基于异构图和语义融合的实体关系抽取

关系抽取是信息抽取中的一项重要任务,其目的是从非结构化文本中抽取出所有关系三元组。然而,如何有效地处理这一问题仍然是一个挑战,特别是对于关系重叠问题。为了有效处理重叠问题,该文提出一种基于异构图和语义融合的实体关系抽取方法:使用异构图将关系信息作为先验知识融入词表示,增强词表示的表示能力,使得模型能有效地处理单词实体重叠问题;使用语义融合模块将不同层次特征融合在一起作为关系分类模型的输入,使得模型能够有效地处理实体对重叠问题。所提方法在NYT和WebNLG数据集上取得了最好的效果,详细的实验也表明所提方法可以处理复杂的场景。

基于多Agent粒子群优化算法的电力系统经济负荷分配

为更好地解决电力系统中经济负荷分配非连续、非凸、非线性的优化问题,提出一种新的基于多Agent系统竞争与合作机制的多Agent粒子群优化算法。该算法以粒子群算法和智能体技术为基础,将粒子群算法的群搜索特征和智能体的智能搜索特征相结合,使粒子在搜索过程中利用群体信息,环境信息共同决定搜索策略。每一个Agent相当于粒子群优化算法中的一个粒子,通过与其随机选取的邻居的竞争、合作操作,能够充分获得问题信息并自适应地权衡粒子的全局探索能力和局部开发能力,可更快、更精确地收敛到全局最优解。对IEEE3节点,IEEE13节点和IEEE40节点系统的仿真结果表明,该算法在求取电力系统ELD问题时具有较高质量的解和运行速度。

一种基于多目标混沌PSO的机器人足球防守策略

提出多目标混沌粒子群优化算法并应用于机器人足球防守策略之中。在对方多名队员进攻情况下,通过该策略引导我方队员防守跑位,并选取我方位置最佳队员对对方主攻队员进行截球,从而达到成功防守的目的。传统的防守策略,仅是根据具体环境采取应对策略,而基于多目标PSO的机器人足球防守策略通过粒子群优化算法的随机性能提高防守队员在动态比赛环境下的适应性,为了避免粒子群优化算法陷入局部极值,对粒子群的最优位置进行混沌优化以提高群体多样性。在FIRA仿真平台中,将加入多目标混沌PSO的机器人足球防守策略和传统防守策略相比较,实验结果表明基于多目标混沌PSO的机器人足球防守策略能较大程度地提高球队整体防守能力。

铁水硅含量的混沌粒子群支持向量机预报方法

提出一种基于混沌粒子群优化(CPSO)的支持向量回归机(SVR)参数优化算法,并使用该算法建立高炉铁水硅含量预测模型(CPSO–SVR),对某大型钢铁厂高炉铁水硅含量的实际采集数据进行预测,结果表明基于混沌粒子群优化算法寻优的参数建立的铁水硅含量支持向量回归预测模型具有良好的预测效果.与最小二乘支持向量回归机(LS–SVR)、使用粒子群优化算法训练的神经网络(PSO–NN)进行比较,CPSO–SVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO–NN,且比LS–SVR稳定性更强,可用于高炉铁水硅含量的实际预测,表明混沌粒子群优化算法是选取SVR参数的有效方法.

混合粒子群优化算法优化前向神经网络结构和参数

提出了综合利用粒子群优化算法(PSO)和离散粒子群优化算法(D-PSO)同时优化前向神经网络结构和参数的新方法。该算法使用离散粒子群优化算法优化神经网络连接结构,用多维空间中0或1取值的粒子来描述所有可能的神经网络连接,同时使用粒子群优化算法优化神经网络权值。将经过该算法训练的神经网络应用于故障诊断,能够有效消除冗余连接结构对网络诊断能力的影响。仿真试验的结果表明,相比遗传算法等其他算法,该算法能够有效改善神经网络结构和参数的优化效率,提高故障模式识别的准确率。

基于MATLAB的PID算法在串级控制系统中的应用

串级控制系统具备较好的抗干扰能力、快速性、适应性和控制质量,因此在复杂的过程控制工业中得到了广泛的应用.对串级控制系统的特点和主副回路设计进行了详述,设计了双容无自衡串级液位控制系统,并将基于MATLAB的增量式PID算法应用在控制系统中.结合基于计算机控制的PID参数整定方法实现串级控制,控制结果表明系统具有优良的控制精度和稳定性.

混合PSO优化卷积神经网络结构和参数

为了使卷积神经网络在非经验指导下自动寻得最优连接,并提高其参数优化效率,提出用粒子群优化卷积网络参数,并用离散粒子群优化卷积网络特征图之间连接结构的新方法。先使用粒子群优化所有权值,再采用离散粒子群优化降采样层和卷积层之间特征图连接结构。将该方法用于MNIST数据集和CIFAR-10数据集,实验结果表明,相比其他连接结构的卷积神经网络和其他识别方法,该方法可以有效实现网络结构及参数的优化,加速网络收敛并提高识别准确比。

多Agent结构的混沌PSO在无功优化中的应用

针对电力系统中,优化问题具有高维、多约束、非线性特点,提出一种基于多Agent体系结构的混沌粒子群优化算法。在分析粒子群算法的基础上,融合多Agent技术与混沌局部搜索算法,将粒子群算法的群搜索特征和Agent的智能搜索特征相结合。算法利用环境信息与周围Agent进行竞争合作,提升全局探索能力,增强信息多样性;同时依靠混沌局部搜索的无重复遍历性摆脱局部极值,提高算法在解空间中的收敛精确度。为验证算法有效性,对典型多约束、非连续的电力系统无功优化问题进行建模仿真。IEEE 30节点和118节点系统仿真计算的结果表明,与其他优化算法在收敛特性,最优解,鲁棒性等方面相比,该算法对解决电力系统无功优化问题是可行和有效的。

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.

采用多Agent混沌粒子群算法的配电网重构

针对配电网的辐射状约束条件研究了配电网重构的优化问题,引入破圈法筛选可行解,利用基于多Agent的混沌粒子群算法对筛选后的可行解进行搜索;然后该算法将粒子的群搜索特征与多Agent的智能搜索特征相结合提升算法的搜索效率,并融合混沌局部搜索算法以跳出局部解。以网损为优化目标,分别对33节点和69节点配电网系统进行计算分析,结果表明该算法具有很快的收敛速度,并且对于复杂配电网系统有较好的稳定性与鲁棒性。

基于粒子群优化和模糊c均值聚类的入侵检测

针对模糊c均值算法对初始化敏感及易陷入局部极值的问题,利用粒子群优化算法的全局优化性能,结合模糊c均值聚类算法,提出基于粒子群优化和模糊c均值聚类的入侵检测方法。该方法可快速得到全局最优聚类,并且有效检测出未知的攻击。实验表明该方法不仅对未知攻击有较好的检测效果,而且具有较低的误报率和较高的检测率。

基于极限学习机的非线性内模控制

针对非线性的内模控制的逆模难以求解的问题,该文提出一种基于改进极限学习机(MELM)的非线性内模控制方法。在基本的极限学习机模型中加入L1和L2范数罚函数,然后将改进极限学习机算法用于建立非线性系统的内模型和逆模型。仿真实验中,选取4种典型信号进行跟踪,并检验了系统的抗干扰能力和系统参数发生变化时的鲁棒性,通过将MELM和最小二乘支持向量机(SVM)以及极限学习机算法进行对比,表明基于MELM的内模控制方法对非线性系统具有更好的控制性能、较强的抗干扰能力和鲁棒性能。

“电力电子技术课程设计”过程规范化的探索与实践

结合教学实践,对电力电子技术课程的课程设计实施中的过程规范化进行了探索和实践,从电力电子技术课程设计教学大纲的制定、任务书的编写、合理搭配分组、丰富设计手段、合理指导学生、改革考核方式等方面探讨了电力电子技术课程设计环节的过程规范化,以充分发挥教师的主导作用和学生的主体作用,使学生全方位认识和深刻理解电力电子技术。实践表明,"电力电子技术课程设计"过程的规范化对提高课程设计教学质量与效果具有重要作用。

未知环境中多Agent自主协作规划策略

针对多智能体(Agent)系统在未知环境中自主协作规划存在任务死锁及协作效率不高的问题,提出一种基于改进蚁群算法的多Agent协作策略,并用于多Agent协作搬运中。该方法将Agent所处位置和目标任务之间的距离以及信息素控制因子引入蚁群算法。实验结果表明,该方法相比没有引入距离因子的协作方法,协作效率更高;相比没有引入控制因子的协作方法,可有效防止任务死锁发生。

电力电子与电力传动系列课程的立体化建设

结合教学实践,对电力电子与电力传动系列课程立体化建设进行了探索和实践,从理论教学内容体系、实践教学体系、教师队伍建设等方面探讨了系列课程的立体化建设,旨在加强系列课程中各门课程间的联系,在理论教学内容和工程能力训练上保持较强的连续性,使各门课程形成一个统一的整体。实践表明,电力电子与电力传动系列课程立体化建设为培养电气工程与自动化专业学生在电力电子与电力传动方向创新意识及工程能力方面具有重要作用。

OWC组件在Web图表统计中的应用

对MicrosoftOfficeWebComponents(OWC)服务器端组件进行了全面剖析 ,详述了其在Web图表统计中的应用 ,并给出JSP实例 ,说明在Web中生成各种动态图表的方法。

基于串并行卷积门阀循环神经网络的短文本特征提取与分类

针对短文本数据特征少、提供信息有限,以及传统卷积神经网络(convolutional neural network,CNN)和循环神经网络(recurrent neural network,RNN)对短文本特征表示不充分的问题,提出基于串并行卷积门阀循环神经网络的文本分类模型,处理句子特征表示与短文本分类。该网络在卷积层中去除池化操作,保留文本数据的时序结构和位置信息,以串并行的卷积结构提取词语的多元特征组合,并提取局部上下文信息作为RNN的输入;以门阀循环单元(gated recurrent unit,GRU)作为RNN的组成结构,利用文本的时序信息生成句子的向量表示,输入带有附加边缘距离的分类器中,引导网络学习出具有区分性的特征,实现短文本的分类。实验中采用TREC、MR、Subj短文本分类数据集进行测试,对网络超参数选择和卷积层结构对分类准确率的影响进行仿真分析,并与常见的文本分类模型进行了对比实验。实验结果表明:去掉池化操作、采用较小的卷积核进行串并行卷积,能够提升文本数据在多元特征表示下的分类准确率。相较于相同参数规模的GRU模型,所提出模型的分类准确率在3个数据集中分别提升了2.00%、1.23%、1.08%;相较于相同参数规模的CNN模型,所提出模型的分类准确率在3个数据集中分别提升了1.60%、1.57%、0.80%。与Text–CNN、G–Dropout、F–Dropout等常见模型相比,所提出模型的分类准确率也保持最优。因此,实验表明所提出模型可改善分类准确率,可实际应用于短文本分类场景。

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机(support vector regression,SVR)参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition Ⅳ 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。

堆叠稀疏降噪自编码的脑电信号识别

该文以深度学习中的自动编码机为基础,对原始输入向量加入噪声处理,隐含层加入稀疏限制,再将单一的网络结构堆叠成深层神经网络,提出改进算法——堆叠稀疏降噪自动编码机。通过在两个不同数据集(实验室采集数据集和2005年BCI竞赛数据集IVa)进行对比实验,结果表明该算法在运动想象脑电信号的特征提取上具有更强的学习能力和鲁棒性。