期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到646篇文章
< 1 2 … 33 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于Bert+GCN多模态数据融合的药物分子属性预测 被引量：1
1
作者 闫效莺 靳艳春 +1 位作者 冯月华 张绍武 《生物化学与生物物理进展》 北大核心 2025年第3期783-794,共12页
目的药物研发成本高、周期长且成功率低。准确预测分子属性对有效筛选药物候选物、优化分子结构具有重要意义。基于特征工程的传统分子属性预测方法需研究人员具备深厚的学科背景和广泛的专业知识。随着人工智能技术的不断成熟,涌现出... 目的药物研发成本高、周期长且成功率低。准确预测分子属性对有效筛选药物候选物、优化分子结构具有重要意义。基于特征工程的传统分子属性预测方法需研究人员具备深厚的学科背景和广泛的专业知识。随着人工智能技术的不断成熟,涌现出大量优于传统特征工程方法的分子属性预测算法。然而这些算法模型仍然存在标记数据稀缺、泛化性能差等问题。鉴于此,本文提出一种基于Bert+GCN的多模态数据融合的分子属性预测算法(命名为BGMF),旨在整合药物分子的多模态数据,并充分利用大量无标记药物分子训练模型学习药物分子的有用信息。方法本文提出了BGMF算法,该算法根据药物SMILES表达式分别提取了原子序列、分子指纹序列和分子图数据,采用预训练模型Bert和图卷积神经网络GCN结合的方式进行特征学习,在挖掘药物分子中“单词”全局特征的同时,融合了分子图的局部拓扑特征,从而更充分利用分子全局-局部上下文语义关系,之后,通过对原子序列和分子指纹序列的双解码器设计加强分子特征表达。结果5个数据集共43个分子属性预测任务上,BGMF方法的AUC值均优于现有其他方法。此外,本文还构建独立测试数据集验证了模型具有良好的泛化性能。对生成的分子指纹表征(molecular fingerprint representation)进行t-SNE可视化分析,证明了BGMF模型可成功捕获不同分子指纹的内在结构与特征。结论通过图卷积神经网络与Bert模型相结合,BGMF将分子图数据整合到分子指纹恢复和掩蔽原子恢复的任务中,可以有效地捕捉分子指纹的内在结构和特征,进而高效预测药物分子属性。 展开更多
关键词 Bert预训练 注意力机制 分子指纹 分子属性预测 图卷积神经网络
在线阅读 下载PDF
DeepCom-GCN:融入控制流结构信息的代码注释生成模型
2
作者 钟茂生 刘会珠 +1 位作者 匡江玲 严婷 《江西师范大学学报(自然科学版)》 北大核心 2025年第1期27-36,共10页
代码注释生成是指给定一个代码片段,通过模型自动生成一段关于代码片段功能的概括性自然语言描述.不同于自然语言,程序语言具有复杂语法和强结构性.部分研究工作只利用了源代码的序列信息或抽象语法树信息,未能充分利用源代码的逻辑结... 代码注释生成是指给定一个代码片段,通过模型自动生成一段关于代码片段功能的概括性自然语言描述.不同于自然语言,程序语言具有复杂语法和强结构性.部分研究工作只利用了源代码的序列信息或抽象语法树信息,未能充分利用源代码的逻辑结构信息.针对这一问题,该文提出一种融入程序控制流结构信息的代码注释生成方法,将源代码序列和结构信息作为单独的输入进行处理,允许模型学习代码的语义和结构.在2个公开数据集上进行验证,实验结果表明:和其他基线方法相比,DeepCom-GCN在BLEU-4、METEOR和ROUGE-L指标上的性能分别提升了2.79%、1.67%和1.21%,验证了该方法的有效性. 展开更多
关键词 代码注释生成 抽象语法树 控制流图 图卷积神经网络 软件工程 程序理解 自然语言处理
在线阅读 下载PDF
一种基于RGCN的多功能雷达工作模式识别方法 被引量：1
3
作者 郁春来 冯明月 +2 位作者 金宏斌 张福群 张强飞 《现代防御技术》 北大核心 2025年第1期120-128,共9页
多功能雷达因其灵活的工作模式和捷变的波形特征,可并行执行多种任务等优势,已获得广泛应用,对雷达情报侦察对抗带来了极大挑战。识别多功能雷达工作模式是后续威胁评估、自适应对抗和引导攻击的前提和基础,直接决定着雷达对抗措施的针... 多功能雷达因其灵活的工作模式和捷变的波形特征,可并行执行多种任务等优势,已获得广泛应用,对雷达情报侦察对抗带来了极大挑战。识别多功能雷达工作模式是后续威胁评估、自适应对抗和引导攻击的前提和基础,直接决定着雷达对抗措施的针对性和有效性。主要以典型多功能雷达为研究对象,对典型的作战场景仿真建模,在深入分析多功能雷达不同工作模式的基础上,提出了一种基于关系图卷积网络(relational graph convolutional networks,RGCN)的多功能雷达工作模式识别的新方法,实现了数据的并行化处理,解决了不同工作模式与特征参数之间的相互作用。 展开更多
关键词 多功能雷达 工作模式识别 神经网络 图卷积网络 关系图卷积网络
在线阅读 下载PDF
基于KGCN的地质地震灾害事件演化结果预测
4
作者 邵舒羽 张扬 刘艳 《中国安全科学学报》 北大核心 2025年第2期212-219,共8页
为提高地质地震灾害事件预测的准确性和可靠性,提出一种结合知识图谱和图卷积神经网络(GCN)的预测模型。首先,构建地质地震灾害事件的知识图谱,将灾害相关的多源信息整合成结构化数据;然后,利用知识图谱卷积网络(KGCN)模型,对知识图谱... 为提高地质地震灾害事件预测的准确性和可靠性,提出一种结合知识图谱和图卷积神经网络(GCN)的预测模型。首先,构建地质地震灾害事件的知识图谱,将灾害相关的多源信息整合成结构化数据;然后,利用知识图谱卷积网络(KGCN)模型,对知识图谱中的实体和关系进行深度学习,挖掘潜在的关联规则,从而预测灾害的演化结果;最后,通过地质地震灾害事件案例集验证模型的有效性。结果表明:结合知识图谱和GCN的预测模型在地质地震灾害事件演化结果预测方面展现出显著效果,特别是在处理复杂的多源数据时,模型能够高效整合信息,准确挖掘潜在关联,在灾害等级、伤亡等级、承灾体类别等多个方面的预测准确率均表现优异,尤其是在灾害应急响应等级的预测上,准确率达到89.92%。 展开更多
关键词 知识图谱卷积网络(Kgcn) 地质地震灾害 灾害事件 演化结果 知识图谱 图卷积神经网络(gcn)
在线阅读 下载PDF
基于CNN-GraphSAGE双分支特征融合的齿轮箱故障诊断方法
5
作者 韩延 吴迪 +1 位作者 黄庆卿 张焱 《电子测量与仪器学报》 北大核心 2025年第3期115-124,共10页
针对卷积神经网络(CNN)在振动数据结构信息上挖掘不足导致故障诊断精度不高的问题,提出一种基于卷积神经网络与图采样和聚合网络(CNN-GraphSAGE)双分支特征融合的齿轮箱故障诊断方法。首先,对齿轮箱振动数据进行小波包分解,利用分解后... 针对卷积神经网络(CNN)在振动数据结构信息上挖掘不足导致故障诊断精度不高的问题,提出一种基于卷积神经网络与图采样和聚合网络(CNN-GraphSAGE)双分支特征融合的齿轮箱故障诊断方法。首先,对齿轮箱振动数据进行小波包分解,利用分解后的小波包特征系数构建包含节点和边的图结构数据;然后,建立CNN-GraphSAGE双分支特征提取网络,在CNN分支中采用空洞卷积网络提取数据的全局特征,在GraphSAGE网络分支中通过多层特征融合策略来挖掘数据结构中隐含的关联信息;最后,基于SKNet注意力机制融合提取的双分支特征,并输入全连接层中实现对齿轮箱的故障诊断。为验证研究方法在齿轮箱故障诊断上的优良性能,首先对所提方法进行消融实验,然后在无添加噪声和添加1 dB噪声的条件下进行对比实验。实验结果表明,即使在1 dB噪声的条件下,研究方法的平均诊断精度为92.07%,均高于其他对比模型,证明了研究方法能够有效地识别齿轮箱的各类故障。 展开更多
关键词 图卷积神经网络 卷积神经网络 故障诊断 注意力机制
在线阅读 下载PDF
基于GCN-LSTM的电力系统暂态电压稳定评估 被引量：1
6
作者 徐焕 夏凡 +3 位作者 陈铈 赵青尧 魏晓燕 梅子薇 《高压电器》 北大核心 2025年第1期104-111,144,共9页
为了提高电力系统暂态电压在系统拓扑结构发生变化时能够稳定评估,以及提高在时空方面的特征提取能力,提出一种图卷积网络与循环神经网络相融合的方法。首先,引入图卷积网络对电力数据进行图表示,将电力系统建模为网络结构,自动学习电... 为了提高电力系统暂态电压在系统拓扑结构发生变化时能够稳定评估,以及提高在时空方面的特征提取能力,提出一种图卷积网络与循环神经网络相融合的方法。首先,引入图卷积网络对电力数据进行图表示,将电力系统建模为网络结构,自动学习电压节点的特征表示。其次,提出使用循环神经网络来处理暂态电压数据的时间依赖关系,捕捉暂态电压数据的时序特征。然后,提出自适应增强模块,用于将两个输出特征表示相互融合,提高模型在系统拓扑结构上的时空特征提取能力。最后,通过算例验证表明,相比于传统的评估模型,所提方法具有更高的预测精度和有效性。 展开更多
关键词 电力系统 暂态电压稳定性 循环神经网络 图卷积网络
在线阅读 下载PDF
基于改进STGCN与N-BEATS的风功率超短期预测
7
作者 程旭初 刘景霞 康荣凯 《现代电子技术》 北大核心 2025年第8期115-121,共7页
精准的风功率预测对电网调度具有重大意义,针对现有预测方法中数据特征提取不充分、输入序列过长时产生梯度消失和预测精度低的问题,提出一种基于改进时空图卷积(STGCN)与神经基扩展分析(N-BEATS)模型的组合预测模型,该方法通过充分提... 精准的风功率预测对电网调度具有重大意义,针对现有预测方法中数据特征提取不充分、输入序列过长时产生梯度消失和预测精度低的问题,提出一种基于改进时空图卷积(STGCN)与神经基扩展分析(N-BEATS)模型的组合预测模型,该方法通过充分提取数据时空特征来提高预测精度。首先,利用STGCN对多元输入序列进行深度特征提取,充分挖掘风机SCADA数据中的时空潜在关系;同时,为了进一步提高预测精度,通过构建序列分解模块与多分辨率卷积对STGCN模型进行改进,使其能够更好地适应风电数据的复杂特性;然后,神经基扩展分析(N-BEATS)新型神经网络对STGCN提取的时空信息数据进行时序关系分析,得到最终预测结果;最后,以内蒙古某风场SCADA数据为例,通过多模型对比实验与自身消融实验验证了所提组合模型策略的有效性以及对STGCN的改进效果。实验结果表明,所设计模型在预测精度上取得了显著的提升,为风电功率预测领域的研究提供了新的思路和方法。 展开更多
关键词 超短期风功率预测 时空图卷积 神经基扩展分析 序列分解 深度特征提取 图卷积网络
在线阅读 下载PDF
基于MMFFCNN-GCN的门式启闭机轴承半监督故障诊断
8
作者 包唐伟 张世杰 +1 位作者 武世虎 夏诗雨 《机床与液压》 北大核心 2025年第15期158-165,共8页
在实际水电站门式启闭机中,收集到的轴承标记数据往往很少,传统数据驱动故障诊断方法在有限标记数据集上无法获得令人满意的结果。针对这一问题,提出一种基于多域多尺度特征融合卷积网络(MMFFCNN)和图卷积(GCN)的半监督故障诊断方法。... 在实际水电站门式启闭机中,收集到的轴承标记数据往往很少,传统数据驱动故障诊断方法在有限标记数据集上无法获得令人满意的结果。针对这一问题,提出一种基于多域多尺度特征融合卷积网络(MMFFCNN)和图卷积(GCN)的半监督故障诊断方法。通过变分模态分解对振动信号进行分解,选择主要成分进行重构。对重构信号采用快速傅里叶变换提取频域特征,同时利用连续小波变换提取时频域特征,采用多尺度卷积网络进行特征提取与融合。采用K最近邻基于特征向量构建图结构,继而构建图卷积模型实现半监督故障诊断。最后,利用凯斯西储大学轴承数据集进行验证。结果表明:所提方法在20%标记数据下准确率达到99.59%;相比单一时频特征(方法四),加入时域和频域特征(文中方法)使准确率提升0.93%;多尺度卷积网络(方法三)比单尺度CNN(方法二)准确率提高1.78%;引入GCN半监督机制,文中方法比方法五的准确率提升2.44%;表明该方法能够提高有限标记数据集下模型故障诊断的准确率。 展开更多
关键词 门式启闭机轴承 半监督故障诊断 多域多尺度特征融合卷积网络(MMFFCNN) 图卷积(gcn)
在线阅读 下载PDF
基于GCN的轴向柱塞泵故障诊断方法
9
作者 袁科研 兰媛 +6 位作者 黄家海 刘智飞 王君 李国彦 牛蔺楷 钮晨光 熊晓燕 《振动.测试与诊断》 北大核心 2025年第1期140-145,205,共7页
目前的深度学习方法在故障诊断领域中没有考虑数据之间的相互依赖关系,从而忽略了数据彼此之间的空间特征。针对此问题,提出一种基于图卷积神经网络(graph convolutional neural networks,简称GCN)模型的轴向柱塞泵故障诊断方法。首先,... 目前的深度学习方法在故障诊断领域中没有考虑数据之间的相互依赖关系,从而忽略了数据彼此之间的空间特征。针对此问题,提出一种基于图卷积神经网络(graph convolutional neural networks,简称GCN)模型的轴向柱塞泵故障诊断方法。首先,将轴向柱塞泵各类故障状态的原始信号进行预处理,构建具有标签的数据集;其次,使用欧式距离判定数据集中各个样本彼此之间的特征相似度,通过相似度对比的方法将数据集转化为图结构数据;然后,使用GCN自适应学习图结构数据中的节点特征和节点与节点彼此之间的空间特征,确定GCN模型的参数;最后,对测试样本进行故障状态识别,并分析该模型在不同工况下的性能表现。结果表明,该模型结构稳定,可以在不同工况下保持良好的泛化性能。 展开更多
关键词 轴向柱塞泵 故障诊断 深度学习 图卷积神经网络
在线阅读 下载PDF
基于DCGCN模型的海上风电场超短期功率预测 被引量：6
10
作者 黄玲玲 石孝华 +2 位作者 符杨 刘阳 应飞祥 《电力系统自动化》 EI CSCD 北大核心 2024年第15期64-72,共9页
图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于... 图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于双通道图卷积网络(DCGCN)的海上风电场超短期功率预测模型。首先,建立以理论功率曲线为基准的机组状态指标模型,定量表征机组状态变化对其发电能力的影响;其次,构建海上风电场图拓扑,建立基于风速和状态邻接矩阵的风电场各机组捕获的风速与机组状态信息的关联关系模型;最后,建立基于DCGCN的风电场超短期功率预测方法。算例结果表明,所提模型有助于提高风电场功率预测模型的训练效率和预测精度。 展开更多
关键词 超短期功率预测 图卷积网络 海上风电场 功率曲线 双通道神经网络
在线阅读 下载PDF
GCN引导模型视点的光学遥感道路提取网络 被引量：1
11
作者 刘光辉 单哲 +3 位作者 杨塬海 王恒 孟月波 徐胜军 《光学精密工程》 EI CAS CSCD 北大核心 2024年第10期1552-1566,共15页
在光学遥感图像中,道路易受遮挡物、铺装材料以及周围环境等多重因素的影响,导致其特征模糊不清。然而,现有道路提取方法即使增强其特征感知能力,仍在特征模糊区域存在大量误判。为解决上述问题,本文提出基于GCN引导模型视点的道路提取... 在光学遥感图像中,道路易受遮挡物、铺装材料以及周围环境等多重因素的影响,导致其特征模糊不清。然而,现有道路提取方法即使增强其特征感知能力,仍在特征模糊区域存在大量误判。为解决上述问题,本文提出基于GCN引导模型视点的道路提取网络(RGGVNet)。RGGVNet采用编解码结构,并设计基于GCN的视点引导模块(GVPG)在编解码器的连接处反复引导模型视点,从而增强对特征模糊区域的关注。GVPG利用GCN信息传播过程具有平均特征权重的特性,将特征图中不同区域道路显著性水平作为拉普拉斯矩阵,参与到GCN信息传播从而实现引导模型视点。同时,提出密集引导视点策略(DGVS),采用密集连接的方式将编码器、GVPG和解码器相互连接,确保有效引导模型视点的同时缓解优化困难。在解码阶段设计多分辨率特征融合(MRFF)模块,最小化不同尺度道路特征在特征融合和上采样过程中的信息偏移和损失。在两个公开遥感道路数据集中,本文方法IoU分别达到65.84%和69.36%,F1-score分别达到79.40%和81.90%。从定量和定性两方面实验结果可以看出,本文所提方法性能优于其他主流方法。 展开更多
关键词 光学遥感图像 道路提取 深度神经网络 图卷积网络
在线阅读 下载PDF
一种基于GCN的光伏短期出力预测方法研究 被引量：4
12
作者 张亮 周立洋 +2 位作者 徐晓春 李荣 李睿 《太阳能学报》 EI CAS CSCD 北大核心 2024年第8期289-294,共6页
为提高光伏短期出力预测精确问题,提出一种基于图卷积神经网络(GCN)的光伏短期出力预测方法。首先,构建考虑多气象影响因素的光伏短期出力模型,开展光伏出力影响因素和出力特性分析。其次,对光伏出力历史时序数据进行图形化转换和数据重... 为提高光伏短期出力预测精确问题,提出一种基于图卷积神经网络(GCN)的光伏短期出力预测方法。首先,构建考虑多气象影响因素的光伏短期出力模型,开展光伏出力影响因素和出力特性分析。其次,对光伏出力历史时序数据进行图形化转换和数据重构,构建邻接矩阵并提取光伏短期出力图形化特征数据。在多时间尺度场景下,建立基于GCN的光伏出力预测模型,并与基于长短期记忆网络(LSTM)、反向传播网络(BP)、图注意力模型(GAT)等算法的预测模型做比对分析。最后,以某地区光伏出力实测数据开展仿真验证研究,仿真结果表明所提方法具有良好的预测效果。 展开更多
关键词 光伏发电 图卷积神经网络 图形数据结构 多时间尺度
在线阅读 下载PDF
融合自适应周期与兴趣量因子的轻量级GCN推荐 被引量：2
13
作者 钱忠胜 叶祖铼 +3 位作者 姚昌森 张丁 黄恒 秦朗悦 《软件学报》 EI CSCD 北大核心 2024年第6期2974-2998,共25页
推荐系统在成熟的数据挖掘技术推动下,已能高效地利用评分数据、行为轨迹等显隐性信息,再与复杂而先进的深度学习技术相结合,取得了很好的效果.同时,其应用需求也驱动着对基础数据的深度挖掘与利用,以及对技术要求的减负成为一个研究热... 推荐系统在成熟的数据挖掘技术推动下,已能高效地利用评分数据、行为轨迹等显隐性信息,再与复杂而先进的深度学习技术相结合,取得了很好的效果.同时,其应用需求也驱动着对基础数据的深度挖掘与利用,以及对技术要求的减负成为一个研究热点.基于此,提出一种利用GCN(graph convolutional network)方法进行深度信息融合的轻量级推荐模型LG_APIF.该模型结合行为记忆,通过艾宾浩斯遗忘曲线模拟用户兴趣变化过程,采用线性回归等相对轻量的传统方法挖掘项目的自适应周期等深度信息;分析用户当前的兴趣分布,计算项目的兴趣量,以获取用户的潜在兴趣类型;构建用户-类型-项目三元组的图结构,并结合减负后的GCN技术来生成最终的项目推荐列表.实验验证所提方法的有效性,通过与8个经典模型在Last.fm,Douban,Yelp,MovieLens数据集中的对比,表明该方法在Precision,Recall及NDCG指标上都得到良好改善,其中,Precision平均提升2.11%,Recall平均提升1.01%,NDCG平均提升1.48%. 展开更多
关键词 行为记忆 自适应周期 兴趣量因子 图卷积网络 推荐系统
在线阅读 下载PDF
融合RoBERTa-GCN-Attention的隐喻识别与情感分类模型 被引量：3
14
作者 杨春霞 韩煜 +1 位作者 桂强 陈启岗 《小型微型计算机系统》 CSCD 北大核心 2024年第3期576-583,共8页
在隐喻识别与隐喻情感分类任务的联合研究中,现有多任务学习模型存在对隐喻语料中的上下文语义信息和句法结构信息提取不够准确,并且缺乏对粗细两种粒度信息同时捕捉的问题.针对第1个问题,首先改进了传统的RoBERTa模型,在原有的自注意... 在隐喻识别与隐喻情感分类任务的联合研究中,现有多任务学习模型存在对隐喻语料中的上下文语义信息和句法结构信息提取不够准确,并且缺乏对粗细两种粒度信息同时捕捉的问题.针对第1个问题,首先改进了传统的RoBERTa模型,在原有的自注意力机制中引入上下文信息,以此提取上下文中重要的隐喻语义特征;其次在句法依存树上使用图卷积网络提取隐喻句中的句法结构信息.针对第2个问题,使用双层注意力机制,分别聚焦于单词和句子层面中对隐喻识别和情感分类有贡献的特征信息.在两类任务6个数据集上的对比实验结果表明,该模型相比基线模型性能均有提升. 展开更多
关键词 隐喻识别 情感分类 多任务学习 RoBERTa 图卷积网络 注意力机制
在线阅读 下载PDF
基于GCN-LSTM组合模型的基坑钢支撑轴力时空序列预测 被引量：1
15
作者 秦世伟 朱则匀 戴自立 《防灾减灾工程学报》 CSCD 北大核心 2024年第6期1257-1264,共8页
基坑钢支撑的轴力变化是反应基坑中内力变化的重要指标,也是基坑工程灾害防治的重点研究对象。由于土体力学性质的复杂性以及受力演化的不确定性,单纯通过监测和计算难以把握基坑中实际的内力变化趋势。已有研究表明支撑轴力的演化具有... 基坑钢支撑的轴力变化是反应基坑中内力变化的重要指标,也是基坑工程灾害防治的重点研究对象。由于土体力学性质的复杂性以及受力演化的不确定性,单纯通过监测和计算难以把握基坑中实际的内力变化趋势。已有研究表明支撑轴力的演化具有典型的时序特征,可使用时间序列预测模型对数据进行预测分析,但预测精度普遍不高。基坑中多个点位的支撑轴力变化往往具有明显的空间相关性,但现有的模型无法捕捉空间信息。为解决上述问题,使用图卷积神经网络(Graph Convolutional Neural Network, GCN)和长短期记忆网络(Long Short-Term Memory, LSTM),组合构建了能捕捉数据时间和空间特征的时空序列预测模型。该模型根据实际点位的空间信息构建了邻接矩阵并生成对应的空间特征,以支撑轴力,空间信息,温度作为输入特征,来预测支撑轴力的发展趋势。使用上海某车站项目中四个具有空间相关性的点位数据进行预测分析,并将组合模型的预测结果与实测数据、单一LSTM模型预测数据进行对比,结果表明:(1)组合模型的收敛速度更快,对于长周期的数据拟合能力更强,并且能更好的反应数据的波动性;(2)组合模型的精度高于仅考虑时间序列特征的单一LSTM模型,有效提高了支撑轴力数据的预测精度。该模型可为实际工程数值预测提供计算参考。 展开更多
关键词 基坑工程 支撑轴力 空间特征 长短期记忆网络 图卷积神经网络
在线阅读 下载PDF
基于MPGCN-Resnet的滚动轴承故障诊断研究
16
作者 严胜利 付辉 李浩 《计量学报》 CSCD 北大核心 2024年第12期1832-1840,共9页
滚动轴承装设在各类机床等生产机械中,易出现故障并失效,需要持续监测以确保其安全可靠运行。基于此,设计了多路并行图卷积残差网络(MPGCN-Resnet)完成滚动轴承故障诊断。MPGCN-Resnet共包含4个部分:基于Cmor小波的时频图获取部分完成... 滚动轴承装设在各类机床等生产机械中,易出现故障并失效,需要持续监测以确保其安全可靠运行。基于此,设计了多路并行图卷积残差网络(MPGCN-Resnet)完成滚动轴承故障诊断。MPGCN-Resnet共包含4个部分:基于Cmor小波的时频图获取部分完成了各类故障振动信号中重构与拆解的细化处理;基于多路平行网络的特征获取部分可提升泛化性并加快收敛;残差结构图神经网络下的特征学习部分完成了特征学习,并实现了滚动轴承故障特征的深度发掘;GAP-Softmax故障分类部分完成了滚动轴承故障的有效诊断。采用CWRU轴承数据集完成MPGCN-Resnet和IHDSVM-Alexnet、MSATM方法在变工况、变噪声情况下准确度和损失值的对比与分析实验。结果表明,MPGCN-Resnet对滚动轴承的平均故障诊断准确度可达96.4%,在-6 dB的噪声环境中高于91%,在负载突变3×0.75 kW时大于90%。MPGCN-Resnet在各类变工况和变噪声环境中的滚动轴承故障诊断准确率均高于其他两种方法,并能缓解参量增加和过度计算的问题。 展开更多
关键词 滚动轴承 故障诊断 图卷积神经网络 Cmor小波 过度计算
在线阅读 下载PDF
多视角融合的时空动态GCN城市交通流量预测 被引量：10
17
作者 赵文竹 袁冠 +3 位作者 张艳梅 乔少杰 王森章 张雷 《软件学报》 EI CSCD 北大核心 2024年第4期1751-1773,共23页
城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前,时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建... 城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前,时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联;2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,提出了一种多视角融合的时空动态图卷积模型用于预测交通流量:首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性;其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征;接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测;最后,在4种真实交通数据上的实验结果,证明了该模型的有效性和准确性. 展开更多
关键词 交通流量预测 多视角时空特征 图卷积网络(gcn) 时空图数据 注意力机制
在线阅读 下载PDF
基于GCN和CNN联合的SAR图像自动目标识别
18
作者 秦基凯 刘峥 +1 位作者 谢荣 冉磊 《雷达科学与技术》 北大核心 2024年第6期587-595,共9页
基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition, ATR)技术近些年来备受关注,已成为SAR图像解译领域的研究热点。然而,这类方法主要利... 基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition, ATR)技术近些年来备受关注,已成为SAR图像解译领域的研究热点。然而,这类方法主要利用的是SAR图像的幅值信息,仅从局部区域中提取特征。鉴于SAR图像中的目标通常被视为散射中心的相干叠加,这些目标展现出复杂的结构和丰富的上下文信息。仅依靠CNN难以充分捕捉目标周围的全局信息,这可能会影响识别精度。因此,为了进一步提高识别性能,本研究引入图卷积网络(Graph Convolutional Network, GCN),提出一种结合GCN和CNN的SAR ATR方法。该方法首先利用传统CNN提取与SAR图像幅值相关的局部特征,接着通过构造图数据并应用GCN提取全局特征。此外,本研究还设计了多尺度GCN,通过融合不同尺度的特征来增强模型对图数据的学习能力。在模型训练阶段,采用标签平滑技术以缓解过拟合问题。通过端到端的训练策略,实现了GCN和CNN参数的联合优化,从而实现高精度的SAR图像目标识别。最终,通过在MSTAR和OpenSARship数据集上的实验表明,所提方法在识别性能上优于现有技术,并展现出卓越的泛化能力。 展开更多
关键词 合成孔径雷达 图卷积网络 卷积神经网络 自动目标识别 多尺度gcn
在线阅读 下载PDF
基于Graph Transformer的半监督异配图表示学习模型
19
作者 黎施彬 龚俊 汤圣君 《计算机应用》 CSCD 北大核心 2024年第6期1816-1823,共8页
现有的图卷积网络(GCN)模型基于同配性假设,无法直接应用于异配图的表示学习,且许多异配图表示学习的研究工作受消息传递机制的限制,导致节点特征混淆和特征过度挤压而出现过平滑问题。针对这些问题,提出一种基于Graph Transformer的半... 现有的图卷积网络(GCN)模型基于同配性假设,无法直接应用于异配图的表示学习,且许多异配图表示学习的研究工作受消息传递机制的限制,导致节点特征混淆和特征过度挤压而出现过平滑问题。针对这些问题,提出一种基于Graph Transformer的半监督异配图表示学习模型HPGT(HeteroPhilic Graph Transformer)。首先,使用度连接概率矩阵采样节点的路径邻域,再通过自注意力机制自适应地聚合路径上的节点异配连接模式,编码得到节点的结构信息,用节点的原始属性信息和结构信息构建Transformer层的自注意力模块;其次,将每个节点自身的隐层表示与它的邻域节点的隐层表示分离更新以避免节点通过自注意力模块聚合过量的自身信息,再把每个节点表示与它的邻域表示连接,得到单个Transformer层的输出,另外,将所有的Transformer层的输出跳连到最终的节点隐层表示以防止中间层信息丢失;最后,使用线性层和Softmax层将节点的隐层表示映射到节点的预测标签。实验结果表明,与无结构编码(SE)的模型相比,基于度连接概率的SE能为Transformer层的自注意力模块提供有效的偏差信息,HPGT平均准确率提升0.99%~11.98%;与对比模型相比,在异配数据集(Texas、Cornell、Wisconsin和Actor)上,模型节点分类准确率提升0.21%~1.69%,在同配数据集(Cora、CiteSeer和PubMed)上,节点分类准确率分别达到了0.8379、0.7467和0.8862。以上结果验证了HPGT具有较强的异配图表示学习能力,尤其适用于强异配图节点分类任务。 展开更多
关键词 图卷积网络 异配图 图表示学习 graph Transformer 节点分类
在线阅读 下载PDF
基于GCN-CS-LSTM的车辆多模态行驶轨迹预测 被引量：3
20
作者 孟繁瑞 王翔 +2 位作者 俄文娟 王可馨 昝雨尧 《江苏大学学报（自然科学版）》 CAS 北大核心 2024年第5期506-512,共7页
针对车辆交互关系的非欧几里得性质,提出了一种适用于高速公路车辆之间动态图结构的表达方式,以实现车辆信息的交互传递,并设计了一种结合图卷积神经网络(graph convolutional neural network, GCN)、社会卷积池化层(convolutional soci... 针对车辆交互关系的非欧几里得性质,提出了一种适用于高速公路车辆之间动态图结构的表达方式,以实现车辆信息的交互传递,并设计了一种结合图卷积神经网络(graph convolutional neural network, GCN)、社会卷积池化层(convolutional social pooling, CS)和长短时记忆网络(long short-term memory network, LSTM)的多模态驾驶行为轨迹预测模型.该模型以LSTM编码器和解码器为基础框架,通过卷积和图卷积实现车辆交互关系的有效提取,同时引入最大池化和平均池化技术,以实现特征提取和背景信息保留.结果表明:本模型在长时域(5 s)的均方根误差为4.03 m,相较于基准模型提高了10.8%,在与其他深度学习模型对比中具有更高的准确率;在不同交通环境下,本模型相较于基准模型的预测性能均有8%~11%提升;消融试验结果进一步验证了本模型中各模块的有效性,本模型能够预测车辆在未来长时域内不同模态的概率分布和对应的轨迹. 展开更多
关键词 车辆 轨迹预测 图卷积神经网络 长短时记忆网络 智能驾驶 时间序列
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 33 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部