二三维共享图结构的工厂管网建模研究

根据管道设计的一般过程,在现有管道设计ＣＡＤ软件建模研究的基础上,分析归纳了系统所特有的拓扑结构性质,提出了在采用特征点描管道系统的宏观约束,以及采用管网骨架和管件在管网骨架上的插入点描述管件的分局约束和局部约束的建模方法,并由此建立了二三维共享图结构的管道系统模型。     

隐含约束的识别与规整方法

提出了隐含约束的识别与规整方法,并利用图来描述图形实体的相互约束。用动态迭代法来处理动边变动对已有约束的影响。系统记录各咬合点,全局遍历结构约束图中的咬合点,局部规整各动边。用户可根据不同图形,设置适当的规整优先级及全局误差,增加了灵活性。     

基于图结构描述的几何约束模型的研究与建立

本文提出了一种基于图结构描述的二维图形几何约束模型的建立及存储方法。该方法利用图论的概念和原理,提出用无向图的结构描述一个几何约束系统,用约束图表示图形的约束信息,规则图则用来表达几何推理的过程,同时利用面向对象的技术建立一种扩展的图的领接表的数据结构来存储约束模型。这种方法对约束的分类及表达清晰、直观,能够处理各种约束信息,效率及可靠性较高。     

钢结构模型拓扑结构的智能点描述和约束布置

结合钢结构设计,在原有的智能定义的基础上,扩充了它的属性,使得它不仅可以方便地描述构件之间的内部关系,而且可以简单地表示构件之间的局部关系,用扩充后的智能点对钢结构模型的拓扑结构进行了描述,智能点统一了模型构件之间的拓扑描述,使模的表示更加简单。在智能点分类的基础上,提出了多个智能外点约束属性的归并准则。最后给出了利用遍历利用遍历模型网状直件约束布置的算法,并人出了算法的约束图案例。     

移动点Voronoi图拓扑维护策略的研究

移动环境下基于Voronoi图的最近邻查询必须要解决随时间不断改变的移动点Voronoi图的拓扑结构的维护问题。通过一组离散的,有限的事件序列对其对偶图Delaunay图拓扑改变过程的模拟来实现对移动点Voronoi图拓扑结构的维护。把带有事件驱动机制的移动数据结构（Kinetic Data Structure,KDS）模型作为移动点的运动模型,给出了KDS模型对其对偶图Delaunay图拓扑结构改变维护的具体策略,并对移动环境下动态插入或删除移动点时Voronoi图的拓扑维护问题进行了研究。最后给出了移动环境下基于Voronoi图的近邻查询的数据库实现模型。     

基于ASM扩展的活动图进行业务过程建模

为了扩展包括投资者建模、企业建模与扩展价值链建模的Martin／Odell OOA／D方法，该文章使用UML活动图扩展这些技术。UML提供了丰富的标记表示对分析系统行为和系统结构进行分析。其中活动图是用来描述系统的动态行为，并且也适用于业务过程建模。但由于UML的语义是用纯文本的方式描述的，通常不够准确，故而此文提出了使用ASM扩展语义的活动图描述包含上述建模技术的业务过程。     

基于智能点的工厂模型设计与实现

在参考连接点和对偶点技术的基础上,提出了智能点的概念,避免了以前方法在模型统一性和结构简单性方面的缺陷,对智能点进行了详细的描述和分类,并提出了智能组的概念,基于智能点和智能组,提出了单根管线图的深度优先搜索算法。     

基于拓扑约束模板的支吊架建模方法研究

基于支吊架标准和形式的分析,抽象出了支吊架拓扑结构的层次模型,提出了基于对偶智能点的支吊架拓扑约束模型,解决了支吊架拓扑关系多元性和层次性导致的智能组嵌套问题。使用拓扑约束模板表达支吊架设计标准,将支吊架设计转化为多元约束求解,解决了支吊架设计中设计标准的多样性和专业间的紧密协同性两个关键性问题。     

基于AUML的面向Agent分析方法及其应用

根据Agent与对象的区别,借鉴面向对象方法,提出了一种基于AUML(AgentUML)的面向Agent的分析与建模方法。在模型表示法上对AUML进行了一些扩展。以用例图描述责任分配;用五个信息层次的Agent类图描述系统静态结构;用多种行为图从Agent外部到其内部描述系统动态行为。结合巡航导弹武器控制系统的分析过程,阐明了分析与建模的具体步骤和要领。     

语义特征造型中对象族模型研究

提出了一种新的对象族模型,即陈述式对象族模型。定义了陈述式对象族模型,给出了模型的几何结构和拓扑结构,通过约束详细说明了特征的语义,以约束图的形式给出了该模型中特征的表示,给出了模型的语法描述。通过实例验证了模型的有效性,克服了传统的基于历程建模的不足,提高了CAD建模设计效率,降低了设计成本。     

关键点图对比图像分类方法

深度学习是目前图像分类的主流方法之一,其重视感受野内的局部信息,却忽略了类别的先验拓扑结构信息。本文提出了一种新的图像分类方法,即Key-D-Graph,这是基于关键点的图对比网络方法,在识别图像类别时可以显式地考虑拓扑先验结构。具体地,图像分类需要2个步骤,第一步是基于关键点构建图像的图表达,即采用深度学习方法识别图像中目标类别的可能关键点,并采用关键点坐标生成图像的拓扑图表达;第二步基于关键点的图像图表达建立图对比网络,以估计待识别图与目标类别之间的结构差异,实现类别判断,该步骤利用了物体的拓扑先验结构信息,实现了基于图像全局结构信息的物体识别。特别的,Key-D-Graph的中间输出结果为类别关键点,具有语义可解释性,便于在实际应用中对算法逐步分析调试。实验结果表明,提出的方法可在效率和精度上超过主流方法,且通过消融实验分析验证了拓扑结构在分类中的作用机制和有效性。     

知识图谱增强的图神经网络推荐研究进展

已有推荐方法主要基于用户与项目的历史交互行为,未充分运用用户及项目相关特征信息,推荐效果并不理想。知识图谱（knowledge graph,KG）增强的图神经网络（graph neural network,GNN）推荐,是以用户与项目交互行为构建的交互图为基础,引入同为图结构的知识图谱,并运用图神经网络技术进行处理,从而实现个性化推荐。深入探讨了现有知识图谱增强的图神经网络推荐研究进展。首先在对图神经网络推荐和知识图谱推荐进行探讨的基础上,从项目知识图谱和协同知识图谱视角,深入分析了当前知识图谱增强的图神经网络推荐取得的相关研究成果;然后从大规模动态知识图谱处理、用户对项目属性的偏好挖掘、知识图谱的图嵌入学习等方面,指出了已有知识图谱增强的图神经网络推荐研究存在的主要问题;最后从动态时序知识图谱增强的GNN推荐、元学习的知识图谱增强GNN推荐、多模态知识图谱增强的GNN推荐、知识图谱增强的GNN跨领域推荐等方面,展望了知识图谱增强的图神经网络推荐未来主要研究方向。     

散列节点网络成图方法分析研究

网络管理就是维护一个网络系统的正常运行,其中给人最直观的呈现就是网络拓扑图。网络拓扑图的绘制方法有很多种,目前广泛采用的方法有基于ICMP、ARP和SNMP协议的拓扑算法,其中以基于SNMP协议的拓扑算法最为主流。对于任意网络中的散列节点如何不依赖于特定协议而自发的进行拓扑图绘制,这在各种小型网络建设中是非常重要的。本文将根据一个实例,对散列节点网络成图方法进行研究与分析。除了研究得到拓扑图的方法外还将对最终成图结果如何与实际相符合做出讨论。     

基于动态图卷积的加权点云分类网络

传统的直接处理点云的PointNet类深度学习网络大多只考虑了点云的全局特征而忽视了点云局部特征,动态图卷积网络DGCNN通过构建[k]近邻图完成了对局部特征的弥补。然而现有的DGCNN使用简单的边缘特征作为局部特征的输入,没有对局部特征进行更深入的研究,且仅使用最大池化处理点云无序性问题,这造成了一定的信息损失。提出加权点云分类网络WDGCNN,使用特征拼接思想优化网络结构以实现多层次特征的融合、通过对[k]近邻图构成的边缘特征设计恰当的加权函数以弱化远点的干扰,相对加强近点的特征、采用最大池化和平均池化相结合的对称函数弥补单独使用最大池化造成的全局信息损失的新方法,实现了模型优化。实验结果表明,在通用点云分类数据集ModelNet40上,WDGCNN相比于DGCNN分类准确率由91.61%达到了93.22%,验证了新方法的有效性。     

网络并行计算中矩阵QR分解的并行算法

随着高速网络技术（如ＡＴＭ）的出现,网络并行计算系统（ＮＯＷ）已成为并行处理的主要平台,由于它的高通信延迟,某些在并行机上实现的细粒度并行算法已不适合在该环境下运行。为此,有必要对算法重新进行任务划分,研究它在网络环境中的并行实现。基于这一点,本文对矩阵的ＱＲ分解提出了一种新的任务划分策略,并由此得到了它的一种粗粒度并行算法,实验结果表明,设计的并行算法在网络并行计算环境中具有较高的加速比。     

图神经网络前沿进展与应用

图结构数据是现实生活中广泛存在的一类数据形式.宏观上的互联网、知识图谱、社交网络数据,微观上的蛋白质、化合物分子等都可以用图结构来建模和表示.由于图结构数据的复杂性和异质性,对图结构数据的分析和处理一直是研究界的难点和重点.图神经网络(Graph Neural Network,GNN)是近年来出现的一种利用深度学习直接对图结构数据进行学习的框架,其优异的性能引起了学者高度的关注和深入的探索.通过在图中的节点和边上制定一定的策略,GNN将图结构数据转化为规范而标准的表示,并输入到多种不同的神经网络中进行训练,在节点分类、边信息传播和图聚类等任务上取得优良的效果.与其他图学习算法相比较,GNN能够学习到图结构数据中的节点以及边的内在规律和更加深层次的语义特征.由于具有对图结构数据强大的非线性拟合能力,因此在不同领域的图相关问题上,GNN都表现出更高的准确率和更好的鲁棒性.本文在现有GNN研究的基础上,首先概述了GNN的出现历程,并介绍了相关概念和定义.之后本文着重讨论和对比了GNN中的各种算法框架,包括核心思想、任务划分、学习方式、优缺点、适用范围、实现成本等.此外,本文对GNN算法在多个不同领域下的应用场景进行了详细的阐述,将GNN与其他图学习算法的优缺点作了联系和比较.针对存在的一些问题和挑战,本文勾画了GNN的未来方向和发展趋势,最后对全文进行了全面而细致的总结.