多尺度注意力聚合图卷积的高光谱分类

在遥感图像分类任务中,考虑到传统卷积滤波器受限于接受域,不能有效地捕获地物丰富的细节信息的缺陷,同时,为加强邻域内像元之间的多尺度时空交互,提出一种多尺度注意力聚合图卷积的高光谱图像分类方法.首先,为了增强遥感图像中地物的时空表征能力,构建不同尺度的拓扑图,以实现时空信息的建模.其次,利用图卷积神经网络加强相邻节点之间的交互性,提高时空信息的汇聚和传递,同时,利用自注意力引导层自适应地细化多尺度信息,以捕捉时空信息在通道之间的相关性和位置信息.此外,相邻节点特征差的范数为节点之间的边权重,而层之间信息的传递采用动态聚合方式.试验结果表明:所提出的分类框架在Indian Pines基线数据集上的总体分类精度(OA)、平均分类精度(AA)和卡帕系数(Kappa)分别为(99.80±0.15)%, (98.30±1.28)%和(99.77±0.17)% .     

多尺度自适应加权形态边缘检测方法

针对常用的多尺度边缘检测方法因卷积运算造成模糊图像边缘，提出一种多尺度自适应加权形态边缘检测方法，利用大小不同的结构元素提取图像边缘特征，在大尺度下抑制噪声，可靠地识别边缘，在小尺度下定位，再由粗到细跟踪边缘，得到边缘的位置，再由各尺度结构元的抗噪性确定加权值的大小，然后加权处理得到最后的边缘结果，实验表明，用多尺度自适应加权形态边缘检测算法可得到较理想的图像边缘。     

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, Kmeans)将区域内电站的总功率划分3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,可较为准确地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。     

面向大规模交通网络的时空关联挖掘方法

时空关联挖掘是智能交通领域的关键技术之一。大规模交通网络中的交通流量数据具有高度非线性和复杂特征,故精准地预测交通流量面临巨大挑战。现有方法大多设计2个独立模块来分别捕获交通流量的时间和空间相关性,故无法精准地对流量数据中的复杂时空相关性建模。该文提出一种时空组合图卷积神经网络(STCGCN),以更好地预测交通流量。STCGCN通过构建自适应时空组合图,并提出时空组合图卷积,来有效揭示交通流量数据动态和复杂的时空相关性。在美国加利福尼亚州高速公路流量公开数据集上进行了实验,结果表明STCGCN的预测效果优于11个现有方法。     

基于骨架的自适应尺度图卷积动作识别

基于骨架的动作识别任务中,一般将骨骼序列表示为预定义的时空拓扑图.然而,由于样本的多样性,固定尺度的拓扑图往往不是最优结构,针对样本特性构建自适应尺度的骨骼拓扑图能够更好地捕捉时空特征;另外,不同尺度的骨骼图能够表达不同粒度的人体结构特征,因此对多个不同尺度的拓扑图进行特征提取与融合是有必要的.针对这些问题,提出了一种自适应尺度的图卷积动作识别模型.该模型包含自适应尺度图卷积模块和多尺度融合模块两部分.自适应尺度图卷积模块基于先验与空间注意力机制,构建关键点的活跃度判决器,将活跃点细化为小尺度结构、非活跃点聚合为大尺度结构,在加速节点间特征传递的同时最小化特征损耗;多尺度融合模块基于通道注意力机制,动态融合不同尺度的特征,进一步提升网络的灵活性;最后,综合关键点、骨骼、运动信息实现多路特征聚合的动作判别,丰富模型的特征表达.结果表明:该算法在NTU-RGBD数据集的CS和CV子集上分别取得了89.7%和96.1%的分类准确率,显著提高了动作识别的准确性.     

基于时间演化图卷积网络的舆情热点内容预测

有效预测舆情事件的热点内容有利于提高对舆论导向的把控能力和对公众诉求的预判能力. 然而,现有的舆情预测工作大多关注事件整体趋势指标或情感极性的演变预测,鲜有针对舆情事件热点内容的预测研究. 为解决以上问题,本文提出一种基于时间演化图卷积网络的舆情热点内容预测方法：以舆情事件的热点词作为预测对象,首先,通过演化图卷积网络学习各时间片词语的空间关联关系;然后,使用门控循环单元捕捉各时间片词语特征的时序变化;最后,通过全连接层进行输出,实现对舆情事件热点词的预测. 以微博上两个不同的舆情突发事件的相关文本作为数据集,与两种现有热点词预测方法开展对比实验. 实验结果表明,该方法在两个数据集上的精确率分别达到51.21%和50.98%,召回率分别达到50.17%和48.15%,F1值分别达到50.68%和49.52%,均高于两种对比方法,能够更好地完成舆情事件中热点词的预测.     

基于时空图卷积网络的输电线路覆冰预测

针对已有的输电线路覆冰预测模型鲜有考虑覆冰过程中的空间特征信息,从而导致预测精度欠佳的问题,本文从时空序列预测的角度建立输电线路覆冰方面的预测体系,采用图卷积网络(Graph Convolutional Network, GCN)构建输电线路覆冰预测模型,基于图神经网络设计对输电线路覆冰拉力的图数据进行深度特征学习与图特征向量表示,以更好地提取电网塔杆覆冰拉力值的时空分布特征,从而准确预测未来的拉力值。基于南方电网的真实实验数据,设计一套可靠的数据预处理流程,将电网覆冰拉力数据转化为可以深度学习的时空序列大数据进行训练和验证。实验结果表明,本文提出的模型较已有的主流覆冰预测模型具有更加优异和稳定的预测结果,能够为输电线路及时除冰工作提供决策参考。     

基于集成多尺度LSTM的短时风功率预测

风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性.     

基于多片段语义时空图卷积网络的大学生校园日常行为预测

当前大学生校园日常行为预测与挖掘研究中,一般采用统计、聚类、关联关系等浅层挖掘和学习算法,对学生校园行为的时序性、空间位置及其相关性缺乏深层与高阶应用分析.该文基于时空图网络结构,提出考虑校园活动时间序列与层次相关性和空间语义特征相关的多片段语义时空图卷积网络(MFSTGCN)模型.通过构建大学生校园行为数据集并进行实...     

多尺度随机过程的线性预测方法

在反射系数未知的情况下,给出了基于已知观察数据的各向同性多尺度随机过程的线性预测公式,并据此提出了偏相关向量函数的概念,与反射系数相比,偏相关向量函数可由观察数据确定,它反映了前、后向预测误差分量之间的相关程度,为了进一步研究该函数的性质,分析了偏相关向量函数与反射系数的关系,该关系表明,偏相关向量函数可用于自回归过程的阶数确定,数值实验结果验证了所给方法的有效性及良好 的线性预测精度。     

基于小波域多尺度积的心音去噪方法

介绍了一种新的心音去噪方法,利用小波域多尺度积的方法定位第1、第2心音在各个心音周期的位置,并利用其持续时间估计有用信号及噪声,达到去噪的效果,避免了通过ECG-Gating在时域提取噪声时的误差.比较信号在处理前后各个频段的频谱变化,结果表明,该方法不仅在效果上比已有方法更好,在计算上也更为便利.     

基于时空特征挖掘的流量过程智能模拟方法

为减轻洪水灾害事件可能带来的严重后果,实现对流量的及时、准确预测,提出一种基于时空特征挖掘的流量过程智能模拟方法.该方法首先从空间角度入手,建立测站之间的拓扑结构关系;再利用图卷积网络进行空间挖掘;最后利用门控循环单元进行时序挖掘.试验结果表明,基于时空特征挖掘的流量过程智能模拟方法比基于单一特征的模拟方法效果更好.     

基于时空数据挖掘的铁路客流预测方法

提出了一种新的基于时空数据挖掘的铁路客流预测方法,该方法一方面采用统计学原理对目标对象本身的时序进行预测,另一方面通过神经网络解算相邻对象的空间影响,最后使用线性回归得到综合预测结果.采用该方法对某铁路直通区段2004年春运期间旅客总发送量进行预测,与不考虑空间影响的预测方法相比,预测精度有所改善.     

基于主从时空预测网络的闪电临近预警方法

精细时空分辨率下的闪电临近预警对闪电灾害预防具有重要意义.提出了一个主从时空预测网络模型(MSTNet)实现闪电的临近预警.模型的输入包括两种时空数据:历史闪电观测与雷达回波.MSTNet利用主、从时空预测网络分别对两种数据特有的时空规律进行挖掘,主、从预测网络提取得到的特征通过一个融合模块实现信息互补,基于融合特征完...     

视觉导航的多尺度全方位时空图象综合理解方法

本文提出基于全方位时空图象的多尺度视觉导航方法。其基本思想是根据具体视觉任务（道路识别、障碍物检测和全局定位）的要求，采用不同时空尺度的视觉传感器和处理方法，将空域大尺度的全方位“环视”，小尺度的双目“注视”和时域大尺度的时空“远视”相结合，综合完成道路图象的理解。设计了适于机器处理的特殊传感器和快速有效的处理方法，并利用图象级的不变性避免了困难的图象分割和三维恢复。     

基于图卷积循环神经网络的城市轨道客流预测

客流预测对于城市轨道交通运行组织和管理具有重要的意义.本文中组合图卷积网络和循环神经网络构建图卷积循环神经网络GCGRU模型,借助图卷积网络学习城市轨道网络的复杂拓扑结构,进而捕捉空间关联特征,通过循环神经网络变体门控循环单元学习多特征客流量的趋势变化规律从而捕捉时间特征.利用上海市1年的全网地铁断面客流量展开研究,并...     

一种基于多尺度均线位置关系的移动通信网流量预测方法

摘 要：从统计学的角度观察得出结论,移动通信网数据流量与股票价格预测具有一些相同的特征。基于此,提出将多尺度均线相对位置的经验型股票估值方法运用到移动通信网流量预测中。方法首先根据流量特征选定均线尺度,继而利用插值方法对曲线进行平滑处理,使之适合均线变化方向和量化计算;最后通过均线之间的位置关系来预测流量的变化趋势和变化量。初步仿真实验证明,该方法是有效、可行的。     

基于多尺度模糊逻辑的小波边缘检测方法

针对非极大抑制法中由于单一选定阈值所带来的确定性对边缘提取效果的影响,提出了一种新的基于模糊逻辑的图像边缘检测方法,即在不同尺度下实现图像的模糊增强,从而提高边缘检测精度.该方法对图像分别在不同尺度下低通滤波后实施广义模糊增强算法,增强灰度的区域对比度,更好地实现了在大尺度下抑制噪声、在小尺度下精确定位的效果.实验证明了该方法对影子(phantom)边缘的检测有较好的效果.     

一类方括号积多尺度分析的构造

根据Hilbert空间中多尺度逼近的定义,探讨了其上多尺度逼近对的性质.在此基础上,由L2(R)空间中1对满足方括号积关系的尺度函数φ和φ-,分析得到了构造方括号积多尺度分析Vj,V-j的方法,进一步讨论表明,双正交及半正交多尺度分析均为这类多尺度分析的特殊情形.特别地,将构造方法应用到基数B-样条,具体构造了1对具有一般性的方括号积多尺度分析.     

空气质量预测实用计算方法一例

通过对某一大气污染源的污染状况的现场调查与资料收集，准确、快速地评测大气环境质量，在空气质量管理、工程设计、环境规划等方面是非常重要的.应用简单的计算方法，介绍一种空气质量预测方法的实例应用.通过对芜湖电厂的实例计算，结果与事实相符，表明该方法准确、实用.