基于互信息和关系积理论的特征选择方法

研究互信息理论,针对其不足引进粗糙集并给出一个基于关系积理论的属性约简算法,以此为基础提出一个适用于海量文本数据集的特征选择方法。该方法使用互信息进行特征初选,利用所给的属性约简算法消除冗余,从而获得具有代表性的特征子集。实验结果表明,该特征选择方法效果良好。

关系积理论及属性约简算法

属性约简是粗糙集RS(rough set)理论的重要研究内容.决策表的最小属性约简是NP-hard问题.本文基于集合理论,提出了关系积概念,把决策表的属性约简过程转化为关系积的运算,充分利用关系积的相关性质,提高了关系积属性约简算法的效率.

模糊关系积在群决策中的应用

将模糊三角积及方积的概念用于群体多准则决策，给出了一种分析比较专家意见的方法，定义了专家意见的一致性。

一种基于关系积的属性值约简算法

值约简是粗糙集(Rough Set,RS)理论的一个重要研究课题,但由于值约简是一个NP-hard问题,目前还没有一个高效的值约简算法。基于集合理论,提出了关系积概念,把决策表的属性约简过程转化为关系积的运算,提高了属性约简的效率;利用各阶关系积生成时的信息,获得最小值约简表,从而解决了值约简这一NP问题。

基于改进关系积的最小属性约简算法

属性约简是粗糙集理论的核心内容之一。针对现有关系积理论不能求解不一致决策表中最小属性约简的缺陷,提出一种基于知识联合划分的改进关系积和关系积约简概念,分析了关系积约简、正区域和负区域之间的性质,提出一种基于改进关系积的最小属性约筒算法。理论分析和实例计算结果表明,该算法具有可行性,能求取一致或不一致决策表中所有最小属性约简。

关系积理论在特征选择中的应用研究

提出了一个适用于海量文本数据集的特征选择方法。该方法利用一个优化的文档频进行特征初选以滤除一些词条来降低特征空间的稀疏性,并利用一个基于关系积理论的属性约简算法消除冗余,从而获得较具代表性的特征子集。实验结果表明,此种特征选择方法效果良好。

基于关系图卷积网络的代码搜索方法

代码搜索是当下自然语言处理和软件工程交叉领域的一个重要分支.开发高效的代码搜索算法能够显著提高代码重用的能力,从而有效提高软件开发人员的工作效率.代码搜索任务是以描述代码片段功能的自然语言作为输入,在海量代码库中搜索得到相关代码片段的过程.基于序列模型的代码搜索方法DeepCS虽然取得了很好的效果,但这种方法不能捕捉代码的深层语义.基于图嵌入的代码搜索方法GraphSearchNet能缓解这个问题,但没有对代码与文本进行细粒度匹配,也忽视了代码图和文本图的全局关系.为了解决以上局限性,提出基于关系图卷积网络的代码搜索方法,对构建的文本图和代码图编码,从节点层面对文本查询和代码片段进行细粒度匹配,并应用神经张量网络捕捉它们的全局关系.在两个公开数据集上的实验结果表明,所提方法比先进的基线模型DeepCS和GraphSearchNet搜索精度更高.

基于关系图卷积网络的长链非编码RNA与疾病关联预测

针对当前长链非编码RNA(lncRNA)与疾病关联预测研究中存在的异质网络构建不完善、网络节点信息挖掘不充分问题,提出一种基于关系图卷积网络(Relational Graph Convolutional Network, R-GCN)的方法(RGCNLDA)。首先,构建lncRNA-miRNA-疾病异质图,随后在异质图上训练R-GCN获取节点嵌入向量,最后使用多层感知机预测lncRNA-疾病关联。5折交叉验证结果显示,RGCNLDA的受试者工作特征曲线下面积(AUROC)为0.934,表明其具有良好的预测性能。

基于关系积的属性约简算法

粗糙集的属性约简是一个NP难问题,目前尚无高效的算法.基于集合理论,提出了关系积概念和基于关系积的属性约简算法,把决策表的属性约简过程转化为关系积的运算,减小了对决策表的扫描次数,提高了属性约简的效率;算法采用自底向上和宽度优先的搜索策略,可确保找到最小属性约简集.结合实例,给出了算法的具体实现.

基于关系图卷积神经网络的多标签事件预测

事件预测需要综合考虑的要素众多,现有预测模型多数存在数据稀疏、事件的组合特征及时序特征考虑不足、预测类型单一等问题。为此,提出了基于关系图卷积神经网络的多标签事件预测方法,通过节点特征聚合技术实现数据的稠密化表示。模型利用卷积神经网络的卷积和池化运算,提取预测数据的组合时间段特征信息,并结合长短期记忆网络的时序特征提取能力,进一步提取预测数据的时序规律特征;最后,模型通过全连接的多标签分类器,输出多种类型事件发生的概率值。实验结果表明,所提模型可以支持进行多日期、多类型事件预测,在特定数据集上最高F 1值可以达到0.85。

一种关系积和遗传算法相结合的属性约简算法

属性约简是粗糙集(rough set,RS)理论进行规则提取中的重要步骤之一。决策表的最小属性约简是NP-hard问题,遗传算法(genetic algorithm,GA)是求解此类问题的有效方法之一,但在利用遗传算法求解属性约简过程中,需要计算各个个体的适应度,每计算一个个体的适应度,需要根据该个体代表的属性组,组织决策表,对组织后的决策表进行扫描,这样,算法就需要多次对决策表进行操作,影响到算法的执行效率。我们基于集合理论,提出了关系积概念,把决策表的属性约简过程转化为关系积的运算,利用关系积计算遗传算法各个体的适应度,不需要扫描决策表,避免了对决策表的操作,提高了遗传算法求解属性约简的效率,通过实例对这一算法进行了详细的描述。

基于关系图卷积网络的源代码漏洞检测

软件安全的根源在于软件开发人员开发的源代码,但随着软件规模和复杂性不断提高,仅靠人工检测漏洞代价高昂且难以扩展,而现有的代码分析工具有较高的误报率与漏报率。为此,提出一种基于关系图卷积网络(RGCN)的自动化漏洞检测方法以进一步提高漏洞检测的精度。首先将程序源代码转换为包含语法、语义特征信息的CPG;然后使用RGCN对图结构进行表示学习;最后训练神经网络模型预测程序源代码中的漏洞。为验证所提方法的有效性,在真实的软件漏洞样本上开展了实验验证,结果表明所提方法的漏洞检测结果的召回率和F1值分别达到了80.27%和63.78%。与Flawfinder、VulDeepecker和基于图卷积网络(GCN)的同类方法相比,所提方法的F1值分别提高了182%、12%和55%,可见所提方法能有效提高漏洞检测能力。

基于实体描述和关系图卷积神经网络的实体分类研究

随着大数据时代的来临,人工智能快速发展,知识图谱已经在垂直搜索和智能问答等领域中发挥着重要的作用。但是,即使是全世界上最大的知识图谱也仍然不完整,所以知识推理一直是知识图谱的研究热点之一。本文提出了一个融合实体描述和关系图卷积神经网络(R-GCN)的模型(DR-GCN),并将其应用于知识推理中的标准任务:实体分类(Entity Classification),即缺失实体属性的恢复。R-GCN是根据图卷积神经网络(GCN),专门针对实际知识图谱的高度多元关系数据特征而开发的一类图卷积神经网络。本文研究的DR-GCN模型,该模型充分利用了知识图谱中的关系类型、关系方向、实体自循环、实体描述等信息进行实体分类。本文对DR-GCN模型进行了彻底的评估,并与已建立的基线进行了比较。实验表明,DR-GCN模型的实验结果比现有的基线有所提高,在AIFB和BGS数据集上,DR-GCN模型的准确率分别比基线中准确率最高的G-GAT和RDF2Vec模型的96.19%和87.24%高0.24%和0.35%,验证了改进后的模型效果更佳。

基于关系图卷积神经网络的链接预测研究

本文提出了一个基于实体描述和关系图卷积神经网络的模型(DR-GAT),在R-GCN模型的基础上融入了实体描述信息和加入了注意力机制,并将其应用于基本的知识库完成任务:链接预测(Link Prediction),即缺失三元组的恢复。实验结果证明,DR-GAT+模型与现有的基线比较时,在FB15K-237数据集上比现有基线R-GCN+的Hits@10指标高出0.81%,验证了改进后的模型链接预测效果更佳。

基于改进皮尔逊积矩相关系数的一次调频关键参数校核辨识方法

在特高压新能源环境下电网格局与发电结构发生重大变化,电网运行过程中一次调频关键参数准确性、可靠性对电力系统安全稳定运行具有重要作用。利用调差系数定义计算理论功率,从理论功率和实测功率关系出发,提出了一种基于改进皮尔逊积矩相关系数(PPMCC)的一次调频关键参数校核辨识方法,该方法通过改进PPMCC方法,准确、高效地在线评估发电机组一次调频动作过程中理论功率与实际功率之间的相关性,从而校核辨识一次调频关键参数。以某机组运行过程中一次调频事件为例,验证该方法的有效性、稳定性,实验结果表明该方法能准确、快速、可靠地辨识出一次调频关键参数,同时该方法为电网调度人员实时掌握涉网发电机组一次调频动态性能提供了数据支持,为电力系统安全稳定运行提供了有力的支撑。

AES中S盒的面积、功耗与安全性分析

研究了高级加密标准(AES)中不同结构S盒实现的面积、功耗与安全性因素,为资源受限和安全性要求高的嵌入式加密应用场合提供了设计参考依据.基于仿真工具和0.25μm,1.8 V工艺库,完成了包括查找表(LUT)、有限域分解(GF(24))、译码交错编码(DSE)等在内的5种S盒结构设计.基于功耗分析攻击,引入了S盒的功耗比率-相关系数积作为安全性指标.仿真结果表明GF结构S盒具有面积小、安全性高等特点,而DSE结构S盒具有极低功耗特性.

用p-V指数关系确定血管壁的周向应力

通过检测，得到在体轴向伸长比条件下血管段的压力－容积（ｐ－Ｖ）数据，利用指数函数关系，求得在一定内压作用下血管壁周向应力沿壁厚的分布．并以正常大鼠腹主动脉为例进行计算，结果发现，在生理压力作用下，残余应力对血管壁周向应力的分布有很大影响，不考虑残余应力将使血管内壁处出现明显的周向应力集中，当考虑存在于血管壁内的残余应力后，周向应力沿壁厚的分布将变得较均匀，例如当内压ｐ＝１０ ｋＰａ时，血管内、外壁周向应力值之比，对前者将达１０以上，而对后者差不多只有２左右．所得结果与用Ｆｕｎｇ提出的应变能密度函数的计算结果作比较，发现二者符合得相当好．

秦岭太白红杉群落种间关系的数量分析

应用2×2列联表的Fisher精确检验,研究了太白红杉群落中44种植物 共946个种对 的种间关系.结果有33个种对正关联,12个种对负关联 P<0.05或P<0.01 .另外,用Pearson积矩相关系数和Spearman秩相关系数检验刻划了种对间的数量变化关系.Pearson相关系数显示有31个种对呈显著正协变,5个种对呈显著负协变;Spearman秩相关系数显示有30个种对呈显著正协变,5个种对呈显著负协变,并分别计算出了其相关系数.研究结果表明,太白红杉群落种间关系较为简单,但草本层物种间连接相对较为复杂,灌木层次之.乔木层中,太白红杉和巴山冷杉呈显著的负协变效应.

积模糊粗集模型及其模糊知识粒的表示和分解

为处理人工智能中不精确和不确定的数据和知识,Pawlak提出了粗集理论。之后粗集理论被推广,其方法主要有二:一是减弱对等价关系的依赖;二是把研究问题的论域从一个拓展到多个。结合这两种思想,研究基于两个模糊近似空间的积模糊粗集模型及其模糊粗糙集的表示和分解。根据这种思想,可以从论域分解的角度探索降低高维模糊粗糙集计算的复杂度问题。先对模糊近似空间的分层递阶结构———λ-截近似空间进行研究,得到不同层次知识粒的相互关系;然后定义模糊等价关系的积,并研究其性质及算法;最后构建基于积模糊等价关系的积模糊粗集模型,并讨论了该模型中模糊粗糙集的表示及分解问题,分别从λ-截近似空间和一维模糊近似空间的角度去处理,给出了可分解集的上(下)近似的一个刻画,及模糊可分解集的上(下)近似的λ-截集分解算法。

相关系数研究综述

相关系数是表征两个随机变量之间统计关系强弱的统计量,在几乎所有科学与技术领域都获得了广泛应用.本文以二元高斯分布为基本模型,对文献中常见的5种相关系数的统计特性作相对全面的回顾与总结,并探讨了其适用的场合.具体结论如下:(1)当样本满足二元高斯分布时,皮尔逊积距相关系数是最佳选择;(2)当样本中存在轻微的单调非线性畸变时,序统计量相关系数比较适用;(3)当样本中存在严重的单调非线性畸变时,斯皮尔曼秩次相关系数或肯德尔秩次相关系数是合适的选择;(4)当只有一路信号中存在单调非线性畸变时,基尼相关是最佳选择;(5)当样本中存在脉冲干扰时,斯皮尔曼秩次相关系数或肯德尔秩次相关系数是合适的选择.