基于模体的网络化作战信息流转动态超图模型

动态准确、直观精细的信息流转模型,是分析作战信息交互关系、探索信息赋能作用机理的重要保证。针对网络化作战信息流转模型构建问题,首先,定义了作战节点、信息流等相关概念,抽象了情报、指控、打击3类基本信息流模体,并讨论了不同的功能组合;其次,阐述了超图相关理论,研究了作战任务的递阶分解方法及超图表示形式,给出了作战信息流转动态超图模型构建的一般流程及步骤;最后,以空中进攻作战为例,验证了模型的可行性与有效性。

无监督动态超图学习拉普拉斯矩阵特征选择

为捕捉样本之间的复杂关系,提升噪声鲁棒性,提出一种基于动态超图学习拉普拉斯矩阵的无监督特征选择方法。通过对训练样本的协方差矩阵施加正交约束,利用超图动态学习拉普拉斯矩阵分别保持低维训练样本的全局和局部结构,获取样本之间的复杂关系;引入的两种子空间学习方法增强特征选择的辨别能力。通过公共数据集实验结果验证了提出方法能够提升特征选择质量,以及相关上游任务的精度和鲁棒性。

基于改进Transformer和超图模型的股票趋势预测方法研究

股票预测是一项令人痴迷又极具挑战的任务。近年来,融合关系信息的股票时序预测方法取得一些进展,但仍存在如下问题:首先,基于图神经网络的方法仅考虑股票之间简单的成对关系,而未考虑股票间的高阶协同关系。其次,现有方法采用预定义图的方式直接给出股票间的静态关系,无法建模股票间潜在的动态变化关系。为了解决上述问题,提出一种端到端的动态超图卷积神经网络股票趋势预测框架。该框架基于改进的Transformer提取股票的时序信息,通过静态超图和动态超图将股票间的协同关系信息引入到时序建模中。在中国A股和美股市场数据集上的实验结果表明,与当前先进模型相比,本文模型的预测性能具有显著优势。