FLOCKING OF A THERMODYNAMIC CUCKER-SMALE MODEL WITH LOCAL VELOCITY INTERACTIONS

In this paper, we study the flocking behavior of a thermodynamic Cucker–Smale model with local velocity interactions. Using the spectral gap of a connected stochastic matrix, together with an elaborate estimate on perturbations of a linearized system, we provide a sufficient framework in terms of initial data and model parameters to guarantee flocking. Moreover, it is shown that the system achieves a consensus at an exponential rate.

基于MGCD的转子故障数据集降维方法

针对由于特征维数过高导致故障数据集分类困难及故障模式辨识精度偏低的问题,提出一种基于多图协同决策(multi graph collaborative decision-making,简称MGCD)的转子故障数据集降维算法。首先,在边缘Fisher分析(marginal Fisher analysis,简称MFA)算法框架基础上,通过建立近邻图和远邻图解决因单一图结构导致的故障类别局部不可分问题;其次,采用最大化散度加权差分方式去削弱小样本问题造成的影响;最后,利用两个不同结构型式的转子系统故障模拟数据集对算法性能进行了验证。结果表明,使用本算法对故障数据集进行降维得到的敏感故障数据集使故障类别之间的差异性更加突出,能够提高故障模式识别准确率,为提高旋转机械智能故障诊断技术水平提供一定的研究参考依据。

不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(UC Irvine machine learning repository)不平衡分类公开数据集和智能电表实际故障数据集上的大量实验结果表明,与17种典型方法相比,该文所提算法在处理智能电表故障分类问题上具有显著优势。

结合最近邻图模型的稀疏ISAR成像方法

逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)稀疏成像方法可提供图像对比度高、旁瓣干扰少的成像结果 .稀疏成像以场景或目标散射率分布具有稀疏性为前提,待成像目标场景的稀疏特性决定了最终成像质量. ISAR目标场景的自然稀疏特性着重刻画点状特征,变换域稀疏表示可增强目标图像的纹理等通用特征.通过学习获得的稀疏变换字典,可自适应于待成像的ISAR目标场景,找到面向ISAR目标图像块的特有稀疏表示.但是,图像块的特有稀疏表示中忽略了待成像目标场景中目标的几何特征信息.最近邻图模型可建立给定数据的几何特征描述算子,刻画出给定数据的几何特征信息.本文利用最近邻图模型来刻画待成像目标场景中目标的几何特征信息,并映射到待成像目标场景的特有稀疏表示中;提出结合最近邻图模型的ISAR稀疏成像方法,用于不同类别实测ISAR数据成像.相比已有的ISAR稀疏成像方法,所提成像方法可获得目标轮廓更清晰的成像结果,成像所需时间平均减少10.4%.

基于朴素贝叶斯的属性混合大数据分类提取

与一般数据类型不同,属性混合大数据在分类提取过程中易受边缘数据的干扰,存在分类提取误差较大和抗噪能力不佳的问题,于是提出基于朴素贝叶斯算法的属性混合大数据分类提取方法。采用离散小波变换法消除大数据中存在的噪声,避免分类提取过程受到噪声干扰。通过监督判别投影法对大数据实行降维处理,将预处理后的属性混合大数据输入到朴素贝叶斯分类器中,通过先验知识与后验概率的结合,完成属性混合大数据的分类提取。实验结果表明,所提方法的运算耗时短、分类提取误差小、抗噪声能力强,验证了所提方法的应用效果。

单圈图的邻点全和可区别全染色

用结构分析法完整刻画单圈图U的邻点全和可区别全染色,并得到当U■C_(n)且n■0(mod 3)时,ftndiΣ(U)=Δ(U)+2;其他情况下,ftndiΣ(U)=Δ(U)+1.表明邻点全和可区别全染色猜想在任意单圈图上都成立.

基于角度的图神经网络高维数据异常检测方法

在高维数据空间中,数据大都处于高维空间边缘且分布十分稀疏,由此引起的“维度灾难”问题导致现有异常检测方法无法保证异常检测精度。为解决该问题,提出一种基于角度的图神经网络高维数据异常检测方法A-GNN。首先通过数据空间的均匀采样和初始训练数据的扰动来扩充用于训练的数据;然后利用k近邻关系构造训练数据的k近邻关系图,并以k近邻元素距离加权角度的方差作为近邻关系图节点的初始异常因子;最后通过训练图神经网络模型,实现节点间的信息交互,使得相邻节点能够互相学习,从而进行有效的异常评估。在6个自然数据集上将A-GNN方法与9种典型异常检测方法进行实验对比,结果表明:A-GNN在5个数据集中取得了最高的AUC值,其能够大幅提升各种维度数据的异常检测精度,在一些“真高维数据”上异常检测的AUC值提升达40%以上;在不同k值下与3种基于k近邻的异常检测方法相比,A-GNN利用图神经网络节点间的信息交互能有效避免k值对检测结果的影响,方法具有更强的鲁棒性。

THE GRAPH INDUCED BY AFFINE M-FLATS OVER FINITE FIELDS II

Let AG(n,F q) be the n-dimensional affine space over F q,where F q is a finite field with q elements.Denote by Γ (m) the graph induced by m-flats of AG(n,F q).For any two adjacent vertices E and F of Γ (m),Γ (m)(E)∩Γ (m)(F) is studied.In particular,sizes of maximal cliques in Γ (m) are determined and it is shown that Γ (m) is not edge-regular when m<n-1.

用于雷达信号分选的连通k近邻聚类算法

为了能够在密集且复杂多变的信号环境中进行实时有效的信号分选,需要一种具有较低复杂度且能够根据信号环境自动调整参数的聚类方法。在模糊聚类算法的基础上结合k近邻搜索,将λ邻域范围搜索变为λ邻域内k近邻搜索,提出了连通k近邻聚类(connected k-nearest neighbor clustering,CkNNC)算法。相比模糊聚类算法,所提算法时间复杂度降低而空间复杂度稍有增加。为使得该算法能够根据信号环境自动进行参数调整,提出了基于k距离图的阈值参数确定方法。所提算法具有时间复杂度低与阈值参数自动确定的特点,仿真结果表明所提算法与使用Calinski-Harabasz指标确定最佳阈值的低复杂度模糊聚类算法相比,分选效果差距不大、性能相近,而时间复杂度大幅下降。

反向近邻构造连通图的聚类算法

大数据时代的发展使得聚类算法的应用越来越广泛,但是当前大多数聚类算法对噪声数据比较敏感,并且不能识别非凸形状等复杂结构的数据集。针对该问题,提出一种反向近邻构造连通图的聚类算法。首先,设计一种密度计算方式得到数据点的密度,并构建一种动态的噪声判别器对数据进行去噪,从而削弱噪点对聚类过程的影响;其次,考虑到反向邻居更能体现数据点与周围各点之间的联系,设计一种对去噪后数据构造反向近邻连通图来识别簇内数据结构信息的聚类方法,并利用给定的聚类数合并聚类;最后,对噪点划分聚类时,考虑到仅仅将其划分到距离最近的簇可能导致划分结果不准确,设计一种噪点划分方式,将密度信息考虑到噪点划分聚类中,得到最终的聚类结果。为验证提出方法的有效性,将该方法与其他五种聚类算法的聚类结果进行对比,采用外部评价指标Acc和NMI进行聚类结果的评价。实验结果表明,该算法在非凸形状等复杂结构的含噪数据集上的聚类效果优于对比算法。

基于自注意力和位置感知图模型的会话推荐

为解决现有的会话模型方案都只基于局部会话信息而没有充分考虑全局会话信息的问题,提出一种基于自注意力和位置感知图模型的会话推荐。利用图神经网络构建会话图,利用位置感知注意力建模会话图的一阶邻居信息,引入反向位置嵌入赋予不同项目不同的权重,通过软注意机制获得局部会话表示;利用自注意力机制自适应地捕捉会话的全局依赖;将全局会话与局部会话相结合生成最终会话表示。对3个真实数据集进行实验,模型在3个数据集上P@20分别提升了1.2%、4.3%和12.9%,MRR@20分别提升了2.3%、5.4%和14.3%,验证了所提模型的有效性。

基于k-近邻局部线性邻域重建的多视角聚类算法

多视图聚类旨在利用不同视图间互为差异、互相补充的信息对数据对象进行聚类,如何融合不同视角的数据是多视角聚类算法的重要问题之一。为了能更准确有效地刻画视角间的相似关系,提出一种基于k-近邻局部线性邻域重建的多视角聚类算法。首先,利用数据点间的距离分配概率近邻,得到各视角数据对应的相似矩阵;其次,通过引入k-近邻,对各视角相似矩阵进行局部线性邻域重建后融合为统一的相似矩阵;同时,引入HSIC刻画不同视角的多样性。通过将统一图的学习与多样性学习整合在统一的框架中,本模型有能力输出一个包含了各视图多样信息的融合图。通过交替迭代算法,所提模型可以被很好地优化。多个公开数据集上的对比实验证明了所提出算法的有效性优于其他已有算法。

邻居子图扰动下的k-度匿名隐私保护模型

大规模图数据在商业和学术研究中应用广泛,在其共享发布场景中隐私保护极为重要。现有的匿名隐私保护模型难以有效解决图数据隐私保护和数据效用间的冲突问题。针对此问题,基于邻居子图扰动提出一种增强隐私保护程度和数据效用水平的k度匿名隐私保护模型。首先,该模型利用邻居子图扰动机制优化扰动图数据节点的1-邻居子图,提高扰动效率并减少数据效用损失;其次,利用分治策略并依据节点度序列实现对节点匿名组的优化划分,提高匿名图数据的效用;最后,采用边修改和子图边缘修改的策略重构匿名图数据,实现图数据k度匿名隐私保护。对比和实验结果表明,所提出模型比现有模型在计算开销和安全性方面有了较大提升,能够同时抗节点度攻击和邻居子图攻击,在边变化比例、信息损失、平均节点度变化和聚类系数等指标方面数据效用显著提升。

结合异构关系增强图神经网络的社交推荐

社交推荐旨在利用用户的社会属性推荐潜在的感兴趣项目,有效缓解了数据稀疏性和冷启动问题。然而现有的社交推荐算法主要面向单一社交关系进行研究,社会属性难以充分参与计算,存在未能合理利用社会异构关系和节点特征表示质量不高的问题,为此提出一种结合异构关系增强图神经网络的社交推荐模型(HR-GNN)。HR-GNN利用图卷积网络(GCN)聚合用户和项目节点信息,生成查询嵌入以查询节点信息;通过将抽样概率与邻居节点之间的一致性分数相结合的邻居抽样策略挖掘社会异构关系;用自注意力机制聚合节点信息以提高用户和项目特征表示的质量。在两个真实数据集上进行的实验结果表明,所提算法在平均绝对误差(MAE)和均方根误差(RMSE)两个指标上相较于基准算法均有明显改进,在Ciao数据集上它们分别至少降低了1.80%和1.35%,在Epinions数据集上则分别至少降低了2.80%和3.18%,验证了HR-GNN的有效性。

自适应邻居和图正则的表示学习

在传统基于图表示的聚类算法中,表示矩阵计算和聚类通常分开进行,导致最后获取的表示矩阵可能不能代表最优的聚类结构.为解决此问题,本文提出一种新的聚类模型,它能在学习数据表示矩阵的同时获取合适的聚类结构.首先,基于局部距离度量,通过为每个数据点自适应地分配最优近邻学习数据表示矩阵.然后,通过在模型中施加约束项,降低噪声和离群点的影响,学习更优的表示矩阵.最后,对已学习到的数据表示矩阵的拉普拉斯矩阵施加秩约束,使得最终学习到的表示矩阵中的连通分量个数与簇个数相同,得到能够表征聚类结构的表示矩阵.实验将所提出的方法与11个算法在7个数据集上进行了比较,结果验证了该算法的有效性.

基于关系学习网络的小样本知识图谱补全模型

现实世界中的知识图谱由大量事实三元组构成,其中通常包含许多出现次数很少的小样本关系,面向这些小样本关系补全知识图谱中缺失的三元组是一项具有挑战性的工作。针对现有小样本知识图谱补全模型中普遍存在的小样本关系表示无法有效提取问题,提出一种基于关系学习网络的小样本知识图谱补全模型。考虑关系的相关性,对参考和查询三元组进行邻域聚合编码,获得增强的实体嵌入表示。基于融合Transformer编码器与长短期记忆神经网络的结构,将三元组的关系表示进行编码输出。利用注意力机制得出查询关系与动态参考关系的语义相似性,并结合平移模型的假设对查询三元组成立的可能性进行综合打分。实验结果表明,该模型通过融合路径发现与上下文语义有效提取了小样本关系的细粒度语义,在小样本链接预测任务中,相较于基线模型中评价指标的最优值平均提升了9.5个百分点。

基于关系约束的上下文感知时态知识图谱补全

现有的时间知识图谱补全模型仅考虑四元组自身的结构信息,忽略了实体隐含的邻居信息和关系对实体的约束,导致模型在时态知识图谱补全任务上表现不佳。此外,一些数据集在时间上呈现不均衡的分布,导致模型训练难以达到一个较好的平衡点。针对这些问题,提出了一个基于关系约束的上下文感知模型(CARC)。CARC通过自适应时间粒度聚合模块来解决数据集在时间上分布不均衡的问题,并使用邻居聚合器将上下文信息集成到实体嵌入中,以增强实体的嵌入表示。此外,设计了四元组关系约束模块,使具有相同关系约束的实体嵌入彼此相近,不同关系约束的实体嵌入彼此远离,以进一步增强实体的嵌入表示。在多个公开的时间数据集上进行了大量实验,实验结果证明了所提模型的优越性。

k近邻密度支配域代表团密度峰值聚类算法

密度峰值聚类(clustering by fast search and find of density peaks,DPC)算法在应对大规模聚类时效率不高。k近邻密度支配域小团簇加速技巧可以很好地改善该短板,但存在代表点代表能力不足的问题,从而影响聚类质量。代表团采样策略可作为上述问题的改进方式。由此形成的新算法不仅继承了原有密度支配域小团簇加速技巧的高效特性,还保证了聚类的质量。算法构建k近邻图。再利用k近邻图进行核密度估计并构建若干个密度支配域。对各密度支配域分别从高低密度区域采样支配域代表团。利用代表团的近邻关系计算域间相似度。将各支配域视为新样本点,执行DPC算法完成聚类。实验证明,引入代表团策略对DPC算法有一定的提升,聚类效果比部分密度聚类算法更好。

多图融合约束半非负矩阵分解的动作分割方法

基于聚类的无监督动作分割方法主要利用序列中相邻帧之间的结构相似性来提高动作分割的准确性。这在实现动作片段内部一致划分的同时给不同动作边界的准确分割带来隐患。为此提出了一种基于多图融合约束矩阵分解的动作分割方法。通过融合序列中的结构相似性和度量相似性信息构造多图融合约束项,融入到半非负矩阵分解中获得序列的低维表示,进而获得序列的k近邻图并利用图割的方法实现准确分割。在两类动作序列上的实验表明,所提方法在保持动作内部一致划分的同时能够准确划分动作边界,明显提升了分割准确性,时间效率也明显提升。

面向超大规模数据的自适应谱聚类算法

针对超大规模数据聚类过程中人为设定邻域参数及计算量庞大等问题,提出了一种基于近似自然近邻的自适应超大规模谱聚类算法(approximate natural nearest neighbor based self-adaptive ultra-scalable spectral clustering algorithm, AN^(3)-SUSC)。该算法首先通过混合代表选取缩小数据规模,在此基础上利用近似自然近邻自适应地确定局部邻域参数并构建相似矩阵,最后运用二部图进行迁移分割将数据空间映射到原超大规模数据空间中并完成谱聚类分析。超大规模数据集实验结果表明,该算法对超大规模数据集聚类效果有所提升,并且降低计算规模同时具有较高的鲁棒性和较强的自适应性。