基于时空图小波神经网络的手部动作识别方法

根据车间人员操作监控的需要,文中研究了一种基于深度学习的新方法——时空图小波神经网络(ST-GWNN)。该算法对图小波卷积进行参数化,以降低每层图卷积层的参数复杂度,并采用一阶切比雪夫多项式逼近图小波卷积;分离多项式阶数K与邻接节点阶数之间的关系,固定多项式阶数,通过调整超参数s来改变邻域范围,从而识别更多复杂的手部动作。实验结果表明,文中提出的ST-GWNN在动作识别中的识别率优于目前常用的时空图卷积神经网络,并且能够充分利用动作的时空关联性。

基于图卷积网络的配电网故障定位及故障类型识别

主流的配电网故障定位和识别故障类别任务分开建模,却忽略了故障定位和故障类别之间关联性,该文提出了故障定位以及故障类别的端到端联合模型。利用契比雪夫图卷积神经网络(ChebNet)作为编码器,聚合静态的图结构和动态的节点信息得到各节点的数学表达;在故障定位解码端,通过多头自注意力机制建立适用于节点属性变化以及融合配电网拓扑结构的配电网故障定位模型;在故障分类解码端,结合故障定位解码端的故障区域信息以及ChebNet编码器得到的各节点的数学表达,通过全连接层建立故障类型识别模型。实验结果表明,基于契比雪夫图卷积神经网络在双电源配电网中故障定位中效果较好,故障定位准确率达到98.25%,故障类别任务中的准确率为93.11%。该方法适用于主动配电网结构灵活及含分布式电源的配电网络中。

基于切比雪夫一阶截断式的谱卷积协同过滤

为解决个性化推荐协同过滤中存在用户关联项目过少,而引起的用户冷启动问题,提出一种基于切比雪夫优化的谱卷积协同过滤推荐算法。将用户-项目二部图转换到谱域,通过切比雪夫一阶截断式建立深度前馈神经网络,优化卷积过程,省略拉普拉斯矩阵复杂的特征分解,缩短模型训练时间,在谱域中快速发现用户与相关项目之间的隐性关联信息。经过实验验证,该方法对提升推荐结果的准确性有着较为明显的帮助,更为有效挖掘用户与项目间关联信息。