关于Hadamard标号图

一个阶图称为Hadamard标号图,如果的顶点能被标以分量为1,-1的不同的n维向量,使得的每一条边的两个顶点的向量是正交的.基于Hadamard矩阵问题的研究提出了Hadamard标号图的概念,并讨论了其属性.     

基于图注意力和特征融合的链路预测方法

链路预测是一种还原网络缺失信息的方法，通过当前已观察到的链路，预测实际存在但未被观察到的链路或可能出现的新链路.当前链路预测主要是基于图神经网络的深度学习方法，相比基于规则的启发式方法，前者可有效利用网络拓扑结构信息，较大地提升了网络链路预测性能，并可应用到类型更广泛的网络中.但是现有基于图神经网络的方法，仅利用网络中节点相对位置信息，忽视了节点基本属性和链路的邻居信息，且无法区分不同节点对链路形成的重要程度.为此，本文提出一种基于图注意力网络和特征融合的链路预测方法.通过增加节点的度、链路的共同邻居数量和共同邻居最大度等特征，丰富了网络的输入特征信息.本文首先提取以目标节点对为中心的子图，然后将其转化为对应的线图，线图中的节点和原图中的链路一一对应，从而将原图节点和链路信息融合到线图的节点中，提升了特征融合的有效性和可解释性.同时本文使用图注意力机制学习节点的权重，增强了特征融合的灵活性.实验表明，本文所提出的方法，在多个不同领域数据集上的AUC和AP均超过90%,在已观测链路缺失较多时，预测性能保持80%以上，且均优于现有最新方法.     

融合边缘语义信息的单目深度估计

单目深度估计研究是许多视觉任务的基础,从图像中得到边缘清晰,细节丰富的深度图对于后续任务具有重要的作用。针对当前单目深度估计模型中不能深度融合图像语义信息以及不能较好地利用图像对象的边缘信息问题,首先构建了超像素拓扑关系图,使用图神经网络提取局部边缘信息之间的相互关系,得到以超像素为节点的拓扑关系图,其次构建了基于编解码结构的深度估计与语义分割的联合模型,通过优化联合目标函数,使模型能够融合边缘语义信息,从而提高模型提取局部结构信息的能力。通过在NYU-Depth V2 数据集中进行实验验证,结果表明模型能够构建细节丰富边缘清晰的深度图,提高了单目深度视觉估计的质量,与其他模型相比,该模型具有一定的优越性。     

基于GCN的复杂网络关键节点识别研究

准确识别出网络中的关键节点是复杂网络研究的重要内容之一.现存的关键节点识别方法多数是基于网络结构提出的中心性度量方法,识别准确率低且适用范围具有局限性.因此本文提出了基于图卷积网络的关键节点识别方法,不仅考虑了节点属性,还考虑了网络结构和邻居节点结构.首先,根据网络图例数据提取多维度特征并构建特征向量;其次,将节点特征向量输入到GCN层学习;最后,通过回归损失函数计算出最小损失,识别出关键节点.本文选取传播动力学中的SIR模拟实验和牵制控制实验作为评价方式,在不同类型的真实网络上进行验证.结果表明本文提出的方法在适用范围和准确率方面较其他方法更具优势.     

基于时空信息的区域内光伏电站功率预测

准确的光伏电站输出功率预测对于电力系统的稳定安全运行具有重要的意义。为充分挖掘区域内多个电站间的时空信息特征，提高区域内电站功率的预测精度，提出了一种基于图卷积和长短期记忆网络（graph convolutional network-long short-term memory, GCN-LSTM）的光伏电站功率预测方法。该方法首先采用K均值聚类算法（K-means clustering algorithm, K-means）将区域内电站的总功率划分三种不同的天气类型；然后，为预测区域内总功率，构建了一个假想电站，并利用图卷积网络（graph convolutional network, GCN ）提取电站间的动态空间相关信息特征；最后，将GCN挖掘的信息构成时间序列作为长短期记忆网络（long short-term memory network, LSTM ）的输入，提取电站的时间信息特征，从而对区域内的光伏功率进行预测。结果表明，该方法可充分挖掘电站间的时空相关信息，可较为准确的对光伏电站输出功率进行预测，能够为保障电力系统的稳定安全运行提供一定参考价值。     

基于视域分析模型的永泰庄寨多情景空间组构特征解析

以永泰县丹云乡和城寨为例，基于空间句法理论，利用Depthmap软件中的视域分析模型对平面空间布局进行量化解析.在日常生活、仪式活动和防御行为等多情景下，庄寨内部可行空间的组构呈现动态特征，进而可归纳出庄寨空间平面布局对家族内部伦理规训的表征规律.即可通过空间之间的灵活分隔、开合形成不同的空间联通和布局方式，“身体-空间”耦合变化强化了特定情景下的内外有别、主宾有序等伦理秩序对人的行为规训.