均匀对称分类DHNN吸引域的确定

根据样本优选法和等分盘法，神经网络数目N≤8的Hopfield网络具有均匀对称的输出，各吸引子对称 吸引同等数量的信号码失，即信号码矢按吸引子均匀分类。提出码矢特征矢量的观点，并讨论吸引子及其域的性质和构成。     

均匀分类DHNN结构的对称性

研究了经特定非线性函数剪切后能够均匀分类的ＤＨＮＮ的拓扑结构,并在欧氏空间中对它进行几何比,实验表明,几何化后的拓扑结构图具有旋转对称唾这种对称性与网络连接矩阵的置换对称性是一致的,因此,我们可以借助这种几种几何结构图来研究网络的对称性及其相关的问题。     

基于提升度的KNN分类子的分类原则改良模型

针对非均匀类数据,本文提出K最近邻分类子的一个分类原则改良方法,能够度量待分类数据的K个近邻点中的类比率提升量,增大了最小类数据的竞争力,明显地提高了小类数据的分类正确率。实验结果表明,本文提出的改良分类原则对非均匀数据分类的准确率明显高于传统的KNN分类算法。     

基于代价敏感的图分类算法

引入图的误分类代价矩阵,选取以最小误分类代价为目标的加权子图作为图样本的特征属性,建立起图的决策树桩分类器,进行集成学习,得到一个对新图进行分类的判别函数.在生成候选子图时,利用子图的超图增益值具有上界的性质来裁剪增益值比较小的候选子图,从而减少候选子图数量,提高算法效率.实验结果表明,所提算法比其他图分类算法的误分类代价更小.     

基于图卷积和全局对齐策略的图分类网络

受限于图数据拓扑结构的不规则性,以及图结点的无序性和规模多变性,现有图分类网络往往对结点嵌入向量采取简单聚合或排序等方式来构建图级别的表示向量,这会导致特征过度压缩以及特征平移等问题.针对这些问题,提出基于全局对齐策略的图卷积网络,通过构建子图特征近似分布将图表示特征向量做全局对齐,在避免过度压缩和特征平移、有效提高下游分类网络对于特征信息挖掘效率的同时,又利用子图特征的分布信息,进一步学习图数据之间内在的结构相似性,从而提升整体网络对于图分类任务的推理能力.在多个图分类数据集上的实验结果表明,采用全局对齐的图卷积网络相较于其他网络模型有2％～6％左右分类精度的稳定提升,消融实验和超参数敏感性分析实验也进一步证实了全局对齐策略的有效性和鲁棒性.     

基于频率排序的判别子图筛选及在精神分裂症分类中的应用

【目的】从脑网络中提取准确的判别性特征作为分类特征，可以提高SCZ的分类准确率，避免依靠量表的主观诊断造成缺陷。传统的脑网络特征如介数、聚类系数等丢失了拓扑信息，最小生成树丢失了部分脑区连接，子图虽然保留了拓扑信息，但传统的判别子图的筛选会产生部分冗余信息，进而影响分类准确率。【方法】提出一种基于频率排序的判别子图的筛选方法(frequently scoring screen, FSS),使用FSS筛选判别子图，在不损失原有判别信息的情况下，消除冗余信息。使用OpenfMRI的公开数据，对比了使用不同特征和不同分类算法的分类性能。【结果】FSS特征的分类性能优于其他传统脑网络特征，且该特征不受分类算法影响，分类准确率优于已有SCZ分类文献。     

基于加权元学习的节点分类算法

受注意力机制和直推式学习方法的启发,提出一种基于加权元学习的节点分类算法.首先利用欧氏距离计算元学习子任务间数据分布的差异;然后利用子图的邻接矩阵计算捕获子任务间数据点的结构差异;最后将二者转化为权重对元训练阶段更新元学习器过程进行加权,构建优化的元学习模型,解决了经典元学习算法在元训练阶段所有元训练子任务的损失是等权重更新元学习器参数的问题.该算法在数据集Citeseer和Cora上的实验结果优于其他经典算法,证明了该算法在少样本节点分类任务上的有效性.     

一种基于特征子图的不确定图分类算法

采用频繁子图作为特征子图,对不确定图进行分类.提出AGF频繁子图挖掘算法,该算法将频繁子图挖掘问题转换为频繁项挖掘问题,可有效提高频繁子图生成效率.利用频繁子图构造分类模型,首次应用于不确定图,通过实验证明,给出的分类算法具有良好的分类正确率.     

融合LDA的门控图卷积网络文本分类研究

在现有文本图基础上引入隐狄利克雷分布,将文档-主题和主题-词信息融入文本图以丰富文本图中节点间关系,之后将该文本图送入一个基于图卷积网络门控机制模型.在多个数据集上进行验证.结果表明,所提出的模型优于现有图卷积网络文本分类模型.     

基于类间可分性DAG-SVM的文本分类

本方法采用了以类间分布和类间中心距离作为依据,对有向无环图结构进行调整,以解决传统的DAG-SVM多分类结构固定、单个节点位置随意引起的"误差累积"严重的缺陷.实验表明,该改进后的DAG-SVM文本分类方法,对文本分类准确率有一定的提高.     

一类非线性发展方程的渐近吸引子

无穷维动力系统的基本理念是将一个无穷维系统约化为一个有限维系统,但是,要进一步研究约化后的有限维系统的动力学行为是非常困难的,因为它们的结构是未知的.为了克服这个困难,诸如近似惯性流形等概念已被引入,对于Navier-Stokes方程,其近似惯性流形的存在性问题已被讨论,它是通过挤压性质找到一个Lipschitz函数,说明其整体吸引子位于该函数图的某个小领域,而文中是通过构造一个有限维解序列,说明长时间后其趋于方程的整体吸引子,理论上给出了一类发展方程的渐近吸引子的构造方法.     

基于图卷积的计算机辅助设计模型分类

计算机辅助设计(CAD)模型是一种带有顶点信息和网格信息的三维数据,三维模型数据存储方式常见的有点云、体素、网格模型等是典型的非欧氏空间数据。为了改进现有方法利用深度学习训练CAD模型的分类时,常有丢失局部信息或局部信息提取不足的情况。针对这种非欧氏空间的CAD数据,提出了一个结合CAD数据本身特点的基于图卷积的分类模型。首先通过图卷积网络(GCN)计算顶点的邻接矩阵和顶点的度矩阵。针对CAD模型的特点提出了不同于K近邻(KNN)的方法,直接根据CAD模型面片信息构建计算所需的邻接矩阵。其次,图卷积网络可以聚合邻近顶点的信息,设计通过拼接两层图卷积网络来提取不同尺度的局部特征。结果表明:在ModelNet40 CAD模型数据集上,若采用CAD模型面片信息建图的方法,本文方法为91.2%。而采用KNN建图的方法虽然比PointNet++模型低1%的精确度,比KD-NET模型低0.9%的精确度,但参数量要比PointNet++减少0.54 MB,比KD-NET减少6.54 MB。可见本文模型结合了CAD模型的特点和图卷积聚合邻接顶点提取局部信息的优势,使得分类的精确度相比PointNet++提高0.6%,用更少的模型参数量得到了更高的分类精确度。     

非自治与随机动力系统的吸引子

介绍了无穷维单值非自治动力系统的一致吸引子、一致指数吸引子、拉回吸引子、拉回指数吸引子及多值非自治系统的拉回轨道吸引子与随机系统的随机吸引子的一些最新研究成果.     

LMGS吸引子混沌特征的定量观测

对孙海坚等人给出的Logistic映射图形集(theLogisticMapGraphSet,简称LMGS)的定义进行了扩展,并利用扩展的LMGS的定义构造出许多美丽的2DLMGS图形·这些美丽的图形根据其生成方式不同,可分成两类图形和吸引子·本文探讨了图形与吸引子之间的联系,发现图形的边缘与其对应的吸引子相似;并由一维可观察量计算系统混沌定量判据的方法,计算了吸引子的Lyapunov指数和关联维数,结果表明吸引子具有混沌动力学特征     

一类拟线性抛物方程组的整体吸引子与误差估计

研究一类拟线性抛物方程组tu(x,t)=Aεu-f(x,ε-1x,t,u(x,t))的整体吸引子Aε和对应均匀化方程组的整体吸引子A0,并给出了Aε和A0在Hausdorff距离下的误差估计.     

基于图注意力网络的多标签图像分类模型

针对ML-GCN中标签共现嵌入维度过高影响模型分类性能和ML-GCN中没有充分发掘标签之间不对称关系的问题,提出一种基于图注意力网络的多标签图像分类模型ML-GAT;ML-GAT模型首先对高维标签语义嵌入矩阵进行降维;然后通过降维后的低维标签语义嵌入表示和标签类别共现图得到标签共现嵌入;与此同时ML-GAT将多标签原始...     

异步复相角神经网络模型的能量函数研究

证明了具有零对角的厄米联结矩阵的异步离散复相角神经网络模型在其动力学演化过程中，网络的能量函数单调递减，网络最终将稳定在一个不动点吸引子上；当网络的神经元个数远大于存贮图象数时，随机存贮图象在能量函数空间中对应一能量极小点，因此存贮图象为网络的不动点吸引子。     

融合BiLSTM的双图神经网络文本分类模型

采用图神经网络模型为整个语料库构建异构图处理文本分类任务时，存在难以泛化到新样本和词序信息缺失的问题。针对上述问题，提出了一种融合双图特征和上下文语义信息的文本分类模型。首先，为每个文本独立构建共现图和句法依存图，从而实现对新样本的归纳式学习，从双图角度捕获文本特征，解决忽略单词间依存关系的问题；其次，利用双向长短期记忆网络（bi-directional long short-term memory，BiLSTM）编码文本，解决忽略词序特征和难以捕捉上下文语义信息的问题；最后，融合双图特征，增强图神经网络模型的分类性能。在MR，Ohsumed，R8，R52数据集上的实验结果表明，相较于经典的文本分类模型，该模型能够提取更丰富的文本特征，在准确率上平均提高了2.17%，5.38%，0.61%，2.48%。     

新四维多卷超混沌Jerk系统的复杂动力学研究

针对仅有一个平衡点的非线性超混沌系统能否产生多卷吸引子这一问题,提出了仅包含一个非线性项且具有唯一平衡点的新四维多卷超混沌光滑系统;基于Sprott构造的三维Jerk混沌系统,结合反馈控制技术及多卷混沌系统的设计方法,利用Routh-Hurwitz判别准则、中心流形定理以及数学仿真软件,对新系统的复杂动力学性质进行了深入地理论分析和探讨;研究发现系统存在唯一的平衡点,且给出此平衡点在不同状态下的参数适用范围,严格证明了新系统存在Hopf分岔现象,进一步数值模拟获得新系统的Lyapunov指数谱、分岔图和Poincaré映射等特征,验证了新系统仅有一个鞍-焦点且能够产生多卷超混沌吸引子、周期吸引子等复杂的动力学行为,丰富了现有Jerk系统的超混沌复杂性研究。     

GRAMMATICAL COMPLEXITY OF FEIGENBAUM TYPE ATTRACTORS IN PERIODIC WINDOWS

In [7,8] the grammatical complexity of the Feigenbaurn attractor and the general Feigenbaurn attractors, generated by period - n - tupling, are studied. In this paper we study the grammatical complexity of the Feigenbaurn type attractors, including Feigenbaurn attractors and general Feigenbaurn attractors,in periodic windows. It is shown that the languages determined by these attractors are CLS and are. not CFL.