小样本关系下的时序知识图谱推理

在各大知识推理应用场景下,知识图谱中时序的缺失、知识图谱构建时实体关系的不完善,已然成为研究者们亟需解决的问题。为此,构造了一种融合时序信息与小样本关系的知识图谱推理模型,该模型将知识图谱的三元组表示扩展到含有时序信息的四元组表示,并通过时序信息来提高推理路径的准确性。此外,通过元学习从高频关系中学习元参数,并使用元参数适配小样本关系任务,提高模型在小样本关系中的泛化能力。实验表明,所提出的方法在Hits@1、Hits@3、Hits@10和MRR上均高于对比方法,并且均提高5%以上,表明所提出的方法可以完成知识图谱的推理,并且在小样本关系下具有较好的效果。     

基于改进自编码模型的工业时序数据异常检测

针对传统异常检测模型在处理工业多维时序数据时特征提取不充分、抗干扰能力弱等问题,提出一种改进的自编码模型,有效结合了门控循环网络的时序信息记忆能力和收缩自编码器的鲁棒特征提取能力,能够同时捕获不同特征变量之间的非线性相关性和单个变量自身的时序相关性。采取半监督学习异常检测方法,使用正常数据训练模型收敛,并根据待检测数据输入模型后计算出的异常得分来判定异常样本。基于真实的工业传感器数据进行实验后的结果表明,该方法有效提高了异常检测的准确度和可靠性。     

数据驱动的贝叶斯SVR自适应建模及昂贵约束多目标代理优化

实际工程中的多目标优化问题往往具有黑箱特性且需要耗时的功能性评估,采用传统的进化优化方法求解,存在计算成本高昂且难以实现的问题.考虑代理优化方法在处理需要功能性评估工程设计问题中的高效性,提出一种小样本数据驱动下的贝叶斯SVR自适应建模及昂贵约束多目标代理优化方法.该方法在实现过程中选取贝叶斯SVR模型以减少功能性评估过程的昂贵仿真成本,利用最大化约束期望改进矩阵聚合策略进行新设计方案选取,并通过小样本信息的不断更新实现数据驱动下的贝叶斯SVR模型自适应更新和逐步优化.贝叶斯SVR模型具有强的边界刻画能力及预测不确定性度量功能,可为新样本挑选提供预测精度保障及潜在的改进方向.所提出的切比雪夫距离和曼哈顿距离聚合策略从样本填充的改进范围考虑,使其具有较强的改进边界探索能力,在多变量优化问题中具有计算复杂度低、适用性强的特点.测试函数及工程实例结果表明:1)所提出的方法可在小样本条件下有效减少昂贵仿真成本,提升昂贵约束多目标问题的优化效率;2)获取昂贵约束多目标问题的Pareto前沿在收敛性、多样性及空间分布性方面均具有一定优势.     

基于PSO-DELM的手机上网流量预测方法

为提高手机上网流量预测的精度,提出一种使用粒子群算法优化深度极限学习机的手机上网流量预测方法.流量数据具有非线性、自相似性和长相关性的特性,且以时间刻度为单位记录.通过对具有时序性质的一维流量数据重新排列组合,产生新的多维流量数据样本集,采用PSO算法优化DELM中的多个隐含层的神经元个数构成PSO-DELM组合模型进...     

一种时空协同的图卷积长短期记忆网络及其工业软测量应用

软测量技术的发展有效解决了工业过程中对于难以直接测量的质量变量的感知困难,为过程的控制与优化提供了有力保障.通常在含有多个质量变量的过程中,样本间的时序关系和多个质量变量间相互影响的空间关系能够反映过程本身的特性,这种时空特性的挖掘有益于软测量模型性能的提升,而传统软测量方法往往局限于对时序关系的学习而并未考虑对质量变量间的空间关系进行有效利用.对此,提出一种时空协同的图卷积长短期记忆网络(graph convolution long short-term memory networks, GC-LSTM),并应用于工业软测量场景.采用多通道网络结构将图卷积网络的空间关系挖掘能力与长短期记忆网络的时序关系学习能力相结合,对过程进行时空协同学习以实现软测量应用.具体而言,每条通道用于对每种质量变量进行独立学习;对于过程的时序特性,利用各通道内的长短期记忆网络提取针对不同质量变量的时序特征;对于过程的空间特性,构建质量变量间空间关系的图结构,采用跨通道的图卷积运算将不同通道内不同质量变量的时序特征基于空间关系进行融合,得到兼具过程时空特性的特征,从而在软测量建模中实现过程时空协同学习与融合...     

电力电子装置故障波形相似性度量的小波矩阵变换法

提出一种基于小波矩阵变换的时序序列相似度量方法,并对该方法应用于电力电子装置故障波形相似性度量进行了抗噪性、灵敏度及相似值准确性分析.方法首先采用小波变换将时序序列压缩到小波子空间,再由K-L变换(Karhunen-Loveve transformation)提取样本时序序列的特征向量和正交基,然后将分析时序序列通过内积变换映射到正交基中得到分析特征向量,最后计算两个特征向量之间的欧式距离以判定时序序列的相似度.以电力电子装置故障波形的相似度量为例,实验表明该方法特征向量维数低,抗噪性好于直接小波法30倍,灵敏度是直接小波法1/3,相似值准确性好于小波奇异值法.该方法对于大规模时序序列的相似匹配和检索具有潜在的应用价值.     

基于LSTM的辅助动力装置系统辨识与仿真

针对民航飞机辅助动力装置的复杂非线性时序特性,依据长短时记忆网络(LSTM)的长时序记忆、非线性关系表达能力,提出一种基于LSTM的辅助动力装置系统参数辨识模型。同时建模过程中考虑作用于辨识参数的多种影响因素,进一步提出基于LSTM的多变量时间序列预测参数辨识模型,解决了传统时序模型难以解决的多变量或者多输入问题。最后利用辅助动力装置试车样本,建立了APU启动阶段的参数辨识模型。仿真结果表明,发动机排气温度EGT温度均方根误差小于4℃,发动机转速百分比N均方根误差小于1,满足辅助动力装置仿真需求。     

基于特征重构的广义回归神经网络故障识别方法应用研究

近年来,流程工业事故频发,这使得加强生产过程的安全保障迫在眉睫,对故障识别的准确性提出了更高的要求。本文提出了一种基于特征重构的广义回归神经网络故障识别方法。首先,引入"字典表"的功能构建"故障字典表":其次,采用核主元分析方法对"故障字典表"进行主元提取,实现数据降维以及降低计算复杂度;第三,"故障字典表"索引定位,通过数据样本与"故障字典表"的比对,对数据样本进行特征重构;最后,运用广义回归神经网络算法对数据样本进行学习训练,用以计算系统输出变量进行故障识别。通过对TE(Tennessee Eastman Process)过程进行故障识别仿真实验,结果表明,该方法对非线性时序系统具有较高的故障识别能力,为复杂过程工业大型系统的故障识别提供了新的思路和方法。     

考虑时序特性的分布式电源接入配电网规划

分布式电源及储能单元接入配电网对其经济性与安全性具有显著影响.为了增强配电网转供能力,提高供电可靠性、稳定性,同时减少投资和运行维护成本,提出一种风-光-储接入配电网的定容规划方法.方法考虑分布式电源的时序特性、不同季节负荷的时序特性及实时电价,构造功率平衡、电压偏差等约束条件,建立考虑经济性、稳定性的风-光-储接入配...     

未知工艺角下时序违反的机器学习预测

集成电路设计复杂性的增长以及工艺尺寸的持续缩减给静态时序分析以及设计周期带来了新的严峻挑战。为了提升静态时序分析效率、缩短设计周期,充分考虑FinFET工艺特性以及静态时序分析原理,提出了未知工艺角下时序违反的机器学习预测方法,实现了基于部分工艺角的时序特性来预测另外一部分工艺角的时序特性的目标。基于某工业设计进行实验,结果表明,提出的方法利用5个工艺角时序预测另外31个工艺角时序,可达到小于2 ps的平均绝对误差,远远优于传统方法所需的21个工艺角,显著改善了预测精度和减少了静态时序分析工作量。     

基于FPGA的瞬变存储技术的研究

在用逻辑分析仪测试数字系统时,为了提高逻辑分析仪的分辨力,会产生采样频率、存储容量与采样时间窗口宽度之间的矛盾.介绍了一种瞬变存储的方法(即在采样信号发生变化的时候存储,不发生变化的时候仪记录不变的采样时钟数),有效地解决了这个矛盾,提高了逻辑分析仪的分辨力,并给出了总体模块的程序设计及总的时序仿真图.     

基于关联规则的热点事件时序分析方法

热点事件在发展过程中包括多个相关话题,分析多个话题在时序上的演化和传播路径,能够深层次把握热点事件产生、发展、消亡的具体细节。为此提出一种基于关联规则的热点事件时序分析方法。首先将关联规则算法并行实现获取多个时间片的频繁关键词集;然后筛选所有频繁关键词集的关联规则形成关联规则集,从而得到多个话题关键词集合;最后根据关键词集合分析热点事件多个话题的演化和传播路径。实验表明,该方法能够全面有效地跟踪热点事件的动态变化过程,为网络舆情监控和管理提供借鉴和支撑。     

The Coherence Cube Computing Method with Self-adaptive Time Window Based on Wavelet Transform

The coherence cube technology has become an important technology for the seismic attribute interpretation, which extracts the discontinuities of the events through analyzing the similarities of adjacent seismic channels to identify the fault form. The coherence cube technology which uses constant time window lengths can not balance the shallow layers and the deep layers, because the frequency band of seismic data varies with time. When analyzing the shallow layers, the time window will crossover a lot of events, which will lead to weak focusing ability and failure to delineate the details. While the time window will not be long enough for analyzing deep layers, which will lead to low accuracy because the coherences near the zero points of the events are heavily influenced by noise. For solving the problem, we should make a research on the coherence cube technology with self-adaptive time window. This paper determines the sample points＆#39; time window lengths in real time by computing the instantaneous frequency bands with Wavelet Transformation, which gives a coherence computing method with the self-adaptive time window lengths. The result shows that the coherence cube technology with self-adaptive time window based on Wavelet Transformation improves the accuracy of fault identification, and supresses the noise effectively. The method combines the advantages of long time window method and short time window method.     

基于量子计算的医疗数据敏感度度量

针对传统的医疗数据敏感度度量方法存在的度量开销大、数据查准率和查全率低的问题,提出基于量子计算的医疗数据敏感度度量方法.首先采用分布式样本重构方法重组医疗数据的分布式结构,建立医疗数据敏感度度量的统计分析模型;其次采用量化回归分析方法进行医疗数据的模糊融合和聚类分析,建立其定量递归分析模型;最后采用量子计算方法进行医疗...     

A novel load metric with enhanced ability of distinguishing different load status

This paper has proposed a new metric for characterizing the load of a uniprocessor computer. This metric is defined as a ratio of the average waiting time experienced by computing tasks to the average idle time of the processor. This definition is based on two important observations. As the load becomes heavier, the average idle time of a processor becomes shorter, and the average waiting time experienced by computing tasks becomes longer. The new load metric aims to have an enhanced ability in distinguishing different load status. The valid comparison of different load status using the new load metric is subject to the satisfaction of certain conditions: a majorization has to be satisfied between two processes of the measures (idle time or waiting time). The ability of the new load metric on distinguishing different load status has been validated through numerical simulations. The results showed that the new load metric can facilitate balancing the load among multiple servers better than the conventional load metric of average utilization, when they are used as the task assignment criteria.     

Event-triggered average dwell time control for switched uncertain linear systems with actuator saturation

This paper investigates an event-triggered average dwell time (ADT) control method for switched systems with dynamic uncertainty and actuator saturation. An event-trigger is employed and only few necessary data are authorised to be transmitted to the controller by the event-trigger when its threshold is violated. Since the time-intervals of system switching signal and data releasing time-intervals of the event-trigger share common time-sequence yet not inter-influenced, an ADT control law is proposed for guaranteeing system exponential stability; meanwhile, the actuator saturation limitation is also considered. More significantly, a minimal data releasing time-interval of the event-trigger is given and it has been proved that the event-trigger cannot be violated during that time-interval. Numerical example is provided to demonstrate the effectiveness of the proposed method.     

基于神经计算机并行运算的连续语音识别

人工神经网络具有强大的模式分类能力,除此之外还有一个优点即其大量的并行神经计算能力,使得以低廉的硬件开销来实现高速并行运算成为可能,这在实时模式识别中是非常重要的。文章介绍了以预言神一号小型神经计算机的并行神经运算为核心的连续语音的实时识别的算法,实验表明该算法有很高的实时性和较好的识别率。     

一种基于边缘计算的传感云低耦合方法

随着物联网和云计算的快速发展,衍生了一种新的网络结构——传感云.传感云是物联网和云计算结合的产物.物联网中的物理节点可以通过传感云平台虚拟成多个节点,为用户提供服务.然而,当底层物理传感器节点同时接收多个服务命令时,会出现一些服务冲突,即耦合问题.这种耦合问题可能导致服务的失败,并危及系统安全.为了解决这个问题,提出了一种基于边缘计算思想的扩展KM(Kuhn-Munkres)算法.边缘计算是一种新兴的计算模式,在物联网中得到越来越广泛的应用,特别是那些由于延迟等限制而无法有效利用云计算的应用.边缘计算作为云和物联网层的中间平台,可以提供调度方法.首先,边缘层对重复请求命令进行合并,减少向下传输的命令数量;其次,优先调用边缘层数据缓存队列里的数据;最后利用改进KM算法实现每一轮的最大匹配.理论分析和实验结果表明,提出的方法可以提高资源利用率,减小计算成本,接近最短的时间解决耦合问题.     

基于PC104的时序控制系统设计

结合上位计算机和下位PC104嵌入式控制器,实现一种以PC104为核心的时序控制系统设计。在该设计中,下位PC104嵌入式控制器以黑箱模式工作,完成实时性要求较高的时序控制任务,上位计算机经由以太网与控制器进行通信,完成整个系统的远程监控。应用结果表明,该系统具有实时性高、可靠性高、配置灵活、功能重构性强的特点,能为各子系统提供安全可靠的时序控制。     

EasiFFRA:一种基于邻域粗糙集的属性快速约简算法

从高维异构感知信息中提取有效特征是支撑物联网系统预测与识别的基础.物联网场景中通常包括多个多种感知节点,系统通常会从感知数据中提取大量特征,其中不乏部分无关和冗余特征.这些无关及冗余特征会降低系统的运行速度,引入冗余计算,更会影响后续的分类及预测等机器学习操作的性能.因而高效识别并提取低维有效的特征子集是物联网数据分析所面临的一大挑战.邻域粗糙集方法能够在保持数据集可分性的前提下,识别和去除无关及冗余特征子集,从而达到降维效果.但由于现有基于邻域粗糙集的特征约简算法的计算开销大、运行时间长,故而并未得到广泛应用.提出了一种基于邻域关系对称性及决策值过滤策略的特征快速约简算法EasiFFRA.EasiFFRA可通过改进的散列分桶方法加速正域样本计算,可检验并过滤冗余决策值样本,从而降低现有方法中由于重复距离评估所带来的冗余计算.实验结果表明：EasiFFRA在实际采集的水质数据集和多个不同样本量及维度的公开数据集中平均加快75.45%的特征约简时间,其约简结果和已有邻域粗糙集特征约简算法等效,可有效解决物联网数据分析中由冗余及无关特征导致的分类及预测精度下降问题,有重要应用价值.