基于自适应图卷积和注意力池化的点云分类与分割

针对现有点云分类与分割方法使用最大池化聚合局部邻域特征,导致最大值以外的重要信息丢失的缺陷,提出一种结合自适应图卷积AdaptConv和注意力池化AP的点云分类与分割网络。首先,采用K近邻算法构建点云局部图结构,根据点的特征生成自适应卷积核,灵活精确地捕获点云的局部邻域特征;其次,为有效提高特征聚合能力,采用注意力池化定义能量函数得到权重值,加权并聚合出更具代表性的点云局部特征;最后,堆叠自适应图卷积和注意力池化逐层提取全局特征,提高网络的分类和分割精度。实验结果表明,相较基准方法,点云分类的平均类别精度提升0.9%,部件分割和语义分割的平均交并比分别提升0.8%和0.3%,证明所提方法可有效提升点云分类与分割的准确率,具有较高的鲁棒性。

集改进图卷积和多层池化的点云分类模型

针对基于图卷积的点云分类模型在提取点云不同语义区域的特征信息以及高效利用聚合的高维特征方面存在的问题,本文提出了一种新的点云分类模型,该模型采用了动态自适应图卷积和多层池化相结合的方法。具体而言,本文采用了残差结构来构建更深层的卷积,以学习不同语义区域点对特征中不同层次的特征信息,从而生成动态自适应调整卷积核,针对不同的点对动态更新边的特征关系,从而提取更为精确的局部特征。同时,本文将聚合的高维特征输入到多层最大池化模块中,回收利用第一次最大池化后丢弃的特征信息进行多层最大池化,从而获取更为丰富的高维特征,提高分类模型的精度。实验结果表明,在ModelNet40数据集上,本文提出的分类模型的总体精度达到93.3%,平均精度为90.7%,明显优于目前主流的点云分类模型,并具有较强的鲁棒性。

基于图卷积和注意力神经网络的旅行商问题新解法

旅行商问题是一个经典的组合优化问题。为快速求解旅行商问题,设计了由图嵌入网络、图卷积神经网络、注意力神经网络和多层感知机组合而成的深度学习模型的学习分支规则,通过改进传统的分支定界算法提高算法性能。对15个城市的旅行商问题实例进行监督训练,并在SCIP求解器上分别测试10,15,20,25和30个城市的旅行商问题实例。发现:基于学习分支规则的分支定界算法的求解时间比基于传统分支规则的分支定界算法的求解时间分别快-0.0022 s,0.0178 s,1.7643 s,2.3074 s和2.0538 s。因此,基于图神经网络的分支变量选择对传统分支规则的改进是有效的,可以较好地泛化到训练规模更大的旅行商问题实例中。

基于轻量级图卷积和隐式反馈增强的多样化推荐

近年来,研究人员一直在努力提高推荐系统的准确性,而忽视了多样化对用户满意度的重要影响。目前大多数多样化推荐算法在传统算法生成的准确性候选列表后施加多样性约束进行后处理。然而,这种解耦设计总是导致推荐系统的次优状态。与此同时,尽管利用图卷积神经(Graph Convolution Networks,GCN)的推荐算法在提高推荐准确性方面的有效性已得到证实,但用于推荐的适用性和多样性设计仍然被忽视。此外,推荐算法采用用户购买这一单一的显式反馈无可避免地陷入“推荐过剩”。因此,提出一种端到端的多样化轻量级图卷积网络推荐模型(Diversified Light Graph Convolution Networks Recommendation,DLGCRec)来克服以上弊端。首先,将图卷积简化为轻量级图卷积(Light Graph Convolution Networks,LGCN)以便于推荐,并利用轻量级图卷积将多样化推向上游准确性匹配推荐过程。然后,在轻量级图卷积的采样阶段,利用引入了用户隐式反馈的多样性增强负采样来探索用户的多样化偏好。最后,利用多层特征融合策略捕获节点的完整特征嵌入,提升推荐性能。在真实数据集上进行实验,结果验证了DLGCRec在适用推荐和提升多样性方面的有效性。进一步的消融研究证实,DLGCRec有效地缓解了准确性-多样性困境。

2型糖尿病并发糖尿病足患者Wanger分级与红细胞压积、白蛋白、红细胞压积和白蛋白差值的相关性

目的探讨2型糖尿病并发糖尿病足患者Wanger分级与红细胞压积(HCT)、白蛋白(ALB)、HCT和ALB差值(|HCT-ALB|)的相关性。方法回顾性分析2019年1月至2020年1月首都医科大学附属北京中医医院收治的90例2型糖尿病并发糖尿病足患者,按Wanger分级将其分为Wagner1级组30例,Wagner 2~3级组25例,Wagner 4~5级组35例,比较三组临床资料,分析血清HCT、ALB、|HCT-ALB|水平与Wanger分级的相关性。结果Wagner 2~3级组、Wagner 4~5级组年龄、糖尿病病程高于Wagner 1级组,差异有统计学意义(P<0.05)。Wagner 4~5级组钠、血红蛋白、HCT、ALB水平均低于Wagner 1级组、Wagner 2~3级组,白细胞计数、C反应蛋白水平高于Wagner 1级组、Wagner 2~3级组,差异有统计学意义(P<0.05)。Wagner 2~3级组C反应蛋白水平高于Wagner 1级组,HCT、ALB低于Wagner 1级组,差异有统计学意义(P<0.05)。2型糖尿病并发糖尿病足患者Wagner分级与血清HCT、ALB水平均呈负相关(rs<0,P<0.05),与|HCT-ALB|无相关性(P>0.05)。结论血清HCT、ALB水平与2型糖尿病并发糖尿病足患者Wagner分级密切相关,一定程度上可为该病的病情严重程度评估提供参考依据。

集图卷积和三维方向卷积的点云分类分割模型

现有的深度学习方法在提取点云的局部特征时往往忽略了节点间的位置关系和方向信息,导致不能有效地学习点云的局部特征。为解决这一问题,提出一种集图卷积和三维方向卷积的点云分类分割模型GCN3D。GCN3D模型将图卷积神经网络应用在点云分类分割领域。将点云视作图上的节点,对每个节点求其K近邻,建立局部K近邻邻域内两两节点之间的边,并通过图卷积神经网络参数化边特征以捕捉节点间局部位置关系并更新中心节点特征;使用方向编码模块将节点的邻域划分为八个方位的细粒度的邻域小块,并按照三维空间坐标轴的方向依次将局部邻域结构内的节点特征映射到不同细粒度邻域空间内以提取节点间的方向信息,并且叠加两个方向编码模块增大网络的感受野,提高模型对于稀疏点云数据的鲁棒性并获取局部邻域多尺度特征。在ModelNet40数据集和ShapeNet数据集上分别进行点云分类和点云部分分割的实验。结果表明,相比没有考虑局部特征信息的PointNet,GCN3D模型在ModelNet40数据集上的总体分类精度提高了3.8个百分点,平均分类精度提高了4.3个百分点;在ShapeNet数据集上的平均交并比提高了1.5个百分点。相比其他深度学习模型性能有不同程度的提高。

基于图卷积和双向长短期记忆网络的受端电力系统暂态电压稳定评估

为快速、准确评估受端电力系统故障后暂态电压稳定状态并定位电压失稳节点/区域,提出一种基于图卷积网络(graph convolutional network,GCN)和双向长短期记忆网络(bidirectional long/short-term memory network,Bi LSTM)的受端电力系统暂态电压稳定评估方法。首先,基于暂态电压时序响应特性及空间分布规律,以及电力系统拓扑连接关系和各节点电气量测数据,构建表征电力系统运行状态的输入特征矩阵,以有效计及暂态电压的时空演变规律;然后,搭建由GCN和BiLSTM相结合的深度神经网络,提取具有最大相关性的暂态电压时空特征信息,进而建立时空特征与暂态电压稳定状态间的映射关系,实现暂态电压失稳节点/区域的精确定位;最后,通过修改后的IEEE-39节点测试系统和某实际电网系统算例对所提方法进行分析、验证,结果验证了所提暂态电压稳定评估方法的准确性和有效性。

基于图卷积和LSTM的软件需求高精度分类仿真

软件需求分类性能过差会影响软件项目后续所有的开发活动。为了推进软件需求工程发展,提出基于图卷积和LSTM的软件需求分类算法。以PROMISE数据集为基础,通过将合集内数据先升维再降维,增强数据自然语义理解能力和神经网络整流线性节点匹配能力。利用长短期记忆网络提取数据的字向量特征和词向量特征,并将特征向量输入图卷积神经网络,利用网络注意力机制筛选聚类中心,利用卷积操作划分特征矩阵,实现软件需求分类。实验结果表明,所提方法分类精度较高,性能较好。

基于图卷积和注意力的方面级情感分类

为解决图注意力网络对边信息的忽视和固定卷积层数的方法不能自适应获取情感词信息的问题,提出一种基于图卷积和注意力的方面级情感分类模型。加入句法依存边信息提高对不同句法连接词的区分度;一个迭代注意力机制被设计用于建立方面词和句中所有词的关联关系,自适应选择全局词信息。模型在Twitter、Rest14和Rest16数据集上获得更好的性能。实验结果验证了该方法的有效性。

几种特殊积和式的计算

积和式是一种特殊的矩阵函数,它在组合设计、组合矩阵论和概率论等领域都有很广泛的应用,特别是在组合矩阵论中描述组合问题时有着不可替代的优势.文章在积和式性质的基础上,通过示例归纳总结了几种特殊积和式的计算方法.

关于第二类Chebyshev多项式立方的积和式

研究了第二类Chebyshev多项式立方的乘积和的一些性质,给出了一组关于第二类Chebyshev多项式立方乘积和的恒等式及关于Fibonacci数立方乘积和的一个结论.

一类 (0 ,1 ) -矩阵的最大积和式的积分表达式(英文)

给出了线和为 n- 2的 n阶 (0 ,1) -矩阵的最大积和式的积分表达式 。

融合图卷积和胶囊网络的内容感知排序推荐

为提升内容感知推荐算法的性能,提出一种基于排序学习融合胶囊网络和图卷积网络的内容感知推荐算法。构建图卷积网络学习文本特征并捕获非连续和长距离的语义信息,利用胶囊网络提取文本信息中的层次结构信息,融合这两个网络学习文本的细粒度特征;基于项目偏好排序和文本内容相关性排序,构建一个基于扩展BPR模型的联合似然函数损失函数,实现Top-N的排序推荐。真实数据集的实验结果表明,该算法有效提升了推荐性能。

矩阵Hadamard积和乘积的若干范数不等式

文章研究矩阵Hadamard积及普通乘积的酉不变范数与谱范数的不等式。利用分块矩阵的技巧及矩阵特征值的优超理论,得到一系列关于矩阵乘积和Hadamard积的范数不等式,改进Zhan的一个结果,同时推广关于Horn和Mathias的矩阵酉不变范数的Cauchy-Schwarz不等式。

奇、偶双随机矩阵及其积和式的若干注记

文章主要研究了奇、偶双随机矩阵及其(奇、偶)积和式的有关问题。一方面,通过分析双随机矩阵的奇偶性,说明了刻画奇双随机矩阵和偶双随机矩阵的等价性;另一方面,参照双随机矩阵其积和式的下确界问题(即著名的Van der WaerdenEgorychev-Falikman定理),对奇、偶双随机矩阵其(奇、偶)积和式的确界问题分别进行了探讨。

积和式的拉普拉斯展开式探析

积和式由著名数学家Binet和Cauchy引入,是矩阵的一个重要参数.从积和式与行列式的定义式出发,详细阐述了积和式、矩阵积和式的一些性质,用类比的方法建立了积和式的拉普拉斯展开式,最后,作为应用,给出了多项式f(x)=xn+a1xn-1+…+an-1x+an的积和式表示.

联合图卷积和超图卷积的半监督分类

超图在现实场景中拥有高阶建模能力,近年来超图深度学习的方法被用于超图数据的半监督分类任务。但当前的超图神经网络仍存在不足:在多层卷积节点邻域扩张过程中引入噪声会导致难以提取具有鉴别力的特征;在传统多通道卷积过程中存在比较高的模型复杂度。为解决上述问题,提出一种联合图卷积和超图卷积的神经网络。在原始超图数据上采用超图卷积提取高阶相关信息;将超图构建成图,并将获取的高阶节点特征与图结构相结合;在节点的一阶相关邻域内利用图卷积聚合局部信息分别在3个引文网络中进行节点分类实验。实验结果表明,相比现有算法,所提算法能获得更高的分类精度,且参数量和训练时间约为传统多通道超图神经网络的一半。

基于k邻图卷积和长短期记忆网络的地铁客流预测方法

地铁客流的短时准确预测对于地铁运营管理部门进行合理调度运力资源,组织客流以提高客运能力具有重要意义。本文构建一种结合图卷积神经网络和长短期记忆神经网络的地铁短时客流预测方法(GCNLSTM)。考虑站点的k邻邻域关系构建邻域矩阵,采用图卷积网络(Graph Convolutional Network,GCN)捕捉客流的空间特征,并借助长短期记忆网络(Long-Short Term Memory,LSTM)提取客流的时间相关性。选取杭州地铁客流数据进行实例分析。研究结果表明:在不同的预测时间尺度下(即10 min,20 min和30 min),GCNLSTM模型相较于自回归综合移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)和LSTM模型凸显了更佳的客流预测效果,且考虑3邻邻域关系时(即GCNLSTM#3模型)对地铁客流的预测精度更好。本文所提出的GCNLSTM模型能够实现地铁客流的准确预测,为地铁运营管理部门控制客流与运力调度提供一定的数据支撑。

Fibonacci数奇数次方的积和式

利用第二类Chebyshev多项式的性质以及其与Fibonacci数的关系得到了关于Fibonacci数奇数次方的积和式.

重庆主城核心区地表温度与绿地乔木基干横断面积和相关性研究

利用热红外波段资料反演主城区地表温度,结合实地典型样地抽查,对绿地内乔木基干横断面积和与主城核心区地表温度进行相关分析.结果表明:在重庆市主城核心区以内的大范围内,在有损估计的情况下,地表温度(y)和乔木基干横断面积和(x)之间满足线性关系:y=-0.463x+37.991(R=0.964 R2=0.930 SigniF=0.000(<0.01)),即在主城核心区每公顷绿地中乔木基干横断面积和增加1 m2,绿地内地表的温度可降低0.46℃,并对松树桥立交桥、北环立交及嘉陵江大桥北引桥下绿地进行实地观测分析,通过增加绿地内乔木基干横断面积和,可有效缓解区域内热岛强度.