课程文献中心 更多>>

关键词： 概率真度   相似度   度量空间   孤立点  

摘要： 本文在n值G?del命题逻辑系统中引入了公式的概率真度概念，首先通过构造性证明和反证法相结合的方式证明了孤立点在[0，1]区间是不存在的，说明所有公式的概率真度值集合是连续的；其次确立了概率相似度的度量，并建立基于概率的逻辑度量空间，最后运用概率逻辑度量空间中伪距离性质进一步研究该空间中没有孤立点，为G?del逻辑系统的计量化研究提供了新的视角.

关键词： 车间调度   蚁群算法   析取图   甘特图  

摘要： 车间调度问题是生产调度模型的简化，研究如何在生产活动中合理的分配资源以实现成本最优。传统的人工调度方式在任务量大、任务相互关系复杂、对完工时间要求苛刻时将不适用，现实中的调度问题又通常属于非确定性多项式时间问题，一般很难使用常规方法得到最优解。本文提出了一种基于析取图的蚁群算法，用于求解复杂的车间调度问题。通过构建析取图的方式确定蚂蚁可行路径，从而将工件、工序、加工机器三者之间的关联关系转化为路径寻优问题；通过MATLAB编程建立模型并求解问题，通过甘特图校验，证明给出的解满足机器、加工工序、加工工件的各类约束，并且合理且优化。

关键词： 心电图   异常检测   生成对抗网络   Transformer   异常解释  

摘要： 心电图是检测心血管疾病最常用的工具之一. 然而， 心电图分析高度依赖医学专家的经验， 导致分析效率低. 为此， 提出一种集成了Transformer与生成对抗网络思想的异常检测方法——TranECG. 首先， 将长序列心电图数据分割成若干等距的心跳节拍数据; 然后， 采用基于生成对抗网络的重建模型学习节拍数据的正常模式， 并生成相应的重建序列; 最后， 异常检测模块通过分析重建序列与原始序列的残差矩阵， 判断心电图是否存在异常. 此外， 为了显式地定位异常， 根据异常检测模块的注意力系数矩阵构造热力图， 以可视化方式定位心电图中的异常位置. 实验结果表明， 在CPSC和AIWIN两个心电信号数据集上， TranECG相较于文中对比方法， 其准确率平均提高4.7%， 曲线下面积(AUC)平均提高1.4%.

关键词： 配电网   拓扑辨识   时空相关性   图嵌入   时间卷积  

摘要： 随着各类分布式电源、储能、电动汽车、柔性负荷在配电网中的渗透率不断增加，配电网的运行方式日趋复杂。为了实现配电系统的实时分析与优化控制，需要精确辨识配电网网架结构拓扑，为此提出了一种基于时空同步图采样网络的配电网拓扑辨识模型。首先，使用基于GraphSAGE的时空嵌入技术与膨胀因果卷积技术处理空间与时间尺度特征。其次，在拓扑辨识模型中设计多个功能模块，有效捕获复杂数据的局部时空相关性。最后，分别基于IEEE 33节点和PG&E 69节点配电网进行验证。结果表明，所提模型在数据噪声下拥有鲁棒性及更高的辨识精度。

关键词： 整函数   最大模原理   零点模   Taylor定理   估值定理  

摘要： 整函数的零点属性是复分析理论的热门课题之一. 本文利用最大模原理， Taylor定理和估值定理研究了一类无界整函数的零点模性质， 给出了零点模估计式.

关键词： 网络节点分类   复杂网络   图神经网络   图注意力网络   对比学习  

摘要： 复杂网络节点分类大多基于图神经网络学习节点表示而实现，图神经网络通过邻域聚合对复杂网络局部结构信息进行编码。然而，图神经网络的过平滑问题导致复杂网络节点分类性能受限。基于此，提出一种基于增强图神经网络和对比学习的复杂网络节点分类方法。该方法不仅为邻域节点引入注意力来区分各邻居节点的重要性，而且采用局部邻域重叠度和全局邻域重叠度构造边的特征，从而扩大节点表示的信息量。最后，引入对比学习对神经网络进行训练，从而利用网络全局节点分类先验信息对节点表示进行联合优化。在Cora、Citeseer、PubMed和Chameleon公开网络数据集上进行了实验，结果表明，相较于其他先进方法，所提方法的节点分类性能更好，并通过消融实验验证了所提方法的有效性。

关键词： 客户流失预测   数据不平衡   特征交互建模   差异化特征   层次图神经网络  

摘要： 针对普惠金融领域客户流失问题的严峻性及现有客户挽留模型在预测精度与可解释性上的不足，提出一种基于层次图神经网络（HGNN）和差异化特征学习（SFL）相结合的客户流失预测网络（HGNN-SFLN），以提升模型的预测能力和对特征交互的理解。首先，为应对数据不平衡问题，提出一种创新的混合采样策略，并在特征层面对不同类别特征进行加权调整，以确保各类数据的有效利用；其次，利用层次图强化不同特征之间关联性并构建了一种基于自注意力机制的差异化特征学习模块，以增强模型对分类特征的处理能力及特征交互关系的解析能力。通过该方法，模型能够精准识别关键特征，并有效捕捉特征之间的复杂交互关系，从而优化预测决策过程。实验结果表明，所提方法在多个真实金融数据集上相较于主流模型（如Light GBM、深度神经网络（DNN））在曲线下与坐标轴围成的面积（AUC）等关键指标至少提升了1.4%的性能，并且在精确识别关键流失特征以及有效捕捉特征间复杂交互关系方面，相较于Light GBM和DNN等模型展现出更为显著的优势。

关键词： 多模态医学图像融合   双分支编码器   膨胀卷积   图卷积   多头注意  

摘要： 针对目前基于深度学习的多模态医学图像融合方法存在高级特征提取不足和低级特征容易丢失的问题，本文提出了基于膨胀卷积与图注意聚合的多模态医学图像融合方法。该方法由双分支编码器、融合模块和解码器三部分组成。双分支编码器由基于卷积的低级编码器和基于图卷积的高级编码器构成。其中，基于卷积的低级编码器主要采用膨胀卷积来减少纹理细节等低级特征的丢失，同时为高级编码器提供初始化的节点特征。基于图卷积的高级编码器则主要采用图注意聚合模块，有效捕获深层语义等高级特征。图注意聚合模块结合边缘编码的多头注意力构建节点邻接矩阵，再基于此邻接矩阵通过图卷积对节点进行深层聚合。融合模块对提取到的特征进行融合，最后使用解码器重建融合图像。该方法与6种先进的图像融合方法在主观视觉评价和客观评价指标上进行对比。将该方法与6种先进的图像融合方法在主观视觉和客观评价指标上进行了对比。结果显示，该方法在EN上相较于IGNet方法提升了2.4%，在AG和MI上相较于DATFuse方法分别提升了3.53%和5.06%，在SD、 SF和SCD上相较于SwinFusion方法分别提升了1.18%, 6.24%和3%，同时该方法得到的融合图像保留了更多的纹理细节信息。综合实验结果表明，该方法实现了多模态医学图像的有效融合，为临床诊断提供了更可靠的图像支持。

关键词： 机械传动系统   过渡状态   最大互信息系数   数据采集与监视控制系统   慢特征分析   移动方差  

摘要： 针对主传动系统运行过程中稳定状态和过渡状态频繁切换，以及过渡状态下表现出的复杂动态特性导致传统故障预警模型误报警率较高的问题，提出了一种针对风电机组主传动系统过渡状态的划分方法，以提升故障预警的准确性。首先，深入分析了过渡状态的形成机制及其复杂特性，采用最大互信息系数（MIC）对数据采集与监视控制系统（SCADA）数据进行了相关性分析，以降低数据冗余，并通过慢特征分析（SFA）提取了运行数据的慢特征，结合滑动窗口计算了慢特征的移动方差，揭示了其时变特性；然后，利用K-means对慢特征的移动方差进行了聚类，完成了对主传动系统稳定状态和过渡状态的划分任务；最后，为了验证基于慢特征移动方差聚类方法的优越性，采用实际风场SCADA数据进行了验证，并进行了过渡状态动态特性分析。研究结果表明：相比于主成分移动方差聚类方法，基于慢特征移动方差的聚类方法在误划分次数和误划分样本点数方面分别降低了约33%和69%，显著提升了状态划分的准确性；此外，通过对划分后稳定状态与过渡状态的数据特性进行对比分析，进一步验证了在故障预警中考虑过渡状态的必要性。该方法可为机组主传动系统故障预警提供更精准的状态划分基础，从而提升风电机组的故障预警性能。

关键词： 正规矩阵   酉矩阵   酉轨道   谱距离  

摘要： 从矩阵的基本理论出发,探究了正规矩阵酉轨道之间的距离的一个下界,并证明了谱在两条平行直线上的正规矩阵酉轨道之间的距离可以被其谱距离所决定.