检索结果-南通市图书馆

求解复杂约束优化问题的集成多策略差分进化算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

小型微型计算机系统 2024年第7期45卷 1629-1638页

作者：张佳玉潘志庚南京信息工程大学人工智能学院(未来技术学院) 南京210044

工程和科学领域中的优化问题常常具有大量的约束限制,称为约束优化问题.这类问题要求算法有能力在可行域中寻找问题的最优解.本文针对约束优化问题提出一种集成多策略的差分进化算法(Differential Evolution with Ensemble Multi-Strate... 详细信息

工程和科学领域中的优化问题常常具有大量的约束限制,称为约束优化问题.这类问题要求算法有能力在可行域中寻找问题的最优解.本文针对约束优化问题提出一种集成多策略的差分进化算法(Differential Evolution with Ensemble Multi-Strategies,EMSDE).首先,提出一种用于约束优化的参数自适应策略,利用归一化罚函数作为权重引导参数自适应地生成.其次,结合约束和动态罚函数法设计一种新的约束处理技术.最后,采用CEC2017约束优化基准函数来测试EMSDE和7种经典的约束优化算法.实验结果表明,相比7种经典的算法,EMSDE算法具有很强的竞争力.

关键词：约束优化差分进化参数自适应约束处理技术

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

融合多源异构气象数据的光伏功率预测模型

电子与信息学报 2024年第2期46卷 503-517页

作者：谈玲康瑞星夏景明王越南京信息工程大学计算机学院南京210044 南京信息工程大学软件学院南京210044 南京信息工程大学人工智能学院南京210044

高精度光伏功率预测对提高电力系统运行效率具有重要意义。光伏功率受多种因素影响,其中云层的变化是最主要的不确定因素。传统光伏功率预测方法没有充分考虑云的3维结构和气象要素对光伏功率的影响。因此,该文提出一种融合多源异构气... 详细信息

高精度光伏功率预测对提高电力系统运行效率具有重要意义。光伏功率受多种因素影响,其中云层的变化是最主要的不确定因素。传统光伏功率预测方法没有充分考虑云的3维结构和气象要素对光伏功率的影响。因此,该文提出一种融合多源异构气象数据的多源变量光伏功率预测模型(MPPM)。MPPM的核心包括时空条件扩散模型(STCDM)、注意力堆叠LSTM网络(ASLSTM)和多维特征融合模块(MFFM)。STCDM模型通过对2维卫星云图进行精确预测,消除了云层边界处的模糊现象。ASLSTM模型则提取了3维天气研究与预报模式(WRF)气象要素特征。MFFM模块将2维卫星云图特征和3维WRF气象要素特征进行融合,以得到未来1 h光伏功率预测结果。该文分别利用STCDM模型和MPPM模型开展卫星云图预测实验和光伏功率预测实验。实验结果显示,STCDM模型预测1 h内卫星云图的结构相似性指数(SSIM)达到0.914,MPPM模型预测1 h内光伏功率的相关系数(CORR)达到0.949,优于所有对比算法。

关键词：多源数据扩散模型堆叠长短期记忆注意力机制特征提取

智能超表面辅助多用户系统的通用低复杂度波束成形设计

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2024年

作者：陈晓施建锋朱建月潘存华南京信息工程大学人工智能学院(未来技术学院) 南京信息工程大学电子与信息工程学院东南大学移动通信国家重点实验室

针对可重构智能超表面(RIS)辅助多用户系统中基站和RIS联合波束成形设计问题，该文提出通用低复杂度联合波束成形设计方案。首先，分析RIS辅助多用户系统以最大化和数据速率为目标的联合波束成形非凸优化问题。其次，利用波束导向矢量... 详细信息

针对可重构智能超表面(RIS)辅助多用户系统中基站和RIS联合波束成形设计问题，该文提出通用低复杂度联合波束成形设计方案。首先，分析RIS辅助多用户系统以最大化和数据速率为目标的联合波束成形非凸优化问题。其次，利用波束导向矢量近似正交性设计RIS反射矩阵，进一步利用迫零方法设计基站发射波束成形，并对多用户进行功率分配优化。最后，讨论该方案适用性并对比该方案的计算复杂度相比现有方案降低了一个数量级。仿真结果表明，所提通用低复杂度波束成形设计可以获得较高和数据速率，并且采用最优功率分配可以进一步提高和数据速率。此外，仿真结果和理论分析都表明系统和数据速率随RIS位置的变化而变化，该结论为RIS位置的选择提供参考依据。

关键词：智能超表面波束成形和数据速率低复杂度

语义信息提取和图结构挖掘的事件骨架生成方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程与应用 2024年

作者：黄凯马廷淮孙圣杰龚智恒汤毅翔陈思南京信息工程大学软件学院江苏海洋大学计算机工程学院南京信息工程大学计算机学院网络安全学院南京信息工程大学人工智能学院(未来技术学院)

事件骨架生成旨在从一系列的事件图中归纳出包含事件类型及其时序关系的事件骨架图。这是在时间复杂事件模式归纳任务中的一个核心步骤。尽管现有的方法在这项任务上已经取得了一定的效果，但是由于事件图的复杂性和多变性，这些方法在... 详细信息

事件骨架生成旨在从一系列的事件图中归纳出包含事件类型及其时序关系的事件骨架图。这是在时间复杂事件模式归纳任务中的一个核心步骤。尽管现有的方法在这项任务上已经取得了一定的效果，但是由于事件图的复杂性和多变性，这些方法在挖掘事件图的结构信息和语义信息方面仍显不足。因此，为解决该问题，文中提出了一种事件骨架生成模型。在图编码阶段，模型使用了拉普拉斯位置编码，以精准捕捉和编码图结构的局部信息。同时，模型采用了多头注意力机制和图卷积网络，以提取语义信息和图结构信息，全面总结事件发展的全局结构信息，构建出更泛化，更全面的事件骨架图。实验证明，在事件骨架生成任务上，该模型在Event Match指标上提升了8.83%，Event Sequence Match指标上提升了11.2%（l=2）和7.6%（l=3），实现了较大的性能提升。

关键词：事件模式归纳事件骨架生成图生成语义信息提取图结构挖掘

基于多要素3D特征提取的短期定量降水预报技术研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

南京信息工程大学学报 2024年

作者：熊文睿张恒德陆振宇郭云谦南京信息工程大学人工智能学院国家气象中心

由于空间分辨率有限、物理参数化方案不够完善、泛化性较弱等原因，使得传统业务数值天气模式 (NWP)在定量降水预报中存在固有偏差，而深度学习神经网络具有强大的非线性拟合能力、能够自主性学习到任务相关的关键特征、泛化性较高等优... 详细信息

由于空间分辨率有限、物理参数化方案不够完善、泛化性较弱等原因，使得传统业务数值天气模式 (NWP)在定量降水预报中存在固有偏差，而深度学习神经网络具有强大的非线性拟合能力、能够自主性学习到任务相关的关键特征、泛化性较高等优势，可以有望改善现状。为此，本文提出一种基于多要素3D特征提取的短期定量降水预报技术。基于欧洲中期天气预报中心（ECMWF）提供的高分辨率ECMWF-HRES（EC-Hres）模式预报数据，构建3D-QPF（3D-Quantitative Precipitation Forecast）语义分割模型，通过先分类后回归的耦合框架，捕捉多种降水相关要素数据的3D空间特征，得到与降水实况数据间的相非线性关系，并增加PR（准确率和召回率）损失函数进一步提升模型对偏态数据的预报效果。实验结果表明，3D-QPF的逐日累积降水预报不仅在晴雨量级(0.1mm/(24 h))准确率评分稳定增长，在暴雨量级(50mm/(24 h))的准确率评分也有明显提升，暴雨量级较EC-Hres的TS评分最高提升了15.8%，RMSE优化达到18.71%。经过长期检验，3D-QPF模型与EC-Hres、中国气象局全球模式(CMA-GFS)预报以及2D-Unet和3D-Unet等经典网络模型相比做出了有效的预报订正效果。此外，随着预报时效延长至72 h，模型的优化效果仍能够保持相对稳定。

关键词：定量降水预报语义分割偏态数据耦合方式

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

大数据场景下用户评论聚类文本挖掘算法

计算机仿真 2024年第3期41卷 352-358页

作者：王红林李忠伟南京信息工程大学人工智能学院(未来技术学院) 江苏南京210044

因传统文本数据挖掘算法在大数据场景下的文本聚类挖掘效果较差,提出一种大数据场景下基于文本数据挖掘的用户评论聚类算法。首先,通过设计改进的信息增益算法提取用户评论数据特征,根据信息熵提取文本关键字和不平衡数据项形成特征数... 详细信息

因传统文本数据挖掘算法在大数据场景下的文本聚类挖掘效果较差,提出一种大数据场景下基于文本数据挖掘的用户评论聚类算法。首先,通过设计改进的信息增益算法提取用户评论数据特征,根据信息熵提取文本关键字和不平衡数据项形成特征数据。之后,使用改进的聚类数据挖掘算法对特征数据进行聚类挖掘。最后,基于Spark框架将改进的聚类数据挖掘算法进行并行化改造。设计实验验证分析所提特征提取算法与聚类挖掘算法的性能,结果表明在大数据场景下所提算法的运行时间、准确率和加速比方面优于传统算法。

关键词：大数据特征提取聚类挖掘并行化

面向长期时间序列预测的多项式投影与信息交换架构

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年

作者：刘建鑫马廷淮苏昱铭荣欢南京信息工程大学软件学院江苏海洋大学计算机工程学院南京信息工程大学人工智能学院

长期时间序列预测利用历史数据对未来较远时段的序列走势进行预测，为长期预警、规划和决策提供支持。现有方法在进行长期预测时，普遍存在分布偏移和长期依赖关系难捕获的问题。本文提出一种面向长期时间序列预测的多项式投影与信息交... 详细信息

长期时间序列预测利用历史数据对未来较远时段的序列走势进行预测，为长期预警、规划和决策提供支持。现有方法在进行长期预测时，普遍存在分布偏移和长期依赖关系难捕获的问题。本文提出一种面向长期时间序列预测的多项式投影与信息交换架构LPPIEA。首先，引入可逆实例数据归一化，降低长期时间序列中分布偏移对预测的影响。其次，使用勒让德多项式投影来处理复杂的时间模式，获取数据的高维特征表示以增强模型推理长期时间序列的能力。然后，为了有效捕获长期时间依赖关系，构建轻量化的信息交换架构来高效捕获长期时间依赖关系，从而实现准确高效的长期时间序列预测。在4个常用的公开数据集上的实验结果表明，LPPIEA的预测误差相比于基线方法平均降低11.4％，同时还具有较高的计算效率。模型代码可在此仓库中获取：https://***/JoeDoex/LPPIEA。

关键词：时间序列预测长期时间依赖多项式投影信息交换架构深度学习

基于CNN-STLSTM-CNN模型的有效波高预测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

海洋环境科学 2024年第3期43卷 417-429页

作者：王丽娜齐致远张红春董昌明南京信息工程大学人工智能学院(未来技术学院) 江苏南京210044 南方海洋科学与工程广东省实验室(珠海) 广东珠海519080 南京信息工程大学长望学院江苏南京210044 南京信息工程大学海洋科学学院江苏南京210044

有效波高(significant wave height,SWH)是海洋的重要参数之一,对其的精确预测对渔业发展、海上交通和海洋生态系统具有重要意义。为了提高有效波高的预测精度,本文提出了一种基于卷积神经网络-时空长短时记忆神经网络-卷积神经网络(con... 详细信息

有效波高(significant wave height,SWH)是海洋的重要参数之一,对其的精确预测对渔业发展、海上交通和海洋生态系统具有重要意义。为了提高有效波高的预测精度,本文提出了一种基于卷积神经网络-时空长短时记忆神经网络-卷积神经网络(convolutional neural network-spatiotemporal long short-term memory-convolutional neural network,CNN-STLSTM-CNN)的有效波高预测模型。该模型由编码器(Encoder)、解释器(Translator)和解码器(Decoder)构成。Encoder通过卷积神经网络提取SWH数据的空间特征,Translator通过时空长短时记忆神经网络(spatiotemporallongshort-term memory,STLSTM)提取SWH数据的空间特征在时间上的变化特性,Decoder通过卷积神经网络的转置卷积模块重建预测结果。对东海和南海海域的二维有效波高数据进行建模,实验结果表明CNNSTLSTM-CNN模型的均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、均方根误差均值(mean of root mean squared error,M_RMSE)和平均绝对误差均值(mean of mean absolute error,M_MAE)等指标值均低于已有的方法,验证了CNN-STLSTM-CNN模型的有效性。

关键词：有效波高卷积神经网络时空长短时记忆神经网络转置卷积

在线全文

学校读者我要写书评

暂无评论

基于STL的南海海表温度组合预测模型

海洋环境科学 2024年第1期43卷 109-118页

作者：杨乐晴王丽娜张红春董昌明南京信息工程大学人工智能学院(未来技术学院) 江苏南京210044 南方海洋科学与工程广东省实验室(珠海) 广东珠海519080 南京信息工程大学海洋科学学院江苏南京210044

海表温度(sea surface temperature,SST)是海洋科学研究的重要内容之一。SST的异常波动导致海洋灾害、气象灾害现象时有发生,SST的精确预测对海洋环境保护和海洋经济发展有重要意义。针对SST序列的季节性、非平稳性,首先利用周期趋势分... 详细信息

海表温度(sea surface temperature,SST)是海洋科学研究的重要内容之一。SST的异常波动导致海洋灾害、气象灾害现象时有发生,SST的精确预测对海洋环境保护和海洋经济发展有重要意义。针对SST序列的季节性、非平稳性,首先利用周期趋势分解算法(seasonal-trend decomposition procedure based on loess, STL)对数据进行预处理,分解得到季节分量、趋势分量和残差分量子序列,依次选择相应的预测方法构建组合模型。季节分量应用具有时间嵌入编码模块的Transformer网络预测,充分挖掘序列全局信息,解决时间序列长时间依赖问题;趋势分量应用线性回归模型预测;残差分量应用自回归模型预测。选取南海海域单点SST数据,应用基于STL的SST组合预测模型建模,预测5 d的SST值。实验结果表明,本文模型在单点SST预测任务中,能够有效捕获SST变化规律,提高预测精度。

关键词：海表温度周期趋势分解 Transformer 线性回归 AR模型