检索结果-南通市图书馆

基于时序超图卷积神经网络的股票趋势预测方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机应用 2022年第3期42卷 797-803页

作者：李晓杰崔超然宋广乐苏雅茜吴天泽张春云山东财经大学计算机科学与技术学院济南250014 山东省人工智能学会济南250101 齐鲁工业大学(山东省科学院)计算机科学与技术学院济南250353

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事... 详细信息

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆(LSTM)网络相比提高了5个百分点。

关键词：股票趋势预测时间序列建模门控循环单元高阶关系超图卷积神经网络

基于关系超图增强Transformer的智能站二次设备故障诊断研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2024年第12期52卷 123-132页

作者：周海成石恒初曾令森王飞欧阳勇云南电网有限责任公司普洱供电局云南普洱665000 云南电力调度控制中心云南昆明650011 武汉华电顺承科技有限公司湖北武汉430072 湖北工业大学计算机学院湖北武汉430072

随着智能变电站二次设备的状态感知与自描述能力不断提升,在提高电网调控细粒度的同时,其海量、驳杂、离散的状态信息也使故障诊断难度倍增。为提高二次设备故障诊断精度与效率,提出基于关系超图增强Transformer的二次设备故障诊断算法... 详细信息

随着智能变电站二次设备的状态感知与自描述能力不断提升,在提高电网调控细粒度的同时,其海量、驳杂、离散的状态信息也使故障诊断难度倍增。为提高二次设备故障诊断精度与效率,提出基于关系超图增强Transformer的二次设备故障诊断算法。首先利用Apriori算法挖掘故障信号间的关联规则,构建关系超图。然后利用超图卷积神经网络(hypergraph convolutional neural network,HGCN)和微调标准Transformer网络学习故障特征间的高阶关系和上下文表达,再经过误差反向传播、非线性传递函数预测故障类型。最后,以某地区一年的二次设备运行数据作为算例进行分析。结果表明,所提方法能够去除冗余信息干扰,准确定位故障元件和诊断故障类型,为智能运维提供支持。

关键词：关系超图超图卷积神经网络 Transformer 故障预测二次设备设备关联模型

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合全局信息的多图神经网络会话推荐

小型微型计算机系统 2024年第4期45卷 769-776页

作者：黄涛徐贤华东理工大学计算机科学与工程系上海200237

基于会话的推荐旨在根据当前会话预测下一个最可能交互的物品.由于单个会话点击序列较短,仅使用会话本身的信息很难提供准确的推荐.因此,综合考虑其它会话之间的交互信息已成为一种趋势,为了提高推荐性能,本文提出一种融合全局信息的多... 详细信息

基于会话的推荐旨在根据当前会话预测下一个最可能交互的物品.由于单个会话点击序列较短,仅使用会话本身的信息很难提供准确的推荐.因此,综合考虑其它会话之间的交互信息已成为一种趋势,为了提高推荐性能,本文提出一种融合全局信息的多图神经网络会话推荐模型(GIMGNN)来增强会话推荐的效果.该模型首先通过超图卷积神经网络和门控图神经网络从全局会话超图和局部会话图中学习两个级别的物品表示,然后通过注意力机制将反向位置信息融合到两种表示中,最后利用融合后的表示完成预测.在两个真实数据集Yoochoose和Diginetica上进行了一系列实验,实验结果表明,对比性能最优的基准模型,GIMGNN模型在Yoochoose上P@20和MRR@20至少提升了2.42%和4.01%,在Diginetica上P@20和MRR@20至少提升了6.56%和9.11%,验证了模型的有效性.

关键词：会话推荐超图卷积神经网络门控图神经网络注意力机制位置信息

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于LSTM的行人轨迹分析与预测

基于LSTM的行人轨迹分析与预测

作者：田兵弟重庆理工大学

学位级别：硕士

行人轨迹预测是计算机视觉领域的一个重要课题,在自动驾驶、服务机器人、智能监控等领域具有重要的应用价值。随着人工智能技术的不断发展,确保无人驾驶汽车在行驶过程中的安全性成为一项关键任务,因此需要实时预测行人的轨迹,以实现合... 详细信息

行人轨迹预测是计算机视觉领域的一个重要课题,在自动驾驶、服务机器人、智能监控等领域具有重要的应用价值。随着人工智能技术的不断发展,确保无人驾驶汽车在行驶过程中的安全性成为一项关键任务,因此需要实时预测行人的轨迹,以实现合理有效的避障目标。然而,行人在移动过程中的行为具有复杂性和多样性,受到多种内部和外部因素的影响。这些因素通常不是直接可观测的,需要从感知线索中推断或从上下文信息中建模。传统的物理或数学模型往往需要大量的人工干预和计算开销,且只能应用于相对简单的场景,缺乏对影响行人之间相互作用的因素的全面考虑。为了解决这一问题,本文提出了两种新颖的方法:1.基于LSTM的行人轨迹预测时间序列模型:为了应对传统模型应用场景单一、无法有效解决行人移动多样性和复杂性的问题,本文采用了时间序列数据驱动模型来建模和表示序列数据。此外,构建了注意力机制,用于计算不同行人或场景对其他行人的影响程度。另外,通过使用高斯采样滤波机制,生成多种可能的预测轨迹位置,从而提高了轨迹预测的精确度。2.构建超图结构建模行人间、行人与场景间交互关系模型:针对行人间和行人环境间相互作用因素的同步性和全局性问题,本文构建了图结构和超图结构,用于表示行人与行人、行人与场景之间的交互拓扑关系。同时,考虑到离散和聚合行人分组以及环境协同对预测的关键作用,超图结构的建模增强了行人轨迹预测的效果。这些方法的综合应用有望提高行人轨迹预测的准确性,为无人驾驶汽车等领域的安全性和性能提供更好的保障。

关键词：超图卷积神经网络社会交互模型注意力机制高斯采样策略

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图卷积神经网络模型的脑网络分类研究

基于图卷积神经网络模型的脑网络分类研究

作者：周海榆南京航空航天大学

学位级别：硕士

人类的大脑是一个十分精密而又复杂的系统,而其复杂的特性也使得它易受到疾病的攻击。近些年来,随着人工智能技术尤其是机器学习及深度学习的飞速发展,利用大脑的影像数据及机器学习方法来分析和诊断脑疾病的方案也受到了广大研究者的... 详细信息

人类的大脑是一个十分精密而又复杂的系统,而其复杂的特性也使得它易受到疾病的攻击。近些年来,随着人工智能技术尤其是机器学习及深度学习的飞速发展,利用大脑的影像数据及机器学习方法来分析和诊断脑疾病的方案也受到了广大研究者的关注。从大脑影像数据出发,可以构建其对应的脑网络。目前现有的脑网络分类研究工作多是基于图论基础的,如子图挖掘以及图核方法等,但是这类的浅层模型无法有效地提取脑网络数据中存在的高阶非线性信息。近些年来,图神经网络在社会科学、自然科学、生物蛋白质相互作用网络、知识图谱等众多研究领域都取得了非常显著的成果。因此,通过图神经网络模型对脑网络数据信息进行深度提取,以帮助医生更好地诊断和分析脑疾病,十分具有研究意义。基于上述情况,本文进行了如下的研究工作:一、针对现有研究中使用的图通常是基于节点间的成对连接,因此不能有效反映三个或多个受试者之间的关联的问题(尤其是在多中心数据集中,即从不同医疗机构采集的,由于扫描参数或受试人群的不同从而产生异质性问题的数据集,问题更加明显),我们提出了一种动态多中心超图卷积神经网络框架(DM-HGCN),该框架利用超图来表示多中心数据之间的相关性,从而进行脑网络分类。具体地说,为了探索多中心数据中样本之间的相关性,提出了一种新的超图构建策略,该策略可以通过使用不同超边来描述中心内和中心间的数据的关系。然后采用超图卷积对进行特征提取,根据各层的特征嵌入动态更新之前的超图。与不变超图结构相比,上述更新方法可以得到对数据更加精细的描述。在两个多中心数据集上的实验结果也验证了该方法的有效性。二、目前在脑疾病诊断的研究中,主要有两种利用图卷积神经网络的工作,一种是在脑区层面上对数据进行提取,另一种是在样本层面上对数据进行分析,都取得了不错的效果。但这两类方法都没有同时利用大脑区域水平的信息和受试者层面的信息。为了解决这一问题,我们设计了一个嵌套图卷积神经网络(GIGCN)框架,该框架继承了两种已有工作的优点。具体来说,我们提出了一种嵌套图的数据结构,它由两种类型的图组成,即内部大脑连接图和外部样本图。在这种数据结构中,每个样本具有一个内部图,其节点代表大脑区域,边表示大脑区域之间的关联,而外部图是由所有受试者的样本构成,其中边描述了受试者之间的相似性。提出的框架使用GCN来探索一些更深层次的关系,以便更好地预测疾病。在ABIDE数据集上的结果验证了该方法的有效性。综上所述,本文提出了两种用于脑网络分类的图卷积模型,分别从外层样本图以以及结合内层脑区图和外层样本图两个角度来诊断脑疾病,实验结果也证明了方法的有效性,对帮助脑疾病的诊断具有一定的临床意义。

关键词：脑网络脑疾病分类图卷积神经网络多中心问题超图卷积神经网络

基于异构学术网络的学生学术论文资源推荐研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于异构学术网络的学生学术论文资源推荐研究

作者：周哲宇上海师范大学

学位级别：硕士

近年来，随着“学术大数据时代”的来临，大规模的作者、论文以及引文网络等相关学术数据带来了“学术信息过载”和“学习迷航”等问题，使得学生们难以找到他们真正想要的相关学术论文学习资源。面对浩如烟海的学术资源，如何充分考虑... 详细信息

近年来，随着“学术大数据时代”的来临，大规模的作者、论文以及引文网络等相关学术数据带来了“学术信息过载”和“学习迷航”等问题，使得学生们难以找到他们真正想要的相关学术论文学习资源。面对浩如烟海的学术资源，如何充分考虑学生兴趣偏好和研究方向，向他们最佳地提供满足他们学习需求的学术论文资源，并进而促进学生个性化学习活动，是一项艰巨的任务。为此，学术论文推荐系统应运而生。考虑到学者与论文之间交互信息稀疏的问题，根据社会科学理论，大多数现有研究往往会在推荐过程中将学者社交关系集成到推荐系统中用以推断学者偏好，改善推荐。　　现有的学生学术论文推荐研究已取得了一定效果，但仍存在相当的问题。一方面，现有研究对学生学术社交关系网络的构建并不完善，导致推荐性能受限。其中学生之间往往都被构建为同构的或具有二元关系的网络，因而“合著”等社交关系往往都只被视为简单的成对学者关系，而忽略了它们高阶社交关系的本质，且未能对其进行有效建模。此外，隐藏在学术网络背后的反映学生独特学术背景的学术社交关系也未能得到有效且准确地发掘及利用，如学生的师承关系、学生所属学术合作团队信息等。　　另一方面，大部分现有基于图的论文推荐模型对学习用于建模学生之间复杂高阶社交关系的超图结构的研究有所缺乏，且在超图学习过程中往往缺乏对社交关系网络多重性的充分考虑，导致各类型社交关系网络中丰富信息的丢失，并且大部分相关研究在节点表示学习的过程中对高质量的标签数据较为依赖，但在现实中交互数据却通常是较为稀疏与缺乏的，从而限制了模型的推荐性能。同时，作为学术网络中除学者外另一重要的显性节点呈现，学术论文在异构学术文献网络中包含丰富语义信息和交互关系的事实未被现有学术论文推荐研究充分认识，导致其在论文表示学习过程中未能得到充分捕获。　　针对以上问题，本文基于社交同质性的理论，提出了一种用以满足学生学习需求、促进学生个性化学习活动的学生学术论文资源社交推荐方法。本文首先挖掘并建模学生多样的学术社交关系，从而构建出学生复杂的多重学术社交关系网络。然后，基于已构建的学生学术社交关系网络，进一步对其中信息进行充分捕获，同时构建异构学术文献网络并融合其中的丰富信息，完善学生和学术论文表示的学习，建模学生的偏好，进而提出了本文融合异构学术文献网络的学生学术论文资源社交推荐方法。具体而言，本文的工作主要包含两部分：　　1）挖掘并构建学生复杂的多重学术社交关系网络。本文首先根据异构学术文献网络基于预定义的元路径抽取并具体化学者间“合著”、“共引”等不同类型的高阶社交关系，并使用超图分别对其进行建模。然后基于转移机制和网络表示学习方法设计师承关系识别模型，从学术合作网络的合著关系中对学生师承关系进行自动且更准确的挖掘，并进而结合合作强度特征识别学生所属学术合作团队，同样使用超边结构进行编码，最终完善学生学术社交关系网络的构建。　　2）完成面向学生的学术论文资源的推荐工作。在推荐过程中，基于已构建的学生学术社交关系网络，本文使用超图卷积神经网络方法分别编码用于建模学生之间的“合著”、“共引”等不同类型高阶社交关系的超图，随后提出了“跨社交关系对比”的对比学习框架以及另一个论文对比学习框架，充分捕获学生学术社交关系网络及论文在异构学术文献网络中的丰富语义和结构信息，学习全面的学生与论文表示的同时，降低对交互数据的依赖，并能有效促进冷启动情况下的推荐。最后，本文基于学生和学术论文之间的交互数据整合推荐主任务与学生、论文自监督表示学习框架来完善嵌入、学习模型参数，挖掘学生潜在的偏好，并最终根据通过学生弱联系所筛选得出的论文候选集，为学生生成最终的Top-K学术论文推荐结果。本文在真实数据集上的实验表明，与现有研究相比，本文的推荐效果在各评价指标上均有所提升，且本文的师承社交关系识别算法也略优于其它算法。

关键词：学术论文推荐系统异构信息网络社交关系网络超图卷积神经网络对比学习数据整合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于超图卷积的轨迹预测算法研究

基于超图卷积的轨迹预测算法研究

作者：王允鑫郑州大学

学位级别：硕士

行人轨迹预测是指根据给定场景中行人在一个历史时间段内的运动轨迹,预测他们的未来轨迹,它对自动驾驶、机器人导航和智能监控系统等应用具有重要意义。行人轨迹预测任务面临的挑战主要有三方面:首先,行人之间存在着复杂的社会交互,预... 详细信息

行人轨迹预测是指根据给定场景中行人在一个历史时间段内的运动轨迹,预测他们的未来轨迹,它对自动驾驶、机器人导航和智能监控系统等应用具有重要意义。行人轨迹预测任务面临的挑战主要有三方面:首先,行人之间存在着复杂的社会交互,预测目标的运动轨迹容易受到周围行人的影响。这种交互关系不止存在于两个行人之间,且不同行人对预测目标的影响程度也不相同,因此难以使用某种固定的规则建模行人之间的交互关系;其次,行人的运动轨迹会受到周围环境的影响,行人在运动过程中要避免与路灯、树木等障碍物发生碰撞。因此,合理地利用场景信息十分重要;最后,未来轨迹的预测依赖于模型从轨迹数据中提取出的行人运动的时空特征。随着时间的推移,预测目标与周围行人产生的交互作用不断变化并对其未来轨迹造成连续的影响,因此行人在每一时刻的空间交互特征也存在时序依赖关系。这使得如何从轨迹数据中提取出有判别性的时空特征也是一个难点。针对以上问题,本文提出了两种新的轨迹预测方法:(1)基于时空超图卷积的轨迹预测方法(ST-HGCNN)。该方法创新性地将超图卷积引入行人轨迹预测任务中,能够有效地建模行人之间复杂的交互。相较于使用传统图结构建模行人轨迹的方法,ST-HGCNN不仅可以编码行人之间的高阶相关性,而且在建模不同类型的交互关系时更加方便。ST-HGCNN中设计的两个核函数考虑了行人的速度大小、方向和行人之间的相对距离,可以有效地模拟行人之间的同行关系和避碰关系。在行人轨迹数据集ETH-UCY上的实验结果表明,ST-HGCNN的预测结果相比于Social-STGCNN在ADE指标上提升了 2.2%,在FDE指标上提升了 8%。除此之外,在车辆轨迹数据集VTP-TL上的实验结果表明,该方法同样适用于车辆轨迹预测任务且预测结果在ADE/FDE指标上均优于其他对比方法。(2)基于融合超图注意力的长短期记忆神经网络的轨迹预测方法(HGA-LSTM)。为了从轨迹数据中提取出更具有判别性的时空特征,本文将循环神经网络和超图卷积神经网络融合为统一的结构。HGA-LSTM的输入、隐藏状态和记忆细胞都是超图结构数据,且三个门控单元全部使用超图卷积处理输入信息和隐状态,因此隐状态和记忆细胞能够在包含时序动态特征的同时,携带空间交互特征。此外,HGA-LSTM在超图卷积中加入了注意力机制,用于计算不同行人对预测目标的影响程度。HGA-LSTM中的特征增广模块利用卷积神经网络和注意力机制提取场景特征,将场景特征与行人原始特征进行融合并利用LSTM消除两种特征之间的尺度差异。在行人轨迹数据集ETH-UCY上的实验结果表明,相比于Social-STGCNN,HGA-LSTM的预测结果在ADE指标上提升了 9%,在FDE指标上提升了 13.3%。在车辆轨迹数据集VTP-TL上的实验结果表明,该方法的预测结果在ADE/FDE指标上均优于其他对比方法。

关键词：轨迹预测深度学习注意力机制超图卷积神经网络

基于超图神经网络的科技文献的事件推理与预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于超图神经网络的科技文献的事件推理与预测研究

作者：张宇航石家庄铁道大学

学位级别：硕士

随着科技文献数量的逐年增长,科研热点挖掘的研究工作变得越来越困难。现有科研热点挖掘方法主要是基于主题模型或关键词进行挖掘,但这些方法无法表达出科研热点的深层含义,本文将科研热点抽象为事件,以事件的形式挖掘科研热点,针对不... 详细信息

随着科技文献数量的逐年增长,科研热点挖掘的研究工作变得越来越困难。现有科研热点挖掘方法主要是基于主题模型或关键词进行挖掘,但这些方法无法表达出科研热点的深层含义,本文将科研热点抽象为事件,以事件的形式挖掘科研热点,针对不同科技文献间事件难以实现深层语义共指消解和事件关系预测中高阶关联关系丢失的问题,以科技文献为对象,对跨文档事件共指消解与事件关系预测进行研究。本文的主要工作如下:(1)基于超图卷积神经网络的跨文档事件共指消解现有跨文档事件共指消解方法没有考虑到事件之间复杂的关系,事件的深层语义难以挖掘。针对该问题,本文提出了基于超图卷积神经网络的事件共指消解方法。首先,对多篇科技文献中抽取的事件进行标注,从而确定事件的触发词,围绕触发词构建多文档事件超图。然后,使用超图卷积神经网络学习多文档事件超图中的高阶语义信息,同时,引入多头注意力机制,学习不同事件关系类型的隐藏特征。最后,通过前馈神经网络与平均链接聚类对事件进行共指得分计算,完成共指事件聚类。实验表明,本文的跨文档事件共指消解方法优于对比模型。(2)基于时序超图卷积神经网络的事件关系预测针对利用传统图结构建模复杂多关系的时序事件时,造成的原始事件高阶交互和关系信息丢失的问题,本文提出了基于时序超图卷积神经网络的事件关系预测方法。该方法将关系感知图卷积神经网络扩展到超图和双曲空间中,实现在每个周期捕获时序事件双曲超图中的结构依赖关系,并引入双曲门控循环单元时序事件双曲超图中的时序特征,此外通过双曲超图静态属性约束层将事件中实体的静态属性与实体表示合并。最后,基于事件的实体和关系表示完成事件关系预测。实验表明,该方法在事件关系预测任务上有良好效果。(3)科技文献中科研热点挖掘本文将科研热点抽象为事件,针对科技文献实现科研热点挖掘,展示科研热点发展态势,帮助科研人员洞察科研动向,追踪新兴领域,为科研选题提供参考。

关键词：共指消解关系预测超图卷积神经网络双曲空间科研热点挖掘

基于线图扩展超图神经网络模型构建分析及其在阿尔兹海默症分类研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于线图扩展超图神经网络模型构建分析及其在阿尔兹海默症分类研...

作者：宿亚静太原理工大学

学位级别：硕士

图论中,图是一种具有强大表达能力的结构化数据类型,其广泛存在于大量的实际问题中。大脑是一种天然的图结构数据,无论从宏观还是微观尺度,大脑都可以很容易地表示为节点互连的图。现代科技的发展使得大脑数据的规模和复杂性不断增加,... 详细信息

图论中,图是一种具有强大表达能力的结构化数据类型,其广泛存在于大量的实际问题中。大脑是一种天然的图结构数据,无论从宏观还是微观尺度,大脑都可以很容易地表示为节点互连的图。现代科技的发展使得大脑数据的规模和复杂性不断增加,对建模和分析大脑图结构数据的工具和方法也提出了严格的要求。近年来,随着深度学习的发展,图神经网络作为一种能有效处理由节点和边构成的图结构数据的神经网络,受到了各领域的关注。其中,在医疗影像领域,图神经网络因其对图结构数据的适配性,显现出了巨大的潜力。研究利用患者的共性症状建模患者间的特征关系图,通过图神经网络进行数据挖掘实现疾病的分类预测,具有重要的科学理论价值和实际应用意义。但目前关于图神经网络的研究完全集中于成对的交互。超图作为一种更适合描述现实生活中实体间复杂关系的结构被用于图卷积网络中,并取得了显著的效果。现如今,超图神经网络作为图神经网络领域中的一个分支,在许多现实世界问题中发挥至关重要的作用。目前,已有许多超图神经网络模型被提出,这些模型在不同的任务和数据集上都取得了不错的效果,但考虑到超图结构上的和神经网络的固有特性,将超图与神经网络有效结合,对已有的超图卷积神经网络进行优化时,仍然面临如下的挑战:(1)如何避免神经网络中的超图被隐式地分解为简单图用于执行下游挖掘任务;(2)如何充分挖掘超图数据结构的隐含信息以更好地进行图表示学习;(3)如何避免在深层网络上由于节点表征趋向于收敛到同一个值引起的过平滑问题。针对上述挑战,本文对基于阿尔兹海默症的分类研究对超图卷积神经网络进行探索,旨在找到高效且精准的超图卷积神经网络模型。本文的主要研究工作如下:(1)针对现有的超图神经网络中超图被隐式地分解为简单图用于执行下游挖掘任务的问题,提出一种基于线图转换的超图神经网络模型。通过在神经网络中引入线图,将超图的超边转换为线图的节点,实现超图节点和超边在神经网络中的整体学习。(2)针对基于线图的超图神经网络学习过程中难以充分挖掘超图隐含信息的问题,提出一种基于自注意力机制的线超图神经网络模型。通过在超图层和线图层中分别引入自注意力机制以学习超边的权重信息和线图中边的权重信息,进行更有效的信息传递。(3)针对所提出的网络在深层网络中的节点表征趋向于收敛到同一个值的问题,提出一种基于组的深度超图神经网络模型。通过在神经网络的层与层之间加入组归一化技术,使同一组中的节点特征趋于一致,使不同组间的节点特征分离。对本文提出的三种改进后的超图神经网络方法用于阿尔兹海默症的分类诊断任务,结果证明,基于线图转换的超图神经网络优于现有的图神经网络和超图神经网络方法,能有效提高阿尔兹海默症的分类准确率;此外,通过实验可以证明,自注意力机制和组归一化的引入是有效的,通过特征权重的学习和对节点分组,可以提供更多的有效特征,在更深层的网络上实现更好的性能;文中还证明了三种方法的可重复性,在不同数据集下本文所提出的模型也是有效的。本研究受到了国家自然科学基金项目(61876124,61873178)、山西省科技厅应用基础研究项目(20210302123129,20210302124166,20210302123099)的支持。本文的研究重点在于探索能够更有效地对阿尔兹海默症进行分类的超图神经网络,在此基础上进一步探讨了超图结构和神经网络参数对分类性能的影响,有力支持了其在神经科学研究和临床实践中的潜在用途和影响。

关键词：超图卷积神经网络线图自注意力机制组归一化阿尔兹海默症