我科住院确诊的PAH患者，收集其病历资料。采用Pearson相关分析RAP与Echo右心功能参数的相关性，选取有意义的参数，采用多元线性回归评估两者的独立相关性，并根据受试者工作特征曲线（ROC）分析RAP>10 mmHg影响因素的临界值、灵敏度及特异度。结果 共入选70例患者，包括特发性PAH 61例，结缔组织病相关PAH 5例，慢性血栓栓塞性肺高压4例；RAP与eRAP-IVCd呈中度相关（相关系数为0.53,P<0.01）;RAP与舒张末期右心室/左心室内径比值（RV/LV）及下腔静脉内径（IVCd）均呈高度正相关[相关系数分别为0.76(P<0.01)、0.67(P<0.01)]。多元线性回归结果显示RV/LV及IVCd对RAP的影响有统计学差异（B=2.36,P<0.05;B=0.23,P<0.05）。ROC曲线分析表明RV/LV>1.24及IVCd>17.5 mm为最佳截点值，灵敏度及特异度均较高。结论 Echo测量的RV/LV及IVCd与右心导管测量的RAP独立相关，前者可能很好地预测后者；RV/LV>1.24及IVCd>17.5 mm可能提示RAP>10 mmHg。

关键词： 交通流预测   元图学习   图神经网络   注意力机制   自适应图卷积  

摘要： 由于交通流的非平稳性，在提取交通流动态时空特征方面存在一定的挑战。因此，针对非平稳特性导致的不同交通模式和不同邻域范围内交通流的动态变化问题，提出了一种基于自适应图卷积的元图学习交通流预测模型(Meta-AGC)。具体来说，设计了一种能自适应捕获不同交通模式下交通流各节点间的空间相关性和不同邻域范围内交通流动态变化的方法。该方法将自适应图卷积捕获的时空特征与元图学习中的元节点库进行模式匹配，使得基于元节点库生成的时空元图，能够自适应的表示不同交通模式下各节点间的空间相关性。同时，自适应图卷积由一组具有不同可学习尺度的图小波和上下文注意力机制组成，以随时根据输入的交通流信息动态调整卷积感受野，解决传统卷积接受域范围固定的局限性，有效捕捉由于随机事件引发的不同邻域范围内交通流变化问题。实验结果表明，在6步和12步预测步长中，与较好的基线模型相比，Meta-AGC模型预测的准确性分别提高了5.2%和4.2%。此外，实验结果也进一步证明提出的Meta-AGC模型能更有效的建模交通流的非平稳性，提高预测精度。