基于多特征融合的GraphHeat-ChebNet隧道形变预测模型

对隧道的形变进行预测是隧道结构异常检测的内容之一。为了充分挖掘形变特征的时空关联性,针对隧道内衬多个断面的形变同时预测,提出一种基于多特征融合的GraphHeat-ChebNet隧道形变预测模型。所提模型中利用GraphHeat和ChebNet这2种图卷积网络(graph convolution net,GCN)分别提取特征信号的低频和高频部分,并获取形变特征的空间关联性,ConvGRUs网络用于提取特征在时间上的关联性,通过三阶段融合方法保留挖掘的信息。为了解决实验数据在时间维度上不充足的问题,引入双层滑动窗口机制。此外,所提模型与其他模型或算法在不同数据集上实验比较,衡量一天和两天预测值的误差指标优于其他模型,而且对大部分节点预测的误差较低。说明模型受样本节点数影响较小,能较好地预测一天和两天的形变,模型学习特征与时空模式的能力较强,泛化性较好。

支撑新型配电网数字化规划的图形⁃模型⁃数据融合关键技术

配电网规划领域期盼实现智能规划,其愿景在于实现无人或少人干预的全自动规划。在数字化转型的背景下,新型配电网规划将面临图形多样化、场景碎片化、数据规模化三大挑战。文中从图形-模型-数据融合的角度提出三大关键技术:基于电气图纸识别和拓扑智能分析的图形-模型融合技术、基于知识驱动的负荷/新能源推演分析和智能决策的模型-数据融合技术、基于多模态数据融合和多时空数据联动的图形-数据融合技术,尝试打破理论研究与数字化工程的壁垒。最后,对未来新型配电网数字化规划的发展进行思考和展望,为实现“以机为主,人机协同”的大闭环模式提供借鉴。

自适应特征融合的多模态实体对齐研究

多模态数据间交互式任务的兴起对于综合利用不同模态的知识提出了更高的要求,因此融合不同模态知识的多模态知识图谱应运而生.然而,现有多模态知识图谱存在图谱知识不完整的问题,严重阻碍对信息的有效利用.缓解此问题的有效方法是通过实体对齐进行知识图谱补全.当前多模态实体对齐方法以固定权重融合多种模态信息,在融合过程中忽略不同模态信息贡献的差异性.为解决上述问题,设计一套自适应特征融合机制,根据不同模态数据质量动态融合实体结构信息和视觉信息.此外,考虑到视觉信息质量不高、知识图谱之间的结构差异也影响实体对齐的效果,本文分别设计提升视觉信息有效利用率的视觉特征处理模块以及缓和结构差异性的三元组筛选模块.在多模态实体对齐任务上的实验结果表明,提出的多模态实体对齐方法的性能优于当前最好的方法.

基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别方法

识别非驾驶行为是提高驾驶安全性的重要手段之一。目前基于骨架序列和图像的融合识别方法具有计算量大和特征融合困难的问题。针对上述问题,本文提出一种基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别模型(skeleton-image based behavior recognition network,SIBBR-Net)。SIBBR-Net通过基于多尺度图的图卷积网络和基于局部视觉及注意力机制的卷积神经网络,充分提取运动和外观特征,较好地平衡了模型表征能力和计算量间的关系。基于手部运动的特征双向引导学习策略、自适应特征融合模块和静态特征空间上的辅助损失,使运动和外观特征间互相引导更新并实现自适应融合。最终在Drive&Act数据集进行算法测试,SIBBR-Net在动态标签和静态标签条件下的平均正确率分别为61.78%和80.42%,每秒浮点运算次数为25.92G,较最优方法降低了76.96%。

基于知识图谱的家政服务课程推荐融合模型

针对家政服务从业人员对家政服务课程在线学习需求的增加,而现有的家政服务课程在线学习网站存在资源较少、课程不够系统化和不具有课程推荐功能等状况,使得家政服务相关从业人员的在线学习门槛变高。通过分析现有的家政服务课程在线学习网站,提出构建家政服务课程知识图谱,并将家政服务课程知识图谱与推荐算法进行融合,设计了一种融合深度学习技术的规则与水波偏好传播相结合的R-RippleNet家政服务课程推荐模型。R-RippleNet模型的使用对象包括老学员和新学员,老学员部分是基于水波偏好传播模型进行课程推荐,新学员部分则基于规则模型进行课程推荐。实验结果表明,老学员使用R-RippleNet模型的AUC值为95%,ACC值为89%,F1值为89%,新学员使用R-RippleNet模型的总体精确率均值为77%,NDCG均值为93%。

文档上下文异构表示的句子级关系抽取方法

关系抽取是指从文本中识别2个实体的关系。现有研究利用数据分组处理取得了良好的效果,但由于组内数据之间交互较少,因此大多忽略了组内数据之间的关联。此外,部分方法定义了较多种类的标注信息,从而导致标注信息冗余。针对上述问题,提出一种文档上下文异构表示的句子级关系抽取方法。设计基于异构图网络的文档上下文信息模块,将组内数据中的词和关系建模为图上的节点,然后通过消息传递机制将组内信息进行交互,充分表征组内数据间的关联关系;设计基于异构图网络的关系信息模块用于捕捉关系信息,其与文档上下文信息模块中异构图网络参数共享,从而节约了计算资源;设计融合标记策略,引入一种逻辑上的虚拟标签减少标签种类,缓解标注信息冗余问题。实验结果表明,所构建模型在NYT和WebNLG数据集上的F1值分别为93.2%和94.7%,在复杂场景下的8个子任务中,取得了6个子任务的最优表现,验证了所提方法的有效性。

融合语义特征和知识特征的推荐模型

针对传统推荐模型面临的数据稀疏性问题,提出一种基于结合注意力机制的门控循环单元的融合语义和知识特征的推荐模型。基于知识图谱,使用连续词袋模型捕获项目实体对应的语义特征,依据“偏好扩散”思想进行知识特征的学习,将不同层面特征进行融合后,使用结合注意力机制的门控循环单元挖掘用户潜在兴趣偏好。基于MovieLens数据集的对比实验结果表明,所提模型能够有效提升推荐效果并缓解数据稀疏性问题,通过消融实验验证了该模型各个组件的有效性。

融合预训练模型和注意力的实体关系抽取方法

实体关系抽取旨在从无结构的文档中检测出实体和实体对的关系,是构建领域知识图谱的重要步骤。针对现有抽取模型语义表达能力差、重叠三元组抽取准确率低的情况,研究了融合预训练模型和注意力的实体关系联合抽取问题,将实体关系抽取任务分解为两个标记模块。头实体标记模块采用预训练模型对句子进行编码,为了进一步学习句子的内在特征,利用双向长短时记忆网络(BiLSTM)和自注意力机制组成特征加强层。采用二进制分类器作为模型的解码器,标记出头实体在句子中的起止位置。为了加深两个标记模块之间的联系,在尾实体标记任务前设置特征融合层,将头实体特征与句子向量通过卷积神经网络(CNN)和注意力机制进行特征融合,通过多个相同且独立的二进制分类器判定实体间关系并标记尾实体,构建出融合预训练模型和注意力的联合抽取模型(JPEA)。实验结果表明,该方法能显著提升抽取的效果,对比不同预训练模型下抽取任务的性能,进一步说明了模型的优越性。

基于链接预测模型的融合研究

知识图谱技术在信息检索、智能问答领域有着重要作用.为了解决大型知识图谱中的有效实体缺失问题,需要使用链接预测手段自动预测实体之间缺失的链接,完善知识图谱中缺失的实体.现在有许多链接预测的方法,其中基于神经网络的Grail模型侧重于对局部子图进行推理,具有很强的归纳倾向,但在语义层次建模方面存在不足.因此,提出了Grail&HAKE融合模型,通过将Grail模型与HAKE模型进行融合,解决了Grail模型在语义层次建模方面存在的不足.实验结果表明,Grail&HAKE的融合模型比单独使用Grail和HAKE模型的MRR值分别高出0.1005和0.3063,并且在部分数据集上优于其他融合模型.说明Grail&HAKE融合模型在知识图谱的有效实体链接预测方面是有效可用的.

基于CIM/SVG的电力系统图模数据融合技术

针对调度主站和电网GIS平台图模数据源不统一、图模规范不一致,导致电力系统输变配拓扑无法贯通及图模维护工作量大的问题,提出了一种基于CIM/SVG的电力系统图模数据融合技术。依据图模交互规范梳理图模校验规则,采用CIM解析图模,运用SVG分析中间结构拓扑。开发图模数据融合系统实现数据维护源头统一,支撑输变配一张网的拓扑贯通与集成应用。通过对多个地市局不同电压等级大量变电站样例图模接入,结果表明所提技术的正确性及可行性,有效解决了输变配图模数据融合的问题。

基于概率图模型的单信标定位算法研究

随着人类对海洋认识的逐步深入,水下目标的位置信息成为了一种不可或缺的水下信息源,传统的水下定位方法已经不能满足不同场景的应用需求。无论是在测量信息多元化时的多元信息融合定位,还是测量信息不足时的时域信息联合定位时均存在局限性。为此文章提出了基于概率图模型的单信标定位算法,在信标稀疏或者信标通信信息缺失的情况下,通过联合目标时域上其他位置时刻的所有量测信息,从而实现目标定位。此外文章还分析了模型分辨率和测距误差对定位结果的影响,并通过湖试验证概率图方法的有效性,证明其能够在传统定位方法无法使用的单信标的定位跟踪过程中,估计出每一时刻目标的位置,描述目标的运动轨迹。平均定位精度达到1.203 5 m。

基于BTS数据集的航班延误分类和预测算法

针对神经网络分类模型对美国联邦运输统计局(Bureau of Transportation Statistics,BTS)航班数据集中的不均衡数据预测误差较大的问题,采用自适应合成采样算法(adaptive synthetic sampling approach,ADASYN)和合成少数类过采样算法(synthetic minority over-sampling technique,SMOTE)对航班延误类别进行平衡处理,并用随机森林(random forest,RF)模型进行训练和贝叶斯调参。结果表明:与不经过平衡采样的方法比较,该方法在权重平均下的精确率、召回率和F 1评分分别提高了19%、8%和16%;分类预测准确率提升8.03%,模型拟合指数AUC(area under curve)提升5.4%。同时,采用多特征相融合的图神经网络模型Graph WaveNet对航班平均延误时间进行预测。实验结果表明:与单特征模型比较,该模型平均绝对误差和均方根误差分别降低了16%和12.45%。这些方法和结果对研究航班延误分类和预测算法研究具有参考价值。

基于多模型融合的电力运检命名实体识别

为有效解决构建电力运检知识图谱的关键步骤之一的电力运检命名实体识别问题,通过构建一种基于Stacking多模型融合的隐马尔可夫-条件随机场-双向长短期记忆网络(hidden Markov-conditional random fields-bi-directional long short-term,HCB)模型方法研究了电力运检命名实体识别问题。HCB模型分为两层,第一层使用隐马尔可夫模型(hidden Markov model,HMM)、条件随机场(conditional random fields,CRF)和双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM)模型进行训练预测,再将预测结果输入第二层的CRF模型进行训练,经过双层模型训练预测得出最后的命名实体。结果表明:在电力运检命名实体识别问题上HCB模型的精确率、召回率及F1值等指标明显优于单模型以及其他的融合模型。可见HCB模型能有效解决电力运检命名实体识别问题。

基于树莓派的高效卷积优化方法

针对卷积神经网络(CNN)的巨大参数量和计算量而导致在树莓派等低功耗的边缘设备模型推理过程中产生耗时较大的问题,对网络上现有的开源推理框架进行了深入研究及对比分析,发现这些都属于通用型推理框架,并不能针对树莓派设备进行极致推理优化。因此,提出了基于RoofLine模型的定量分析方法,从访存和运算二个维度对Mobilenet等移动端网络架构模型进行卷积推理优化。研究采用了计算图优化方法,利用算子融合和内存重排做推理预处理,从而减少推理过程的计算量和访存开销;同时针对每一层的卷积参数量和特性,提出了9宫格分块策略和NEON指令流水线级别的优化。实验表明,所提出的优化方法在不同的分辨率下,相比腾讯的开源框架NCNN、阿里MNN和商汤PPL.NN在推理速度上取得了高于3倍的性能优化。

基于超像素融合算法的显著区域检测

针对目前流行的显著性检测算法不能精确反映显著性信息的问题,提出一种基于超像素融合方法的显著性检测算法.首先对图像进行超像素分割,在保证高质量的图像目标边缘信息前提下,建立以超像素为节点的图模型;然后计算超像素邻接矩阵,将该图模型转化为最小生成树模型.通过OTSU算法自适应地确定最佳阈值,根据该阈值将最小生成树模型的部分节点进行融合,获得大超像素分割区域;最后利用大超像素的颜色和相互距离信息,获得高质量的显著性图.实验结果表明,相对于其他检测方法,该算法可以更有效地检测出图像中的显著目标,并能达到接近分割的效果.

自适应多尺度融合遥感图像分割方法

针对遥感图像数据量大、地物对象与空间尺度密切相关的特点,提出一种自适应多尺度融合遥感图像分割方法。使用颜色方差作为距离度量,利用区域邻接图和最近邻区域图对遥感图像进行快速分割,建立阈值和尺度之间的函数关系,通过不同阈值得到多尺度分割结果,并采用融合方法获得最终结果。实验结果表明,与eCognition单尺度分割方法相比,该方法可消除遥感图像过分割或欠分割的现象。

PandaDB:一种异构数据智能融合管理系统

随着大数据应用的不断深入,对大规模结构化/非结构化数据进行融合管理和分析的需求日益凸显.然而,结构化/非结构化数据在存储管理方式、信息获取方式、检索方式方面的差异给融合管理和分析带来了技术挑战.提出了适用于异构数据融合管理和语义计算的属性图扩展模型,并定义了相关属性操作符和查询语法.接着,基于智能属性图模型提出异构数据智能融合管理系统PandaDB,并详细介绍了PandaDB的总体架构、存储机制、查询机制、属性协存和AI算法集成机制.性能测试和应用案例证明,PandaDB的协存机制、分布式架构和语义索引机制对大规模异构数据的即席查询和分析具有较好的性能表现,该系统可实际应用于学术图谱实体消歧与可视化等融合数据管理场景.

面向高效检索的多源地理空间数据关联模型

地理空间信息往往包含矢量数据、栅格数据和文本描述信息,这些信息之间通常相互联系.如何快速、全面检索和定位这些相关联的信息,是地理空间信息应用中的新需求.为提高地理空间数据检索和分析的性能,该文提出一种面向高效检索的多源地理空间数据关联模型MSGCM.该模型通过提取多源地理空间数据空间信息、语义描述信息、内容描述信息及其关联关系,构建特征要素图,并基于关联模式将多源地理空间对象融合到统一空间中.通过计算不同对象之间的关联强度,构建类似图的关联模型.为提高模型构建效率,提出了一种基于特征索引的分块构建方法.与已有方式相比,MSGCM模型可以有效支持多源地理空间信息的关联,进而能够支持地理空间信息查询、分析及综合展现等多种地理空间应用.实验及分析表明,MSGCM可以有效提高多源地理空间信息关联检索结果的多样性,并具备一定的可扩展性.

融合包空间和示例空间特征的多示例学习

多示例学习中,包空间特征描述包容易忽略包中的局部信息,示例空间特征描述包容易忽略包的整体结构信息.针对上述问题,提出融合包空间特征和示例空间特征的多示例学习方法.首先建立图模型表达包中示例之间的关系,将图模型转化为关联矩阵以构建包空间特征;其次筛选出正包中与正包的类别的相关性比较强的示例和负包中与正包的类别的相关性比较弱的示例,将示例特征分别作为正包和负包的示例空间特征;最后用Gaussian RBF核将包空间和示例空间特征映射到相同的特征空间,采用基于权重的特征融合方法进行特征融合.在多示例的基准数据集、公开的图像数据集和文本数据集上进行实验的结果表明,该方法提高了分类效果.

图形图像融合技术与农产品特征建模

基于图形图像融合的特征建模技术随着计算机的发展也越来越多地用在农业的产品品质鉴定、植物病理研究等领域。该文重点介绍基于图形图像融合的特征建模技术及其在农业中的应用,实践证明,这种应用简单、可靠,给农业带来了很大的收益。