欧拉方程的Velicity表示和辛积分

In this paPer the author studies Buttke’s velicity reformulation of the incompressible Euler equation, and the symPlectic integration of the Hamiltonian system obtained by discretizing the vehicity equation.The author shows that he linearized velicity equation is hyperbolic only in the weak sense and she analyzes the characteristics of the linea-rized velicity equation for the variable coefficient case. The author will briefiy describe the symplectic schemes: one is the imPlicit midpoint scheme, and tanother a fourthorder implicit scheme. Also, the author shows a computational result obtained by redistributing the Lagrangian points at flxed times.

欧拉方程的velicity表示和辛积分(Ⅱ)

In this paper the author applies the implicit midpoint scheme (IM) to her Hamiltonian system for large time, with the fixed time step (t) to be 0.1. Two velicitieswhose initial data diner by a gradient yield the same velocity field for all time: the author has verified this in a numerical experiment using the IM scheme, up to t = 2.

基于三维空间旋转平移的自适应知识表示方法

现有知识图谱表示学习研究中普遍存在忽视特定关系的语义空间、难以建模非单射复杂关系或多种关系模式等问题,尤其是在不可交换的组合以及子关系两种关系模式上表现不佳。针对该问题,在对实体自适应投影的基础上,利用罗德里格斯旋转公式将旋转操作从二维空间拓展到三维空间并进行平移优化,提出一种新的具有强表征能力的模型ATR3DKRL。通过理论推导可以证明该模型能够建模非单射复杂关系以及多种关系模式。在多个通用数据集上的实验结果表明,该模型可以有效提高链接预测精度,在数据集DB100K与FB15K-237中四个指标上领先现有基线模型,其中在DB100K上评价指标MRR和H@1相较于基线模型RotatE分别大幅提高了3.3%以及6.5%。

基于深度学习节点表示的谣言源定位方法

随着互联网的普及,网络上的信息以惊人的速度传播给公众。然而,由于级联效应,虚假信息和谣言同时也在迅速蔓延,对社会造成了巨大的危害。在社交网络上找到谣言的传播源头,对抑制谣言的传播起到至关重要的作用。传统的谣言源定位方法大多未能够融合多源特征且定位准确率还需进一步提高,因此,提出一种基于深度学习的谣言源定位方法,根据观测受谣言影响的节点多源特征来识别谣言源。首先,根据节点与观测节点之间的影响力相似度得到节点的影响力向量。然后,利用自编码网络对节点的影响力向量进行编码,得到包含节点信息、扩散路径和传播时间信息在内的节点的新的嵌入表示。最后,根据节点新的影响力向量计算节点为谣言源的概率,以定位谣言源。在2个模拟网络和4个真实网络上的实验结果表明,与其他方法相比,所提方法能够以更快的速度定位谣言源,且谣言源定位的准确率提升了25%以上。

缆机安全运行本体知识表示及复用方法

为解决缆机运行管理过程中,大量多源异构结构化和非结构化知识难以复用及知识管理效率低的问题,分析缆机安装和运维过程中积累的大量技术规范、专家经验等安全知识,提取缆机运行相关实体类,采用五元组模型结构化表达缆机安全运行本体知识,并建立类间二元关系,使用Protégé中的本体表达语言程序化表示;构建缆机实体、安全预警、应急预案3大领域本体知识库;采用3Dmax软件,构建缆机运行三维场景模型,导入Unity3D引擎,在用户界面和交互功能中,实现本体知识库知识检索;针对缆机各实体存在的安全隐患、事故实例、应急预案,构建完整的缆机安全运行知识检索三维可视化平台。结果表明:缆机安全运行本体知识库,能够集中统一管理各种缆机安全运行知识,结合知识检索平台,可实现知识的高效查询和复用。

JCapsR:一种联合胶囊神经网络的藏语知识图谱表示学习模型

知识图谱表示学习是自然语言处理的一项关键技术,现有的知识图谱表示研究主要集中在英语、汉语等语言,而低资源语言的知识图谱表示学习研究还处于探索阶段,如藏语。该文基于前期构建的藏语知识图谱,提出了一种联合胶囊神经网络(JCapsR)的藏语知识图谱表示学习模型。首先,我们使用TransR模型生成藏语知识图谱的结构化信息表示。其次,采用融合多头注意力和关系注意力的Transfomer模型表示藏语实体的文本描述信息。最后,采用JCapsR进一步提取三元组在知识图谱语义空间中的关系,将实体文本描述信息和结构化信息融合,得到藏语知识图谱的表示,相比基线系统,联合胶囊神经网络JCapsR模型提高了在藏语知识图谱上实体链接预测的性能,相关研究为其他低资源语言知识图谱表示学习的拓展优化提供了参考借鉴意义。

量子力学表示理论的一种实现

量子力学创立伊始,狄拉克就关注到了一般表示的问题,其后量子力学的发展又引入了福克态、相干态等表示。好的表示应能提供正交归一的完备基,同时又能给出问题的严格解析解或者允许方便地得到近似解,但这常常是做不到的。我们意识到此前得到的相干态正交化方法恰恰满足表示理论的一般性要求,且因为包含自由参数为构造归一化的完备正交基实际上提供了无限的选择,这样甚至在解决问题的过程中都可以灵活地选择不同的表示,从而带来计算量的大幅减小。通过对不同耦合强度下的近共振态Rabi模型最初10个能级的计算,并同关联的JC模型的结果相比较,验证了相干态正交化方法的有效性。

一种双通道半监督网络表示学习模型

在半监督网络表示学习中,节点标签对于网络在不同空间中映射关系的建立具有重要指导意义。然而在很多实际任务中,可用标签信息往往比较有限或难以获取,这导致在学习网络低维表示的过程中无法提供充分有效的监督。针对这一问题,提出了一种双通道半监督网络表示学习模型,该模型以自编码器为基本框架,由自监督和半监督两个信息传递通道构成。自监督信号与标签信息分别在两个通道中对网络表示映射关系的建立提供指导,同时二者之间形成信息互补与增强。考虑到两个通道间可能存在信息冗余,在互信息视角下设计了冗余识别与消除机制。在此基础上,构造了一体化优化模型,实现自监督学习与半监督学习的协同,使学习到的网络表示更好地捕捉和保持网络的结构和特性。在真实数据集上的实验结果表明,提出的模型学习的网络表示在节点分类、聚类和可视化等任务中能够获得优于基线方法的性能。

采用表示分离自编码器的任意说话人语音转换

针对非平行语料库下任意说话人之间的语音转换存在语言内容信息和说话人个性特征难以分离,从而导致语音转换的性能不佳的问题,提出了一种采用表示分离自编码器的语音转换方法RSAE-VC。该方法将语音信号的说话人个性特征视为时不变,而将内容信息视为时变,利用编码器中的实例归一化和激活引导层将两者进行分离,再由解码器将源语音的内容信息与目标语音的个性特征进行合成,从而生成转换后的语音。实验结果表明,RSAE-VC在梅尔倒谱距离上比现有的AGAIN-VC转换方法平均降低了3.11%,在基音频率均方根误差上降低了2.41%,MOS分和ABX值分别提升了5.22%和8.45%。RSAE-VC方法通过自内容损失进行约束使语音更好地保留内容信息,通过自说话人损失将说话人个性特征更好地从语音中分离,可以确保说话人个性特征尽少地遗留在内容信息中,从而提高语音转换性能。

凸显用字母表示的一般性——“用字母表示数”教学分析

“用字母表示数”使数学的认识对象由具体的数上升为抽象的字母或字母式,是代数学习的基础。基于对学生已有认知经验和数学内容本质的分析,教学时应凸显用字母表示的一般性,引导学生认识用字母表示数和数量关系的一般性,感受用字母进行运算和推理的一般性,发展他们的符号意识、模型意识。

k阶采样和图注意力网络的知识图谱表示模型

知识图谱表示(KGE)旨在将知识图谱中的实体和关系映射到低维度向量空间而获得其向量表示。现有的KGE模型只考虑一阶近邻,这影响了知识图谱中推理和预测任务的准确性。为了解决这一问题,提出了一种基于k阶采样算法和图注意力网络的KGE模型。k阶采样算法通过聚集剪枝子图中的k阶邻域来获取中心实体的邻居特征。引入图注意力网络来学习中心实体邻居的注意力值,通过邻居特征加权和得到新的实体向量表示。利用ConvKB作为解码器来分析三元组的全局表示特征。在WN18RR、FB15k-237、NELL-995、Kinship数据集上的评价实验表明,该模型在链接预测任务上的性能明显优于最新的模型。此外,还讨论了阶数k和采样系数b的改变对模型命中率的影响。

论公司决议中意思表示瑕疵规则的适用及其限度

作为一种组织法上的特殊法律行为,公司决议中存在适用意思表示瑕疵规则的理论空间。但公司决议的形成依赖于股东个人意思表示的作出与团体议事程序的有效运作,具有行为法与组织法交融的特征。司法实践中关于公司决议瑕疵的效力判断存在个人行为法路径与团体组织法路径的截然对立,未能在股东个体权利救济与组织关系安定性之间实现价值平衡。基于主体利益关系的竞争性、内部运转的程序正义理念和多数决原则的控制功能这三个方面的特性,公司决议适用意思表示瑕疵规则应当进行相应的修正及限制。在股东意思与表示不一致的情形下,基于表决主体可苛责性和相对人信赖保护的考量,股东原则上不得主张意思表示瑕疵而影响公司决议效力。在股东意思表示不自由的情形下,原则上可以引入意思表示瑕疵规则实现对股东个体权利的救济,但需区分不同情形予以具体分析,同时还要充分注重与现有公司决议效力规则的体系衔接。

基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

面向链接预测的知识图谱表示学习方法综述

作为人工智能的重要基石,知识图谱能够从互联网海量数据中抽取并表达先验知识,极大程度解决了智能系统认知决策可解释性差的瓶颈问题,对智能系统的构建与应用起关键作用.随着知识图谱技术应用的不断深化,旨在解决图谱欠完整性问题的知识图谱补全工作迫在眉睫.链接预测是针对知识图谱中缺失的实体与关系进行预测的任务,是知识图谱构建与补全中不可或缺的一环.要充分挖掘知识图谱中的隐藏关系,利用海量的实体与关系进行计算,就需要将符号化表示的信息转换为数值形式,即进行知识图谱表示学习.基于此,面向链接预测的知识图谱表示学习成为知识图谱领域的研究热点.从链接预测与表示学习的基本概念出发,系统性地介绍面向链接预测的知识图谱表示学习方法最新研究进展.具体从知识表示形式、算法建模方式两种维度对研究进展进行详细论述.以知识表示形式的发展历程为线索,分别介绍二元关系、多元关系和超关系知识表示形式下链接预测任务的数学建模.基于表示学习建模方式,将现有方法细化为4类模型:平移距离模型、张量分解模型、传统神经网络模型和图神经网络模型,并详细描述每类模型的实现方式与解决不同关系元数链接预测任务的代表模型.在介绍链接预测的常用的数据集与评判标准基础上,分别对比分析二元关系、多元关系和超关系3类知识表示形式下,4类知识表示学习模型的链接预测效果,并从模型优化、知识表示形式和问题作用域3个方面展望未来发展趋势.

基于变分模态分解和稀疏表示的局部放电信号去噪算法

鉴于局部放电信号受各种噪声的干扰,文章提出一种基于变分模态分解和稀疏分解的局部放电信号去噪算法。以稀疏表示算法为核心,基于局部放电信号的特性构建其过完备字典,再采用匹配追踪算法在过完备字典中搜索出原信号的最佳匹配原子集合重构信号;为解决过完备字典维度过高而导致的搜索次数太多的问题,引进变分模态分解算法和峭度值筛选进行预处理和预重构;优化后的方法可以限制稀疏分解算法的搜索范围和字典参数,以减小计算复杂度。仿真验证以及对工程环境中实测信号的去噪结果表明:该方法具有更好的降噪效果,即使在极低信噪比的情况下,依旧能提取出有效的局部放电信号。

面向方面级情感分析的多视图表示模型

面向特定方面的用户评论细粒度情感分析是当前自然语言处理领域一个热门的研究话题,针对评论语句在内容表达和句法结构上的灵活性,综合运用词性、句法、语义等知识增强评论语句的特征表示是当前一种主要的研究思路。基于此,提出一种多视图融合表示的图卷积网络模型。该模型通过自注意力和特定方面注意力,学习得到评论语句基于上下文的增强表示;分别利用句法依赖信息和词共现信息,通过图卷积操作得到评论语句基于句法和基于语义的两种不同表示;在获得三种不同视图表示的基础上设计了一种分层融合方式,通过对三种表示的不同组合与卷积操作实现不同视图表示间的信息共享与互补。五个公开数据集上的实验结果表明该模型较现有模型取得了更好的性能。

平滑非负低秩图表示聚类算法

针对现有低秩图表示算法在构建表示图时未能精确捕获数据的全局表示结构、未能充分利用数据有效信息指导表示图的构建以及构建的表示图不具有适于聚类的连通结构等问题,提出了平滑非负低秩图表示聚类算法(SNLRR)。SNLRR采用一种更符合矩阵秩特性的对数行列式函数代替核范数平滑地估计秩,有效降低矩阵较大奇异值对秩估计的影响,平衡了所有奇异值对秩估计的贡献比重,增强秩估计的准确性,从而更精准地捕获数据的全局表示结构。为了更加准确地捕获数据局部表示结构,SNLRR引入距离正则项为每个数据点自适应地分配最优近邻学习表示矩阵。此外,SNLRR对表示矩阵的拉普拉斯矩阵施加秩约束,使最终学习到的表示图具有与簇个数相同数量的连通分量,即表示图具有适于聚类的连通结构。与八个对比算法在七个高维且分布复杂的数据集上的实验结果显示,SNLRR算法的聚类性能均优于八种对比算法,Accuracy平均提高了0.2073,NMI平均提高了0.1758。因此,SNLRR是一个能够有效处理维度高且分布复杂数据的图表示聚类算法。

多模态知识图谱表示学习综述

在综合对比传统知识图谱表示学习模型优缺点以及适用任务后,发现传统的单一模态知识图谱无法很好地表示知识。因此,如何利用文本、图片、视频、音频等多模态数据进行知识图谱表示学习成为一个重要的研究方向。同时,详细分析了常用的多模态知识图谱数据集,为相关研究人员提供数据支持。在此基础上,进一步讨论了文本、图片、视频、音频等多模态融合下的知识图谱表示学习模型,并对其中各种模型进行了总结和比较。最后,总结了多模态知识图谱表示学习如何改善经典应用,包括知识图谱补全、问答系统、多模态生成和推荐系统在实际应用中的效果,并对未来的研究工作进行了展望。

结合上下文的细粒度实体分类特征表示方法

细粒度实体分类任务赋予文本中的实体以细粒度类别,能够通过类别信息为实体提供丰富的语义信息,在关系抽取、实体链接和问答系统等下游任务中发挥重要作用。由于实体在句子中的长度和位置是不统一的,无法直接计算实体在上下文中的表示,现有的细粒度实体分类方法将实体提及与其上下文分别进行处理和特征表示,割裂了实体与其上下文之间的语义关联。提出一种结合上下文的实体分类特征表示方法,将实体放回上下文,并解决了实体长度和位置不统一的情况下,实体特征表示的计算问题。实验结果表明,采用结合上下文的实体特征表示方法提取实体在上下文中的特征表示,能够大幅提升细粒度实体分类的性能,该方法在中文细粒度实体分类数据集CFET上的Macro-F1较原文普遍提高了10%以上。

基于自编码器的过完备多级表示深度子空间聚类

深度子空间聚类网络利用深度自表达性,借助具备全连接层的欠完备深度自编码器,有效地解决了无监督子空间聚类难题.然而,该方法使用输入数据的不完全表示,并且缺乏低级和高级信息的集成,从而损害其鲁棒性.为解决这一问题,提出了一种新的深度子空间聚类方法,该方法使用卷积自动编码器将输入图像转换为位于线性子空间联合上的新表示.在编码器层加入了过完备分支,使得网络能够捕捉到更精细的数据细节.此外,在编码器和相应的解码器层之间引入多个完全连接的线性层.这些互相连接的层协同作用,将低级和高级信息结合在一起,从而在编码器的不同层级上生成了多组自表达和信息表示.该过程有效地促进了特征学习过程.最后,引入了一个新的损失最小化问题,利用初始样本聚类有效地集成了多级表示,从而更准确地恢复了底层子空间结构.随后,采用迭代方案来最小化损失函数.在4个真实数据集上的实验结果表明,在大多数子空间聚类场景中,本文方法最优.