检索结果-南通市图书馆

BCCLR:A Skeleton-Based Action Recognition with Graph Convolutional Network Combining Behavior Dependence and Context Clues

引用

Computers, Materials & Continua 2024年第3期78卷 4489-4507页

作者： Yunhe Wang Yuxin Xia Shuai Liu College of Information Science and Engineering Institute of Interdisciplinary StudiesHunan Normal UniversityChangsha410081China School of Educational Sciences Institute of Interdisciplinary StudiesHunan Normal UniversityChangsha410081China

In recent years,skeleton-based action recognition has made great achievements in Computer Vision.A graph convolutional network(gcn)is effective for action recognition,modelling the human skeleton as a spatio-temporal graph.Most gcns define the graph topology by physical relations of the human joints.However,this predefined graph ignores the spatial relationship between non-adjacent joint pairs in special actions and the behavior dependence between joint pairs,resulting in a low recognition rate for specific actions with implicit correlation between joint pairs.In addition,existing methods ignore the trend correlation between adjacent frames within an action and context clues,leading to erroneous action recognition with similar poses.Therefore,this study proposes a learnable gcn based on behavior dependence,which considers implicit joint correlation by constructing a dynamic learnable graph with extraction of specific behavior dependence of joint pairs.By using the weight relationship between the joint pairs,an adaptive model is constructed.It also designs a self-attention module to obtain their inter-frame topological relationship for exploring the context of actions.Combining the shared topology and the multi-head self-attention map,the module obtains the context-based clue topology to update the dynamic graph convolution,achieving accurate recognition of different actions with similar poses.Detailed experiments on public datasets demonstrate that the proposed method achieves better results and realizes higher quality representation of actions under various evaluation protocols compared to state-of-the-art methods.

关键词： Action recognition deep learning gcn behavior dependence context clue self-attention

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

面向直流受端新型电力系统暂态电压稳定的紧急控制策略

引用

电力自动化设备 2024年第3期44卷 195-202页

作者：李轻言林涛杜蕙付希越李君徐遐龄李大虎饶渝泽交直流智能配电网湖北省工程中心湖北武汉430000 武汉大学电气与自动化学院湖北武汉430072 国家电网公司华中分部湖北武汉430077 国网湖北省电力有限公司湖北武汉430077

在直流受端新型电力系统中,新能源电源及直流的接入导致同步机开机减少,动态无功功率相对紧张,暂态电压失稳风险显著增大。为高效快速获取紧急控制策略,即直流电流控制方案,并使其适应不同的电网运行方式和故障场景,尤其是电网拓扑结构... 详细信息

在直流受端新型电力系统中,新能源电源及直流的接入导致同步机开机减少,动态无功功率相对紧张,暂态电压失稳风险显著增大。为高效快速获取紧急控制策略,即直流电流控制方案,并使其适应不同的电网运行方式和故障场景,尤其是电网拓扑结构的变化,基于图卷积神经网络(gcn)对常规深度强化学习模型深度确定性决策梯度(DDPG)的网络结构进行改造,构建了gcn-DDPG融合模型。在此基础上,引入双评价网络机制和评价网络与动作网络非同步更新策略以提升算法效果。进一步地,在应用方面,基于gcn-DDPG融合模型构建紧急控制模型并将其下达至安控主站,安控主站将依据电网实际运行方式和故障等信息,对紧急控制策略进行在线量化计算,并发送至直流控保系统执行。最后,通过改造的IEEE 14节点系统验证所提方法的有效性和优越性。

关键词：高压直流输电直流受端新型电力系统暂态电压稳定紧急控制电流控制方案 DDPG gcn

来源：

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

基于gcn和BiLSTM的Android恶意软件检测方法

引用

计算机科学 2024年第4期51卷 388-395页

作者：贺娇君蔡满春芦天亮中国人民公安大学信息网络安全学院北京100038

现有Android恶意软件检测方法大多是对单一结构类型的特征进行学习,在分析应用程序语义方面有所缺失。针对传统检测方法捕获特征语义不够全面的问题,文中创新性地提出了一种基于gcn和BiLSTM的Android恶意软件检测模型,在精准提取样本结... 详细信息

现有Android恶意软件检测方法大多是对单一结构类型的特征进行学习,在分析应用程序语义方面有所缺失。针对传统检测方法捕获特征语义不够全面的问题,文中创新性地提出了一种基于gcn和BiLSTM的Android恶意软件检测模型,在精准提取样本结构信息的同时对恶意行为语义进行重点分析。首先以图的方式表征26类关键系统调用间的拓扑关系,使用双层gcn网络聚合系统调用图中节点的高阶结构信息,有效提高特征学习效率;然后利用带有自注意力机制的BiLSTM网络获取操作码序列的上下文语义,通过为具有恶意特征的序列赋予高权重得到特征内部的强相关性;最后使用Softmax输出融合结构信息和上下文特征的样本分类概率。在基于Drebin和AndroZoo数据集的实验中,所提模型准确率达到了93.95%,F1值达到了97.09%,相较于基准算法有显著提高,充分证明了基于gcn和BiLSTM的模型能有效提升Android恶意软件的检测效果。

关键词： Android 恶意软件检测 gcn BiLSTM

来源：

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

基于gcn和门机制的汉语框架排歧方法

引用

中文信息学报 2024年第3期38卷 33-41页

作者：游亚男李茹苏雪峰闫智超孙民帅王超山西大学计算机与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006 山西工程科技职业大学现代物流学院山西晋中030609

汉语框架排歧旨在在候选框架中给句子中的目标词选择一个符合其语义场景的框架。目前研究方法存在隐层向量的计算与目标词无关、忽略了句法结构信息对框架排歧的影响等缺陷。针对上述问题,该文使用gcn对句法结构信息进行建模;引入门机... 详细信息

汉语框架排歧旨在在候选框架中给句子中的目标词选择一个符合其语义场景的框架。目前研究方法存在隐层向量的计算与目标词无关、忽略了句法结构信息对框架排歧的影响等缺陷。针对上述问题,该文使用gcn对句法结构信息进行建模;引入门机制过滤隐层向量中与目标词无关的噪声信息;并在此基础上,提出一种约束机制来约束模型的学习,改进向量表示。该模型在CFN、FN1.5和FN1.7数据集上优于当前最好模型,证明了该方法的有效性。

关键词：汉语框架排歧句法信息 gcn 门机制

来源：

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

基于Transformer结构增强的神经网络架构搜索性能预测器

引用

计算机学报 2024年

作者：王继禾吴颖迟恒喆王党辉梅魁志西北工业大学计算机学院嵌入式系统集成教育部工程中心(西安) 空天地海一体化大数据应用技术国家工程实验室西安交通大学人工智能与机器人研究所

神经网络架构搜索（Neural Architecture Search，NAS）作为一种通过搜索算法设计神经网络架构的方法，在计算机视觉和自然语言处理等领域得到广泛应用，相较于人工设计网络，NAS方法可以减少设计成本并提高模型性能．但是NAS的性能评... 详细信息

神经网络架构搜索（Neural Architecture Search，NAS）作为一种通过搜索算法设计神经网络架构的方法，在计算机视觉和自然语言处理等领域得到广泛应用，相较于人工设计网络，NAS方法可以减少设计成本并提高模型性能．但是NAS的性能评估需要对候选架构进行大量训练，由此带来的计算量占整个NAS的80％以上．为降低计算开销和时间成本，近年来已提出许多基于Transformer的NAS预测器，由于Transformer出色的结构编码能力可以更好地表示拓扑信息，因而得到广泛应用．但是，现有基于Transformer的NAS预测器依然存在三个问题：其一是在预处理阶段，传统的one-hot编码方式描述节点特征的能力较弱，只能区分不同操作节点类型，而难以表达操作的细节特征，如卷积核尺寸等．其二是在编码阶段，Transformer的自注意力机制导致模型结构信息缺失；其三是在评估阶段，现有的Transformer预测器仅使用多层感知机（Multilayer Perceptron，MLP）对前向传播图进行精度预测，忽略了反向传播梯度流对预测精度的影响，因此难以真正拟合NAS评估中的正、反向交替信息流图，导致预测器精度与实际运行精度误差波动极大（10%～90%）．为解决上述问题，本文提出了一种基于Transformer结构增强的NAS性能预测方法．首先，在预处理阶段，本文提出了一种超维嵌入方法增加输入数据维度以强化节点操作的参数描述能力，其次，在编码阶段将Transformer编码后的信息与图结构信息共同输入一个图卷积网络（Graph Convolutional Network，gcn），弥补由自注意力机制引起的结构缺失．最后，在性能评估阶段，本文构建了同时包含前向传播和反向传播的全训练图，并将数据集信息、图结构编码与梯度编码共同输入到gcn网络预测器中，使预测结果更贴近模型真实性能．实验结果表明，本方法与目前最先进方法相比，肯德尔相关系数提高了7.45%，训练时间减少了1.55倍．

关键词：预测器 NAS Transformer gcn Embedding

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Bearing fault diagnosis based on a multiple-constraint modal-invariant graph convolutional fusion network

High-speed Railway

引用

High-speed Railway 2024年第2期2卷 92-100页

作者： Zhongmei Wang Pengxuan Nie Jianhua Liu Jing He Haibo Wu Pengfei Guo College of Railway Transportation Hunan University of Technology Zhuzhou 412007 China Wuxi Maimurun Environmental Technology Co. Ltd Wuxi 214000 China

Multisensor data fusion method can improve the accuracy of bearing fault diagnosis, in order to address the problems of single-sensor data types and the insufficient exploration of redundancy and complementarity between different modal data in most existing multisensor data fusion methods for bearing fault diagnosis, a bearing fault diagnosis method based on a Multiple-Constraint Modal-Invariant Graph Convolutional Fusion Network (MCMI-GCFN) is proposed in this paper. Firstly, a Convolutional Autoencoder (CAE) and Squeeze-and-Excitation Block (SE block) are used to extract features of raw current and vibration signals. Secondly, the model introduces source domain classifiers and domain discriminators to capture modal invariance between different modal data based on domain adversarial training, making use of the redundancy and complementarity between multimodal data. Then, the spatial aggregation property of Graph Convolutional Neural Networks (gcn) is utilized to capture the dependency relationship between current and vibration modes with similar time step features for accurately fusing contextual semantic information. Finally, the validation is conducted on the public bearing damage current and vibration dataset from Paderborn University. The experimental results showed that the delivered fusion method achieved a bearing fault diagnosis accuracy of 99.6 %, which was about 9 %–11.4 % better than that with nonfusion methods.

关键词： Bearing fault diagnosis Data fusion Domain adversarial training gcn

来源：博看期刊评论

在线全文

博看期刊

学校读者我要写书评

暂无评论

融合目标词上下文序列与结构信息的框架识别方法

引用

中文信息学报 2024年第1期38卷 86-96页

作者：闫智超李茹苏雪峰李欣杰柴清华韩孝奇赵云肖山西大学计算机与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006 山西大学外国语学院山西太原030006 山西工程科技职业大学现代物流学院山西晋中030609 中译语通科技股份有限公司北京100043

框架识别是框架语义角色标注的重要前提,该任务是为给定句子中的目标词寻找一个可激活的框架。框架识别通常看作是针对目标词的分类问题,一般采用序列建模的方式学习融合上下文的目标词表示。该方式忽略了目标词所在上下文的结构信息,... 详细信息

框架识别是框架语义角色标注的重要前提,该任务是为给定句子中的目标词寻找一个可激活的框架。框架识别通常看作是针对目标词的分类问题,一般采用序列建模的方式学习融合上下文的目标词表示。该方式忽略了目标词所在上下文的结构信息,且在建模时未考虑不同词性目标词在句法和语义结构上的差异。针对这些不足,该文提出了一种融合目标词上下文序列与结构信息的框架识别方法,该方法使用BERT和gcn分别对不同词性目标词的上下文信息和融合PropBank语义角色或依存句法结构信息的目标词进行建模,然后得到融合序列和结构信息的目标词表示。另外,该文分析了不同词性目标词依存信息的结构差异,采用一种集成学习方法克服了单一模型在此方面的不足。最后,在FN1.7和CFN数据集上的实验结果表明,融合目标词上下文序列与结构信息的框架识别方法在性能上优于当前最好模型。

关键词：框架识别语义角色依存句法 BERT gcn

来源：

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

基于Transformer结构增强的神经网络架构搜索性能预测器

引用

计算机学报 2024年第7期47卷 1469-1484页

作者：王继禾吴颖迟恒喆王党辉梅魁志西北工业大学计算机学院西安710129 嵌入式系统集成教育部工程中心西安710129 空天地海一体化大数据应用技术国家工程实验室西安710129 西安交通大学人工智能与机器人研究所西安710049

神经网络架构搜索(Neural Architecture Search,NAS)作为一种通过搜索算法设计神经网络架构的方法,在计算机视觉和自然语言处理等领域得到广泛应用,相较于人工设计网络,NAS方法可以减少设计成本并提高模型性能.但是NAS的性能评估需要对... 详细信息

神经网络架构搜索(Neural Architecture Search,NAS)作为一种通过搜索算法设计神经网络架构的方法,在计算机视觉和自然语言处理等领域得到广泛应用,相较于人工设计网络,NAS方法可以减少设计成本并提高模型性能.但是NAS的性能评估需要对候选架构进行大量训练,由此带来的计算量占整个NAS的80%以上.为降低计算开销和时间成本,近年来已提出许多基于Transformer的NAS预测器,由于Transformer出色的结构编码能力可以更好地表示拓扑信息,因而得到广泛应用.但是,现有基于Transformer的NAS预测器依然存在三个问题:其一是在预处理阶段,传统的One-hot编码方式描述节点特征的能力较弱,只能区分不同操作节点类型,而难以表达操作的细节特征,如卷积核尺寸等.其二是在编码阶段,Transformer的自注意力机制导致模型结构信息缺失;其三是在评估阶段,现有的Transformer预测器仅使用多层感知机(MultilayerPerceptron,MLP)对前向传播图进行精度预测,忽略了反向传播梯度流对预测精度的影响,因此难以真正拟合NAS评估中的正、反向交替信息流图,导致预测器精度与实际运行精度误差波动极大(10%~90%).为解决上述问题,本文提出了一种基于Transformer结构增强的NAS性能预测方法.首先,在预处理阶段,本文提出了一种超维嵌入方法增加输入数据维度以强化节点操作的参数描述能力,其次,在编码阶段将Transformer编码后的信息与图结构信息共同输人一个图卷积网络(GraphConvolutional Network,gcn),弥补由自注意力机制引起的结构缺失.最后,在性能评估阶段,本文构建了同时包含前向传播和反向传播的全训练图,并将数据集信息、图结构编码与梯度编码共同输入到gcn网络预测器中,使预测结果更贴近模型真实性能.实验结果表明,本方法与目前最先进方法相比,肯德尔相关系数提高了7.45%,训练时间减少了1.55倍。

关键词：预测器 NAS Transformer gcn Embedding

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于深度强化学习的电网关键节点识别

引用

电子设计工程 2024年第15期32卷 166-171页

作者：孙泽军常新峰王飞飞杨开语平顶山学院信息工程学院河南平顶山467000

电网中某个关键节点发生故障,可能会引起级联失效,导致整个区域大面积停电。针对电网关键节点识别问题,提出了基于深度强化学习的电网关键节点识别模型。该模型通过图神经网络gcn对电网网络结构进行感知,对动作和状态进行向量表示,通过... 详细信息

电网中某个关键节点发生故障,可能会引起级联失效,导致整个区域大面积停电。针对电网关键节点识别问题,提出了基于深度强化学习的电网关键节点识别模型。该模型通过图神经网络gcn对电网网络结构进行感知,对动作和状态进行向量表示,通过DQN的决策,选择最优动作,进行梯度回传,不断迭代优化参数,得到最优模型。基于该模型设计了电网关键节点检测算法KNDDRL,并在不同网络上进行了大量的实验,实验结果表明该算法能够有效识别电力网络中的关键节点,其效果优于所比较的代表性算法。

关键词：关键节点识别电网深度强化学习复杂网络 gcn

来源：

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

基于图卷积网络的轴承故障诊断

引用

煤矿机械 2024年第3期45卷 152-155页

作者：赵舜赵文燕张洪滔李雅婧卫思聪中北大学机械工程学院太原030051 山西金意科特种设备检验检测有限公司山西运城044000

针对基于图卷积网络(gcn)的故障诊断方法大多默认节点间的权重相同、导致诊断精度较低与鲁棒性较差的问题,提出了一种基于欧式距离和余弦距离的gcn故障诊断方法(EC-gcn)。首先,充分考虑节点间的数值特征和方向特征,利用欧式距离和余弦... 详细信息

针对基于图卷积网络(gcn)的故障诊断方法大多默认节点间的权重相同、导致诊断精度较低与鲁棒性较差的问题,提出了一种基于欧式距离和余弦距离的gcn故障诊断方法(EC-gcn)。首先,充分考虑节点间的数值特征和方向特征,利用欧式距离和余弦距离构建加权样本关联图。其次,利用gcn对样本关联图的故障特征进行提取。最后,将故障特征输入分类器进行分类识别。对公开轴承数据集进行测试,EC-gcn方法能够有效提取轴承故障特征,故障分类精度达到了98.93%。

关键词： gcn 轴承故障诊断加权关联图

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：