基于视图互信息加权的多视图集成聚类算法

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这些问题,提出一种基于视图互信息加权的多视图集成聚类（MEC-VMIW）算法,主要过程可分为两个阶段,即视图互加权阶段与多视图集成聚类阶段。在视图互信息加权阶段,对数据集进行多次随机降采样,以降低评估加权过程的问题规模,进而构建多视图降采样聚类集合,根据不同视图的聚类结果之间的多轮互评得到视图可靠度评估,并据此对视图进行加权;在多视图集成聚类阶段,对各个视图数据构建基聚类集合,并将多个基聚类集合加权建模至二部图结构,利用高效二部图分割算法得到最终多视图聚类结果。在若干个多视图数据集上的实验结果验证了所提出的多视图集成聚类算法的鲁棒聚类性能。     

融合显式反馈与隐式反馈的协同过滤推荐算法

显式反馈与隐式反馈相结合,可以有效提升推荐性能.但是现有的融合显式反馈与隐式反馈的推荐系统存在未能发挥隐式反馈数据缺失值反映用户隐藏偏好的能力,或者未能保留显式反馈数据反映用户偏好程度的能力的局限性.为了解决这个问题,提出了一种融合显式反馈与隐式反馈的协同过滤推荐算法.该算法分为两个阶段:第1阶段利用加权低秩近似处理隐式反馈数据,训练出隐式用户/物品向量;第2阶段引入了基线评估,同时将隐式用户/物品向量作为补充,通过显隐式用户/物品向量结合,训练得出用户对物品的预测偏好程度.该算法与多个典型算法在标准数据集上进行了实验比较,其可行性和有效性得到验证.     

基于LORA物联网的人防工程三防控制系统

人防工程三防控制系统是确保战时工程内部清洁并为人员提供生存保障的重要手段。但目前主要实现方式都是将远端待控设备通过PLC与监控主机相连,带来墙体隔绝性能下降、后期维护烦琐等问题。为此提出一种以低功耗、远距离无线通信的LORA物联网技术为核心的控制方案。本设计利用组态软件WinCC进行监控,通过网关节点连接到温湿度监测节点和设备测控节点,实现风机、阀门等设备的控制与环境参数监测,构建了完整的三防控制系统。实验表明,用LORA无线网络可以取代现有的基于PLC控制的传统三防控制系统,简化了系统的建设安装,降低了维护成本。     

应用有限元法计算转轴临界转速(座标镗床及车床主轴计算)

由于轴的几何形状及支承方式的复杂性,转轴临界转速计算中的许多问题,是困难的问题。因此,设计人员只好采用近似解法,有限元法为求解这类问题提供一个比较好的,十分有效的方法。本文介绍座标镗床及车床主轴的计算结果,比较理论计算与实验测定表明,这一计计方法能适用于工程应用。     

保持Motif结构的网络表示学习*

随着信息技术的广泛应用,网络在人们日常的生活中变得无处不在。网络表示学习算法是最近研究网络的一个热门领域,它旨在保留网络拓扑结构信息的同时,将网络映射到一个潜在、低维度的向量空间。网络Motif,在网络分析中具有重要的意义,然而之前提出的网络表示学习算法绝大多数只考虑了节点的邻域属性或邻近性,而忽略了节点的Motif结构信息。因此,基于上述考虑,提出了算法"保持Motif结构的网络表示学习",使得在学习网络节点向量表示时能够更加侧重地考虑网络Motif的结构。算法首先计算出基于Motif的网络权重矩阵;接着求得网络中每个节点的基于Motif的个性化PageRank预估值;最后进行MotifWalk得到游走路径,从而能够运用Word2Vec模型来得到网络的向量表示。通过与三个经典的网络表示算法比较,发现在稠密以及Motif结构丰富的网络中,提出的算法表现得更好。     

在滚齒机上无差动加工大于100齒以上的质数斜齒轮的探讨

在滚齿机上用差动补尝的办法,可以加工大于100齿以上的质数斜齿轮。利用差动补尝的原理,即滚刀和工件相对运动互相转化的关系,也可以实现无差动加工大于100齿以上的质数斜齿轮。此方法的优点是传动链少,机床结构简单,因此对提高加工精度都较为有利,对于改进机床设计也可作为参考。一、无差动加工斜齿轮的原理加工斜齿轮与加工直齿轮不同点主要是在工件表面形成螺旋齿。为了要得到左旋齿轮和右旋齿轮,滚刀和工件除了有正常的位移关系以外,还必需使滚刀移动一工件螺距,     

基于异构信息网络元路径作张量分解的深度学习推荐系统

过去基于学习用户和物品的表征向量的推荐系统算法在大规模数据中取得了较好的结果。相比早期经典的基于矩阵分解（matrix factorization,MF）的推荐算法,近几年流行的基于深度学习的方法,在稀疏的数据集中具有更好的泛化能力。但许多方法只考虑了二维的评分矩阵信息,或者简单的对各种属性做嵌入表征,而忽略了各种属性之间的内部关系。异构信息网络（heterogeneous information network,HIN）相比同构网络能够存储更加丰富的语义特征。近几年结合异构信息网络与深度学习的推荐系统,通过元路径挖掘关键语义信息的方法成为研究热点。
为了更好地挖掘各种辅助信息与用户喜好的关联性,本文结合张量分解、异构信息网络与深度学习方法,提出了新的模型hin-dcf。首先,基于数据集构建特定场景的异构信息网络;对于某一元路径,根据异构图中的路径信息生成其关联性矩阵。其次,合并不同元路径的关联性矩阵后,得到包含用户、物品、元路径三个维度的张量。接着,通过经典的张量分解算法,将用户、物品、元路径映射到相同维度的隐语义向量空间中。并且将分解得到的隐语义向量作为深度神经网络的输入层的初始化。考虑到不同用户对不同元路径的关联性偏好不同,融入注意力机制,学习不同用户、物品,与不同元路径的偏好权重。在实验部分,该模型在精确度上有效提升,并且更好地应对了数据稀疏的问题。最后提出了未来可能的研究方向。     

结合灰色预测的动态概率矩阵分解

推荐系统的目标是找出符合用户喜好的物品, 但是用户的喜好和物品的特征是动态变化的, 这种变化会影响推荐系统的准确性. 很多推荐系统只是简单的使用概率矩阵分解模型, 缺乏对这个问题的有效解决. 本文利用灰色系统理论中的灰色预测模型对用户和物品的动态性建模, 继而提出了一个基于概率矩阵分解和灰色预测模型的动态推荐系统.首先, 利用概率矩阵分解模型生成各个连续时间窗中用户和物品的隐式向量. 接着, 利用灰色预测模型得到未来时间窗中用户和物品的隐式向量, 继而进行推荐. 实验结果说明本文的算法能够有效地对用户和商品的动态性进行建模, 且优于一些现存的最好的算法.     

应用有限元法计算转轴的临界转速

若机器转轴的实际转速接近临界转速,转轴将发生共振,导致精度下降,甚至引起破坏。因此,转轴的临界转速的计算成为设计中的重要课题。本文首先分析转轴的离散化及惯性力荷载,然后讨论动力方程式及其解法,给出转轴临界转速计算程序。。图8幅,表7个,参考文献7种。     

基于集成学习的改进深度嵌入聚类算法

近年来深度学习的迅速发展为聚类研究提供了一个有力的工具,并衍生出了许多基于深度神经网络的聚类方法.在这些方法中,深度嵌入聚类(DEC)因其可对深度表示学习和聚类分配同时进行优化的优势而日益受到关注.但是,深度嵌入聚类的一个局限性在于其超参数λ的敏感性,而往往需要诉诸人工调节来解决.对此,提出一种基于集成学习的改进深度嵌入聚类(IDECEL)方法.相较于寻求单个最优超参数的常规做法,提出以多样化超参数λ构建一组具有差异性的基聚类,并结合熵理论对基聚类集合的簇不确定性进行评估与加权,进而在簇与样本之间构建一个局部加权二部图模型,再将之高效划分以得到一个更优聚类结果.在多个数据集上的实验结果表明,提出的IDECEL方法不仅可缓解常规DEC算法超参数敏感性的问题,同时也表现出比其他多个深度聚类和集成聚类方法更为鲁棒的聚类性能.