基于Monte-Carlo迭代求解策略的局部社区发现算法

针对现有的局部社区发现算法因采用贪心策略进行社区扩张而导致的过早收敛和查全率低的问题,提出一种基于Monte-Carlo迭代求解策略的局部社区发现算法。首先,在每轮迭代的社区扩张阶段,根据节点对社区紧密度增益的贡献比例为所有邻接候选节点赋予选择概率,并结合此概率,再随机选择一个节点加入社区。然后,为避免随机选择导致扩张方向偏离目标社区,根据社区质量变化情况判断本轮迭代中是否触发节点淘汰机制。若触发,计算各个已加入社区节点与社区内其他节点的相似度和,根据相似度和的倒数赋予淘汰概率,并结合此概率,再随机淘汰一个节点。最后,在给定数量的最近迭代轮次中,根据社区规模是否增加判断是否继续迭代。在三个真实的网络数据集上进行实验,相较于局部紧密度扩展(LTE)算法、Clauset算法、加权共同邻居节点(CNWNN)算法和模糊相似关系(FSR)算法,所提算法的局部社区发现结果的F-score值分别提升了32.75、17.31、20.66和25.51个百分点,且能够有效避免查询节点在社区中所处位置对局部社区发现结果的影响。

基于时空关联分析的采煤工作面顶板压力预测方法

顶板压力一般通过液压支架工作阻力进行度量,基于深度学习的顶板压力预测方法效果受训练样本集影响极大,而训练样本集的构建依赖于时间窗口的选择和紧密关联液压支架群的识别,但现有方法依靠人工经验来确定时间窗口,且忽略了不同液压支架之间的关联性,严重阻碍了顶板压力预测精度的提高。针对上述问题,提出了一种基于时空关联分析的采煤工作面顶板压力预测方法。首先,通过计算同一液压支架工作阻力序列在时间维度上的灰色关联度,选择最优时间窗口。然后,通过计算不同液压支架工作阻力序列在空间维度上的灰色关联度,获得最优辅助矩阵,识别出紧密关联液压支架群。最后,基于最优时间窗口和最优辅助矩阵,确定每个训练样本的标签和对应特征,完成训练样本集构建,以对长短时记忆(LSTM)模型进行训练来预测顶板压力。实验结果表明,与依赖人工经验构建训练样本集完成LSTM模型训练的方法相比,本文方法有效降低了顶板压力预测误差。