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670篇文章
< 1 2 … 34 >
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
基于MRF-GCN-Transformer的滚动轴承剩余寿命预测
2
作者 李耀华 张宇 +1 位作者 杨通江 石瑞勃 《振动与冲击》 北大核心 2025年第20期328-337,共10页
针对传统神经网络在处理滚动轴承振动信号时,由于信号的非线性和非平稳性导致的预测精度不高的问题,提出了一种基于多感受野图卷积网络(multi receptive field graph convolutional networks,MRF-GCN)Transformer的滚动轴承剩余寿命预... 针对传统神经网络在处理滚动轴承振动信号时,由于信号的非线性和非平稳性导致的预测精度不高的问题,提出了一种基于多感受野图卷积网络(multi receptive field graph convolutional networks,MRF-GCN)Transformer的滚动轴承剩余寿命预测方法,结合MRF-GCN和Transformer网络对轴承的振动信号进行特征提取和寿命预测。相较于传统GCN忽视邻居节点重要性差异且采用固定的感受野,MRF-GCN方法通过引入多个感受野,有效捕捉图结构中的多尺度信息,并通过可学习的权重参数优化模型对复杂关系的捕捉。同时提出一种基于邻接矩阵调整注意力得分的图注意力机制,可以自动构建时间与特征相关的图结构,并在训练过程中自适应学习连接权重,从而优化模型对复杂关系的捕捉并提升预测准确性。试验结果表明,该模型在PHM2012公开数据集上的预测性能表现良好,具有较高的准确性和鲁棒性,与卷积神经网络-Transformer和Transformer-BiLSTM等网络相比,平均绝对误差和均方根误差分别平均降低了12.7%和37.39%,决定系数平均提高了5.90%。 展开更多
关键词 滚动轴承 剩余寿命预测 多感受野图卷积网络(MRF-gcn) TRANSFORMER 图注意力机制
在线阅读 下载PDF
利用伪重叠判定机制的多层循环GCN跨域推荐
3
作者 钱忠胜 王亚惠 +2 位作者 俞情媛 范赋宇 付庭峰 《软件学报》 北大核心 2025年第9期4327-4348,共22页
跨域推荐(cross-domain recommendation,CDR)通过将密集评分辅助域中的用户-项目评分模式迁移到稀疏评分目标域中的评分数据集,以缓解冷启动现象,近年来得到广泛研究.多数CDR算法所采用的基于单域推荐的聚类方法未有效利用重叠信息,无... 跨域推荐(cross-domain recommendation,CDR)通过将密集评分辅助域中的用户-项目评分模式迁移到稀疏评分目标域中的评分数据集,以缓解冷启动现象,近年来得到广泛研究.多数CDR算法所采用的基于单域推荐的聚类方法未有效利用重叠信息,无法充分适应跨域推荐,导致聚类结果不准确.在跨域推荐中,图卷积网络方法(graph convolution network,GCN)可充分利用节点间的关联,提高推荐的准确性.然而,基于GCN的跨域推荐往往使用静态图学习节点嵌入,忽视了用户的偏好会随推荐场景发生变化的情况,导致模型在面对不同的推荐任务时表现不佳,无法有效缓解数据稀疏性.基于此,提出一种利用伪重叠判定机制的多层循环GCN跨域推荐模型.首先,在社区聚类算法Louvain的基础上充分运用重叠数据,设计一个伪重叠判定机制,据此挖掘用户的信任关系以及相似用户社区,从而提高聚类算法在跨域推荐中的适应能力及其准确性.其次,提出一个包含嵌入学习模块和图学习模块的多层循环GCN,学习动态的域共享特征、域特有特征以及动态图结构,并通过两模块的循环增强,获取最新用户偏好,从而缓解数据稀疏问题.最后,采用多层感知器(multi-layer perceptron,MLP)对用户-项目交互建模,得到预测评分,通过与12种相关模型在4组数据域上的对比结果发现,所提方法是高效的,在MRR、NDCG、HR指标上分别平均提高5.47%、3.44%、2.38%. 展开更多
关键词 跨域推荐 伪重叠判定机制 图卷积网络 社区聚类 推荐系统
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
4
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：2
5
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
面向6G无线组网的基于GCN-LSTM网络的业务流量预测算法
6
作者 孙诗蕾 徐澍 +1 位作者 李春国 杨绿溪 《数据采集与处理》 北大核心 2025年第5期1239-1249,共11页
随着移动通信技术的飞速发展,无线网络面临着资源分配、流量分析和6G基站优化等多重挑战。对无线网络流量的有效预测,有助于合理地分配网络资源,为用户提供更稳定更高效的服务,保证网络性能。针对目前无线组网流量预测过程中由于时空特... 随着移动通信技术的飞速发展,无线网络面临着资源分配、流量分析和6G基站优化等多重挑战。对无线网络流量的有效预测,有助于合理地分配网络资源,为用户提供更稳定更高效的服务,保证网络性能。针对目前无线组网流量预测过程中由于时空特征挖掘不充分导致预测准确率较低的问题,开展了基于深度学习方法的智能业务流量预测算法的研究,设计了基于图卷积神经网络-长短期记忆网络(Graph convolutional network-Long short-term memory,GCN-LSTM)模型的预测算法。实验结果显示,该算法在实际网络应用中的准确率为84.71%,相较于其他基于深度学习的流量预测方法,具有显著优势,为6G网络资源的合理分配和高效服务提供了有力支持。 展开更多
关键词 无线网络流量预测 深度学习 图卷积神经网络 长短期记忆 时空特征挖掘
在线阅读 下载PDF
基于滚动模态分解和GCN-DABiLSTM的综合能源系统多元负荷预测模型
7
作者 罗林霖 王霄 +1 位作者 何志琴 尹曜华 《广东电力》 北大核心 2025年第9期130-144,共15页
针对综合能源系统(integrated energy system,IES)中因多元负荷复杂性和耦合性导致的预测精度受限问题,提出一种基于滚动模态分解和GCN-DABiLSTM的IES多元负荷预测模型。首先,利用完全自适应噪声集合经验模态分解(complete ensemble emp... 针对综合能源系统(integrated energy system,IES)中因多元负荷复杂性和耦合性导致的预测精度受限问题,提出一种基于滚动模态分解和GCN-DABiLSTM的IES多元负荷预测模型。首先,利用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对电、冷、热负荷进行初步分解,生成一系列子序列;其次,采用模糊散布熵(fuzzy discrete entropy,FDE)对子序列进行复杂性评估并聚合;然后,通过变分模态分解(variational mode decomposition,VMD)对高频分量进行二次分解,将原始序列解耦为特征聚焦且平稳的子序列。在分解过程中,引入滚动分解策略,规避了传统基于模态分解的预测方法带来的信息渗透问题。最后,构建一个结合图卷积网络(graph convolutional network,GCN)和双重注意力(dual-attention mechanism,DA)机制优化的双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)的组合预测框架,用于多元负荷预测。基于美国亚利桑那州立大学IES数据的验证表明,该模型相较于其他模型,预测误差显著降低,验证了其在预测任务中的有效性。 展开更多
关键词 负荷预测 滚动模态分解 模糊散布熵 图卷积网络 双向长短期记忆网络 双重注意力机制
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
8
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FFT-CNN-GCN的电网故障诊断
9
作者 安春丽 张碧玲 +2 位作者 赵国安 王博 刘岩 《浙江大学学报(工学版)》 北大核心 2025年第10期2205-2212,共8页
为了实现电网故障类型判断、故障线路定位和故障距离判断,提出融合快速傅里叶变换(FFT)、卷积神经网络(CNN)和图卷积神经网络(GCN)的电网故障诊断新模型.通过FFT对电压和电流信号进行时域和频域分解,提取信号的基波幅值和相位,利用CNN... 为了实现电网故障类型判断、故障线路定位和故障距离判断,提出融合快速傅里叶变换(FFT)、卷积神经网络(CNN)和图卷积神经网络(GCN)的电网故障诊断新模型.通过FFT对电压和电流信号进行时域和频域分解,提取信号的基波幅值和相位,利用CNN提取分解后数据的时序特征,引入层归一化增强模型的稳定性.结合GCN处理电网空间拓扑,提取并整合空间特征.通过对IEEE39节点电网系统的建模和仿真验证模型的有效性.实验结果表明,所提模型具有较强的泛化能力,在不同任务、采样间隔和噪声影响下的故障诊断准确率优于现有模型. 展开更多
关键词 故障类型 故障线路 故障距离 快速傅里叶变换(FFT) 卷积神经网络(CNN) 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
10
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
11
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GCN的轴向柱塞泵故障诊断方法 被引量：1
12
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
基于改进STGCN与N-BEATS的风功率超短期预测
13
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
14
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-LSTM 模型的日径流模拟预测及超参数组合研究
15
作者 孙大雁 梁志峰 +1 位作者 李春红 王峰 《中国农村水利水电》 北大核心 2025年第10期166-171,178,共7页
河川径流在不同环境因素的影响下具有一定的时空分异性,加大了河川径流预测的难度。研究从径流的时空关系切入,将图卷积神经网络(GCN)和长短期记忆网络(LSTM)相结合,构建了GCN-LSTM模型。在该模型中充分考虑站点之间的空间相关性和时间... 河川径流在不同环境因素的影响下具有一定的时空分异性,加大了河川径流预测的难度。研究从径流的时空关系切入,将图卷积神经网络(GCN)和长短期记忆网络(LSTM)相结合,构建了GCN-LSTM模型。在该模型中充分考虑站点之间的空间相关性和时间序列的动态变化,可提高流量预测的精度。通过将GCN-LSTM模型与单独的GCN和LSTM模型的模拟效果进行对比选择出最优模型,并且利用最优模型开展了超参数组合对模拟效果的影响研究。结果表明,GCN-LSTM模型对河川径流的预测效果最好,LSTM模型次之,最差的是GCN模型。GCN-LSTM模型超参数的最优组合是隐藏层层数为64,训练轮数为1400,激活函数为Leaky-ReLU,学习率为0.007。训练轮数和学习率的增加对预测结果均产生了显著的正向影响,训练轮数和学习率的共同提升对GCN-LSTM模型的效果改善更为显著。相较于训练轮数,激活函数的选择对预测结果的影响更大。Leaky-ReLU显著提高了模型的预测效果,而Sigmoid函数的效果最差。因此,超参数的选择对于模型的性能有着至关重要的影响。通过选择合适的超参数组合,可以显著提升GCN-LSTM模型的效果,确保在训练过程中稳定高效地进行优化。研究结果将为河川径流预测提供技术支持。 展开更多
关键词 图卷积神经网络 长短期记忆网络 径流预测 超参数优化
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：8
16
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
17
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
18
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
19
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
20
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
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 … 34 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