关于绘画服装款式图技法的几点

以工艺结构为主的的服装款式图,在服装生产中起着非常重要、非常实际的作用。这种形式的效果图主以表现服装款式的基本比例及主要结构为主,这种图的画法有一定的规范和要求,为服装的工艺设计和生产提供参照和依据,也是如实表达设计师设计思想的最佳方案。     

ArcGIS软件分析地形研究

ArcGIS软件生成TIN的方法,该方法可以高效地利用现有的纸质地形图和矢量地形图等生成坡度图、坡向图,对地形分析进行量化和分析,并为城市规划、国土整治等行业提供数据依据。该方法无需投入大量设备,成本低,且速度快。     

UML顺序图的鲁棒性分析

鲁棒性分析技术可以帮助开发人员精确地弥合分析与设计之间的鸿沟。统一建模语言(unified modeling language, UML)顺序图模型被广泛用于面向对象软件系统的分析与设计,它的鲁棒性至关重要。首先,引入形式化模型——统一结构。其次,给出了基于统一结构的描述顺序图的方法和鲁棒性的形式定义,随后讨论顺序图在组合与精化条件下的保存问题。最后,在原型工具支持下进行实例研究。实验结果表明,设计阶段的顺序图能保持分析阶段顺序图的鲁棒性,从而可以给予从事面向对象的开发人员相关帮助及支持。     

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。 实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。     

基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。     

频谱分析方法在仿真可信性研究中的应用

应用频谱分析方法进行仿真可信性评估。分析了傅立叶谱估计、最大熵谱估计的统计特性,并分别构造相容性检验。引入瞬时谱估计分析非平稳随机信号,以及应用于某型近炸引信数字仿真模型验证的一个实例。     

概率影响图变换的矩阵方法

影响图是近年发展起来的一种新的决策分析方法。仅含随机结点的影响图被称为概率影响图,它是建立概率模型和进行概率推理的有效工具。本文研究了概率影响图的关联矩阵表示和矩阵变换方法,并给出了完整的计算机实现方法。     

提高电能效率的自备电厂并网备用容量费用计算模型

自备电厂并网备用容量费的计算是我国电力市场化改革所面临的急待解决的问题之一.从概率统计学的角度,分析所有与供电公司并网的自备电厂所需要备用容量的各种情况以及其对应的概率分布,并求其期望值作为计算备用容量的依据;在此基础上,采用熵值法对供电公司和自备电厂收取并网备用容量费的收益风险进行度量,并对它们的收益风险进行比较;从平衡供电公司与自备电厂收益风险角度,构建它们的收益风险平衡模型,并采用间接搜索法对其进行求解.算例表明:所构建并网备用容量费计算模型是可行的,可以减少电网和电厂的投资,提高电能的利用效率,且对平衡供电公司与自备电厂之间的利益具有一定的参考作用.     

一种新的多关系朴素贝叶斯分类器

针对现有多关系朴素贝叶斯分类器中存在的统计偏斜问题,扩展了语义关系图的定义,给出了一种新的统计计数方法,构建了相应得多关系朴素贝叶斯分类公式,形成了一种基于关系数据库技术的新的多关系朴素贝叶斯分类器。为高效进行关系表连接,采用元组ID传播方法对关系表进行虚拟连接。进一步提高分类准确率,基于互信息标准对属性进行剪枝。实验显示新的分类器具有良好的分类性能。     

一种二元决策图底事件排序的新方法

故障树分析(Fault Tree Analysis, FTA)是对系统进行可靠性分析的一种有效方法.而在现在所有的故障树分析中,二元决策图(Binary Decision Diagram, BDD)又是其中最有效的方法之一.由于BDI)的节点数在很大程度上依赖于输入的底事件的排列次序,所以从故障树到BDD的转换过程中,需要先对底事件进行排序.而如何对底事件进行有效的排序则成为一个重要且未完全解决的课题.本文提出了一种新的底事件排序法--相邻底事件优先法.其基本思想是利用故障树的相邻关系来给其赋予不同的排序优先级.该排序方法所具备的特点包括:其底事件排序过程是静态的,但在BDD的构造过程中,能动态地对已经排序的底事件进行筛选,同时它还支持在BDD的不同分支采用不同的底事件排序方法.实验证明,与现有的最优方法相比,相邻底事件优先法可有效提高75%的故障树的BDD转化效率.