-
题名基于GCN和HGP-SL的电力系统暂态稳定评估
被引量：1
- 1
-
-
作者
周宇
肖健梅
王锡淮
-
机构
上海海事大学物流工程学院
-
出处
《电气工程学报》
CSCD
北大核心
2024年第4期246-254,共9页
-
基金
国家自然科学基金资助项目(71771143)。
-
文摘
当前基于人工智能的电力系统暂态稳定评估研究多以欧式结构数据为输入,为了考虑系统拓扑结构对电力系统暂态稳定的影响,提出一种基于图卷积神经网络(Graph convolutional network,GCN)和具有结构学习的层次图池化(Hierarchical graph pooling with structure learning,HGP-SL)的电力系统暂态稳定评估模型。首先,解构电力系统,以母线为节点,输电线路为边,创建图这一典型非欧式结构数据;然后,结合图深度学习思想,通过提出的GCN+HGP-SL模型对解构后形成的电力系统潮流数据进行特征提取,建立其与电力系统暂态稳定之间的映射关系,其中HGP-SL包含对节点降采样和学习节点间结构两个步骤,其目的是捕捉重要节点的同时不破坏结构本身;最后,建立性能评价指标体系,选取对照神经网络组,对所提模型进行评估,结合算例分析各因素对模型的影响。算例分析表明,所提模型具有更好的综合性能表现。
-
关键词
电力系统暂态稳定评估
非欧式结构数据
图深度学习
图卷积神经网络
具有结构学习的层次图池化
-
Keywords
Power system transient stability assessment
non-euclidean structure data
graph deep learning
graph convolutional network
hierarchical graph pooling with structure learning
-
分类号
TM712
[电气工程—电力系统及自动化]
-
-
题名基于异构图分层学习的细粒度多文档摘要抽取
- 2
-
-
作者
翁裕源
许柏炎
蔡瑞初
-
机构
广东工业大学计算机学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第3期336-344,共9页
-
基金
科技创新2030—“新一代人工智能”重大项目(2021ZD0111501)
国家优秀青年科学基金(62122022)
国家自然科学基金(61876043,61976052,62206064)。
-
文摘
抽取的目标是在多个文档中提取共有关键信息,其对简洁性的要求高于单文档摘要抽取。现有的多文档摘要抽取方法通常在句子级别进行建模,容易引入较多的冗余信息。为了解决上述问题,提出一种基于异构图分层学习的多文档摘要抽取框架,通过层次化构建单词层级图和子句层级图来有效建模语义关系和结构关系。针对单词层级图和子句层级图这2个异构图的学习问题,设计具有不同层次更新机制的两层学习层来降低学习多种结构关系的难度。在单词层级图学习层,提出交替更新机制更新不同的粒度节点,以单词节点为载体通过图注意网络进行语义信息传递;在子句层级图学习层,提出两阶段分步学习更新机制聚合多种结构关系,第一阶段聚合同构关系,第二阶段基于注意力聚合异构关系。实验结果表明,与抽取式基准模型相比,该框架在Multinews数据集上取得了显著的性能提升,ROUGE-1、ROUGE-2和ROUGE-L分别提高0.88、0.23和2.27,消融实验结果也验证了两层学习层及其层次更新机制的有效性。
-
关键词
抽取式多文档摘要
细粒度建模
异构图
分层学习
语义关系
结构关系
-
Keywords
extractive multi-document summarization
fine-grained modeling
heterogeneous graph
hierarchical learning
semantic relation
structural relation
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于图粗化的层次图池化方法研究
- 3
-
-
作者
陈洁
薛远远
曹京晶
赵姝
张燕平
-
机构
计算智能与信号处理教育部重点实验室
安徽大学计算机科学与技术学院
安徽省信息材料与智能传感重点实验室
科学技术部科技人才交流开发服务中心
-
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第3期483-489,共7页
-
基金
国家重点研发计划子课题项目(2017YFB1401903)资助
国家自然科学基金项目(61876001)资助
安徽省高校自然科学基金项目(KJ2021A0039)资助。
-
文摘
图神经网络(Graph Neural Networks, GNNs)已被证明能有效对图结构数据进行建模,池化机制在使用GNN模型提取图层次特征过程中至关重要,近年来已经引起了越来越多研究者们的关注.现有基于聚类的层次图池化方法要么需要增加额外的神经网络层以实现特征图的粗化;要么不能从全局角度捕获节点在图中的重要性大小.针对以上问题,本文提出一种基于图粗化的层次图池化方法(Hierarchical Graph Pooling Based on Graph Coarsening, HGP-GC),用于学习图的层次特征表示.该方法主要包括图结构粗化和图属性粗化两个部分.利用结构粗化实现特征图尺寸的缩减;利用属性粗化突显图中重要节点对图级表示的关键作用.通过将HGP-GC池化策略与现有神经网络相结合,在不同规模公共数据集上的图分类实验结果证明了HGP-GC的有效性.
-
关键词
图神经网络
图池化
层次图表示学习
节点重要性
图分类
-
Keywords
graph neural network
graph pooling
hierarchical graph representation learning
node importance
graph classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度图正则化矩阵分解的多视图聚类算法
被引量：7
- 4
-
-
作者
刘相男
丁世飞
王丽娟
-
机构
中国矿业大学计算机科学与技术学院
徐州工业职业技术学院信息与电气工程学院
-
出处
《智能系统学报》
CSCD
北大核心
2022年第1期158-169,共12页
-
基金
国家自然科学基金项目(61976216,61672522).
-
文摘
针对现实社会中由多种表示或视图组成的多视图数据广泛存在的问题,深度矩阵分解模型因其能够挖掘数据的层次信息而备受关注,但该模型忽略了数据的几何结构信息。为解决以上问题,本文提出基于深度图正则化矩阵分解的多视图聚类算法,通过获取每个视图的局部结构信息和全局结构信息在逐层分解中加入两个图正则化限制,保护多视图数据的几何结构信息,同时将视图的权重与特征表示矩阵进行结合获得共识表示矩阵,最大化视角间的互补性,保证数据的一致性和差异性。除此之外,本文使用迭代更新变量的方法最小化目标函数,不断优化模型并进行收敛性分析。将本文算法和多个算法在三个人脸数据集和两个图像数据集上运行,通过多项指标的对比可以看出本文提出的算法具备良好的性能表现。
-
关键词
多视图聚类
深度矩阵分解
几何结构
图正则化
矩阵分解
多视图表示学习
层次结构信息
深度学习
-
Keywords
multi-view clustering
deep matrix factorization
geometric structure
graph regularization
matrix factorization
multi-view representation learning
hierarchical structure information
deep learning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
