基于动态邻域采样的社交推荐模型

基于图神经网络的社交推荐模型在提升推荐系统性能方面有不错的表现。但现有方法都忽略了被查询的目标用户和项目节点与其邻居节点间可能存在特征不匹配的问题,导致噪声的引入而降低了模型性能。为了解决该问题,文中提出一种社交推荐模型DNSSR。首先构建一个包含用户和项目多元关系的关系图谱,图节点间信息关联更丰富;然后利用动态邻域采样机制获得与目标查询对的特征更一致的邻居节点,减少了噪声信息;另外,为了进一步提高模型预测性能,设计了一种增强型图神经网络对采样后得到的关系子图进行建模,它可以区分不同邻居节点的重要性并选择更可靠的信息源,获得更鲁棒的用户和项目嵌入向量用于评分预测。实验结果表明:相比其他先进模型,该模型预测误差明显降低,证明了文中所提各项方法的有效性;尤其是动态邻域采样机制,若将其弃用,DNSSR在Ciao数据集上的RMSE(均方根误差)和MAE(平均绝对误差)指标将分别上升6.05%和7.31%,在Epinions数据集上则分别上升3.49%和5.41%,充分验证了其能有效降低噪声干扰、提高社交推荐模型的性能。

基于PSO-BP复合网络的掘进机截割部故障智能诊断

针对井下掘进机故障诊断频发,传统诊断方法和BP神经网络诊断周期长的情况,以常村煤矿矿用EBZ-160TY型掘进机为背景,提出基于PSO-BP神经网络模型的掘进机截割部智能诊断模型。该模型能够弥补BP神经网络模型收敛周期长、局部最优搜索差的缺点,实现模型的快速收敛和故障准确预测。通过设置PSO-BP神经网络模型参数、样本数据训练,同时经过数据测试,确定PSO-BP神经网络模型预测结果故障预测率为100%,而BP神经网络的预测精度为80%,且在同时间下,PSO-BP神经网络较BP神经网络预测精度更高。在同精度下,PSO-BP神经网络模型收敛速度更快,在精度为1×10^(-5)时,PSO-BP神经网络模型仅需7步,BP神经网络平均需要198.5步。综合测试结果说明,PSO-BP神经网络模型能够较快实现掘进机故障的预测,且达到较高的预测精度,为掘进机故障诊断提供依据。

一种基于云模型的社交网络推荐系统评分预测方法

本文针对评分预测中用户评分主观性及评分数据稀疏带来的预测不准确问题,围绕社交推荐的特点,设计实现一种社交网络评分预测方法.首先,针对评分主观性问题,引入并优化相关云模型理论,提出采用综合云模型生成评分标准并转化用户评分的方法.其次,针对预测不准确问题,通过引入隶属度达到数据降维和目标用户定位的作用,同时考虑到社交网络用户关系对评分结果的影响,分别利用社交关系及相似群体建立两个评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分.实验表明,该方案不仅克服了用户评分主观性,同时有效改善了用户评分数据稀疏情况下传统预测方法准确度偏差的问题.

机会认知网络中基于社会关系的节点位置预测算法

移动节点位置预测是机会认知网络进行有效数据采集和消息转发的基础,提出了一种基于社会关系的移动节点位置预测算法.该算法基于位置对应用场景进行建模,通过节点的移动规律挖掘节点之间的社会关系.该算法以1阶Markov模型为基础对节点的移动性进行初步预测,然后,利用与其社会关系较强的其他节点位置对该节点的预测结果进行修正.最后,基于UCSD WTD数据集对算法进行仿真实验.结果表明,基于社会关系的移动节点位置预测算法与1阶Markov预测模型相比获得了更好的预测精度,并且算法具有较好的可扩展性.

基于模型预测控制的异采样率双环网络控制系统仿真

在实际应用中,为了追求更佳的性能和更低的成本,网络控制系统往往会采用不同的采样率进行工作。针对一类异采样率双环网络控制系统中的时延补偿问题,设计了一种模型预测控制MPC和PID控制相结合的串级控制算法,通过状态方程模型预测出未来时刻的输出,并进行滚动优化,在线补偿随机网络时延带来的负面影响。进一步利用Matlab/Simulink软件对该算法进行了仿真研究。结果表明,在内外环采样率不同,网络时延随机变化的情况下,该算法比PID-PID和Smith-PID算法具有更好的控制效果,验证了该算法的有效性和优越性。

基于认知模型的社会关系预测算法

针对低采样率下社会网络中传统的关系预测方法精度较低的问题,提出一种基于认知模型的社会关系预测算法。该方法利用了单个节点对整个网络的认知能力,部分随机采样获得采样节点对社会网络中节点间关系的认知信息,然后根据认知信息预测出未采样节点的社会关系,实现了低采样率下所有节点间社会关系的预测。为了分析算法性能,在不同网络中用该算法与传统方法进行多组对比实验,结果表明该算法在低采样率下提高了预测精度、降低了预测时间。