排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
网络表示学习的目标是将网络中的节点嵌入到低维的向量空间,为下游任务提供有效特征表示.在现实场景中,大规模网络通常具有不完整的链路,而现有的大多数网络表示学习模型都是在网络是完整的假设下设计的,因此其性能很容易受到链路缺失的影响.针对该问题,文中提出了一种基于不完全信息的深度网络表示学习方法DNRL(Deep Network Representa-tion Learning).首先采用转移概率矩阵将结构信息和属性信息进行动态融合,弥补了结构信息不完整带来的过大损失,然后采用一种具有强大特征提取能力的深度生成模型(变分自编码器)来学习节点的低维表示,并捕获网络数据中潜在的高非线性特征.在3个真实属性网络上的实验结果表明,与当前常用的网络表示学习模型相比,所提模型在不同程度链路缺失的节点分类任务中都明显地改善了分类效果,在可视化任务中更清晰地反映了节点的团簇关系. 相似文献
2.
水系锌碘电池(AZIBs)是一种非常受欢迎的绿色储能技术,但它的能量密度极大地限制了其应用.在此,我们报道了一种高能量密度的可充电AZIBs,通过将高质量碘锚定到具有大微孔体积和富吡啶氮掺杂的独特分级多孔碳中来实现.多孔碳结合了微孔对碘的强约束和氮掺杂对碘的强化学吸附的优点,可使碘的负载量高达61.6 wt%.密度泛函理论计算和实验研究表明,氮掺杂所赋予的丰富活性位点能促进AZIBs的氧化还原动力学,吡啶氮掺杂对AZIBs的吸附可逆转化比普通氮掺杂更有效.高负载碘电极在1.0 C时表现出219.3 mA h g-1的高容量,优异的速率性能,以及优越的循环稳定性,在5.0 C时,循环10,000次内的容量衰减极低,每圈仅为0.00147%.由三节电池串联的初步装置,能量密度高,按电池总质量计算可达72.6 W h kg-1,几乎是商用铅酸和镍-镉电池能量密度的两倍.该水系电池的高能量密度和长循环寿命使其在大规模储能应用领域具有巨大潜力. 相似文献
3.
4.
链路预测技术是分析网络演化的有效方法,也为社会网络事件检测提供了一种新思路。当前采用链路预测进行事件检测的方法大多是从宏观的网络演化入手,也有少数结合节点演化的检测方法,但其稳定性不佳,对事件的敏感性也不够高,不能准确检测事件的发生。基于以上问题,提出了一种基于节点演化分阶段优化的事件检测方法(Node Evolution Staged Optimization,NESO_ED)。首先通过分阶段优化的方法加强事件检测的稳定性,并获取节点指标权重数组;然后根据不同阶段按不同规则选取节点的最佳相似性计算指标,使节点能更好地量化网络演化情况,以此提高事件检测的敏感性。此外,分析了网络演化过程中节点选取指标的变化情况,揭示了事件发生对节点演化产生的不同影响。基于真实社会网络VAST进行对比实验,结果显示NESO_ED方法在事件检测敏感性上比LinkEvent方法提高了227%,比NodeED方法提高了63%,NESO_ED方法的稳定性也比NodeED方法提高了66%,这表明NESO_ED方法能更加准确且稳定地进行事件检测。 相似文献
5.
针对金属球面高反光及高曲率对表面微缺陷检测的不利影响,提出一种基于空间全角度光源和图像融合的检测方法。通过空间全角度光源系统提供不同照明方案扫描球面获得图像信息,利用图像融合对有效检测区域内微缺陷与背景的差异性进行累积,放大微缺陷与背景差异,提升微缺陷检测能力。实验结果表明,基于所提方法的检测装置对直径为20 mm、精度为G16的轴承钢球表面不同位置微缺陷的检测效果显著,解决了金属球面高反光引起的检测盲区问题,并对轴承钢球表面各种微缺陷具有良好的检测能力。 相似文献
6.
7.
针对航发叶片电加工生产线受到多种随机因素影响、不能准确预知工件加工时长、需要频繁修整更换电极等特点,开展了带搬运时间柔性流水线多序列有限缓冲区排产优化问题的研究。采用了一种改进的遗传算法,加快了收敛速度;规划了航发叶片电加工生产线重排产方案,用以应对多种随机因素的影响,如机器故障、插单、撤单、加工延时等;提出了一种模型简化方法,将随机问题转化成了确定性问题。经过仿真测试,改进的遗传算法可以有效解决带搬运时间和多序列有限缓冲区的排产优化问题,且效率提高了36.9%,模型简化和重排产方法则可以有效应对生产中的异常情况,以及修整更换电极等电加工特殊工艺需求。 相似文献
1