基于GNN的矩阵分解推荐算法

相较于协同过滤,矩阵分解有着更好的拓展性和灵活性,但同样受到数据稀疏和冷启动的困扰。针对上述问题,提出一种融合GNN和PMF的推荐算法GNN_MF。该算法通过神经网络对社交网络图以及用户项目图进行建模,将两个图内在的联系起来,学习目标用户在社会空间以及项目空间上的特征向量。通过MLP将两个特征向量串联提取用户的潜在特征向量,集成在概率矩阵分解模型上,产生预测评分。在真实数据集Epinions、Ciao上的大量实验表明,GNN_MF算法的均方根误差和平均绝对误差较传统PMF分别降低了2.91%、3.10%和4.83%、3.84%。验证了GNN_MF算法在推荐系统中的有效性以及可行性。     

融合注意力LSTM的神经张量分解推荐模型

针对结合深度学习模型的协同过滤算法未考虑关联数据的多维交互随时间动态变化的问题,该文提出一种融合时间交互学习和注意力长短期记忆网络的张量分解推荐模型(LA-NTF)。通过采用基于注意力机制的长短期记忆网络从项目文本信息中提取项目的潜在向量,然后使用融合注意力机制的长短期记忆网络来表征用户—项目关系数据在时间上的多维交互,最后将用户—项目—时间三维张量嵌入多层感知器中,学习不同潜在因子之间的非线性结构特征,从而预测用户对项目的评分。在两个真实数据集上的大量实验表明,与其他传统方法和基于神经网络的矩阵分解模型相比,方根误差(RMSE)和平均绝对误差(MAE)指标均有明显提升,说明LA-NTF模型可显著改善各种动态关系数据的评级预测任务。     

基于LSTM与距离优化的兴趣点推荐方法

现有的兴趣点(POI)推荐方法以基于位置的社交网络为准, 通过用户个人的兴趣点访问频率以及其关系者的访问习惯进行推荐, 而兴趣点的地理位置也作为推荐的考虑条件之一. 但大部分的兴趣点推荐仅仅将兴趣点的地理位置作为推荐的偏好参考, 而非用户本身到达该兴趣点的代价, 所以基于类似方法所产生的某些兴趣点候选项可能符合用户偏好, 但其可达性并不好. 针对上述问题, 本文提出了一种基于LSTM与距离优化的兴趣点推荐方法.该方法首先根据用户的社交关系网信息对用户与兴趣点的交互矩阵进行补充, 然后对此矩阵进行分解生成兴趣点隐向量. 最后, 以用户的兴趣点访问记录为依据建立兴趣点隐向量之间的时序关系, 并且以类递归形式的模型对序列进行学习, 推断出用户未来可能访问的兴趣点序列. 本文使用Gowalla和Yelp数据集对模型的性能进行验证, 发现在有限的信息维度下, 该模型的推荐准确率与其它代表性推荐模型相比有略微的提升, 且所生成的兴趣点序列对当前用户具有较好的可达性.     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.     

基于信号经验模态分解与分集合并的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合信号经验模态分解与分集合并,提出了一种新的故障诊断方法;首先,运用经验模态分解对齿轮振动信号进行分解得到若干个分量;其次,根据分量的峭度大小以及相邻分量的峭度是否接近,筛选、合成有效分量;然后,运用等增益分集合并技术对有效分量进行合并,即将其包络进行叠加;接着,使用快速傅立叶变换得到信号包络和的频率谱;最后,根据该频率谱进行故障诊断;通过对仿真信号和齿轮断齿故障振动信号的分析,验证了方法的有效性.     

基于变分模态分解和高阶统计量的梯级故障诊断研究

自动扶梯是地铁车站内必不可少的大型公共交通设备,一旦发生故障,小则影响运营,大则引发安全事故;梯级作为自动扶梯的重要结构部位,其固定螺栓松动必然会导致自动扶梯运行异常;针对梯级振动信号故障特征难以提取的问题,提出了变分模态分解(VMD)和高阶统计量(HOS)联合来对自动扶梯故障特征提取;该方法首先对原始振动信号进行VMD分解,得到K个固有模态分量(IMF);然后对主IMF分量进行奇异值分解(SVD)降噪,对去噪后的主IMF分量进行重构得到新的信号;最后通过高阶统计量对新的信号故障特征提取,并利用随机森林分类算法对三类不同的振动信号样本进行分类识别,确定梯级振动故障类型;实验结果表明,该方法可以有效地提取故障特征,实现故障诊断与分类。     

基于EEMD-多尺度排列熵-SVM的小电流系统故障选线仿真

针对小电流系统故障时选线困难,提出结合多尺度排列熵与SVM的选线方法.首先,用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法对故障时各线路的零序电流进行分解.其次,计算固有模态函数的多尺度排列熵,建立SVM分类器.最后,利用多尺度排列熵作为特征向量训练相应的SVM分类器,通过SVM输出分类结果,判断故障线路.通过实验表明,该方法选线计算速度快,原理简单,准确率高.     

混凝土喷射机振动信号变分模态分解方法研究

混凝土喷射机是隧道、地铁和桥梁建设等工程项目中常用的一种机械设备。振动信号是混凝土喷射机的一个重要指标,通过研究混凝土喷射机的振动信号,可以得到其特征频率,从而为设备改进和故障诊断提供理论依据,而IVMD为特征频率的提取提供了一种新的方法。为了研究混凝土喷射机工作过程中的振动信号,以PS6I-J型混凝土喷射机为例,使用改进的变分模态分解方法,对变分模态分解中的k值,使用离散熵进行优化,从而过滤噪声分量。为信号处理领域提供了一种新的思路。     

基于稀疏张量分解的动态功能网络分析

静息态功能磁共振成像(RS-fMRI)是目前研究人脑功能的重要技术之一,脑功能连接的动态分析为研究大脑内部状态变化提供了一种有效的手段。文中提出了一种基于稀疏张量CP分解算法的动态脑功能网络分析方法。首先利用静息态fMRI数据不同维度的信息构建张量模型,并对其进行优化求解。然后使用动态检测法对时变网络的状态进行划分,构建脑功能连接网络,并与常用的滑动窗口方法进行对比分析。实验结果表明,该方法能够准确识别出静息态fMRI数据的时间维度信息,捕获静息态fMRI数据中的动态功能连接。     

基于小波技术的曲面边界光顺及简化算法

与传统造型方法相比,T 样条曲面具有曲面拼接、局部加细、数据简化等特点。基于 T 样条曲 面的非矩形拓扑结构及 B 样条小波的滤波优势,提出了一种曲面边界光顺及简化算法。与传统方法相比,该算 法基于非均匀 B 样条小波分解,对选定的曲面边界进行光顺,并利用 T 样条技术减少冗余控制点。最后,给 出具体实例以验证算法的有效性和实用性。