基于本体的汽轮机多源异构知识建模与融合

针对目前汽轮发电机组设备维修与故障诊断的知识分散在不同电厂内,普遍存在多源异构、共享困难以及形成信息孤岛等问题,结合全局本体与局部本体建模的方法,分析了汽轮发电机组的结构特性,借助Protégé_4.3建立了汽轮发电机组的全局本体模型与局部本体模型,设计了全局本体与局部本体的映射关系算法,实现了汽轮发电机组多源异构的知识融合与多源知识的检索.采用SQI机械故障模拟实验台对汽轮发电机组产生的故障进行模拟.通过模拟转子质量偏心和转子不平衡,结果表明两者有98%的相似度,即两个不同概念的故障有相同的故障源,说明基于本体的汽轮发电机组多源异构知识模型与融合方法是有效、可行的.     

多源异构教育大数据挖掘与应用平台

为解决校园不同信息、应用系统间不能互通互联、共享数据等问题,利用数据整合技术将多源教育数据进行融合,搭建一套多源异构教育大数据挖掘与应用平台。该平台利用人工智能模型的输出以及多源异构教育大数据挖掘引擎的输入,基于大数据挖掘技术对学生档案、教学资源和社交行为等多源信息进行分析处理,实现教学体征诊断、学习状态智能对比、教学影响因素分析、潜在问题挖掘、教学质量趋势预测等功能。为科学提升校园个性化教学服务质量,客观评价教学个体及团队教学水平,辅助分析教学个体及团队长板、短板,科学指导决策者管理教学体系提供有力支撑。     

基于数据挖掘的异构网络多源目标数据融合跟踪方法研究

为了提高对异构网络多源目标数据的检测和识别能力,提出基于数据挖掘的异构网络多源目标数据融合跟踪方法。构建异构网络多源目标数据的分布式存储结构模型,采用相空间重构方法构建数据融合跟踪的网格分布结构模型,实现多源目标数据的可视化调度和自动监测;根据特征提取结果分析异构网络多源目标数据的统计特征,结合模糊层析性分析方法进行多源目标数据的多层次融合和自适应挖掘,提取其中的关联特征量,实现对数据的融合跟踪。仿真实验结果表明,采用该方法进行异构网络多源目标数据融合跟踪的自适应性较好、抗干扰能力较强,同时还提高了数据融合跟踪过程中的跟踪准确度。     

元数据库系统MDBS的设计与实现

提出的元数据库系统ＭＤＢＳ是一个基于知识库的联邦数据库系统，它通过集中管理各异构数据库中的元数据，支持多库间的数据共享，交互操作及自治，在整个集成系统中无全局模式，异构数据库模式间的结构和语义冲突，由ＭＤＢＭＳ通过访问元数据库中有关各局部库的模式信息和模式转换规则来解决。ＭＤＢＳ利用知识来描述应用系统的数据流信息的控制信息支持集成应用系统的实现。本文着重论述了ＭＤＢＳ的数据模型、数据库模式和ＭＤＢ     

基于全局与局部模型相互制约及具有模型不确定性评估的车道线检测方法

针对无人驾驶车辆,提出了一种新的基于全局与局部模型相互制约及具有模型不确定性评估的车道线检测方法.该方法基于车道线的全局与局部模型,通过它们之间的相互制约与影响,有效地实现了视觉测量噪声的过滤与全局信息的获取.进一步利用对检测结果或全局模型的不确定性程度进行评估,不仅可稳定可靠地检测到车道线,而且还可为多源异构传感器之间的信息融合提供基础支撑.面向高速公路进行了大量的真实道路实验.实验结果表明,利用所提方法获得的预瞄点,其平均侧向偏差小于0.3 m,平均角度偏差小于0.03°,能够满足无人驾驶车辆在高速公路上进行自主行驶的需要.     

基于多层次深度学习网络的行人重识别

提出了多层级特征融合模型,该模型利用深度学习网络提取行人图像的全局特征和局部特征,并将全局和局部特征联合起来,以生成更具辨识度的描述符.在模型中,基于部分的多层级网络用于提取不同网络深度的局部特征,从而将网络底层到高层中提取的局部特征组合起来.全局—局部网络分支则提取网络深层的局部特征和全局特征,用于识别行人.该模型在三个数据集上进行了实验并得到了更好的结果.     

基于Web Services的数据挖掘系统设计与实现

随着分布式系统的发展,许多信息资源分布在网络中不同的信息系统中,给信息的共享和知识的发现造成了很大的困难.提出了一种基于Web Services的数据挖掘系统框架,开发数据挖掘中间DMS件(Data Mining Service)实现对异构信息系统的透明访问,把局部和全局的挖掘结果都包装成XML格式.实验表明该系统能够有效地解决了由于系统和信息的异构所带来的数据挖掘困难问题.     

基于跨模态交叉注意力网络的多模态情感分析方法

挖掘不同模态内信息和模态间信息有助于提升多模态情感分析的性能,本文为此提出一种基于跨模态交叉注意力网络的多模态情感分析方法。首先,利用VGG-16网络将多模态数据映射到全局特征空间;同时,利用Swin Transformer网络将多模态数据映射到局部特征空间;其次,构造模态内自注意力和模态间交叉注意力特征;然后,设计一种跨模态交叉注意力融合模块实现不同模态内和模态间特征的深度融合,提升多模态特征表达的可靠性;最后,通过Softmax获得最终预测结果。在2个开源数据集CMU-MOSI和CMU-MSOEI上进行测试,本文模型在七分类任务上获得45.9%和54.1%的准确率,相比当前MCGMF模型,提升了0.66%和2.46%,综合性能提升显著。     

基于局部子空间的可信数据多标记特征选择算法

为提高异构物联网感知设备可信数据的挖掘和检测能力,提出基于局部子空间的可信数据多标记特征选择算法.建立异构物联网感知设备可信数据的大数据分布式存储结构模型,采用大数据信息融合方法进行异构物联网感知设备可信数据的可信动态特征度量,提取异构物联网感知数据的关键特征点,采用关联规则挖掘方法检测物联网设备可信数据,建立数据的关联特征分布模型,采用模糊相关性融合调度方法进行自适应多标记特征选择,结合局部子空间聚类分析方法实现可信数据多标记特征选择的自适应控制和寻优,在聚类中心中实现对异构物联网感知设备可信数据的自适应融合和自适应多标记特征选择.仿真结果表明,本文方法进行可信数据多标记准确性较高.     

多源头网络用户访问信息自适应识别算法

为了解决传统算法学习规则有效性低、无法保证学习性能、匹配模板不全面、容易出现误识别现象的问题,提出一种改进的反向传播(back propagation,BP)神经网络算法研究多源头网络用户访问信息自适应识别问题。对多源头网络用户访问信息进行数据清洗处理,用多源头网络用户访问矩阵对全部会话集合进行描述;在矩阵中引入网络用户位置信息,将得到的信息保存至数据库,构成信息集。将一段时间内用户访问日志构成用户访问路径数据,依据访问请求抵达顺序,将其保存至相应用户缓冲区。把多源头网络用户访问路径当成隐马尔科夫模型的状态转移序列,将网页中信息集当成状态输出符号集,通过离散隐马尔科夫模型对不同源头网络用户访问信息进行分析,提取其特征。将多源头网络用户访问不同种类信息的概率特征作为输入,建立改进BP神经网络算法,得到的输出结果即为多源头网络用户访问信息自适应识别结果。结果表明:采用的BP神经网络算法学习性能优;所提算法识别准确性高。可见所提算法识别结果可靠。     

基于多源信息融合和ADCNN的离心鼓风机故障诊断

针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关性方差贡献率法实现离心鼓风机多源同类信息的数据层融合,建立多源信息融合框架;然后,利用ADCNN自适应地提取各异类信息的特征并完成特征融合,建立融合多源信息的ADCNN故障诊断模型;最后,将此方法应用于离心鼓风机转子故障诊断上,并与传统的融合模式以及CNN、反向传播神经网络(BPNN)、支持向量机(SVM)方法进行对比,试验结果表明:提出的方法在诊断精度与鲁棒性上均优于其他方法。     

属性异构信息网络的半监督协同聚类

为实现同时利用属性信息和结构信息完成更精确的协同聚类, 提出一种基于属性异构信息网络的半监督协同聚类框架（SCCAIN）. 首先, 设计一种可学习的整体关联度量, 其通过元路径和属性投影整合结构关联和属性关联; 其次, 将约束负矩阵三因式分解引入到具有约束的协同聚类节点中, 将相关性度量和协同聚类相结合, 以协同聚类结果作为共享因子, 并提出一个统一的半监督学习框架, 以联合优化协同聚类和相关性测量给定的约束; 最后, 在不同的数据集上进行仿真实验, 实验结果表明, 该方法聚类效果较好, 从而验证了属性信息和结构信息对能提升协同聚类效果.     

基于格网系的无线网络多信道信息融合方法

为解决当前方法信息融合效果差、信息融合时延长的问题,提出基于格网系的无线网络多信道信息融合方法。采用模糊理论中的相关函数对无线网络传感器的支持度进行计算; 在格网系的设计下,利用知识元模型获取信息的融合集,并将其实例成信息单元,为无线网络多信道信息融合提供基础; 最后,在熵权法基础上,引入对无线网络多信道信息之间欧氏距离的测度,利用距离熵的概念获取信息的全局和局部融合权重,采用线性加权法对信道信息的全局和局部融合结果进行计算,最终实现了对无线网络多信道信息的融合。实验结果表明,所提方法在对无线网络多信道信息融合时,信息融合效果较好,并且信息融合时延短、实时性好,具有较高有效性和可行性。     

基于融合注意力机制与CNN-LSTM的人体行为识别算法

为解决单一的卷积神经网络（CNN）缺乏利用时序信息与单一循环神经网络（RNN）对局部信息把握不全问题,提出了融合注意力机制与时空网络的深度学习模型（CLA-net）的人体行为识别方法。首先,通过CNN的强学习能力提取局部特征;其次,利用长短时记忆网络（LSTM）提取时序信息;再次,运用注意力机制获取并优化最重要的特征;最后使用softmax分类器对识别结果进行分类。仿真实验结果表明,CLA-net模型在UCI HAR和DaLiAc数据集上的准确率分别达到95.35%、99.43%,F1值分别达到95.35%、99.43%,均优于对比实验模型,有效提高了识别精度。     

预训练模型下航天情报实体识别方法

为了快速处理航天情报,基于数据驱动的深度学习技术,提出融合多源异构知识标注中文航天情报数据集的方法流程,以及基于预训练(pre-training)模型的航天情报实体识别(AIER)方法;通过对航天情报进行命名实体识别,达到对航天情报进行信息抽取的目的.通过融合BERT(bidirectional encoder representation from transformers)预训练模型和条件随机场(CRF)模型构建AIER模型(BERT-CRF模型),将其与隐马尔可夫模型(HMM)、条件随机场(CRF)模型、双向长短期记忆网络加条件随机场(BiLSTM-CRF)模型进行实体识别对比实验.结果表明:基于预训练模型的AIER模型能够取得93.68%的准确率、97.56%的召回率和95.58%的F₁值;相比于其他方法,基于预训练模型方法的性能得到提高.     

基于异质网络嵌入的学术论文推荐方法

针对基于异质信息网络推荐中的有效信息提取与利用,提出了一种基于异质网络嵌入的学术论文推荐方法。使用由元路径引导的随机游走策略生成节点序列;对于每个元路径,通过最大化序列中相邻节点的共现概率来学习节点的唯一嵌入表示;设计了不同的融合函数,将节点在多个不同元路径的低维表示融合为异质信息网络的嵌入,并且引入注意力机制应用于推荐系统。该方法解决了大多数基于异质信息网络的推荐方法因依赖于基于路径的相似性而无法完全挖掘用户和项目潜在结构特征的问题,在DBLP数据集中验证了模型的有效性,并在RMSE指标中取得超过传统模型的效果。     

Modeling of the Bohai oilfield engineering geology demonstration information system based on digital seabed technology

In this paper, the framework and technologic process of engineering geology demonstration information system （EGDIS） of the Bohai oilfield are presented, and the key technologies for system modeling, such as storage and processing technology of multi-source and heterogeneous data, integrated display technology of multi-source information and multiple safeguard system design are studied. EGDIS of the Bohai oilfield is an integrated application system based on the data standardization and digital seabed database, has the function to realize the standardization/conformity, input/output, inquiry and display of the multi-source and heterogeneous data and graphics, and provides multiple comprehensive analysis and application services, which will provide shared and scientific basic data for the marine engineering construction and oilfield engineering safeguard.     

基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.