基于社团理论的复杂网络级联故障模型

针对目前级联故障研究局限于单个节点或节点的简单邻居关系的问题,充分考虑网络的中观局域特征--社团结构,提出一种考虑社团理论的级联故障模型。依据节点的社团属性,赋予节点动态初始负荷,并采用不同的攻击策略对美国西部电力网络、美国航空网络、IEEE118标准电网和无标度网络(SFN)等不同网络模拟故障过程。经仿真发现,社团因素对节点的初始负荷贡献越大,社团内失效节点引发的故障规模越小,而连接多个社团的特殊"枢纽"节点的失效则会引发严重的级联故障。进一步计算不同属性的Pearson相关系数,表明节点的社团外邻居节点数属性较其他属性与故障规模更相关。     

考虑社群结构的复杂网络的级联故障抵制模型

研究复杂网络的级联故障对评估网络系统的稳定性具有重大意义.在经典的线性负载容量模型基础上,通过探测网络的社群结构,有选择地对社群边界节点的容量附加二次容忍值,建立级联故障抵制模型.在级联故障仿真中,采用不同干扰策略对IEEE118标准电网、国内现实电网等模拟故障过程.仿真结果表明,所建抵制模型通过对社群边界节点的容量进行二次扩容,能以较小的成本提高网络的稳定性,同时发现社群边界节点具备“防火墙”和“引爆点”的双重功能.通过将单一网络推广到两层耦合网络,发现在成本可控下新模型对相依网络的级联故障依然具备较好的抵制能力,说明本文所提模型具备一定的适应性.     

结合注意力互斥正则的细粒度图像分类

细粒度图像分类（FGVC）具有类间差异小、类内差异大等特点，提升该任务效果的关键在于识别目标的判别性部位。目前基于注意力机制的方法一般会识别一个或者两个判别性部位，效果不佳。为此，提出一种注意力互斥正则机制的细粒度模型（AMEM），通过限制注意力图的不同通道关注不同目标部位，引导模型关注目标的多个判别性部位。在CUB-200-2011、FGVC-Aircraft、Stanford Cars和Stanford Dogs等4个公开数据集上进行评测，实验表明AMEM取得了90.5%、94.3%、95.5%和93.2%的准确率，效果优于对比实验中的其他细粒度模型；此外热力图显示可以识别出指定数目的判别性部位。AMEM在提升预测性能的同时，也能提供一定程度的预测可解释性。