考虑数据缺失的图注意力网络暂态稳定评估

基于人工智能的暂态稳定评估模型的性能高度依赖于系统的可观测性,而通信延迟和相量测量单元(phasor measurement units,PMU)故障等因素易导致数据缺失,使模型的评估性能下降。针对该问题,提出了一种基于图注意力网络(graph attention network,GAT)的暂态稳定评估模型。首先,根据原始网络拓扑及PMU配置方案获得表征系统可观测性的掩码矩阵,在任意PMU缺失的条件下,利用掩码矩阵训练模型;其次,通过GAT网络的多头注意力机制提取输入节点的时空信息,利用不同的权重聚合目标节点的邻域特征,实现对可观测数据的充分利用;最后,利用焦点损失函数加强模型对失稳样本的学习能力。仿真结果表明,所提方法可以最大限度地利用可观测数据,具有高精度和强鲁棒性,并且不受网络拓扑的限制,易于迁移。

改进的掩码图自编码器模型

图自编码器(GAE)作为深度学习领域的重要模型之一,近年来受到了广泛关注。但GAE倾向于以牺牲图的结构信息为代价过度强调邻近信息,使其不适用于链接预测之外的下游任务。针对传统GAE存在的问题,研究者们在图自编码器模型中引入掩码策略,形成掩码图自编码器模型处理图数据。基于此,提出改进的掩码图自编码器(MaskGAE)模型,MaskGAE采用掩码图模型(MGM)作为代理任务,掩蔽一部分边,并尝试用部分可见的、未掩蔽的图结构来重建丢失的部分。在Cora数据集上通过调参将MaskGAE模型节点分类准确率提升了0.5%。

基于时空多头图注意力网络的交通流预测

针对当前路网交通流量预测方法中存在的挖掘复杂的动态时空特性和长距离的空间依赖性能力不足等问题,基于多头自注意力网络构建一种新型的交通流预测模型.考虑到交通流在不同周期尺度下呈现出的高度相似性,以及静态时空特征,引入日和周这2种周期尺度下的数据张量作为模型输入,来表达交通流数据的时间相似性,并通过输入数据的时空位置编码获取其静态时空特征.考虑到交通流的动态时空特性和长距离的空间依赖性,主体模型基于多头自注意力机制分别设计时间多头注意力模块和空间多头注意力模块.时间多头注意力模块利用一个图掩码矩阵获得局部注意力,并将其融合到一个多头自注意力中,以提取交通流的动态时间特征.空间多头注意力模块利用两个图掩码矩阵获得局部注意力和全局注意力,并将其融合到一个多头自注意力中,以提取路网节点的动态空间特征和长距离的空间依赖性.最后,设计一个门控融合模块自适应地融合交通流数据的时空相关性特征.在三个真实交通流基准数据集PEMS04,PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在3个数据集上的3个预测精度指标与其他精度最高模型相比,平均提高了4.437%,2.930%,4.275%.

基于混合动态掩码与多策略融合的医疗知识图谱问答

医疗知识图谱问答结合医学知识和自然语言处理技术,为医疗从业者和患者提供准确、快速的问答服务。随着数据激增,现有的中文医疗知识图谱不够全面,并且医学问题复杂多义,准确识别实体信息、生成通俗易懂的回答仍有挑战。提出了一种基于混合动态掩码与多策略融合的医疗知识图谱问答框架。通过整合公开数据集与医药平台的疾病知识,构建了一个包含34167个实体和297463条关系的医疗知识图谱,涵盖疾病、药品、食物等多个类别。提出BERT-MaskAttention-BiLSTM-CRF混合动态掩码模型来精确识别输入的医疗实体信息,更有效地关注重要内容,去除冗余信息干扰。采用实体对齐策略将医疗实体进行统一和标准化,通过意图识别策略深入理解用户的查询意图,结合大型语言模型对知识图谱的输出进行润色,保证回答内容更加容易理解。实验结果表明,在实体识别对比实验中模型的宏观平均F1值达到0.9602,在问答测试实验中,平均准确率达到0.9656,且生成的内容更加通俗易懂,可解释性强。

基于图注意力和改进Transformer的节点分类方法

当前,图Transformer主要在传统Transformer框架中附加辅助模块达到对图数据进行建模的目的 .然而,此类方法并未改进Transformer原有体系结构,数据建模精度还有待进一步提高.基于此,本文提出一种基于图注意力和改进Transformer的节点分类方法 .该方法构建基于拓扑特征增强的节点嵌入进行图结构强化学习,并且设计基于二级掩码的多头注意力机制对节点特征进行聚合及更新,最后引入归一前置及跳跃连接改进Transformer层间结构,避免节点特征趋同引起的过平滑问题.实验结果表明,相较于6类基线模型,该方法在不同性能指标上均可获得最优评估结果,且能同时兼顾小规模和中规模数据集的节点分类任务,实现分类性能的全面提升.

融合掩码机制的图卷积文本分类模型

图卷积神经网络在文本分类领域受到广泛关注,但同时存在过平滑的问题。此外,现有研究中掩码机制是在文本结构上进行融合,可能并不完全适用于基于图卷积神经网络的文本分类方法。因此,该文针对图结构提出了融合掩码机制的图卷积神经网络MaskGCN,直接将掩码机制引入文本图结构,并采用全局共享矩阵动态构建文本级别的多粒度文本图。在THUCNews、今日头条和SougoCS数据集上的实验表明,该文模型在有效抑制过平滑的同时,相比于其他文本分类模型取得了较优的结果。

基于自监督图掩码神经网络的社交推荐模型

现有自监督社交推荐模型大多通过人工启发式图增强和单一关系视图间对比的策略构建自监督信号,性能受到增强自监督信号质量的影响,难以自适应地抑制噪声.由此,文中提出基于自监督图掩码神经网络的社交推荐模型.首先,分别构建用户社交和物品分类的单一关系视图及高阶连通异构图,采用图掩码学习范式指导用户社交图进行自适应和可学习的数据增强.然后,设计异构图编码器,学习视图中的潜在语义,跨视图对用户、物品嵌入进行对比学习,完成自监督任务,分别对用户、物品嵌入进行加权融合,完成推荐任务.最后,利用多任务训练策略联合优化自监督学习任务、推荐任务和图掩码任务.在3个真实数据集上的实验表明文中模型性能具有一定提升.

基于彩色图片的人脸检测方法

提出了一种基于肤色的精确人脸定位算法,详细叙述了在图片的颜色调整与肤色检测,肤色区域的平滑、分割与填充,候选眼睛的选取及配对中遇到的具体问题并提出了解决方案.本算法能较为准确地定位彩色图像中的正面、小角度偏侧和旋转的人脸,还能检测出一幅图中的多个人脸.

一种用于标准单元版图交替移相掩模相位兼容性规则检查的工具

介绍了一套基于相位冲突图的生成和处理的新方法 ,可以准确、全面地对由传统方法设计的标准单元版图(暗场 )进行检查 .基于此方法的软件工具能够检查标准单元版图 ,找出不符合交替移相掩模设计要求的图形 ,并给出相关的修改建议 .

具有交替型相移掩模技术的CAD系统

随着超大规模集成电路制造进入深亚微米时代,版图上相邻特征区域的光刻质量受光学临近效应的影响越来越大。交替型相移掩模技术通过将相邻区域的相位进行180°反转,使干涉效应互相抵消,从而被认为是提高光刻分辨率最实用的技术之一。我们以当今的最新研究成果为基础,开发了一个用于暗域交替型相移掩模设计技术的CAD原型系统。为应对随版图尺寸呈指数增加的相位冲突,还提出了一个自适应粒度的划分方法,以减少计算时间。该算法和原型系统的有效性在多个不同尺寸的实际版图上得到了成功的验证。

先导光刻中的光学邻近效应修正

按照逻辑器件发展的节点顺序,依次论述了各种光学邻近效应修正技术:基于经验的光学邻近效应修正、基于模型的光学邻近效应修正、曝光辅助图形、光源和掩模版的优化、反演光刻技术以及两次曝光技术等。概括了各种技术出现的逻辑技术节点、数据处理流程、修正的表现形式和效果、优势和发展前景等。最后就先导光刻工艺的研发模式(先建立光学和光刻胶模型,再进行"计算光刻"),论证了光刻工艺的研发必须和光学邻近效应修正的数据流程实现互动的观点,即任何光刻工艺参数的变动都会影响到"计算光刻"模型的准确性,需要重新进行修正,以避免原计算可能导致的失败。因此,光学邻近效应修正是先导光刻工艺研发的核心。

融合BERT-WWM和指针网络的旅游知识图谱构建研究

针对旅游信息呈现出散乱、无序和关联性不强的问题,提出一种融合BERT-WWM(BERT with whole word masking)和指针网络的实体关系联合抽取模型构建旅游知识图谱。借助BERT-WWM预训练语言模型从爬取的旅游评论中获得含有先验语义知识的句子编码。针对传统的实体关系抽取方法存在错误传播、实体冗余、交互缺失等问题,以及旅游评论中的实体关系存在一词多义、关系重叠等特征,提出直接对三元组建模,利用句子编码抽取头实体,根据关系类别抽取尾实体,并建立级联结构和指针网络解码输出三元组。基于Neo4j图数据库存储三元组构建旅游知识图谱。实验在建立的旅游数据集上进行,融合BERT-WWM与指针网络的实体关系联合抽取模型的准确率、召回率和F1值分别为93.42%、86.59%和89.88%,与现有模型相比三项指标均显示出优越性,验证了该方法进行实体关系联合抽取的有效性。构建的旅游知识图谱实现了旅游景区信息的整合与存储,对进一步促进旅游业发展具有一定的实际参考意义。

基于灰度熵合成样本块的图像修复算法

图像修复时需要利用已知信息修补图像中的缺失部分,同时要求取得较快的修复速度。为此,提出基于平均灰度熵选取样本并通过加权合成最终匹配块的图像修复算法。将待修复图像进行网格划分,以网格为单位区间计算每个网格内图像的平均局部灰度熵值。使用自适应阈值分割算法将所有网格区域分为2个互斥集合。根据待修复区域所在网格平均灰度熵确定样本块的选取范围,使用最小平方差和准则选择若干样本块,并通过衰减函数得到各个样本块的权值,最终合成样本块。实验结果表明,该算法在取得理想修复效果的同时能够确保得到较快的修复速度。

趋势动画显示技术在计算机辅助测试系统中的应用

本文介绍采用逐点擦除、双掩码法写点原理，在彩色显示器屏幕窗口加网背景坐标系内趋势动画图形显示的新方法，给出程序框图及某些关键程序。此技术可应用于需要多通道连续波形显示的自动测试系统中。

基于色彩优化的云锦局部风格迁移

针对当前图像风格迁移算法在云锦线稿纹样合成中出现的轮廓模糊、色彩混杂的问题,本文提出了一种增加色彩损失计算的云锦局部风格迁移模型,即定义色彩像素在R、G、B通道的方差和为色彩损失,采用Adam函数优化色彩损失,以减小合成纹样的色彩差异,利用掩码图获得局部迁移轮廓,生成高识别度的云锦风格化效果图。实验结果表明:利用色彩优化的局部迁移算法获得的云锦效果图综合相似度(内容与风格)均值为0.38,相比传统的局部迁移算法提高了9.14%。优化模型在实现局部风格迁移的基础上,通过减小色彩差异,提高了合成纹样的语义辨识度,为云锦图案的创新设计提供了方法。

基于图像的三维预测及其在水利枢纽中的应用

为了解决传统基于图像的三维重建中鲁棒性较差、信息获取效率低下的问题,使用了卷积神经网络(convolutional neural networks,CNN),将基于区域的掩模卷积网络(region-based convolutional network method,Mask R-CNN)和图卷积(graph convolutional network,GCN)联合实现三维重建,其中Mask R-CNN完成二维感知GCN实现三维形状推断,该方法不需要进行特征提取与匹配以及复杂的几何运算。通过实验验证了该方法的可行性,采用倒角距离(chamfer distance)及法向量距离作为评价指标与基线系统进行了比较,实验显示,倒角距离缩小了0.2~2.238,法向量距离增大了10.11~36.03,体现了优异性。以水利枢纽图作为实例进行三维重建,为稀疏信息及实例图的三维建模提供了新的思路。

高性能整数倍稀疏网络行为识别研究

目的 行为识别在人体交互、行为分析和监控等实际场景中具有广泛的应用。大部分基于骨架的行为识别方法利用空间和时间两个维度的信息才能获得好的效果。GCN(graph convolutional network)能够将空间和时间信息有效地结合起来,然而基于GCN的方法具有较高的计算复杂度,结合注意力模块和多流融合策略使整个训练过程具有更低的效率。目前大多数研究都专注于算法的性能,如何在保证精度的基础上减少算法的计算量是行为识别需要解决的关键性问题。对此,本文在轻量级Shift-GCN(shift graph convolutional network)的基础上,提出了整数倍稀疏网络IntSparse-GCN(integer sparse graph convolutional network)。方法 首先提出奇数列向上移动,偶数列向下移动,并将移出部分用0替代新的稀疏移位操作,并在此基础上,提出将网络每层的输入输出设置成关节点的整数倍,即整数倍稀疏网络IntSparse-GCN。然后对Shift-GCN中的mask掩膜函数进行研究分析,通过自动化遍历方式得到精度最高的优化参数。结果 消融实验表明,每次算法改进都能提高算法整体性能。在NTU RGB+D数据集的子集X-sub和X-view上,4流IntSparse-GCN+M-Sparse的Top-1精度分别为90.72%和96.57%。在Northwestern-UCLA数据集上,4流IntSparse-GCN+M-Sparse的Top-1精度达到96.77%,较原模型提高2.17%。相比代表性的其他算法,在不同数据集及4个流上的准确率均有提升,尤其在Northwestern-UCLA数据集上提升非常明显。结论 本文针对shift稀疏特征提出整数倍IntSparse-GCN网络,对Shift-GCN中的mask掩膜函数进行研究分析,并设计自动化遍历方式得到精度最高的优化参数,不但提高了精度,也为进一步的剪枝及量化提供了依据。