双路自编码器的属性网络表示学习

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习（DENRL）算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0...     

电力检测系统A／D板的硬件和软件设计

本文从设计角度考虑，采用ＭＣＳ５１系列单片机，充分发挥它功能强，可靠稳定，结构简单，应用灵活和价格便宜，同时讨论了县级电力监测装置采用多片８０３１组成多机主从分布式系统结构，完成发电厂和变电站的各种电气参数（模拟量、脉冲量、数字量）的采集、处理和传送主要介绍了Ａ／Ｄ板的硬、软件设计。     

决策树算法的研究及优化

决策树算法是数据挖掘中的一个比较活跃的研究领域,是对分类问题进行深入分析的一种方法,但构造最优决策树是一个NP困难问题。文中首先介绍了ID3算法的基本思想,然后讨论了决策树算法中的难点问题,针对ID3算法中所存在的不足,提出了一种利用优化法的思想来改进信息增益的算法,并且与ID3算法进行了实验对比。通过实验表明,这种方法从树的规模和分类精度都优于许多决策树算法,使决策效率明显提高。     

决策树方法在软构件查询中的应用研究

在基于可复用构件库的软件开发中,如何从构件库中查询满足条件的构件是构件库系统的研究重点之一。数据挖掘技术为解决上述问题提供了一条可行的途径,文中对如何利用决策树的分类发现方法进行可复用构件的查询作一探讨。通过对数据挖掘技术的应用,为复用者理解和选取构件提供了一定程度的辅助决策支持,为复用的成功提供了技术保障。     

决策树方法在软构件查询中的应用研究

在基于可复用构件库的软件开发中,如何从构件库中查询满足条件的构件是构件库系统的研究重点之一.数据挖掘技术为解决上述问题提供了一条可行的途径,文中对如何利用决策树的分类发现方法进行可复用构件的查询作一探讨.通过对数据挖掘技术的应用,为复用者理解和选取构件提供了一定程度的辅助决策支持,为复用的成功提供了技术保障.     

基于构件的RUP研究

在软件过程领域,Rational公司的RUP(Rational Unified Process)占据主流,但它不是针对基于构件的开发(Component-Based Development,CBD)提出,没有体现CBD的本质.CBD也需要软件过程的指导.文中将构件技术应用到RUP中,提出基于RUP的CUP(Component Unified Process),对RUP进行改进,在软件开发过程中将项目管理、业务建模、构件技术、软件质量等统一起来.同时CUP与统一建模语言(UML)集成,有多种CASE工具支持,缩短了需求到实现的距离.并以医院管理系统为例,对CUP进行研究.     

浅谈水电厂物资采购监管

物资采购是水电厂资金流出的主要渠道，其采购管理制度的健全与否以及控制是否有效直接影响水电厂的经营安全，因此对物资采购的监管无疑成为水电厂经营管理控制的重点。文章从物资采购体制、机制、思想、措施、手段等5个方面阐述了如何对水电厂的物资采购环节实施监管，对如何作好物资采购的监管工作具有一定的指导意义和可操作性。     

复杂网络半监督的社区发现算法研究

随着大数据时代的到来,复杂网络的社区发现已成为一个重要研究方向。层次聚类算法作为社区发现的经典算法受到了广泛应用,然而该算法具有较高的时间复杂度和较低的运行效率。为提高社区发现算法的运行效率,提出了一种基于节点相似度的半监督社区发现新算法--SSGN算法。充分利用先验知识must-link、cannot-link约束集合,将先验信息通过衍生规则进行扩展,并对扩展的信息通过基于距离度量的方式加以验证。采用人工网络和真实网络进行验证,UCI 数据集和大型真实数据集上的实验结果表明, 基于节点相似度的半监督社区发现算法较其他半监督聚类算法更准确,也更高效。     

一种基于随机块模型的快速广义社区发现算法

随机块模型可以生成各种不同结构(称作广义社区,包括传统社区、二分结构、层次结构等)的网络,也可以根据概率对等原则发现网络中的广义社区.但简单的随机块模型在网络生成过程建模和模型学习方面存在许多问题,导致不能很好地发现实际网络的结构,其扩展模型GSB(general stochastic block)基于链接社区思想发现广义社区,但时间复杂度限制其在中大型规模网络中的应用.为了在无任何先验的情形下探索不同规模网络的潜在结构,基于GSB 模型设计一种快速算法FGSB,更快地发现网络的广义社区.FGSB 在迭代过程中动态学习网络结构参数,将GSB 模型的参数重新组织,减少不必要的参数,降低算法的存储空间;对收敛节点和边的参数进行裁剪,减少每次迭代的相关计算,节省算法的运行时间.FGSB 与GSB 模型求解算法有相同的结构发现能力,但FGSB 耗费的存储空间和运行时间比GSB 模型求解算法要低.在不同规模的人工网络和实际网络上验证得出:在近似相同的准确率下,FGSB 比GSB 模型求解算法快,且可发现大型网络的广义社区.     

深度学习的车间零件分拣机器人目标识别方法

针对目前方法识别机器人目标时,由于未能详细分析分拣机器人运动规律,导致该方法开展目标识别时,存在平均置信度低、识别效果差等问题,提出深度学习的车间零件分拣机器人目标识别方法。该方法通过分析分拣机器人运动规律,提取待检测目标的特征向量值;结合深度学习理论建立目标识别模型,并寻找模型最佳参数;建立待检测目标的相关测试集放入模型中训练,基于模型输出结果,完成机器人的目标识别。实验结果表明,运用该方法识别目标时,其在特征提取后,分拣目标数量为1000个时,识别准确率达到了97.5%以上,识别耗时在100s以下,平均置信度约为0.8,有效提高了平均置信度、降低了识别时间,识别效果好。