基于深层图卷积的EEG情绪识别方法研究

针对浅层图卷积提取的局部脑区空间关联信息对情感脑电表征不足的问题,本文提出了一种深层图卷积网络模型。该模型利用深层图卷积学习情绪脑电全局通道间的内在关系,在卷积传播过程中应用残差连接和权重自映射解决深层图卷积网络面临的节点特征收敛到固定空间无法学习到有效特征的问题,并在卷积层后加入PN正则化扩大不同情绪特征间的距离,提高情绪识别的性能。在SEED数据集上进行实验,与浅层图卷积网络相比准确率提高了0.7%,标准差下降了3.15。结果表明该模型提取的全局脑区空间关联信息对情绪识别的有效性。     

基于图卷积网络改进的人体动作识别模型

针对双流自适应图卷积动作识别网络2S-AGCN模型忽略了人体动作识别中特征的长距离信息以及通道之间的依赖的缺点，设计了一种双重注意力机制对2S-AGCN模型的图卷积模块进行改进，实现精度的提升。双重注意力机制包含了空间注意力机制以及通道注意力机制，其中空间注意力机制有选择性地聚集上下文，通道注意力机制分为两个并行的模块，第1部分提高了特征的可辨性，第2部分在捕获特征远程依赖的同时，保留了精准的位置信息。结果表明，以双流自适应图卷积动作识别网络2S-AGCN模型为基础网络，融入了双重注意力机制模块的模型在Kinetics数据集上的Top-1和Top-5分别提升了0.6%和1.3%,在NTURGB+D120数据集的CS和CV上的Top-1分别提升了1.2%和0.5%,在NTURGB+D数据集的CS和CV上的Top-1分别提了0.2%和0.1%。     

一种基于图卷积神经网络的加密流量分类方法

深度学习算法被广泛应用于网络流量分类领域并取得较好效果。然而,对抗攻击的出现给其安全性带来了严重威胁,使得当前主流的基于卷积神经网络模型的分类算法的精度严重下降。针对此,本文提出了一种抗流量分类中灰度图对抗攻击的加密流量分类方法。所提方法通过提取数据包负载长度、包序列、方向、簇等流量交互信息构建拓扑图,将加密流量分类问题转化为图分类问题。接着,本文使用基于图卷积神经网络的分类方法进行特征的学习分类,图卷积神经网络模型可以自动从输入的拓扑图中提取特征,将特征映射到嵌入空间中的不同表示来区分不同的图结构。实验结果表明,本文所提方法不仅能够避免对抗攻击,且在公开数据集上的分类性能也较现有典型方法提高了5%以上。     

基于时序特征的图卷积协同过滤推荐算法

基于图卷积神经网络的协同过滤推荐算法框架是目前最先进的推荐算法框架,该框架在用户-项目交互嵌入向量的特征学习中并未关注交互发生的时序性,但实际情况中,用户-项目交互普遍具有明显的时序特征,且是影响推荐性能的重要因素。因此,本文提出一种基于时序特征的图卷积协同过滤推荐算法,重做多个数据集,保留数据集时序特征等原始信息,总结归纳数据集中用户-项目交互的历史时序信息,并对其进行参数化处理,作为重要特征输入到图卷积网络模型训练的高阶协同信号传递中。在三个公开的官方数据集Gowalla,Yelp和Amazon-book上设置多组消融性实验,采用公认的评价指标ndcg和recall对推荐算法性能进行评价,实验结果证明,在同样参数设置下,基于时序特征的图卷积协同过滤推荐算法性能超越了现有同类型图卷积协同过滤推荐算法,验证了时序特征对提升推荐效果的积极作用,提高了模型训练效率和预测命中率,更加高效地解决网络信息过载问题,满足了更高的应用需求。     

融合 Transformer 和语义图卷积的三维人体 姿态估计方法

为了进一步提升从单目二维人体姿态预测三维人体姿态的方法性能,提出一种融合 Transformer 和语义图卷积的三 维人体姿态估计模型,模型由4个部分组成,Transformer 编码网络、语义图卷积编码网络、姿态坐标预测模块和姿态坐标错 误回归模块。首先,Transformer编码网络对关节特征进行全局特征编码,以增强人体姿态的全局关联性。其次,语义图卷积 编码网络专注于局部关节特征提取,以加强局部关节特征之间的关联性。接下来,姿态坐标预测模块和姿态坐标错误回归模 块将关节全局和局部编码特征融合,以增强对三维姿态的准确建模能力。通过在 Human3.6M 数据集上进行实验表明,方法 在估计性能方面取得了较好的改进,以真实的二维人体姿态作为输入,在 MPJPE 和 PA-MPJPE 值分别为32.7和25.9 mm, 与实验对照方法相比,性能分别提升了3.82%和1.14%。     

基于图卷积网络的电网无功容量计算∗

传统电网无功容量计算方法往往需要耗费大量时间,为此提出了一种基于图卷积网络 (GraphConvolutional Network,GCN)的无功容量计算方法.该算法通过特征矩阵以及邻接矩阵刻画电网节点的关键信息及节点间的连接关系,训练得到能够快速计算电网无功容量的模型.算例分析表明,使用 GCN 计算电网所需的无功容量误差较小, 有良好的精度且计算速度快于传统的无功计算方法.     

基于GCN-LSTM的日前市场边际电价预测

传统电价预测往往采用基于时间序列的时域预测方法,未能充分利用电力市场的地域信息,忽略了跨区域输电条件下影响区内电价的域外因素,为进一步提升电价预测精度提出一种基于图卷积神经网络与长短时记忆网络(graph convolution network-long short term memory,GCN-LSTM)的时空预测算法。该算法首先通过建立图模型,描述地域分布的电力市场数据,并使用图卷积神经网络,提取所研究区域和周围地区传导到域内的域外信息;其次,将不同时刻图卷积神经网络提取到的信息构成时间序列,输入长短时循环网络,从而对日前市场边际电价进行预测。利用北欧电力交易所Nord Pool的运营数据进行算例分析,通过与对照算法对比,该算法具有更好的预测精准度和普适性。     

基于残差融合双流图卷积网络的手势识别方法

针对传统图卷积网络易忽略空间特征与时间特征之间关联的问题,设计了一种基于残差结构和图卷积网络相融合的双流网络模型。首先网络包括空间流和时间流两个通道,将手势骨骼数据构建成空间图和时序图作为两通道的输入,通过分离时间维度和空间维度极大地提高了训练速度。然后为了增加网络深度,避免梯度消失等问题,嵌入残差结构并对其进行改进,更加有效利用时间特征,保证了特征的多样性。最后将两通道输出的空间点集序列和时间边集序列串联转化,输入Softmax分类器进行分类,得到识别结果。将新提出的方法在CSL和DEVISIGN-L手势数据集上进行实验,结果表明在两个数据集上识别精度分别达到了96.2%和69.3%,证明该方法具有一定的先进性。     

基于谱图论和图卷积神经网络的直流电网节点电压估计研究

深度学习在电力系统领域应用已非常广泛,潮流计算是电力系统重要的基础性任务之一,传统算法依赖于迭代求解,不适用于快速估计场合。直流电网的潮流求解实质上是节点电压求解问题,为此,提出了一种基于谱图论和图卷积神经网络(graph convolution neural network,GCN)的直流电网电压估计模型。通过网络拓扑拉普拉斯矩阵的特征向量实现时域直流电网到谱域直流电网的空间正交变换,从而完成时域电气量信息与网络结构信息之间的数据融合,并配合图卷积网络实现对数据特征的有效提取,进而完成从初始谱域电气量到稳态时域电气量之间的映射。仿真结果表明,所提模型能够较好地实现从初始电气量到稳态节点电压的映射,具有较高的电压估计准确度。     

基于用户信息融合的图卷积网络报表推荐算法

传统报表工具无法自主为企业用户推荐相关业务信息，这一缺陷给电力企业经营管理带来了诸多挑战，针对该问题，提出了基于用户信息融合的图卷积网络报表推荐算法。首先，介绍了以数据中台为底座的报表工具整体架构。在此基础上，以营销业务为例，分析了用户与指标间的关联关系，并提出了基于图卷积网络的关联特征提取模型，同时在模型中融合了用户和指标的一般偏好特征，进一步提升了图聚合信息的深度，进而准确预测指标得分，并给出推荐结果。最后，在公开数据集和营销业务数据集上分别进行模型对比，并选取平均准确率、召回率和归一化折损累计增益作为评价指标，验证所提算法的准确性。结果表明，所提算法与现有算法相比，推荐效果有较大提升，可赋能电力企业经营管理，助力企业数字化转型。     

基于特征增强的高分辨率人体姿态估计网络

在轻量级卷积神经网络进行高分辨率人体姿态估计时存在提取特征不充分,针对该问题,提出了一种基于特征增强的高分辨率人体姿态估计网络。首先利用空洞卷积补全操作提取图像特征,以避免特征信息丢失且保持模型参数基本不变;接着利用池化增强模块进行卷积提取特征的选择,以保留重要特征且减轻传统池化模块对提取特征造成的破坏;最后利用加强通道信息交互的深度可分离卷积模块进行特征提取,以保持该模块的参数量较少且能够提高其特征提取能力。在COCO2017数据集进行性能测试,本文算法和DiteHRNet30算法的AR值分别为77.9%和77.2%;在MPII数据集进行性能测试,本文算法和DiteHRNet30算法的PCKh值分别为32.6%和31.7%。实验结果表明,本文算法在人体姿态估计精度和算法复杂度之间能够达到较好的平衡。     

基于图卷积网络的配电网无功优化

高级量测体系的建设和深度学习技术的快速发展使得不依赖于物理模型,而是通过挖掘历史数据和先验知识快速地找到最佳无功优化策略成为了可能。为此,提出了一种基于图卷积网络(graph convolutional network,GCN)的配电网无功优化方法。通过邻接矩阵来表征配电网节点间的拓扑信息,所提出的算法能够有效地挖掘节点负荷之间的相关性,并利用深层图卷积架构映射电力设备状态与负荷数据之间复杂的非线性关系。仿真结果表明,GCN的无功优化精度和鲁棒性皆优于卷积神经网络、多层感知机和案例推理等现有的数据驱动方法,且求解时间远低于传统的启发式算法,可以满足配电网无功优化实时性的需求。     

基于时空特征的航空发动机剩余使用寿命预测

航空发动机作为一种高精密机械部件,对飞机性能和可靠性有重要影响。准确的剩余寿命预测可以降低维修成本,减少安全事故的发生。现有的预测方法只关注传感器数据之间的时间关系,忽略了传感器之间的空间关系。本文提出了一种时空特征融合的网络模型,利用图卷积神经网络和长短时记忆网络分别提取空间特征和时间特征,运用并行结构将时间特征与空间特征融合。在CMAPSS数据集上进行验证,子数据集FD001的RMSE为12.81,Score为252.04,实验结果表明,该方法相对于其他预测方法,预测精度更高。     

基于图卷积网络和风速差分拟合的中长期风功率预测

为充分利用数据特征间的先验关系,提高风电场中长期发电功率预测精度,提出一种基于图卷积神经网络（GCN）、风速差分拟合（DF）、粒子群优化算法（PSO）的中长期风功率预测模型。通过分析风力发电全过程,挖掘风功率影响因素及因素间的相互关联性,搭建GCN模型,分别拟合风速和功率利用效率,进一步结合基于DF的风速-功率计算模型计算风功率,模型的损失包含功率损失、风速损失和功率利用效率损失3个部分,采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明,该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%,具有较高的预测精度。     

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。     

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

多模型融合动作识别研究

提出了一种多模型结融合的动作识别方法,目的是利用大数据时代下数据形态的多样性并结合已有模型,以提高识别准确率。该方法使用视频或图像序列与骨架序列对整个模型进行训练。对于骨架序列提取其关键帧,然后使用长短时记忆（LSTM）编码器对骨架序列进行特征提取得到骨架特征。接着使用卷积神经网络得到RGB视频或者图像序列的特征,进一步经过循环神经网络提取特征,得到RGB特征。网络的损失函数方程组由分类误差与上述两种特征的L2范数组成。使用混合最速下降进行网络优化。该方法使用关键帧训练LSTM编码器,大大缩短了训练时间。结合手工提取的关键帧与非监督方式获取的卷积特征,提高识别准确率。在Florence和MSR3D数据集上的实验结果表明,该方法对动作识别具有良好的分类效果。     

CEEMDAN 与 GCN 结合的配电变压器故障诊断

针对配电变压器故障特征提取困难、故障识别难度大的问题,提出一种将振动信号、自适应噪声完备集合经验模态分解 (CEEMDAN)与图卷积神经网络(GCN)三者有机结合的故障诊断方法。 首先,采用 CEEMDAN 对来自加速度传感器的振动信 号进行处理,获得一组固有模态分量(intrinsic modal function);其次求取边际谱信息作为特征向量;然后,对特征向量矩阵构造 无向加权完全图,并使用改进灰狼优化算法对高斯核带宽进行寻优;最后,搭建一个具备多通道和多连通的改进 GCN 模型进行 特征二次挖掘与故障分类。 与此同时,还在模型中加入一种名叫“峰值因子”指标实现对未知类型故障的辨识。 在实例分析 中,分别对油浸式和干式变压器进行故障模拟,提取不同状态的样本进行测试。 实验结果表明,所提方法对油浸式和干式变压 器的故障识别准确率分别达到 97. 73%和 95. 6%,优于其他两种对比方法。 在面对未知类型故障以及运行工况发生变化时,也 具备较高是识别能力。     

考虑阵列间时空相关性的超短期光伏出力预测

随着我国光伏产业建设步伐的加快,光伏出力预测对于优化电网调度和提高新能源消纳的意义日益凸显。基于光伏站点中不同阵列之间的空间相关性和光伏功率输出的时序特性,提出一种基于图卷积神经网络和长短期记忆网络(graph convolution network and long short-term memory, GCN-LSTM)的超短期光伏出力预测方法。该方法首先以图的形式刻画出光伏站点中不同阵列的连接关系。然后利用图卷积神经网络(graph convolution network, GCN)实现图模型的空间特征提取,并得到包含不同阵列之间空间特征的时序信息。最后将时序数据输入长短期记忆网络(long short-term memory, LSTM)进行光伏出力预测。实验结果表明,基于GCN-LSTM的光伏出力预测方法具有较高的精确性与稳定性,在一定程度上弥补了基于时序信息预测方法的固有缺陷,并且展现出在大规模电站上的良好应用前景。     

基于IA-Net的人体行为识别方法

针对遮挡环境下人体行为信息的不完整性,导致行为识别准确率低的问题,提出了一种改进的注意模型(IA-Net)。为减少参数剧增,降低计算消耗,采用自适应卷积(adaptive convolution)层代替压缩提取模块(SE-block)中的全连接(FC)层。同时为防止SE-block产生神经原失活的问题,在激活层(sigmoid)之前加批标准化(BN)层对数据进行标准化处理,使得输入给sigmoid激活函数之前数据处于该函数的非饱和区,提出改进的注意力模块(ISE-block)。将ISE-block嵌入到残差网络ResNet50中,形成ISE-ResNet50网络,用于提取人体行为特征,提升重要特征权重同时抑制非重要特征权重。考虑复杂行为需长时间序列表示其前后动作依赖关系并突出主要特征,将ISE-ResNet50网络的输出送给具有注意力机制的长短期模块(ATT-LSTM),最终形成IA-Net模型,实现端到端的行为识别。在HMDB51、UCF101两个数据集上进行实验,提出的IA-Net模型分别获得86.32%和97.78%的识别精度。与时空残差网络ST-ResNet在HMDB51数据集...