结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

采油分层注水工艺及其应用实践研究

本文在研究中以采油分层注水工艺为核心,分析采油分层注水工艺的应用价值,明确采油分层注水工艺技术,提出其应用实践途径,发挥出采油分层注水工艺的作用,实现采油工程综合效益的最大化,并为相关研究人员提供一定的借鉴和帮助。     

分层技术在计算机软件开发中的运用研究

随着社会的发展以及科学技术的进步,计算机的应用范围变得越来越广,由此促进了计算机应用的发展。最开始,开发计算机软件所采用的是二层结构,发展到今天,已经变成了多层次结构。目前,计算机使用的环境变得越来越复杂,为了使计算机软件符合复杂的环境要求,在开发计算机软件时应用了分层技术,这一技术的应用使得计算机软件系统的完整清晰程度得到有效的提高,而且增强了软件使用的灵活度。在本文中,介绍了分层技术及优势,并研究了分层技术在计算机软件开发中的运用。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。     

采用八叉树和OSG分页结点的海量点云三维可视化

针对现有海量点云可视化方法存在索引构建时间长、内存占用大等问题，研究一种八叉树索引结合OSG分页结点的快速可视化方法，可在占用较小内存的基础上快速建立点云索引并实时调度。采用八叉树索引结构对海量点云进行数据组织，建立各层级的八叉树结点并以文件映射的方式分块保存，对结点文件重组织转换为支持OSG渲染引擎的多分辨率点云数据。采用基于OSG分页结点的实时调度技术，对海量点云进行高质量可视化。与目前两款主流的点云数据处理商业软件进行实验对比分析，结果表明所提方法具有索引建立速度快、内存占用小等优点，同时可视化交互更加流畅，适用于各种配置计算机下海量点云数据的调度管理与实时可视化。