双路自编码器的属性网络表示学习

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习（DENRL）算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0...     

结合共享近邻和流形距离的自适应谱聚类算法

谱聚类算法是建立在图论的基础上,将聚类问题转化为图的划分问题,能识别任意形状的类簇且易于实现,因此比传统聚类算法具有更强的适应性。然而,该算法中常用的距离度量不能同时考虑全局和局部一致性,且易受到噪声影响;聚类结果依赖由输入数据构造的相似度矩阵,且通过特征分解得到松弛划分矩阵和离散化过程的两步独立策略难以得到一个共同最优解。因此,提出一种结合共享近邻和流形距离的自适应谱聚类算法(SNN-MSC),引入一种新的具有指数项和比例因子的流形距离,可以灵活调整同一流形内数据的相似度和不同流形之间数据的相似度之比,并将密度因子纳入流形距离度量中,以消除噪声影响;采用共享近邻重新定义相似度度量,能挖掘数据点之间的空间结构和局部关系;同时,对拉普拉斯矩阵施加秩约束,使相似度矩阵中的连通分量完全等于簇个数,能够在优化求解过程中自适应优化数据相似度矩阵和聚类结构,无须再进行离散化操作。在人工数据集和UCI真实数据集上的对比实验显示,所提算法在多个聚类有效性指标上能体现出更好的性能。     

具有奖罚机制STDP的Spike-CNN模型的机械臂故障分类

在计算机视觉领域中,卷积神经网络取得了举世瞩目的成就,但其能耗问题一直未能得到很好解决.基于此问题,本文主要研究无监督学习范式下的Spike-CNN分类性能以及计算力.首先,本文设计了一种基于CNN和SNN的混合结构,在层级结构上实现脉冲机制;其次,为减少模型训练时间,本文提出了ReLU-ROC编码方案;最后,为使兴奋性神经元快速做出决策,本文提出了具有决策能力的RP-STDP学习方案：计算每对突触前与突触后兴奋性神经元的相对时间差.实验结果表明：以工业机器人采集到多元时间序列数据解决机械臂不同工作状态的3分类、4分类、5分类问题,在没有引入其他分类器的情况下,本文提出的具有奖罚机制的STDP的Spike-CNN方法平均准确率为LP1(91.07%)、LP2(96.66%)、LP4(93.95%).     

一种具有连续跳数值的三维DV-Hop改进算法

设计精确的定位算法是无线传感器网络（Wireless Sensor Networks,WSNs）的研究热点.针对DV-Hop（Distance Vector-Hop）定位算法中节点间距离估计误差较大导致定位不精确的问题,提出了一种具有连续跳数值的三维DV-Hop改进算法.探究了邻居节点间的距离与相应节点位置和通信半径构成的相交球体体积之间的关系,提出了连续跳数值的定义,并通过参数修正给出了其计算方法.通过仿真实验探究了网络环境对参数的影响并确定了参数的取值,使用连续跳数值代替DV-Hop算法中的跳数来降低节点间距离估计误差.仿真实验表明,该算法在不增加算法复杂度以及额外硬件的情况下有效地降低了定位误差.     

曲率单调的组合二次 Phillips q-Bézier 曲线

Phillips q-Bézier 曲线是一类包含 q-整数的广义 Bézier 曲线。针对二次 Phillips q-Bézier 曲线的曲率单调条件,从代数和几何两方面进行了研究,构造出曲率单调的二次 Phillips q-Bézier 曲线及曲率单调递减的组合二次 Phillips q-Bézier 曲线。首先,通过曲线曲率的坐标表示,探究代数形式的曲率单调条件,定义曲率单调包围圆,给出二次 Phillips q-Bézier 曲线具有单调曲率的几何充要条件。当形状参数 q=1 时,Phillips q-Bézier曲线退化为经典的 Bézier曲线,因此上述曲率单调条件包含经典二次 Bézier曲线的结果。其次,讨论二次 Phillipsq-Bézier 曲线间的 G 2 光滑拼接条件及条件中的各个参数对拼接曲线的影响。再次,对于给定首末控制顶点的曲线,选择合适的中间控制顶点,求得使其具有单调曲率时形状参数的取值范围,构造出曲率单调的单条二次Phillips q-Bézier 曲线。进而,构造出同时满足 G 2 拼接与曲率单调递减的组合二次 Phillips q-Bézier 曲线。最后,利用曲率单调递减的组合二次 Phillips q-Bézier 曲线,构造出具有包含关系的两圆之间的缓和曲线。数值实例显示了组合二次 Phillips q-Bézier 曲线的造型优势和灵活性。     

水下机器人协同控制的TO模型区域划分定位

针对稀疏型水声传感器网络定位算法面临的定位覆盖率低和误差高的问题, 本文提出一种水下机器人协 同控制的截角八面体(TO)模型区域划分定位算法. 首先搭建定位系统模型, 提出TO模型满足三维目标区域划分原 则, 并证明其体积比相对最优; 然后设计TO模型最优区域划分方式, 提出最小值判定法进一步整合目标节点, 自主 水下机器人(AUVs)协同控制筛选包含目标节点的子区域; 通过分析通信半径和虚拟锚节点数量对实验结果的影响, 设置最优定位参数, 降低能耗和定位误差, 最后利用最小二乘法完成定位. 本文分别对定位覆盖率、子区域AUV路 径长度和定位精度进行了仿真实验, 结果表明, 相比于其他区域划分方案, 所提算法误差较小、定位覆盖率高且鲁 棒性强.     

基于自适应学习的序列生成方法

离散序列生成广泛应用于文本生成、序列推荐等领域。目前的研究工作主要集中在提高序列生成的准确性,却忽略了生成的多样性。针对该现象,提出了一种自适应序列生成方法ECoT,设置两层元控制器,在数据层面,使用元控制器实现自适应可学习采样,自动平衡真实数据与生成数据分布得到混合数据分布;在模型层面,添加多样性约束项,并使用元控制器自适应学习最优更新梯度,提升生成模型生成多样性。此外,进一步提出融合协同训练和对抗学习的方法,提升生成模型生成准确性。与目前的主流模型进行对比实验,结果表明,在生成准确性和多样性上,自适应协同训练序列生成方法具有更均衡的准确性和多样性,同时有效缓解生成模型的模式崩溃问题。     

基于时间因子和复合CNN结构的网络安全态势评估

为了解决传统的网络安全态势感知研究方法在网络信息复杂情况下准确率不高等缺陷,文中结合深度学习,提出了一种基于时间因子和复合CNN结构的网络安全态势评估模型,将卷积分解技术和深度可分离技术相结合,形成4层串联复合最优单元结构;将一维网络数据转换为二维矩阵,以灰度值的形式载入神经网络模型,从而有效发挥卷积神经网络的优势.为充分利用数据间的时序关系,引入时间因子形成融合数据,使网络同时学习具备时序关系的原始数据和融合数据,增强模型的特征提取能力,同时利用时间因子和点卷积建立时序数据的空间映射,提高模型结构的完整性.实验结果证明,所提模型在两个数据集上的准确率分别达到了92.89％和92.60％,相比随机森林和LSTM算法提升了2％～6％.     

结合双流特征融合及对抗学习的图像显著性检测

为实现图像显著区域或目标的低级特征与语义信息有意义的结合,以获取结构更完整、边界更清晰的显著性检测结果,提出一种结合双流特征融合及对抗学习的彩色图像显著性检测(SaTSAL)算法.首先,以VGG-16和Res2Net-50为双流异构主干网络,实现自底向上、不同级别的特征提取;之后,分别针对每个流结构,将相同级别的特征图送入卷积塔模块,以增强级内特征图的多尺度信息;进一步,采用自顶向下、跨流特征图逐级侧向融合方式生成显著图;最后,在条件生成对抗网络的主体框架下,利用对抗学习提升显著性检测结果与显著目标的结构相似性.以P-R曲线、F-measure、平均绝对误差、S-measure为评价指标,在ECSSD,PASCAL-S,DUT-OMRON以及DUTS-test 4个公开数据集上与其他10种基于深度学习的显著性检测算法的对比实验表明,SaTSAL算法优于其他大部分算法.