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229篇文章
< 1 2 … 12 >
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：
面向6G无线组网的基于GCN-LSTM网络的业务流量预测算法
1
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
2
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MRF-GCN-Transformer的滚动轴承剩余寿命预测
3
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
4
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
基于KGCN的地质地震灾害事件演化结果预测
5
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
6
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
GCN与CNN融合的特征细化骨骼行为识别方法
7
作者 陈星启 宋涛 邹洋杨 《计算机工程与应用》 北大核心 2025年第22期226-234,共9页
图卷积网络(graph convolutional network,GCN)因有效保留骨骼特征能力的优势,在当前主流研究中得到广泛应用并取得显著效果。然而,固定时序卷积核的大小使得时间卷积过程中感受野受限,并且图卷积过程中对骨骼特征信息提取不充分、跨尺... 图卷积网络(graph convolutional network,GCN)因有效保留骨骼特征能力的优势,在当前主流研究中得到广泛应用并取得显著效果。然而,固定时序卷积核的大小使得时间卷积过程中感受野受限,并且图卷积过程中对骨骼特征信息提取不充分、跨尺度特征细化、多层语义特征连接问题还需要进一步解决。针对这些问题,设计了一个融合网络,既用到了GCN能够保留骨骼特征的优势,又用到了卷积神经网络(convolutional neural network,CNN)较强的空间特征提取能力。在该网络中多分支时序增强卷积(multi-branch temporal enhanced convolution,MTE Conv)设置了不同的分支以及时序增强获得更为丰富的跨尺度细化特征。图顶点增强模块(graph vertex enhanced module,GVEM)作为GCN与CNN之间进行多层次语义特征连接,使得图骨骼特征能够更好地映射到CNN中进行时空特征的提取。在NTU-RGB+D 60的X-view与NTU-RGB+D 120的X-set两大基准上取得了97.63%和91.16%的准确率,表明所提出的方法具有优越的性能。 展开更多
关键词 行为识别 骨骼数据 特征融合 图卷积神经网络(gcn)
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
基于关联分区和ST-GCN的人体行为识别 被引量：10
9
作者 刘锁兰 顾嘉晖 +1 位作者 王洪元 张云鹏 《计算机工程与应用》 CSCD 北大核心 2021年第13期168-175,共8页
基于骨骼的动作识别因不受人体物理特征的影响,简单清晰地传达了人体行为识别的重要信息而受到广泛关注。传统的应用程序骨架建模通常依赖遍历规则的人为设置而导致表达能力有限和推广困难。因此,在近年来热门的时空图卷积网络(ST-GCN)... 基于骨骼的动作识别因不受人体物理特征的影响,简单清晰地传达了人体行为识别的重要信息而受到广泛关注。传统的应用程序骨架建模通常依赖遍历规则的人为设置而导致表达能力有限和推广困难。因此,在近年来热门的时空图卷积网络(ST-GCN)模型基础上提出了一种新的划分骨架关节点的分区策略。该策略相比于原始分区方法加强了身体相对位置之间的关系,从而有利于提高骨架关节点信息在时间和空间上的关联。与此同时,在训练过程中通过设置不同的迭代学习率以进一步提高识别精度。在两个不同性质的大规模数据集Kinetics和NTURGB+D上与现有方法进行识别效果的比较,实验结果表明了该方法的有效性。 展开更多
关键词 行为识别 关节点 时空图卷积网络(st-gcn) 分区策略 学习率
在线阅读 下载PDF
基于ST-GCN的空中交通管制员不安全行为识别 被引量：5
10
作者 王超 徐楚昕 +1 位作者 董杰 王志锋 《中国安全科学学报》 CAS CSCD 北大核心 2023年第5期42-48,共7页
为预防和监督空中交通管制(ATC)工作中的违章行为,利用智能视频分析技术,研究适用于管制员坐姿工作的不安全行为识别模型。首先,分析管制员不安全工作行为的隐蔽性特征,总结5种典型管制员不安全行为,包括伸懒腰、瞌睡、低头入睡、歪头... 为预防和监督空中交通管制(ATC)工作中的违章行为,利用智能视频分析技术,研究适用于管制员坐姿工作的不安全行为识别模型。首先,分析管制员不安全工作行为的隐蔽性特征,总结5种典型管制员不安全行为,包括伸懒腰、瞌睡、低头入睡、歪头入睡和半躺入睡,并构建管制员不安全工作状态视频数据集(CUWS);其次,提出一种能描述管制员坐姿的骨架关键点拓展算法,基于时空图卷积网络(ST-GCN)搭建适用于管制员坐姿与腿部遮蔽情况下的不安全行为识别模型ATC-ST-GCN,并给出管制员不安全行为识别的工作流程;最后,利用CUWS数据集进行ATC-ST-GCN模型的训练和测试,并利用管制室实际监控视频开展验证试验。结果表明:该模型能够在有限验证数据集上实现5种典型不安全行为识别,准确率达到93.65%。试验结果证明该模型具有一定的科学性与有效性。 展开更多
关键词 时空图卷积网络(st-gcn) 空中交通管制(ATC) 不安全行为 管制员 行为识别
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
11
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
ST-GCN在建筑工人不安全动作识别中的应用 被引量：23
12
作者 刘耀 焦双健 《中国安全科学学报》 CAS CSCD 北大核心 2022年第4期30-35,共6页
为准确及时地识别施工现场工人的不安全动作,运用计算机视觉的方法,结合图像识别技术和建筑安全知识,提出一种基于骨架的实时识别方法。将姿态估计算法与动作识别算法结合搭建组合模型,通过全面的数据进行模型训练,进而实现动作分类和... 为准确及时地识别施工现场工人的不安全动作,运用计算机视觉的方法,结合图像识别技术和建筑安全知识,提出一种基于骨架的实时识别方法。将姿态估计算法与动作识别算法结合搭建组合模型,通过全面的数据进行模型训练,进而实现动作分类和不安全动作的识别,其中,AlphaPose用于姿态估计提取骨骼关键点坐标位置,时空图卷积网络(ST-GCN)用于动作识别,并通过试验进行验证。结果表明:该方法识别爬梯危险动作的准确率可以达到98.48%,同时,ST-GCN与支持向量机、随机森林、长短期记忆网络(LSTM)相比,具有更强的泛化能力。该方法通过对现场工人的不安全动作进行实时识别和预警,可改善传统安全管理模式,提高安全管理信息化水平。 展开更多
关键词 时空图卷积网络(st-gcn) 建筑工人 不安全行为 动作识别 AlphaPose 长短期记忆网络(LstM)
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：11
13
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 被引量：1
14
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ST-GCN警用巡逻机器人警情识别系统设计 被引量：5
15
作者 胡丽军 吴燕玲 +1 位作者 宋全军 徐湛楠 《传感器与微系统》 CSCD 北大核心 2023年第6期78-81,共4页
针对现有警用巡逻机器人警情识别系统识别种类单一、识别率较低等问题,基于时空—图卷积网络(ST-GCN)和OpenPose算法的融合,面向跌倒(fall)、打砸(smash)和推搡(push)3种警情,设计了警用巡逻机器人警情识别系统。通过在真实场景测试,3... 针对现有警用巡逻机器人警情识别系统识别种类单一、识别率较低等问题,基于时空—图卷积网络(ST-GCN)和OpenPose算法的融合,面向跌倒(fall)、打砸(smash)和推搡(push)3种警情,设计了警用巡逻机器人警情识别系统。通过在真实场景测试,3种警情识别率分别为:跌倒85%,打砸80%,推搡83%;实时识别帧率为10 fps。实验结果表明:所设计的警情识别系统可以实现多种警情的实时、准确、可靠识别,具有较高的应用价值。 展开更多
关键词 时空—图卷积网络 OpenPose算法 警情识别 警用巡逻机器人
在线阅读 下载PDF
结合LSTM和自注意力机制的图卷积网络短期电力负荷预测 被引量：18
16
作者 史含笑 王雷春 《计算机应用》 CSCD 北大核心 2024年第1期311-317,共7页
针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆(LSTM)网络和自注意力机制的图卷积网络(GCN)的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序... 针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆(LSTM)网络和自注意力机制的图卷积网络(GCN)的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换(GFT)对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机(SVM)、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差(MAPE)分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GCNLS-STLF能有效提取电力负荷的关键特征,预测效果较好。 展开更多
关键词 短期电力负荷预测 图卷积网络 图傅里叶变换 长短期记忆网络 自注意力机制
在线阅读 下载PDF
基于Graph Transformer的半监督异配图表示学习模型
17
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RPEpose和XJ-GCN的轻量级跌倒检测算法框架
18
作者 梁睿衍 杨慧 《计算机应用》 CSCD 北大核心 2024年第11期3639-3646,共8页
传统的以ViT(Vision Transformer)模型为基准架构的关节点检测模型通常采用二维正弦位置编码,易丢失图像关键的二维形状信息,导致精度下降;而行为分类模型中,传统的时空图卷积网络(ST-GCN)在单标签分区策略中存在非物理连接的关节连接... 传统的以ViT(Vision Transformer)模型为基准架构的关节点检测模型通常采用二维正弦位置编码,易丢失图像关键的二维形状信息,导致精度下降;而行为分类模型中,传统的时空图卷积网络(ST-GCN)在单标签分区策略中存在非物理连接的关节连接间关联度缺失问题。针对上述问题,设计一种轻量化实时跌倒检测算法框架,以快速准确地检测跌倒行为。该框架包含关节点检测模型RPEpose(Relative Position Encoding pose estimation)和行为分类模型XJ-GCN(Cross-Joint attention Graph Convolutional Network)。一方面,RPEpose模型采用相对位置编码克服原有位置编码的位置不敏感的缺陷,提升ViT架构在关节点检测中的性能;另一方面,提出X-Joint(Cross-Joint)注意力机制,将分区策略重构为XJL(X-Joint Labeling)分区策略后,对所有关节连接之间的依赖关系建模,能获得关节连接潜在相关性,具有分类性能优异且参数量小的优势。实验结果表明,在COCO 2017验证集上,对于分辨率为256×192的图像,RPEpose模型的计算开销仅为8.2 GFLOPs(Giga FLOating Point of operations),测试平均精度(AP)为74.3%;在以交叉目标(X-Sub)为划分标准的NTU RGB+D数据集上,XJ-GCN模型的测试Top-1准确率为89.6%,所提框架RPEpose+XJ-GCN的处理速度为30 frame/s,预测准确率为87.2%,具有较高的实时性和准确性。 展开更多
关键词 跌倒检测 关节点检测 相对位置编码 时空图卷积网络 注意力机制
在线阅读 下载PDF
基于GCN和QP的智能车辆换道决策规划 被引量：1
19
作者 冯付勇 魏超 +1 位作者 吕彦直 何元浩 《北京理工大学学报》 EI CAS CSCD 北大核心 2024年第8期820-827,共8页
考虑动态驾驶场景下车辆间的交互影响,提出了一种基于图卷积网络和二次规划的智能车辆自主换道行为决策与运动规划方法.首先将感兴趣区域进行分层建模,以图结构数据的形式对驾驶场景的全局和局部动态交互信息进行聚合,通过图卷积网络输... 考虑动态驾驶场景下车辆间的交互影响,提出了一种基于图卷积网络和二次规划的智能车辆自主换道行为决策与运动规划方法.首先将感兴趣区域进行分层建模,以图结构数据的形式对驾驶场景的全局和局部动态交互信息进行聚合,通过图卷积网络输出自车应采取的驾驶行为决策指令,然后与运动规划模块结合,基于局部子图划分可通行区域,构建并求解二次规划模型,得到满足运动学约束的无碰撞运动轨迹,最终完成无碰撞自主换道.对提出的方法进行了仿真实验与实车验证,实验结果证明该方法的性能要优于传统的规划方法,具有更好的实验成功率以及场景泛化性能. 展开更多
关键词 智能车辆 换道 行为决策 运动规划 图卷积网络 二次规划
在线阅读 下载PDF
CINO-TextGCN:融合CINO与TextGCN的藏文文本分类模型研究 被引量：2
20
作者 李果 杨进 陈晨 《高原科学研究》 CSCD 2024年第1期121-129,共9页
为提高藏文新闻文本分类准确性,文章提出一种融合少数民族语言预训练模型(Chinese Minority Pr-etrained Language Model,CINO)和图卷积神经网络模型(Text Graph Convolutional Networks,TextGCN)的方法,即CINO-TextGCN模型。为有效评... 为提高藏文新闻文本分类准确性,文章提出一种融合少数民族语言预训练模型(Chinese Minority Pr-etrained Language Model,CINO)和图卷积神经网络模型(Text Graph Convolutional Networks,TextGCN)的方法,即CINO-TextGCN模型。为有效评测该模型对藏文文本的分类性能,自建了较大规模和较高质量的藏文新闻文本公开数据集TNEWS(https://github.com/LG2016/CINO-TextGCN),通过实验发现,CINO-Text-GCN在公开数据集TNCC上的准确率为74.20%,在TNEWS上为83.96%。因此,该融合模型能够较好地捕捉到藏文文本语义,提升藏文文本分类性能。 展开更多
关键词 藏文 图卷积神经网络 融合模型 新闻文本 文本分类
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 … 12 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