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8篇文章
< 1 >
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：
利用可选择多尺度图卷积网络的骨架行为识别
1
作者 曹毅 李杰 +2 位作者 叶培涛 王彦雯 吕贤海 《电子与信息学报》 北大核心 2025年第3期839-849,共11页
针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其... 针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其次,构建成对关节邻接矩阵和多关节邻接矩阵以生成多尺度通道拓扑细化邻接矩阵,并引入图卷积网络,进一步提出多尺度图卷积(MS-GC)模块,以期实现对骨架关节点的多尺度依赖关系的建模;然后,基于多尺度时序卷积和可选择大核网络,提出可选择多尺度时序卷积(SMS-TC)模块,以期实现对有用的时间上下文特征的充分提取,同时结合MS-GC和SMS-TC模块,进而提出可选择多尺度图卷积网络模型并在多支流数据输入下进行训练;最后,在NTU-RGB+D和NTU-RGB+D 120数据集上进行大量实验,实验结果表明,该模型能够捕获更多的关节特征和学习有用的时间信息,具有优异的准确率和泛化能力。 展开更多
关键词 骨架行为识别 图卷积网络 多尺度通道拓扑细化邻接矩阵 可选择多尺度时序卷积 可选择多尺度图卷积网络
在线阅读 下载PDF
基于SHAP重要性排序和时空双流的多风场超短期功率预测
2
作者 付波 李昊 +3 位作者 权轶 李超顺 赵熙临 杨远程 《重庆理工大学学报（自然科学）》 CAS 北大核心 2024年第5期249-258,共10页
针对多风场风功率预测中时空特征提取不充分的问题,提出一种基于空间、时间双流特征提取的功率预测方法。采用沙普利加性解释(SHAP)方法分析原始高维数值天气预报(NWP)中各变量的重要性,选择贡献度高的变量子集作为预测模型输入,降低模... 针对多风场风功率预测中时空特征提取不充分的问题,提出一种基于空间、时间双流特征提取的功率预测方法。采用沙普利加性解释(SHAP)方法分析原始高维数值天气预报(NWP)中各变量的重要性,选择贡献度高的变量子集作为预测模型输入,降低模型复杂度。构建基于自适应动态邻接矩阵的改进图注意力网络(IGAT)提取多风场的动态空间特征;同时将多头注意力机制(MHA)与时间卷积网络(TCN)结合,加强关键时序特征的学习。使用前馈神经网络输出多风场功率预测结果。以西北某十风场的数据进行案例研究,结果表明所提模型的预测效果优于其他模型。 展开更多
关键词 多风场功率预测 变量选择 图注意力网络 多头注意力机制 时间卷积网络
在线阅读 下载PDF
一种用于答案选择的知识增强图卷积网络 被引量：1
3
作者 郑超凡 陈羽中 徐俊杰 《小型微型计算机系统》 CSCD 北大核心 2024年第2期278-284,共7页
答案选择是问答领域的一个重要子任务,目标是根据问题从候选答案集合中选择最合适的答案.该任务的核心是问答语义匹配.近年来,随着深度神经网络和预训练语言模型的应用,许多端对端的问答匹配模型展现出优异的性能.但是,现有模型仍然存... 答案选择是问答领域的一个重要子任务,目标是根据问题从候选答案集合中选择最合适的答案.该任务的核心是问答语义匹配.近年来,随着深度神经网络和预训练语言模型的应用,许多端对端的问答匹配模型展现出优异的性能.但是,现有模型仍然存在语义信息提取不充分以及未有效利用外部知识信息等问题.针对上述问题,本文提出一种知识增强图卷积网络(A Knowledge-enhanced Graph Convolutional Network,KEGCN).首先,KEGCN提出一种基于图卷积神经网络的问题-答案结构信息提取机制,在利用BERT获得文本语义信息的基础上,KEGCN通过图卷积神经网络学习问答对之间的结构信息,增强语义信息.其次,KEGCN设计了一种基于自注意力门控网络的扩展知识语义构建机制,利用自注意力门控网络获取扩展知识实体之间的上下文语义关联并过滤知识噪声,增强模型的鲁棒性.最后,KEGCN利用多尺寸卷积神经网络提取多粒度的全局语义信息,以进一步提高答案选择推理的准确性.WikiQA和TrecQA数据集上的实验结果表明,与对比模型相比较,KEGCN的综合性能更加优异. 展开更多
关键词 答案选择 图卷积神经网络 知识图谱 多粒度语义 自注意力门控网络
在线阅读 下载PDF
基于邻域选择策略的图卷积网络模型 被引量：6
4
作者 陈可佳 杨泽宇 +1 位作者 刘峥 鲁浩 《计算机应用》 CSCD 北大核心 2019年第12期3415-3419,共5页
邻域的组成对于基于空间域的图卷积网络(GCN)模型有至关重要的作用。针对模型中节点邻域排序未考虑结构影响力的问题,提出了一种新的邻域选择策略,从而得到改进的GCN模型。首先,为每个节点收集结构重要的邻域并进行层级选择得到核心邻域... 邻域的组成对于基于空间域的图卷积网络(GCN)模型有至关重要的作用。针对模型中节点邻域排序未考虑结构影响力的问题,提出了一种新的邻域选择策略,从而得到改进的GCN模型。首先,为每个节点收集结构重要的邻域并进行层级选择得到核心邻域;然后,将节点及其核心邻域的特征组成有序的矩阵形式;最后,送入深度卷积神经网络(CNN)进行半监督学习。节点分类任务的实验结果表明,该模型在Cora、Citeseer和Pubmed引文网络数据集中的节点分类准确性均优于基于经典图嵌入的节点分类模型以及四种先进的GCN模型。作为一种基于空间域的GCN,该模型能有效运用于大规模网络的学习任务。 展开更多
关键词 图卷积网络 邻域选择策略 图嵌入 节点分类 半监督学习
在线阅读 下载PDF
卷积神经网络与人工水母搜索的图特征选择方法 被引量：2
5
作者 孙林 蔡怡文 《南京大学学报（自然科学版）》 CAS CSCD 北大核心 2023年第5期759-769,共11页
目前,卷积神经网络(Convolutional Neural Network,CNN)模型在处理图像数据时分类效果较差,人工水母搜索(Artificial Jellyfish Search,AJS)算法收敛速度慢,迭代次数多,特征选择的效果不理想.针对上述问题,提出一种基于CNN和AJS的图特... 目前,卷积神经网络(Convolutional Neural Network,CNN)模型在处理图像数据时分类效果较差,人工水母搜索(Artificial Jellyfish Search,AJS)算法收敛速度慢,迭代次数多,特征选择的效果不理想.针对上述问题,提出一种基于CNN和AJS的图特征选择方法 .首先,使用CNN来提取特征,将生成的特征图进行图嵌入降维,再使用AJS算法进行特征选择,把得到的特征输入分类器,进行模型训练和评估;然后,在图嵌入阶段,将特征图进行随机游走,并通过添加特征权重计算节点的游走概率来增强权重大的节点的游走概率,提高分类精度;最后,在AJS算法中引入余弦公式对人工水母的位置进行更新,充分考虑特征向量之间的相似性,提高算法的收敛速度并减少迭代次数.在10个基准函数上进行实验,结果表明改进的AJS算法具有较好的优化性能.在四个数据集上,将提出的算法与其他算法进行对比实验,实验结果表明,提出的算法能提高分类精度,减少迭代次数. 展开更多
关键词 图特征选择 卷积神经网络 图嵌入 人工水母搜索
在线阅读 下载PDF
深度图注意力CNN的三维模型识别 被引量：9
6
作者 党吉圣 杨军 《计算机科学与探索》 CSCD 北大核心 2021年第1期141-149,共9页
针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征,可能造成几何形状极其相似,局部细节信息略有不同的类识别混淆的问题,提出一种基于深度图注意力卷积神经网络的三维模型识别方法。首先,通过引入邻域选... 针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征,可能造成几何形状极其相似,局部细节信息略有不同的类识别混淆的问题,提出一种基于深度图注意力卷积神经网络的三维模型识别方法。首先,通过引入邻域选择机制挖掘三维模型的细粒度局部特征。其次,通过空间上下文编码机制捕捉多尺度空间上下文信息,且与细粒度局部特征相互补偿以增强特征的完备性。最后,采用一种多头部机制,使图注意力卷积层聚合多个单头部的特征以增强特征的丰富性。此外,设计选择性丢弃算法,根据度量权重值对神经元重要性进行排序,智能地丢弃重要性较低的神经元来防止网络过拟合。算法在ModelNet40数据集上的三维模型识别准确率达到了92.6%,且网络复杂度较低,在三维模型识别准确率和网络复杂度之间达到最佳平衡,优于当前主流方法。 展开更多
关键词 机器视觉 三维模型识别 图注意力卷积层 卷积神经网络(CNN) 选择性丢弃
在线阅读 下载PDF
基于最小路径选择度的电力通信网络路由优化策略研究 被引量：42
7
作者 张磊 纪春华 +3 位作者 王旭蕊 陈宗傲 蔡振江 鲁小田 《电力系统保护与控制》 CSCD 北大核心 2022年第1期141-147,共7页
针对电力通信业务对服务质量和可靠性的要求越来越高,在软件定义网络的基础上提出了一种基于最小路径选择度的电力通信网络路由优化策略。将基于图形卷积网络的链路带宽占用率预测模型的预测结果与三角模算子相结合得到路径选择度,作为... 针对电力通信业务对服务质量和可靠性的要求越来越高,在软件定义网络的基础上提出了一种基于最小路径选择度的电力通信网络路由优化策略。将基于图形卷积网络的链路带宽占用率预测模型的预测结果与三角模算子相结合得到路径选择度,作为电力业务传输路径选择的依据,实现了电力通信网链路资源的动态分配。通过仿真与传统的路由优化策略进行丢包率、传输时延和链路带宽占用率等对比分析,验证该策略的优越性。仿真结果表明,该策略可以满足电力传输的要求,链路负载分配更加均匀,在丢包率、传输时延和链路带宽占用率方面均优于传统的路由优化策略。 展开更多
关键词 电力通信网 路由优化策略 软件定义网络 图形卷积网络 最小路径选择度
在线阅读 下载PDF
基于通道选择和多维特征融合的脑电信号分类 被引量：2
8
作者 杨淑莹 国海铭 李欣 《计算机应用》 CSCD 北大核心 2023年第11期3418-3427,共10页
针对多通道脑电信号(EEG)相互干扰、存在个体差异性导致分类结果不同和单域特征识别率低等问题,提出一种通道选择和特征融合的方法。首先,对获取到的EEG进行预处理,使用梯度提升决策树(GBDT)选出重要通道;其次,采用广义预测控制(GPC)模... 针对多通道脑电信号(EEG)相互干扰、存在个体差异性导致分类结果不同和单域特征识别率低等问题,提出一种通道选择和特征融合的方法。首先,对获取到的EEG进行预处理,使用梯度提升决策树(GBDT)选出重要通道;其次,采用广义预测控制(GPC)模型构建重要通道的预测信号,辨析多维相关信号之间的细微差别,再使用SE-TCNTA(Squeeze and Excitation block-Temporal Convolutional Network-Temporal Attention)模型提取不同帧之间的时序特征;然后,使用皮尔逊相关系数计算通道间的关系,提取EEG的频域特征和预测信号的控制量作为输入,建立空间图结构,并采用图卷积网络(GCN)提取频域、空域的特征;最后,将上述二者特征输入全连接层进行特征融合,实现EEG的分类。在公共数据集BCICIV_2a上的实验结果表明,在进行通道选择的情况下,与首个用于ERP检测的EEGInception模型以及同样采用双分支提取特征的DSCNN(Shallow Double-branch Convolutional Neural Network)模型方法相比,所提方法的分类准确率分别提升了1.47%和1.69%,Kappa值分别提升了1.25%和2.53%。所提方法能够提高EGG的分类精度,同时减少冗余数据对特征提取的影响,因此更适用于脑机接口(BCI)系统。 展开更多
关键词 脑电信号 特征融合 通道选择 图卷积网络 时序卷积网络 广义预测控制模型
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 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