基于图神经网络的多源异构知识增强对话模型

为解决当前开放域对话系统中端到端模型在生成响应时存在的相关性低、多样性不足的问题,提出了一种多源异构知识增强对话生成模型(multi-source knowledge-enhanced dialogue generation framework,MSGF)。该模型通过整合多个不同的知识源,提高了与对话背景信息相关的知识覆盖率,并采用全局知识选择模块解决不同知识源之间的主题冲突问题,来避免对话主题含义混淆。此外,该模型还引入了融合预测模块,通过获取不同的知识源中的信息来生成响应。实验结果表明,与同类其他模型相比,MSGF模型在性能上具有明显优势,具有更全面的知识覆盖,生成的响应主题相关性更高。可见,所提出的MSGF模型能够很好地理解对话内容,并显著提升对话系统的性能。

基于量子蚁群算法的配电网故障区段快速定位技术

分布式电源并入配电网已成为新型电力系统重要特征之一,分布式电源的接入与发电的不确定性使配电网潮流复杂多变,对配电网故障快速定位提出更高的技术要求.然而,现有智能优化算法在解决配电网故障区段定位问题时会出现收敛速度慢、易陷入局部最优等问题.针对这些挑战与问题,提出一种基于量子蚁群算法(QACA)的配电网故障区段快速定位技术.首先,根据状态逼近思想和最小故障集理论构建配电网故障定位的数学模型;其次,针对馈线终端单元上传信息缺失情况提出信息自修正方法,并提出分级定位模型来缩短定位时间;然后,提出3种改进技术对QACA进行针对性改进,改进量子旋转门更新机制,以函数控制形式动态调整旋转角大小,同时引入精英策略加快算法收敛速度.最后,在关键参数确定后验证了改进技术、信息自修正法、分级定位模型的有效性.将所提算法与7种不同算法进行对比,结果表明:改进的QACA可有效完成故障区段定位,具有良好的收敛速度、准确率以及容错性能.

基于域泛化的工业设备无监督异常声音检测算法

在工业场景中,因为设备异常现象的罕见性和高度多样化,以及机器的操作条件或环境噪声在训练和测试阶段的不同,会改变训练和测试数据之间的声学特性。为解决上述问题,提出一种基于联合深度学习和变分贝叶斯高斯混合模型的无监督异常声音检测算法。通过两种神经网络联合训练进行信息提取,并利用变分贝叶斯高斯混合模型对其所获得的嵌入进行聚类分析;引入一种新的混合示例数据增强方法,用多种方式相结合的替代方法来生成示例,以对齐不同域之间的分布;应用了一种改进的子集群AdaCos损失函数,以排除潜在的异常值。实验结果表明,该方法在三种工业机器类型的数据集上目标域的平均曲线下面积达到了79.03%,平均F 1分数达到了67.23%;对比基线模型,谐波平均值提升约20%,在工业设备无监督异常声音检测中表现良好。

面向数据科学的应用统计学创新教学体系探索

针对传统应用统计学课程教学中存在的“痛点”问题,结合大数据特征,对接数据科学专业人才培养需求及后继课程要求,提出应用统计学创新教学方案,具体介绍如何明确“知识—技能—价值”三位一体的教学目标、重构三维知识层次结构、设计线上与线下混合式教学模式,如何探索面向计算机设计竞赛的创新实践,综合提升学生统计学知识和实践技能,以更好地培养数据计算、推断与检验的统计思维,强化数据统计分析及可视化实践,融合多领域数据应用,通过“统计+计算机+”的模式探索创新,有效支撑数据科学专业后续课程学习。

量子计算与蚁群算法相结合的配电网故障定位

针对智能优化算法在处理配电网故障定位问题时存在后期收敛速度慢、成功率低的缺点,提出基于量子计算与蚁群算法相结合的量子蚁群算法进行配电网故障定位。首先,鉴于馈线终端单元(feeder terminal unit,FTU)上传信息会发生畸变与缺失的情况,提出计及FTU漏报误报信息的分级定位数学模型;其次,介绍量子蚁群算法的基本原理及应用方案;最后,在MATLAB上进行仿真,验证量子蚁群算法及计及FTU漏报误报信息的分级定位数学模型的有效性。

非线性循环不变式的自动生成

提出了一个自动生成非线性循环不变式的算法。循环不变式可以表示成一个带参数的多项式的形式,根据断言的归纳特性,将循环不变式的生成问题转变成一个约束求解问题,这个约束求解问题的每个解对应于一个循环不变式,如果约束求解问题仅有零解,则说明不存在该参数多项式形式的循环不变式。该算法在Maple中得到了实现,并通过一些实例说明了该算法的有效性。

可满足性问题全部解的求解算法

SAT问题在人工智能、计算机基础理论研究和人工智能等领域有着广泛的应用,近年来,证明该问题的可满足性取得了巨大的成功,但在求出SAT问题的所有解方面还有待进一步研究。利用一个简单的变换,将可满足性(SAT)问题转化为多项式形式,然后根据命题逻辑的性质以及多项式的性质,得到一个求解出SAT问题所有解的算法。

基于CDIO的软件工程专业培养体系建设

基于CDIO高等工程教育思想,结合教育部"卓越工程师教育培养计划"以及上海市产学研研究计划,对软件工程专业的教学体系、实践体系、师资队伍建设等进行研究,构建更加符合"卓越计划"培养目标和实施纲要的一体化课程培养体系,以培养理论与实践相结合、技术与市场相融合的软件工程创新性人才。

用.NET技术开发网络教学系统

如何高效地开发一个网络教学系统是网络教学中的重要课题。本文在传统的三层C/S结构的基础上,提出了一种改进的模型结构,并根据该模型介绍了开发《离散数学》网上教学系统的过程以及关键技术。

计算机自适应测试系统的算法

建立一套科学、有效、公平的考试系统是现代测试系统中不可缺少的。文中基于项目反应理论的Logistic模型,介绍了自适应测试系统的基本流程,重点解决了在实现过程中必须解决的几个关键问题,极大地提高了测试的效率和准确性。

《离散数学网上教学系统》的设计与实现

现有的网上教学系统的在线学习部分大都采用静态网页实现,可维护性很差,本文利用ASP.NET技术和SQLServer开发了一个完全基于数据库的网上教学系统,该网上教学系统可以作为网络课件的二次开发平台来使用,具有很强的交互性和可维护性,介绍了一种利用Webeq和Mathml描述语言在网上实现数学公式的输入和显示的方法。

基于DISCOVERER的Petri网不变式自动生成

在Petri网的验证中,代数不变式起着非常重要的作用。将Petri网建模为半代数变迁系统,提出了自动生成不变式的算法,该不变式有助于更好地分析Petri网可达空间。算法首先将Petri网的不变式假定为一个含参数系统,然后通过求解半代数系统来求解不变式中的参数;最后,基于DISCOVERER和QEPCAD等Maple软件包实现了该算法,并通过实例说明了算法的有效性。

基于技术融合的卓越型电力信息工程教育研究

随着智能电网的迅猛发展,电力企业对掌握电力信息技术的人才需求越来越旺盛,对信息人才的培养质量要求越来越高。传统的通过开设几门有关电力相关课程的培养方式已经不能满足人才培养的需求。文章基于技术融合,提出实现电力技术与信息技术的无缝衔接,从教学内容和实践体系上形成完善的教育模式,在行业特色明显的计算机类人才培养方面具有一定的推广价值。

大数据环境下多决策表的区间值全局近似约简

在电力大数据中,很多具体的应用如负荷预测、故障诊断都需要依据一段时间内的数据变化来判断所属类别,对某一条数据进行类别判定是毫无意义的.基于此,将区间值粗糙集引入到大数据分类问题中,分别从代数观和信息观提出了基于属性依赖度和基于互信息的区间值启发式约简相关定义和性质证明,并给出相应算法,丰富和发展了区间值粗糙集理论,同时为大数据的分析研究提供了思路.针对大数据的分布式存储架构,又提出了多决策表的区间值全局约简概念和性质证明,进一步给出多决策表的区间值全局约简算法.为了使得算法在实际应用中取得更好的效果,将近似约简概念引入所提的3种算法中,通过对2012上半年某电厂一台600MW的机组运行数据进行稳态判定,验证所提算法的有效性.实验结果表明,所提的3种算法均能在保持较高分类准确率的条件下从对象和属性个数两方面对数据集进行大幅度缩减,从而为大数据的进一步分析处理提供支撑.

基于量词消去的Petri网不变式自动生成

基于模板和量词消去建立了一个求解Petri网不变式的算法.引入一个带参模板作为Petri网的候选不变式,再根据不变式必须满足归纳断言初始条件和承接条件,将Petri网的自动生成问题转化为量词消去问题,并求解出带参模板中的参数得到原Petri网的不变式.最后通过两个算例说明了该算法的有效性.

一种基于数据流的软子空间聚类算法

针对高维数据的聚类研究表明,样本在不同数据簇往往与某些特定的数据特征子集相对应.因此,子空间聚类技术越来越受到关注.然而,现有的软子空间聚类算法都是基于批处理技术的聚类算法,不能很好地应用于高维数据流或大规模数据的聚类研究中.为此,利用模糊可扩展聚类框架,与熵加权软子空间聚类算法相结合,提出了一种有效的熵加权流数据软子空间聚类算法——EWSSC(entropy-weighting streaming subspace clustering).该算法不仅保留了传统软子空间聚类算法的特性,而且利用了模糊可扩展聚类策略,将软子空间聚类算法应用于流数据的聚类分析中.实验结果表明,EWSSC算法对于高维数据流可以得到与批处理软子空间聚类方法近似一致的实验结果.

基于量子退火算法的配电网故障定位

由于分布式电源在配电网的高渗透给有源配电网的保护技术和策略带来了挑战,致使传统方法在故障诊断中稍显逊色。针对此现状提出了基于量子隧穿效应的量子退火算法实现故障诊断,并通过对量子退火算法进行优化以改善其在复杂配电网故障诊断中有小概率陷入局部极小值的问题。首先将故障定位模型的适应度函数映射为量子退火算法的评价函数;其次利用混沌优化获得动态的初始磁场强度和初始温度,利用自适应公式计算扰动次数,并设计陷入局部最优时的扰动方法来跳出当前最优可行解;接着构造具备升温特点的温度衰减函数,选择合适形式的磁场衰减函数;最后将改进的量子退火算法进行三种经典函数的测试,并分别应用于33节点单电源和33节点含分布式电源配电网两个故障场景中。模拟仿真表明,改进量子退火算法在故障定位问题中具备可行性,能够适应联络开关的开闭变化和多个含分布式电源的投切,表现出良好的定位准确率,容错性和全局寻优能力等。

基于改进SSD的少样本目标检测

目标检测作为深度学习的热点问题之一,在自动驾驶、行人识别、智能医疗、机器人视觉等多个领域有着广泛的应用前景。但现有的大部分目标检测模型都依赖于大规模的标注数据集来训练模型以保证目标检测的准确率,而在许多实际的应用场景中,大量数据的标注不仅耗费人力物力,而且需要大量专业人士的参与,在一定程度上限制了目标检测模型的实际应用。针对少样本目标检测的特殊要求,基于SSD网络提出了一种改进的少样本目标检测模型,提高了目标检测应用的适用性。首先,在SSD(Single Shot multiBox Detector)网络的基础上,用ResNet-50代替VGG作为特征网络,从而提升模型的特征提取能力。其次,通过引入残差单元避免了网络退化问题。最后,为了充分融合各层之间的语义信息和位置信息,用FPN(Feature Pyramid Networks)替换了原模型中间的两个特征层。基于改进SSD网络的目标检测模型在少样本数据集的检测结果中,mAP值达到了79.8%,比原始模型提高了2.6百分点。

结合CTF竞赛模式的信息安全课堂教学

信息时代,传统的教学方式较难满足信息安全专业学生的课堂需求。文章提出将学生身边的故事结合CTF竞赛方式,用于信息安全概论、网络攻击与防御等课程的"莫尔斯码破译"以及信息隐藏课程的"乱码图片制作"两个教学竞赛案例,说明采用CTF竞赛的教学方法可以有效培养学生的实际动手能力,取得良好效果。

基于联合属性重要度的决策风险最小化属性约简

经典粗糙集属性约简基本都是保持正域、负域和边界域不变,而决策粗糙集对属性的增减过程不具备单调性,因此不可能同时保持3个区域均不变。在决策粗糙集模型中,作出决策更应该考虑风险最小化原则,因此提出一种改进的风险最小化属性约简方法,在属性的选取过程中同时考虑所选取的属性子集对决策的划分能力,即联合属性重要度以及风险最小化。实验证明所提方法是有效的。