-
题名基于自适应时空图卷积网络的航空发动机剩余寿命预测
- 1
-
-
作者
许丹阳
尚洁
蒋琛
邱浩波
高亮
-
机构
华中科技大学智能制造装备与技术全国重点实验室
华中科技大学机械科学与工程学院
华中科技大学国家智能设计与数控创新中心
-
出处
《计算机集成制造系统》
北大核心
2025年第6期2165-2177,共13页
-
基金
湖北省重点研发计划资助项目(2021AAB001)
国家重点研发计划资助项目(2020YFB1709800)。
-
文摘
为了深入挖掘传感器监测信号的时间域和空间域特征,全面反映健康状态进而提高故障预测精度,提出一种基于自适应时空图卷积网络(ASTGCN)的航空发动机剩余使用寿命(RUL)预测方法。首先以基于互信息的静态邻接矩阵为基础,结合参数可学习的动态邻接矩阵表示方法建立自适应邻接矩阵,自动调整传感器节点的空间关联,高质量构建航空发动机健康监测场景下的图结构数据;其次建立时空图卷积网络模块,分别利用一维和图卷积网络同步学习监测信号的时间和空间依赖关系,捕捉监测数据的动态时空相关性;最后将全连接层用于退化特征融合和RUL预测。采用公开的航空发动机退化数据集验证了ASTGCN的有效性和先进性。
-
关键词
航空发动机
剩余使用寿命预测
数据驱动
时空图卷积网络
自适应邻接矩阵
-
Keywords
aero-engine
remaining useful life prediction
data-driven
spatial-temporal graph convolutional network
adaptive adjacent matrix
-
分类号
V263.6
[航空宇航科学与技术—航空宇航制造工程]
-
-
题名基于时空自适应图卷积神经网络的脑电信号情绪识别
被引量：15
- 2
-
-
作者
高越
傅湘玲
欧阳天雄
陈松龄
闫晨巍
-
机构
北京邮电大学计算机学院(国家示范性软件学院)
北京邮电大学可信分布式与服务教育部重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2022年第4期30-36,共7页
-
基金
北京市自然科学基金(M22012,L192026)
国家自然科学基金(82071171)。
-
文摘
随着人机交互在计算机辅助领域的快速发展,脑电信号已成为情绪识别的主要手段。与此同时,图网络因其对拓扑结构数据的优秀表征能力,逐渐受到研究者们的广泛关注。为进一步提升图网络对多通道脑电信号的表征性能,文中结合脑电信号的稀疏性、不频繁性等多种特性,提出了一种基于时空自适应图卷积神经网络的脑电情绪识别方法(Self-Adaptive Brain Graph Convolutional Network with Spatiotemporal Attention,SABGCN-ST)。该方法通过引入时空注意力机制解决了情绪的稀疏性问题,并根据自适应学习的脑网络拓扑邻接矩阵,挖掘不同位置的电极通道之间的功能连接关系。最终模型基于图卷积操作进行图结构的特征学习,以实现对脑电信号的情绪预测。在DEAP和SEED两个脑电信号公开数据集上开展了大量实验,实验结果证明,SABGCN-ST相比基线模型在准确率上具有显著的优势,平均情绪识别准确率达到84.91%。
-
关键词
脑电信号
情绪识别
图卷积神经网络
时空注意力机制
自适应邻接矩阵
深度学习
-
Keywords
Electroencephalogram
Emotion recognition
Graph convolutional neural network
Spatio-temporal attention mechanism
Self-adaptive adjacent matrix
Deep learning
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于时间-通道拓扑解耦图卷积的异常行为检测
被引量：1
- 3
-
-
作者
张家波
唐上松
何阿娟
-
机构
重庆邮电大学通信与信息工程学院
-
出处
《信号处理》
CSCD
北大核心
2024年第12期2193-2205,共13页
-
基金
国家自然科学基金面上项目(62171070)
重庆市研究生科研创新项目(CYS23456)。
-
文摘
随着姿态估计技术的发展,使用人体骨骼数据而非传统像素数据进行异常行为检测成为可能,这种异常检测方法克服了传统基于像素特征的方法中光照、视角和背景噪声等因素带来的问题。然而,现有的图卷积网络(Graph Convolutional Network,GCN)在处理人体骨骼数据时,通常使用固定的邻接矩阵进行信息聚合,这限制了模型在提取行为特征时的灵活性。为了解决上述问题,本文提出了基于时间-通道拓扑解耦的图卷积网络(TimeChannel Topology Decoupling Graph Convolution Network,TCTD-GCN)。TCTD-GCN分别在时间和通道维度上采用拓扑学习的方式来学习自适应的邻接矩阵,从而实现时间和通道的有效解耦。学习得到的自适应邻接矩阵能更准确地聚合特征,促进对人体行为的准确表示。此外,文章提出一种虚拟异常引导的自监督异常检测(Virtual Anomaly-guided Self-supervised Anomaly Detection,VASAD)策略来提高检测精度。VASAD将异常检测问题视作一个多分类问题,通过将正常行为的不同类别视为“虚拟异常”来辅助模型训练,从而在测试阶段更准确地区分正常与异常行为。这种策略增强了模型对正常行为内在差异的学习,提高了对真实异常的判别能力。最后,本文模型在ShanghaiTech Campus、CUHK Avenue和USCD Ped2三个主流数据集上进行实验,帧级曲线下面积(area under the curve,AUC)分别达到76.6%、87.7%和95.3%,在ShanghaiTech Campus和CUHK Avenue数据集上相对主流模型有明显提升,验证了模型的有效性和优越性。
-
关键词
人体骨骼
异常行为检测
解耦图卷积
自适应邻接矩阵
多类别异常检测
-
Keywords
human skeleton
abnormal behavior detection
decoupling graph convolution
adaptive adjacency ma‐trix
multi-category anomaly detection
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于注意力机制和图卷积的电信客户流失预测
被引量：4
- 4
-
-
作者
黄子璇
夏壬焕
张雄涛
-
机构
杭州电子科技大学计算机学院
湖州师范学院信息工程学院
-
出处
《计算机工程与设计》
北大核心
2023年第6期1685-1691,共7页
-
基金
国家自然科学基金项目(61771193)。
-
文摘
针对客户流失预测任务中,离散特征进行one-hot编码后特征空间过大,特征表示向量过于稀疏,引发维度灾难的问题,提出一种流失预测模型。基于特征嵌入和Transformer将高维离散数据转换为基于上下文的嵌入,降低编码后的数据维度,增强特征值间的联系。结合基于自适应邻接矩阵定义的图卷积操作,自动学习特征间潜在的关联关系,提高对正类样本的识别精度。使用交叉验证的方式在两份公开数据集上进行对比实验和消融实验,实验结果表明,改进模型能够有效增强多层感知机对于样本的拟合能力,提高分类预测准确率。
-
关键词
客户流失
多层感知机
离散数据
分布不均衡
注意力机制
自适应邻接矩阵
表示学习
-
Keywords
customer churn
multi-layer perceptron
discrete data
distribution imbalance
attention mechanism
self-adaptive adjacency matrix
representation learning
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于多头注意力时空图卷积网络的交通事故预测
- 5
-
-
作者
姜天豪
王瑞
-
机构
上海大学通信与信息工程学院
-
出处
《上海大学学报(自然科学版)》
2025年第4期678-690,共13页
-
文摘
提出一种结合多头注意力(multi-head attention, MHA)机制和自适应邻接矩阵的新型时空图卷积网络(spatio-temporal graph convolutional network, STGCN)模型. MHA机制对时空特征和外部环境因素进行加权融合,自适应邻接矩阵对道路网络的连接权重进行动态调整,提升了对空间依赖性的刻画能力.结果表明,该模型在伦敦道路网络数据集上的表现优于已有模型,在多个指标上显著提升了预测精度.
-
关键词
交通事故预测
时空图卷积网络
多头注意力机制
自适应邻接矩阵
-
Keywords
traffc accident prediction
spatio-temporal graph convolutional network(STGCN)
multi-head attention(MHA)mechanism
adaptive adjacency matrix
-
分类号
TP183
[自动化与计算机技术]
-
