检索结果-南通市图书馆

水下网络系统定位与控制联合设计:研究现状与发展趋势

在线全文

学校读者我要写书评

暂无评论

哈尔滨工程大学学报 2023年第11期44卷 1950-1962页

作者：闫敬张志成杨晛商志刚关新平燕山大学电气工程学院河北秦皇岛066004 燕山大学信息科学与工程学院河北秦皇岛066004 哈尔滨工程大学水声工程学院黑龙江哈尔滨150006 上海交通大学电子信息与电气工程学院上海200240

水下网络系统是构建海洋监测体系的重要一环,其中定位与控制协同是其高效运行基础。本文简述了水下网络系统的内涵,深入挖掘水下协同定位与追踪控制间的耦合关系与内在本质关联,综述了水下定位相关的通信技术与算法,分析了协同控制研究... 详细信息

水下网络系统是构建海洋监测体系的重要一环,其中定位与控制协同是其高效运行基础。本文简述了水下网络系统的内涵,深入挖掘水下协同定位与追踪控制间的耦合关系与内在本质关联,综述了水下定位相关的通信技术与算法,分析了协同控制研究的架构与策略,调研了国内外定位与控制联合设计的挑战与最近进展。最后,对水下网络系统定位与控制联合设计未来可能的研究方向进行了总结与展望,以提升水下网络系统整体性能,为未来水下观测等应用提供必要理论依据与技术支持。

关键词：定位协同控制水下网络系统组网联合设计水下传感器潜器异构数据

在线全文

学校读者我要写书评

暂无评论

产品协同设计中异构模型数据融合的有效策略

北京航空航天大学学报 2022年第6期48卷 995-1003页

作者：薛俊杰周军华施国强宋晓蒋炎红全红艳北京仿真中心北京市复杂产品先进制造系统工程技术研究中心北京100854 北京电子工程总体研究所复杂产品智能制造系统技术国家重点实验室北京100854 北京仿真中心航天系统仿真重点实验室北京100854 北京航空航天大学网络空间安全学院北京100083 华东师范大学软件工程学院上海200062 华东师范大学计算机科学与技术学院上海200062

针对复杂产品设计中,不同设计工具产生的模型数据之间的融合问题,提出了一种工具间端到端的异构模型数据融合策略。利用数据库管理动态特性,通过模型信息共享,实现异构模型数据之间的融合。在OpenMBEE系统集成环境中,通过建模工具CREO... 详细信息

针对复杂产品设计中,不同设计工具产生的模型数据之间的融合问题,提出了一种工具间端到端的异构模型数据融合策略。利用数据库管理动态特性,通过模型信息共享,实现异构模型数据之间的融合。在OpenMBEE系统集成环境中,通过建模工具CREO二次开发,利用所提策略获取全生命周期设计中的动态模型属性信息,通过3D模型编辑及重用功能测试,验证了所提策略的有效性。利用自动获取可视化模型属性信息的智能算法,设计一种基于Transformer模型与双向长短期记忆(Bi-LSTM)模型相结合的模型属性智能提取算法,利用神经网络的多层感知特性,通过对模型中属性文本信息进行深度学习、特征分析,实现了对异构数据属性信息的自动提取功能。利用CAMEO建模工具设计的需求分析模型构建模型数据集,验证了智能模型信息自动提取功能的有效性。

关键词：异构数据 OpenMBEE 数据交换多层感知深度学习

基于异构数据特征级融合的多任务暂态稳定评估

在线全文

学校读者我要写书评

暂无评论

电力系统自动化 2023年第9期47卷 118-128页

作者：钱倍奇陈谦张政伟刘明洋王苏颖牛应灏河海大学能源与电气学院江苏省南京市211100 国网河南省电力公司电力科学研究院河南省郑州市450052

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。... 详细信息

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。

关键词：暂态稳定评估异构数据深度学习特征级融合自适应多任务学习

联合地震初至走时与早至波形的深度学习速度建模

在线全文

学校读者我要写书评

暂无评论

地球物理学报 2023年第12期66卷 5107-5122页

作者：许祥邹志辉韩明亮贾冬顺周华伟裴建新马锐中国海洋大学海洋地球科学学院海底科学与探测技术教育部重点实验室深海圈层与地球系统教育部前沿科学中心青岛266100 青岛海洋科学与技术国家实验室海洋矿产资源评价与探测技术功能实验室青岛266061 中国石油集团东方地球物理公司辽河物探处辽宁盘锦124010 美国休斯顿大学地球与大气科学系休斯顿770045 中海油(中国)有限公司天津分公司天津300459 汉海信息技术(上海)有限公司上海200000

地震初至走时和早至波形数据含有丰富的速度结构信息,被广泛用于地震速度建模.采用初至走时建模稳定,但精度不足;而地震波形速度建模虽然精度较高,但稳定性较低.联合采用初至走时和早至波形可能有助于同时提高速度建模的稳定性和精度,... 详细信息

地震初至走时和早至波形数据含有丰富的速度结构信息,被广泛用于地震速度建模.采用初至走时建模稳定,但精度不足;而地震波形速度建模虽然精度较高,但稳定性较低.联合采用初至走时和早至波形可能有助于同时提高速度建模的稳定性和精度,但走时和波形的物理意义不同,在数据结构上存在明显差异,难以直接在常规层析成像或波形反演中联合.本文提出联合地震初至走时与早至波形的深度学习速度建模方法,通过对特征数据集的异构数据进行维度变换,使初至走时和早至波形以不同通道输入到深度神经网络,形成相对应的速度模型映射.数值实验结果表明,该方法实现了初至走时和早至波形在速度建模中的优势互补,其建模精度优于仅采用初至走时及仅采用早至波形的深度学习建模方法和层析成像方法.利用异构数据开展深度学习速度建模的思路,对联合其他数据开展高精度速度建模也具有借鉴意义.

关键词：地震速度建模深度学习早至波初至走时地震层析成像异构数据

在线全文

学校读者我要写书评

暂无评论

异构数据联合式的真值发现算法

东北大学学报（自然科学版） 2017年第10期38卷 1373-1376,1387页

作者：陈超申德荣寇月于戈东北大学计算机科学与工程学院辽宁沈阳110169 渤海大学信息科学与技术学院辽宁锦州121007

互联网上提供的同一事实的信息通常会存在冲突,影响数据集成和知识发现.为了甄别真值,提出了一种基于距离的异构数据联合真值发现算法.首先,关于同一数据项,基于数据源声明值与真值的距离,计算数据项向量;采用KMeans聚类算法,获得数据... 详细信息

互联网上提供的同一事实的信息通常会存在冲突,影响数据集成和知识发现.为了甄别真值,提出了一种基于距离的异构数据联合真值发现算法.首先,关于同一数据项,基于数据源声明值与真值的距离,计算数据项向量;采用KMeans聚类算法,获得数据项初始聚类.然后,迭代进行信任分析和聚类,即在每个类簇内,采用最优化思想,联合异构类型数据,更新事实的可信度和数据源的类簇内可靠性,重新计算每个数据项向量,再次聚类,迭代直至类簇达到稳定.实验结果表明:由于细粒度的数据源质量划分,联合考虑异构数据类型,可以获得更高的真值发现准确度.

关键词：真值真值发现 KMeans聚类最优化异构数据

在线全文

学校读者我要写书评

暂无评论

基于异构数据的患者术后非计划内再入院预测

工程科学与技术 2024年

作者：俞凯董小锋袁贞明崔朝健罗伟斌杭州师范大学信息科学与技术学院

非计划内再入院是医院风险管理的重要信号，也是医疗质量的重要指标。目前再入院预测已经是医疗系统的一项重要任务，大量学者结合机器学习技术已经提出非常多有效的预测方法，但大多仅以单一结构数据为研究对象或仅使用串联方法融合异... 详细信息

非计划内再入院是医院风险管理的重要信号，也是医疗质量的重要指标。目前再入院预测已经是医疗系统的一项重要任务，大量学者结合机器学习技术已经提出非常多有效的预测方法，但大多仅以单一结构数据为研究对象或仅使用串联方法融合异构数据。前者未能较好地利用电子病历中丰富的数据与信息，后者则是不能很好地融合异构数据的信息。基于上述问题，提出基于CTFN异构数据融合方法并结合患者出院小结文本与住院期间产生的横断面数据预测患者再入院风险。异构数据的信息更为丰富，CTFN则是能更好地融合异构数据中的信息，使融合表征矩阵对异构数据信息的表达能力更强。预测模型的构建分为三个步骤，首先利用RoBerta模型提取患者出院小结中的特征信息并得到表征矩阵；再使用CNN模型学习患者横断面特征信息，得到表征矩阵；最后通过CTFN方法融合异构表征矩阵，得到最后的异构表征矩阵。CTFN通过张量外积融合多个单模态表征矩阵，并增加CNN模型以及残差结构设计加强异构数据模态内与模态间的信息学习。通过CTFN方法得到的异构数据表征矩阵，能够有效提升分类器的预测能力。在某公立医院的临床数据上对该方法进行验证，实验结果表明该方法表现出色，其中召回率达到了76.1%，AUC达到了71.5%，均高于所对比的基线模型。在召回率及准确率上满足实际使用，可辅助医生定位高再入院风险患者。

关键词：异构数据深度学习张量融合再入院卷积网络残差结构

面向异构数据的自适应个性化联邦学习——一种基于参数分解和持续学习的方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

中国科学：信息科学 2022年第12期52卷 2306-2320页

作者：倪宣明沈鑫圆张海北京大学软件与微电子学院北京100871 西北大学数学学院西安710127 华东师范大学统计与数据科学前沿理论及应用教育部重点实验室上海200062

联邦学习允许资源受限的边缘计算设备协作训练机器学习模型,同时能够保证数据不离开本地设备,但也面临着异构数据下全局模型收敛缓慢甚至偏离最优解的挑战.为解决上述问题,本文提出一种自适应个性化联邦学习(adaptive personalized fede... 详细信息

联邦学习允许资源受限的边缘计算设备协作训练机器学习模型,同时能够保证数据不离开本地设备,但也面临着异构数据下全局模型收敛缓慢甚至偏离最优解的挑战.为解决上述问题,本文提出一种自适应个性化联邦学习(adaptive personalized federated learning,APFL)算法,在同时包括空间和时间维度的多任务学习框架下,考虑面向异构数据的联邦优化问题.首先,APFL采用参数分解策略,将待训练模型参数分解为全局共享参数和客户端特定参数,在提取所有客户端公共知识的同时实现针对每个客户端的个性化建模.进一步地,APFL将每个客户端上执行的局部优化构建为顺序多任务学习,通过对全局共享参数的更新施加弹性权重巩固(elastic weight consolidation,EWC)惩罚,实现了全局共享模型中重要参数的记忆保留和非重要参数的快速学习.多个联邦基准数据集上的对比实验验证了本文方法的有效性和优越性.

关键词：联邦学习边缘计算异构数据多任务学习持续学习参数分解个性化

基于图神经网络异构数据融合的学科新兴主题探测研究

在线全文

学校读者我要写书评

暂无评论

情报杂志 2023年第12期42卷 127-133页

作者：段庆锋陈红闫绪娴刘东霞山西财经大学管理科学与工程学院太原030006

[研究目的]数据异构性阻碍了大数据集成分析,而异构数据的深度融合学习能够增强学科数据分析能力,为预见学科新兴主题提供有力支撑。[研究方法]探测分析由两部分衔接构成,一是实现多元异构学科数据深度融合的图卷积神经网络(GCN),二是... 详细信息

[研究目的]数据异构性阻碍了大数据集成分析,而异构数据的深度融合学习能够增强学科数据分析能力,为预见学科新兴主题提供有力支撑。[研究方法]探测分析由两部分衔接构成,一是实现多元异构学科数据深度融合的图卷积神经网络(GCN),二是旨在学科主题预测的LSTM模型。具体地,通过GCN的深度学习能力,将包含多维特征和共现关系的异构主题数据转化为同构表示向量,不但实现异构融合,更为后续预测模型提供统一数据基础;然后,将主题表示向量时间序列输入LSTM模型,预测学科主题的新兴特征,为前瞻预见学科新兴主题提供决策支持。[研究结论]以图书情报学为对象的实证充分检验了GCN+LSTM的设计合理性,融合模型比非融合模型在主题趋势预测中展现出明显优势。

关键词：学科新兴主题异构数据多维特征共现关系图卷积神经网络

在线全文

学校读者我要写书评

暂无评论

双端聚类的自动调整聚类联邦学习

计算机应用 2024年

作者：尹春勇周永成南京信息工程大学计算机学院网络空间安全学院南京信息工程大学软件学院

联邦学习(FL)是一分布式机器学习方法，旨在共同训练全局模型，但全局模型难以胜任多数据分布情况。为应对多分布挑战，引入了聚类联邦学习，以客户端分组方式优化共享多模型。其中，服务器端聚类难以修正分类错误，而客户端聚类则对初... 详细信息

联邦学习(FL)是一分布式机器学习方法，旨在共同训练全局模型，但全局模型难以胜任多数据分布情况。为应对多分布挑战，引入了聚类联邦学习，以客户端分组方式优化共享多模型。其中，服务器端聚类难以修正分类错误，而客户端聚类则对初始模型的选择至关重要。为解决这些问题，提出自动调整聚类联邦学习(Automatically Adjusted Clustered Federated Learning,AACFL)框架，采用双端聚类整合了服务器端和客户端聚类。首先用双端聚类将客户端分为可调整集群，其次自动调整局部客户端身份，最后获取正确的客户集群。在非独立同分布下，在3个经典联邦数据集上的评估实验结果表明，AACFL能够在双端聚类结果存在错误的情况下通过调整获得正确集群，与联邦平均(FedAvg)算法、聚类联邦学习CFL(Clustered Federated Learning)和IFCA(Iterative Federated Clustering Algorithm)等方法相比，有效地提高模型收敛速度和获得正确聚类结果的速度，准确度平均提升0.20～23.16个百分点。验证了所提方法能够高效聚类，并提高模型收敛速度和准确度。

关键词：联邦学习聚类异构数据分布式机器学习神经网络