针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Lon...针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。展开更多
图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而,目前大多数基于图对比学习的推荐算法均采用单一视角进行学习,这极大地限制了模型的泛化能力,且图卷积网络本身存在的过度平滑问题也影响着模型的稳定性.基于此,提出...图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而,目前大多数基于图对比学习的推荐算法均采用单一视角进行学习,这极大地限制了模型的泛化能力,且图卷积网络本身存在的过度平滑问题也影响着模型的稳定性.基于此,提出一种融合层注意力机制的多视角图对比学习推荐方法.一方面,该方法提出2种不同视角下的3种对比学习,在视图级视角下,通过对原始图添加随机噪声构建扰动增强视图,利用奇异值分解(singular value decomposition)重组构建SVD增强视图,对这2个增强视图进行视图级对比学习;在节点视角下,利用节点间的语义信息分别进行候选节点和候选结构邻居对比学习,并将3种对比学习辅助任务和推荐任务进行多任务学习优化,以提高节点嵌入的质量,从而提升模型的泛化能力.另一方面,在图卷积网络学习用户和项目的节点嵌入时,采用层注意力机制的方式聚合最终的节点嵌入,提高模型的高阶连通性,以缓解过度平滑问题.在4个公开数据集LastFM,Gowalla,Ifashion,Yelp上与10个经典模型进行对比,结果表明该方法在Recall,Precision,NDCG这3个指标上分别平均提升3.12%,3.22%,4.06%,这说明所提方法是有效的.展开更多
文摘针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。
文摘图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而,目前大多数基于图对比学习的推荐算法均采用单一视角进行学习,这极大地限制了模型的泛化能力,且图卷积网络本身存在的过度平滑问题也影响着模型的稳定性.基于此,提出一种融合层注意力机制的多视角图对比学习推荐方法.一方面,该方法提出2种不同视角下的3种对比学习,在视图级视角下,通过对原始图添加随机噪声构建扰动增强视图,利用奇异值分解(singular value decomposition)重组构建SVD增强视图,对这2个增强视图进行视图级对比学习;在节点视角下,利用节点间的语义信息分别进行候选节点和候选结构邻居对比学习,并将3种对比学习辅助任务和推荐任务进行多任务学习优化,以提高节点嵌入的质量,从而提升模型的泛化能力.另一方面,在图卷积网络学习用户和项目的节点嵌入时,采用层注意力机制的方式聚合最终的节点嵌入,提高模型的高阶连通性,以缓解过度平滑问题.在4个公开数据集LastFM,Gowalla,Ifashion,Yelp上与10个经典模型进行对比,结果表明该方法在Recall,Precision,NDCG这3个指标上分别平均提升3.12%,3.22%,4.06%,这说明所提方法是有效的.
