提出一种用最小二乘支持向量机(least squares support vector machine,LS-SVM)构造函数链接型神经网络(functional link artificial neural networks,FLANN)的滚动轴承故障诊断系统。介绍了相关原理和具体算法,并给出了滚动轴承故障诊...提出一种用最小二乘支持向量机(least squares support vector machine,LS-SVM)构造函数链接型神经网络(functional link artificial neural networks,FLANN)的滚动轴承故障诊断系统。介绍了相关原理和具体算法,并给出了滚动轴承故障诊断系统模型。首先,采用LS-SVM模型核函数代替常规FLANN模型的扩展函数,避免了扩展函数选择的任意性;其次,利用LS-SVM学习模型得到FLANN权重系数,避免了BP方法多次迭代寻优存在的耗时长、局部极小及迭代设置初值依赖经验等不足;最后,构造了多层LS-SVM-FLANN结构,对多类滚动轴承故障进行诊断。具体实验表明,用LS-SVM构造FLANN的滚动轴承故障识别系统精度高、鲁棒性好、实现简单。展开更多
微博实体链接是把微博中给定的指称链接到知识库的过程,广泛应用于信息抽取、自动问答等自然语言处理任务(Natural language processing,NLP).由于微博内容简短,传统长文本实体链接的算法并不能很好地用于微博实体链接任务.以往研究大...微博实体链接是把微博中给定的指称链接到知识库的过程,广泛应用于信息抽取、自动问答等自然语言处理任务(Natural language processing,NLP).由于微博内容简短,传统长文本实体链接的算法并不能很好地用于微博实体链接任务.以往研究大都基于实体指称及其上下文构建模型进行消歧,难以识别具有相似词汇和句法特征的候选实体.本文充分利用指称和候选实体本身所含有的语义信息,提出在词向量层面对任务进行抽象建模,并设计一种基于词向量语义分类的微博实体链接方法.首先通过神经网络训练词向量模板,然后通过实体聚类获得类别标签作为特征,再通过多分类模型预测目标实体的主题类别来完成实体消歧.在NLPCC2014公开评测数据集上的实验结果表明,本文方法的准确率和召回率均高于此前已报道的最佳结果,特别是实体链接准确率有显著提升.展开更多
网络链接预测能够获取网络中丢失链接的重要信息或进行网络的动态演变分析.现有的基于节点相似性的网络链接预测方法往往针对简单的一(多)阶邻居信息或特定类型的小型网络,设计较为复杂的计算方法,其扩展性和大规模网络中的可计算性都...网络链接预测能够获取网络中丢失链接的重要信息或进行网络的动态演变分析.现有的基于节点相似性的网络链接预测方法往往针对简单的一(多)阶邻居信息或特定类型的小型网络,设计较为复杂的计算方法,其扩展性和大规模网络中的可计算性都受到了严峻的挑战.文中基于深度学习在神经网络语言模型中应用的启发,提出了一个LsNet2Vec(Large-scale Network to Vector)模型.通过结合随机游走的网络数据集序列化方法,进行大规模的无监督机器学习,从而将网络中节点的结构特征信息映射到一个连续的、固定维度的实数向量.然后,使用学习到的节点结构特征向量,就可以迅速计算大规模网络中任意节点之间的相似度,以此来进行网络中的链接预测.通过在16个大规模真实数据集上和目前的多个基准的最优预测算法对比发现,LsNet2Vec模型所得到的预测总体效果是最优的:在保证了大规模网络中链接预测计算可行性的同时,于多个数据集上相对已有方法呈现出较大的AUC值提升,最高达8.9%.展开更多
快速扩展的互联网形成了具有高维、稀疏和冗余特性的复杂网络.因此需要有效的技术从这些复杂网络数据中提取出最为重要的信息进行链接预测,以便为用户服务.本文提出一种基于AUC(Area under Curve)优化的链接预测算法.在该算法中,将AUC...快速扩展的互联网形成了具有高维、稀疏和冗余特性的复杂网络.因此需要有效的技术从这些复杂网络数据中提取出最为重要的信息进行链接预测,以便为用户服务.本文提出一种基于AUC(Area under Curve)优化的链接预测算法.在该算法中,将AUC作为优化的目标函数,将链接预测问题转化为二分分类问题.将顶点之间是否存在链接作为它所在的类的标号.通过优化AUC来进行二分分类,使用铰链函数按随机次梯度下降算法迭代更新权重矩阵.最后在一些来自不同领域的真实网络上对本算法进行了测试.实验结果表明,本算法与其他算法的结果相比可以实现更高质量的预测.展开更多
传统随机游走链接预测算法基于复杂网络局部拓扑路径建立,没有考虑不同类型网络的生成机制。针对该问题,引入衡量随机游走效率的重要统计指标-平均首到达时间(mean first passing time,MFPT),提出一种可扩展的链接预测算法。该算法结合...传统随机游走链接预测算法基于复杂网络局部拓扑路径建立,没有考虑不同类型网络的生成机制。针对该问题,引入衡量随机游走效率的重要统计指标-平均首到达时间(mean first passing time,MFPT),提出一种可扩展的链接预测算法。该算法结合图谱理论,计算每个目标节点从其余节点到该节点的MFPT,以基于互信息度量节点影响的偏好随机游走算法(mutual information random walk,MIRW)为例,把MFPT信息嵌入到跳转概率定义中并拓展到加权网络链接预测场景。在生成的仿真网络数据和真实网络中的实证结果表明,该文算法能够提升基准随机游走算法的预测性能,并具备很好的扩展性。展开更多
网络链接预测是指通过网络结构信息及节点属性信息等网络历史信息预测2个节点之间产生新的链接关系的可能性。网络链接预测是网络分析的基础任务,在异常检测、推荐系统等方面有重要应用。网络表示学习旨在通过无监督方法,将符号化的数...网络链接预测是指通过网络结构信息及节点属性信息等网络历史信息预测2个节点之间产生新的链接关系的可能性。网络链接预测是网络分析的基础任务,在异常检测、推荐系统等方面有重要应用。网络表示学习旨在通过无监督方法,将符号化的数据编码到低维、稠密的向量空间中,从而更好地应用于机器学习任务中。由于真实网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对该问题,文章提出一种基于网络表示学习的属性网络链接预测算法(attributed network embedding based link prediction,ANE-LP)。首先有效提取网络结构信息和节点属性信息,并且通过深度网络结构将网络中各节点表征到低维、稠密向量空间;然后通过相似度度量模型重新定义出邻居节点间的关系;最后在2个真实数据集上进行实验验证。实验结果表明,基于网络特征学习的链接预测算法与其他方法相比更优越。展开更多
文摘提出一种用最小二乘支持向量机(least squares support vector machine,LS-SVM)构造函数链接型神经网络(functional link artificial neural networks,FLANN)的滚动轴承故障诊断系统。介绍了相关原理和具体算法,并给出了滚动轴承故障诊断系统模型。首先,采用LS-SVM模型核函数代替常规FLANN模型的扩展函数,避免了扩展函数选择的任意性;其次,利用LS-SVM学习模型得到FLANN权重系数,避免了BP方法多次迭代寻优存在的耗时长、局部极小及迭代设置初值依赖经验等不足;最后,构造了多层LS-SVM-FLANN结构,对多类滚动轴承故障进行诊断。具体实验表明,用LS-SVM构造FLANN的滚动轴承故障识别系统精度高、鲁棒性好、实现简单。
文摘微博实体链接是把微博中给定的指称链接到知识库的过程,广泛应用于信息抽取、自动问答等自然语言处理任务(Natural language processing,NLP).由于微博内容简短,传统长文本实体链接的算法并不能很好地用于微博实体链接任务.以往研究大都基于实体指称及其上下文构建模型进行消歧,难以识别具有相似词汇和句法特征的候选实体.本文充分利用指称和候选实体本身所含有的语义信息,提出在词向量层面对任务进行抽象建模,并设计一种基于词向量语义分类的微博实体链接方法.首先通过神经网络训练词向量模板,然后通过实体聚类获得类别标签作为特征,再通过多分类模型预测目标实体的主题类别来完成实体消歧.在NLPCC2014公开评测数据集上的实验结果表明,本文方法的准确率和召回率均高于此前已报道的最佳结果,特别是实体链接准确率有显著提升.
文摘网络链接预测能够获取网络中丢失链接的重要信息或进行网络的动态演变分析.现有的基于节点相似性的网络链接预测方法往往针对简单的一(多)阶邻居信息或特定类型的小型网络,设计较为复杂的计算方法,其扩展性和大规模网络中的可计算性都受到了严峻的挑战.文中基于深度学习在神经网络语言模型中应用的启发,提出了一个LsNet2Vec(Large-scale Network to Vector)模型.通过结合随机游走的网络数据集序列化方法,进行大规模的无监督机器学习,从而将网络中节点的结构特征信息映射到一个连续的、固定维度的实数向量.然后,使用学习到的节点结构特征向量,就可以迅速计算大规模网络中任意节点之间的相似度,以此来进行网络中的链接预测.通过在16个大规模真实数据集上和目前的多个基准的最优预测算法对比发现,LsNet2Vec模型所得到的预测总体效果是最优的:在保证了大规模网络中链接预测计算可行性的同时,于多个数据集上相对已有方法呈现出较大的AUC值提升,最高达8.9%.
文摘快速扩展的互联网形成了具有高维、稀疏和冗余特性的复杂网络.因此需要有效的技术从这些复杂网络数据中提取出最为重要的信息进行链接预测,以便为用户服务.本文提出一种基于AUC(Area under Curve)优化的链接预测算法.在该算法中,将AUC作为优化的目标函数,将链接预测问题转化为二分分类问题.将顶点之间是否存在链接作为它所在的类的标号.通过优化AUC来进行二分分类,使用铰链函数按随机次梯度下降算法迭代更新权重矩阵.最后在一些来自不同领域的真实网络上对本算法进行了测试.实验结果表明,本算法与其他算法的结果相比可以实现更高质量的预测.
文摘传统随机游走链接预测算法基于复杂网络局部拓扑路径建立,没有考虑不同类型网络的生成机制。针对该问题,引入衡量随机游走效率的重要统计指标-平均首到达时间(mean first passing time,MFPT),提出一种可扩展的链接预测算法。该算法结合图谱理论,计算每个目标节点从其余节点到该节点的MFPT,以基于互信息度量节点影响的偏好随机游走算法(mutual information random walk,MIRW)为例,把MFPT信息嵌入到跳转概率定义中并拓展到加权网络链接预测场景。在生成的仿真网络数据和真实网络中的实证结果表明,该文算法能够提升基准随机游走算法的预测性能,并具备很好的扩展性。
文摘网络链接预测是指通过网络结构信息及节点属性信息等网络历史信息预测2个节点之间产生新的链接关系的可能性。网络链接预测是网络分析的基础任务,在异常检测、推荐系统等方面有重要应用。网络表示学习旨在通过无监督方法,将符号化的数据编码到低维、稠密的向量空间中,从而更好地应用于机器学习任务中。由于真实网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对该问题,文章提出一种基于网络表示学习的属性网络链接预测算法(attributed network embedding based link prediction,ANE-LP)。首先有效提取网络结构信息和节点属性信息,并且通过深度网络结构将网络中各节点表征到低维、稠密向量空间;然后通过相似度度量模型重新定义出邻居节点间的关系;最后在2个真实数据集上进行实验验证。实验结果表明,基于网络特征学习的链接预测算法与其他方法相比更优越。
