基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network, LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。     

基于Baker映射的自适应樽海鞘群算法

为了克服樽海鞘群算法(Salp Swarm Algorithm,SSA)求解准确性不足和易过早收敛的缺点,提出了一种多策略改进的樽海鞘群算法(MISSA)。引入Baker混沌映射生成樽海鞘群的初始种群,以提高初始个体的均匀性;将T分布策略应用到食物源位置公式中,对原始位置进行随机干扰,引导樽海鞘个体向最优解空间运动;在跟随者位置更新公式中引入不完全Γ函数的自适应权重,以改善算法的局部和全局搜索能力。将改进算法在8个测试函数上进行仿真实验,并与不同的群智能算法进行了比较。结果表明,改进算法具有更好的全局和局部搜索性能以及更高的搜索精度。     

一种融合噪声网络的深度强化学习通信干扰资源分配算法

针对传统干扰资源分配算法在处理非线性组合优化问题时需要较完备的先验信息,同时决策维度小,无法满足现代通信对抗要求的问题,该文提出一种融合噪声网络的深度强化学习通信干扰资源分配算法(FNNDRL)。借鉴噪声网络的思想,该算法设计了孪生噪声评估网络,在避免Q值高估的基础上,通过提升评估网络的随机性,保证了训练过程的探索性;基于概率熵的物理意义,设计了基于策略分布熵改进的策略网络损失函数,在最大化累计奖励的同时最大化策略分布熵,避免策略优化过程中收敛到局部最优。仿真结果表明,该算法在解决干扰资源分配问题时优于所对比的平均分配和强化学习方法,同时算法稳定性较高,对高维决策空间适应性强。     

基于IGD+指标的两阶段选择高维多目标进化算法

针对在高维空间下多目标进化算法难以维持种群收敛性和多样性平衡的问题, 本文提出一个基于IGD+指标的两阶段选择高维多目标进化算法(MaOEA–ITS). 在第1阶段, 算法基于IGD+指标选择收敛性良好的精英个体, 其所需的参考点通过引入切割平面截距法构建. 在第2阶段, MaOEA–ITS使用模糊c均值算法对参考向量进行聚类, 聚类后的参考向量引导种群分解策略对剩余个体进行环境选择, 从而维持种群的多样性. 另外, 为了保护能够提高种群多样性的极值解, 本文提出一个参考点分布自适应策略. 最后, 通过仿真实验来验证MaOEA–ITS的有效性和优越性.     

一种基于网格框架下改进的多密度SNN聚类算法

针对数据集中数据分布密度不均匀以及存在噪声点,噪声点容易导致样本聚类时产生较大的偏差问题,提出一种基于网络框架下改进的多密度SNN聚类算法。网格化递归划分数据空间成密度不同的网格,对高密度网格单元作为类簇中心,利用网格相对密度差检测出在簇边界网格中包含噪声点;使用改进的SNN聚类算法计算边界网格内样本数据点的局部密度,通过数据密度特征分布对噪声点进行类簇分配,从而提高聚类算法的鲁棒性。在UCI高维的数据集上的实验结果表明,与传统的算法相比,该算法通过网格划分数据空间和局部密度峰值进行样本类簇分配,有效地平衡聚类效果和时间性能。     

基于相对密度估计和多簇合并的密度峰值聚类算法

密度峰值聚类(DPC)算法是一种新颖的基于密度的聚类算法,其原理简单、运行效率高.但DPC算法的局部密度只考虑了样本之间的距离,忽略了样本所处的环境,导致算法对密度分布不均数据的聚类效果不理想;同时,样本分配过程易产生分配错误连带效应.针对上述问题,提出一种基于相对密度估计和多簇合并的密度峰值聚类(DPC-RD-MCM)算法. DPC-RD-MCM算法结合K近邻和相对密度思想,定义了相对K近邻的局部密度,以降低类簇疏密程度对类簇中心的影响,避免稀疏区域没有类簇中心;重新定义微簇间相似性度量准则,通过多簇合并策略得到最终聚类结果,避免分配错误连带效应.在密度分布不均数据集、复杂形态数据集和UCI数据集上,将DPC-RD-MCM算法与DPC及其改进算法进行对比,实验结果表明:DPC-RD-MCM算法能够在密度分布不均数据上获得十分优异的聚类效果,在复杂形态数据集和UCI数据集的聚类性能上高于对比算法.     

基于区块链的物联网任务协作信任管理方案

在物联网智能设备任务协作场景中,为解决设备交互不受信以及存在恶意设备破坏协作的问题,提出一种基于区块链的信任管理方案。半分布式的架构克服了集中式和分布式架构的不足,任务协作过程中兼顾了双方的信任,并设计了审查机制确保任务评价的真实可靠。信任的衡量中使用狄利克雷分布模拟任务评价的多样性,构建信任为数个状态,并利用马尔可夫链评估信任状态和全局信任。仿真结果表明,提出的方案可以客观衡量设备的信任,同时在检测恶意设备、提高协作任务成功率及避免误判方面具有优势,因此可以有效确保任务交互的可信和协作环境的安全。     

基于正则化方法的电池阻抗谱弛豫时间分布解析

对电池特性的深刻认识是电池应用研究的重要基础,而弛豫时间分布(distribution of relaxation times,DRT)法是解析电池阻抗谱(electrochemical impedance spectroscopy,EIS)、提取电极过程动力学信息和电池建模的有效手段。然而,DRT函数的求解是一个典型的不适定问题,经典的数值积分方法无法保证解的存在性或唯一性。首先采用分段线性插值近似连续的DRT函数;再通过正则化方法改善问题的不适定性,将DRT函数的求解归结为严格的凸二次规划(quadratic programming,QP)问题;进而运用有效集法(active set method, ASM)得到DRT函数的最优近似解。基于该方法解析液态金属电池的阻抗谱,并简要分析其内阻特性。研究结果表明:该方法为全局收敛,收敛速度快,计算精度高;得到的DRT函数近似解既精确、稳定,又具有明确的物理意义。在电池机理分析和建模中,该方法具有显著的潜在应用价值。     

参数不对称配电线路的等效模型与接地故障检测方法

为了提升配电网高阻接地故障检测的灵敏度,提出基于配电线路参数不对称度跟踪监测的单相接地故障检测方法。针对配电网各线路分布参数具有随机差异性的特征,定义了表征线路参数不对称的参量,论证了配电线路形成零序电流的临界条件和流通路径,建立了计及线路参数不对称随机差异性的配电网零序网络等值运算模型,提出了配电线路对地阻抗和不对称度等参量测量方法,实现了单相接地故障选线、选相和过渡电阻测量。根据故障类型优选故障检测方案,高阻接地时人为调控零序电压提高故障检测灵敏性,低阻故障时仅依赖零序电气信息变化量快速检测故障。仿真实验结果验证了所提检测方法的有效性。     

计及用户参与不确定性的虚拟电厂分布鲁棒优化模型

灵活资源的需求响应行为在不同运行状态、激励水平下有很大的不确定性和差异性,需求响应优化方案的精准度有待进一步提高。针对这一问题,提出了一种虚拟电厂中计及用户需求响应不确定性的分布鲁棒优化方法。考虑可中断、可转移、可增长3种灵活资源的响应特性,构建包含用户响应特征参数的精细化需求响应模型;以提升虚拟电厂经济性、电网友好性和用户舒适性为子目标,构建促进多方利益最大化的多目标优化模型;基于数据驱动的分布鲁棒方法,构建精细化响应模型中随机参数的概率分布模糊集,提出虚拟电厂两阶段分布鲁棒优化模型,并采用强对偶理论进行转化求解。算例仿真结果表明所提模型能够提高需求响应精度和虚拟电厂经济收益。