一种用于多域对话状态追踪的知识增强与自注意力引导的图神经网络

对话状态追踪是对话系统的重要组成部分,旨在从用户与系统的对话中跟踪用户意图,其通常表示为槽位-槽值对序列.近年来,深度神经网络模型在对话状态追踪问题上取得了较大进展.然而,现有模型在槽位相关性建模方面还存在可拓展性差与易引入噪声等问题.针对上述问题,本文提出了一种知识增强与自注意力引导的图神经网络KESA-GNN(Knowledge-Enhanced&Self-Attention Guided Graph Neural Network).首先,KESA-GNN通过外部知识嵌入增强槽的语义表征提升多头自注意力机制对槽位间相关性的辨别能力.其次,为了精确建模槽位间的诸如共指、共现等相关性,提出了一种自注意力引导的图神经网络建模槽位相关性.该网络采用多头注意力机制获得槽位间的注意力矩阵以及槽位表征,通过Max-N Relation算法获得注意力矩阵中强相关关系集,将稠密的注意力矩阵稀疏化,从而引导图神经网络中强相关槽位间的信息传播,降低无关槽位的噪声影响.最后,KESA-GNN采用门控融合机制过滤槽位多头注意力和图神经网络输出的槽位表征,从而获取更准确的槽位表征向量,进一步提升了KESA-GNN的鲁棒性.在多域对话数据集上的实验结果表明,KESA-GNN模型的性能优于最新的基线模型.

加权复杂网络相继故障的节点动态模型研究

实际网络遭遇随机攻击或蓄意攻击会引发相继故障,网络的无标度特性使其对节点随机故障具有高鲁棒性,而对相继过载故障却表现出脆弱性,为此本文考虑现实网络中节点容量和负荷之间呈现的复杂非线性关系,提出一种新的非线性负荷-容量模型,模型探讨了如何选取合适参数以达到最大化网络鲁棒性和最小化网络投入代价目的,对BA无标度网络、ER随机网络、因特网自治层网络和美国西部电力网络四种网络模拟仿真实验结果表明,本文所提出的新模型具有更好的抵抗相继故障的能力,能使网络具有更好的安全性和可靠性.

多感知范围无线传感器网络中一种分布式目标覆盖算法

基于多感知范围无线传感器网络中节点与目标的覆盖关系,设计了一种目标生命期评估机制。鉴于网络生命期由具有最小生命期的目标决定,在分析节点感知半径变更影响的基础上,提出了两种提高最小目标生命期的策略,建立了一个动态目标覆盖博弈模型,并证明了该博弈存在纯策略的纳什均衡。本文设计了一种分布式目标覆盖算法,算法中节点根据邻居节点的能量分布和目标覆盖情况,选用最优感知半径,以确保目标完全覆盖并延长最小目标生命期。仿真结果表明,在不同的网络中所提算法均能有效地延长网络生命期。

混合云环境下基于模糊理论的科学工作流数据布局策略

混合云环境下,合理的数据布局策略对科学工作流的高效执行至关重要。传统的科学工作流数据布局策略主要基于确定性环境,而在实际网络环境中,由于不同数据中心之间的负载不同、带宽波动和网络拥塞等原因以及计算机自身的特性,数据传输时间存在不确定性。为了解决该问题,基于模糊理论,以最小化数据模糊传输时间为目标,提出了一种基于遗传算法算子的模糊自适应离散粒子群优化算法(Fuzzy Adaptive Discrete Particle Swarm Optimization Algorithm Based on Genetic Algorithm Operators,FGA-DPSO),对科学工作流数据进行合理布局,同时满足数据集的隐私要求和数据中心的容量限制。实验结果表明,该算法能够有效地减少混合云环境下科学工作流的数据模糊传输时间。

基于大数据与人工智能的疫情防控平台建设方案

针对疫情防控的迫切需要,依托团队在数据采集、数据预处理、数据融合、数据存储、数据管理、数据计算、数据分析以及可视化技术方面的研究成果,可以建设基于大数据与人工智能技术的疫情防控平台,平台能够为各级政府机构提供及时准确的疫情动态信息及疫情防控决策支持,为落实“突出重点、统筹兼顾,分类指导、分区施策”的重大方针提供技术支撑。

多无人机使能移动边缘计算系统中的计算卸载与部署优化

无人机与移动边缘计算技术的结合突破了传统地面通信的局限性。无人机所提供的有效视距信道可大大改善边缘服务器与移动设备之间的通信质量。为了进一步提升移动边缘计算系统的服务质量,设计了一种多无人机使能的移动边缘计算系统模型。在该系统中,无人机作为边缘服务器为移动设备提供计算服务,通过联合优化无人机部署与计算卸载策略实现平均任务响应时间的最小化。基于问题定义,提出了一种PSO-GA-G双层嵌套联合优化方法,该方法的外层采用了结合遗传算法算子的离散粒子群优化算法(Discrete Particle Swarm Optimization Algorithm Combined with Genetic Algorithm Operators,PSO-GA),实现了对无人机部署位置的优化;而该方法的内层则是采用了贪心算法(Greedy Algorithm),实现了对计算卸载策略的优化。大量仿真实验验证了所提方法的可行性和有效性。实验结果表明,相比其他基准方法,所提出方法可以实现更短的平均任务响应时间。

基于局部信息的加权无标度网络改进路由策略

针对现有路由策略的不足,提出一种新的基于网络局部信息的路由策略.利用网络节点在网络中的局部邻居节点的静态信息,引入网络节点队列的动态信息来进行路由选择,节点在对数据包进行路由选择时能正确根据网络静态信息和实时动态信息进行路由.仿真实验证明提出路由策略的有效性,即当控制参数α=-1.0时,网络中的负载均匀分布在各个节点上,而不会拥挤在度大的节点,从而有效抑制了网络拥塞.

基于语义传播与前/背景感知的图像语义分割网络

虽然图像语义分割因其有助于更好地分析和理解图像而被广泛应用于多个领域,但是基于全卷积神经网络的模型在语义分割方面依然存在分辨率重构及如何利用上下文信息的问题.因此,文中提出基于语义传播与前/背景感知的图像语义分割网络.首先,提出联合语义传播上采样模块,提取高层特征的全局语义信息与局部语义信息,用于得到语义权重,将高层特征语义传播到低层特征,缩小两者之间的语义差距,再通过逐层上采样实现分辨率重构.此外,还提出金字塔前/背景感知模块,通过两个并行分支提取不同尺度前景特征与背景特征,建立前景与背景间的依赖关系,捕获多尺度的前/背景感知特征,增强前景特征的上下文表示.语义分割基准数据集上的实验表明,文中网络性能较优.

一种用于方面级情感分析的关系注意力图卷积网络

方面级情感分析是情感分析的子任务,旨在判断评论目标的具体方面所对应的情感极性.近年来,深度神经网络模型在方面级情感分析问题上取得了较大进展.然而,现有的方面级情感分析模型仍存在方面信息丢失、没有充分利用句法依存关系等问题.本文提出了一种基于关系注意力机制的图卷积网络RAGCN(Relational Attention based Graph Convolutional Network).首先,RAGCN通过两个双向长短期记忆网络分别对句子和增强后的方面建模,以引导图卷积网络对向量表示进行更新.其次,为了区分上下文单词对给定方面情感的贡献,提出了一种关系注意力机制.该机制能充分利用评论节点间的边类型,结合双向长短期记忆网络的输出以捕获方面和上下文单词之间的关系.此外,为进一步提高模型的鲁棒性,RAGCN采用门控融合机制来过滤关系注意力层和图卷积网络层的输出,从而获取多更准确的句子表征向量.多个方面级情感分析数据集上的实验结果表明,RAGCN模型在准确度,Macro-F1方面均优于对比模型.

基于阶层式组播的移动IPv6切换方案

分析了移动IPv6协议在切换过程中存在的缺点,提出一种基于阶层式组播技术的方案,从而改善了移动IPv6的性能.

基于层次嵌入的方面抽取模型

方面抽取旨在抽取评论文本中观点持有者所评价的实体属性,是细粒度情感分析的一项重要基本任务。现有的研究大多基于规则或传统机器学习模型,具有简单易行和较高性能等优点,但需要花费较多的精力来人工构建规则模板或者特征工程。为了提高模型自动化,提出一种基于层次嵌入的方面抽取模型。首先,对原始语料执行多阶段的预处理操作;然后,使用字符层次的嵌入和双向循环神经网络获得词的高层次特征;最后,通过级联词嵌入与字符嵌入特征以作为词层次双向循环神经网络的输入,获得最终标注结果。实验结果表明,该模型明显优于基于规则和传统机器学习模型的方法,也优于单层神经网络模型。

基于改进粒子群优化的并行极限学习机

为了提高极限学习机(ELM)网络的稳定性,提出基于改进粒子群优化的极限学习机(IPSO-ELM).结合改进的粒子群优化算法寻找ELM网络中最优的输入权值、隐层偏置及隐层节点数.通过引入变异算子,增强种群的多样性,并提高收敛速度.为了处理大规模电力负荷数据,提出基于Spark并行计算框架的并行化算法(PIPSO-ELM).基于真实电力负荷数据的实验表明,PIPSO-ELM具有更高的稳定性及可扩展性,适合处理大规模的电力负荷数据.

基于协议分析的IPv4/IPv6双栈入侵检测系统的实现

分析IPv6的数据结构,设计了一种新的基于协议分析的IPv4/IPv6双栈入侵检测系统。

无线传感器网络中带并行联盟的动态任务分配算法

针对无线传感器网络负载的动态变化等特性,提出传感器网络并行联盟的概念,设计基于离散粒子群优化的并行联盟生成算法及上限约束算法,将网络的若干任务并行地分配给若干合适的联盟结构;同时,实时地跟踪网络的运行并做出调整.该算法很好地处理了复杂或实时的网络应用,并有效地提高了资源的利用率.仿真实验验证了该算法的有效性,从一定程度上延长了网络的生命期.

云存储环境下QoS感知的副本放置算法

云计算作为一种新的商业计算模型,提供了弹性计算和存储资源等服务.云计算具有超大规模、高可扩展性、高可靠性、虚拟化、按需服务和价格低廉等特点,许多用户把应用提交到云环境下运行.随着越来越多的数据密集型应用部署到云计算环境上运行,应用会有不同的QoS要求.为了保证在放置应用数据副本时,数据副本都能满足应用的QoS要求,我们需要考虑云计算环境下QoS约束的应用数据副本放置问题,为此提出一种QoS感知的副本放置算法(QoS-Aware Replica Placement with PSO,QRPPSO),该算法首先对QoS约束集的属性进行量化,然后构建目标优化模型,最后在副本放置优化算法引入粒子群优化来决定副本放置位置.仿真实验结果表明所提策略能有效解决QoS约束的应用数据副本放置问题.

含权无标度网络中带自适应系数的混合路由算法

在含权无标度网络中,路由策略对网络的整体性能有着重大的影响,为提高网络的吞吐量,兼顾较低的信息包平均传输时延,提出一种混合路由算法.为有效利用全局信息,以路径上的节点强度连乘积定义有效代价,通过信息包队列长度的动态信息来增强算法的适应性;为保证实时根据网络中节点的拥塞程度调整路由选择,利用信息包队列长度与发送能力之间的关系自适应调整邻居节点权值,以达到在网络中平均分布信息包.在不同节点发送能力环境下的仿真实验表明了所提混合路由算法的有效性.

液晶显示器汉字显示的开发及实现

以8098单片机控制的 MGLS12O32A点阵液晶显示器为例,介绍了液晶汉字程序的设计方法,以及用C语言建立可直接用于该程序的用户汉字库的实现方法.

点阵液晶显示器与8098单片机的接口及其显示的驱动

介绍8098单片机与MGLS-12032A点阵液晶模块的一种硬件接口的实现方法,给出了该接口方法所对应的显示驱动程序.

一种云环境下的主机负载预测方法

云计算是一种基于信息网络的计算模式和服务模式,它将信息技术资源以服务方式动态、弹性地提供给用户,使用户可以按需使用。由于受到主机的启动时间、资源分配时间以及任务调度时间等因素的影响,在云环境下提供给用户的服务存在时延问题。因此,工作负载预测是云环境下一种重要的能源优化的方式。此外,由于云中工作负载的变化具有十分大的波动性,因此增加了预测模型的预测难度。提出了一种基于自回归模型和Elman神经网络的预测模型(Hybrid Auto Regressive Moving Average model and Elman neural network,HARMA-E),其使用ARMA模型进行预测,再使用ENN模型对ARMA模型的误差进行预测,通过修正ARMA的输出值得到最终的预测值。仿真实验结果表明,该预测模型能够较好地提升主机负载预测值的准确度。

一种云环境下的虚拟机负载均衡算法

针对多数负载均衡算法都以虚拟机的CPU、内存等资源的利用率作为优化目标,而未考虑虚拟机上总任务工作时长不均衡导致任务总等待时长增加的问题,提出一种结合随机森林分类器的粒子群优化算法用于解决虚拟机的负载均衡问题.该算法不仅均衡了虚拟机的CPU利用率和内存利用率,也将虚拟机上总任务工作时长作为优化目标,以达到均衡虚拟机资源利用率,同时减少任务总等待时间的目的.仿真实验结果表明,该算法能有效解决虚拟机的负载均衡问题.