排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
节点标签是复杂网络中广泛存在的监督信息,对网络表示学习具有重要作用。基于此,提出了一种结合图自编码器与聚类的半监督表示学习方法(GAECSRL)。首先,以图卷积网络(GCN)和内积函数分别作为编码器和解码器,并构建图自编码器以形成信息传播框架;然后,在编码器生成的低维表示基础上增加k-means聚类模块,从而使图自编码器的训练过程和节点的类别分布划分形成自监督机制;最后,利用节点标签的判别信息对网络低维表示的类别划分进行指导,将网络表示生成、类别划分以及图自编码器的训练构建在一个统一的优化模型中,并获得融合节点标签信息的有效网络表示结果。在仿真实验中,将GAECSRL用于节点分类和链接预测任务。实验结果表明,相比DeepWalk、node2vec、全局结构信息图表示学习(GraRep)、结构化深度网络嵌入(SDNE)和用数据的转导式或归纳式嵌入预测标签和邻居(Planetoid),在节点分类任务中GAECSRL的Micro?F1指标提高了0.9~24.46个百分点,Macro?F1指标提高了0.76~24.20个百分点;在链接预测任务中,GAECSRL的AUC指标提高了0.33~9.06个百分点,说明GAECSRL获得的网络表示结果能有效提高节点分类和链接预测任务的性能。 相似文献
2.
3.
目前信号采集技术在某些领域如金属测伤、生物医疗中,主要关注偶发信号。如果采用传统固定频率采集信号的方法会造成存储资源严重的浪费。针对这一问题,提出一种基于DDS时钟分相合成的变采样率偶发信号采样方法。该方法结合了DDS技术和波形分相合成技术,并根据信号特征自适应地切换采样频率。在保证信号信息完整性的同时,减少了无用信号的数据存储。经过仿真与实验验证结果表明,此方法在FPGA平台上很好的实现了采样率12MHz与96MHz的实时切换控制,完整还原了最高频率为10MHz的探伤检测波形细节,同时在FPGA的并行处理下利用分相合成技术提高了至少四倍采样率,优化了资源利用率。 相似文献
4.
1