检索结果-内蒙古大学图书馆

数据分析与知识发现 2025年第2期9卷 94-105页

作者：王子彤李晨亮武汉大学空天信息安全与可信计算教育部重点实验室武汉430072 武汉大学国家网络安全学院武汉430072

【目的】为更灵活地捕捉交通流数据的时空特征,实现更精确的多变量交通流预测,本文提出一种位置感知时空图卷积网络多变量时间序列预测模型PASTGCN。【方法】将交通流时序数据的空间位置和周期性时间特征表示为显式时空位置嵌入;在时空... 详细信息

【目的】为更灵活地捕捉交通流数据的时空特征,实现更精确的多变量交通流预测,本文提出一种位置感知时空图卷积网络多变量时间序列预测模型PASTGCN。【方法】将交通流时序数据的空间位置和周期性时间特征表示为显式时空位置嵌入;在时空卷积结构基础上,在时间卷积网络中引入空间信息,实现空间感知的时间序列建模。考虑到空间关系的动态变化,使用静态和动态的双重图学习方法捕捉空间依赖。【结果】在两个真实世界交通流数据集上进行实验,结果表明PASTGCN模型能有效预测多变量交通流速,误差对比现有深度学习模型最好可降低1.59%。【局限】实验数据集有限,图学习方法及多次图卷积使算法的时间复杂度较高。【结论】PASTGCN模型能有效利用时空位置信息实现更准确的时空交通流预测。

关键词：时间序列预测图卷积网络时间卷积网络深度学习

来源：评论

学校读者我要写书评

暂无评论

利用可选择多尺度图卷积网络的骨架行为识别

引用

电子与信息学报 2025年第3期47卷 839-849页

作者：曹毅李杰叶培涛王彦雯吕贤海江南大学机械工程学院无锡214122 江南大学江苏省食品先进制造装备技术重点实验室无锡214122

针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其... 详细信息

针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其次,构建成对关节邻接矩阵和多关节邻接矩阵以生成多尺度通道拓扑细化邻接矩阵,并引入图卷积网络,进一步提出多尺度图卷积(MS-GC)模块,以期实现对骨架关节点的多尺度依赖关系的建模;然后,基于多尺度时序卷积和可选择大核网络,提出可选择多尺度时序卷积(SMS-TC)模块,以期实现对有用的时间上下文特征的充分提取,同时结合MS-GC和SMS-TC模块,进而提出可选择多尺度图卷积网络模型并在多支流数据输入下进行训练;最后,在NTU-RGB+D和NTU-RGB+D 120数据集上进行大量实验,实验结果表明,该模型能够捕获更多的关节特征和学习有用的时间信息,具有优异的准确率和泛化能力。

关键词：骨架行为识别图卷积网络多尺度通道拓扑细化邻接矩阵可选择多尺度时序卷积可选择多尺度图卷积网络

来源：评论

学校读者我要写书评

暂无评论

时–空特征驱动的多轮次重构图卷积网络故障诊断方法

引用

控制理论与应用 2025年第1期42卷 149-157页

作者：王庆昕张先杰张海峰钟凯陈宏田韩敏安徽大学计算智能与信号处理教育部重点实验室物质科学与信息技术研究院安徽合肥230601 安徽大学数学科学学院安徽合肥230601 阿尔伯塔大学化学与材料工程系加拿大埃德蒙顿AB T6G 2V4 大连理工大学工业装备智能控制与优化教育部重点实验室辽宁大连116024

近年来,图神经网络被广泛应用于处理具有非欧结构的工业过程数据.然而由于设备运行的过程数据常常受到噪声和冗余信息的干扰,如果直接使用原始信号会导致构建的图模型不够精细和准确,从而影响后续的模型诊断性能.针对这一问题,本文提出... 详细信息

近年来,图神经网络被广泛应用于处理具有非欧结构的工业过程数据.然而由于设备运行的过程数据常常受到噪声和冗余信息的干扰,如果直接使用原始信号会导致构建的图模型不够精细和准确,从而影响后续的模型诊断性能.针对这一问题,本文提出了一种时–空特征驱动的多轮次重构图卷积网络(STMR-GCN)故障诊断方法.该方法首先利用多尺度卷积神经网络与GCN对故障信号进行特征提取.然后根据样本之间的余弦相似性对图结构进行多次重构,重构后的图模型能够更精确地反映样本之间的连边关系,并将得到的图模型输入到GCN进行故障种类的识别.最后,在东南大学(SEU)仿真数据集和真实的磨煤机数据集上进行实验,实验结果表明所提方法与其他对比方法相比诊断精度均有提高,从而证明STMR-GCN模型在故障诊断方面的有效性和实用性.

关键词：故障诊断时空特征多轮次图重构图卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于古今特征融合与图卷积网络的活血药对配伍预测

引用

中国实验方剂学杂志 2025年第8期31卷 228-234页

作者：王晶爱牛琪锴宗文静曾子玲田思玮张思琪赵钰文张华敏霍炳杰李兵中国中医科学院中药研究所道地药材与品质保障全国重点实验室北京100700 中国中医科学院中医基础理论研究所北京100700 河北医科大学第四医院河北省消化道肿瘤中医辨治重点研究室石家庄050010

目的:该研究旨在构建一种基于图卷积网络(GCN)的中药药对配伍预测模型(HC-GCN),该模型融合了传统中药药性和现代药理机制特征以预测具有特定功效的药对配伍,并以活血类中药为示范进行了预测应用和效能验证。方法:通过系统收集常用中药... 详细信息

目的:该研究旨在构建一种基于图卷积网络(GCN)的中药药对配伍预测模型(HC-GCN),该模型融合了传统中药药性和现代药理机制特征以预测具有特定功效的药对配伍,并以活血类中药为示范进行了预测应用和效能验证。方法:通过系统收集常用中药药对及其所包含的中药性味、归经、靶点基因等特征数据,构建药对预测训练数据集。结合中药的传统特质和现代生物信息建立图卷积网络,通过药对配伍复杂关系的机器学习和功效特征的加权方法,构建相应功效导向的药对配伍预测HC-GCN模型。采用准确率(ACC)、召回率(Recall)、精确度(Precision)、F1分数(F1-score)和ROC曲线下面积(AUC)指标评估HC-GCN模型的性能,并与极端梯度提升(XGBoost)、逻辑回归(LR)、朴素贝叶斯(Naive Bayes)、K最近邻(KNN)、支持向量机(SVM)5种机器学习模型的预测效果进行比较分析。结果:以具有活血功效的药对为示范,基于46个活血药对及其中药性味、归经、靶点基因特征的基础数据集构建了预测模型。HC-GCN模型在ACC、Recall、Precision、F1-score和AUC等关键性能指标上均优于其他常用机器学习模型。通过HC-GCN模型的预测分析,成功预测了60个可能具有活血功效的中药药对。在所预测药对配伍中,有44个药对中至少含有1味具有活血功效的中药。结论:该研究通过结合传统中药特质和现代药理机制,建立了基于图卷积网络的功效导向药对配伍预测模型,展现出较高的预测性能,为中药组方智能筛选优化和及其临床应用提供新的方法。

关键词：中药配伍图卷积网络活血功效预测模型临床决策

来源：评论

学校读者我要写书评

暂无评论

基于图卷积网络的配电网碳排放因子计算与分析

引用

中国电机工程学报 2025年

作者：边晓燕刘天蔚李锡瑞高美金俞楚天张利军上海电力大学电气工程学院上海交通大学电子信息与电气工程学院国网浙江省电力有限公司经济技术研究院

碳排放计算是实现“双碳”目标、促进经济绿色转型的基本前提，当前电力系统碳排放计算主要聚焦于输电网。配电网量测信息远少于输电网，如何在配电网现有量测信息下计算碳排放是亟待解决的问题。本文基于图卷积网络（graph convolution... 详细信息

碳排放计算是实现“双碳”目标、促进经济绿色转型的基本前提，当前电力系统碳排放计算主要聚焦于输电网。配电网量测信息远少于输电网，如何在配电网现有量测信息下计算碳排放是亟待解决的问题。本文基于图卷积网络（graph convolutional network，GCN）建立了的配电网量测信息下的碳排放因子计算模型。首先，基于配电网拓扑连接关系与各节点量测数据，构建表征拓扑关系的邻接矩阵和表征节点电碳信息的输入矩阵。其次，通过训练GCN拟合学习碳排放因子计算函数，建立碳排放因子与电碳信息间的映射关系，从而生成配电网各节点碳排放因子数值。算例结果表明，本文所提碳排放因子计算模型的平均绝对误差约为0.0342 kgCO2/（kWh），平均绝对百分比误差约为9.55%，验证了模型的准确性。并基于配电网碳排放流特点对误差较大的节点进行修正，使模型整体平均绝对百分比误差下降约1.54%。最后，研究该模型在网络拓扑变化下的适用性。

关键词：配电网碳排放因子图卷积网络深度学习碳排放流

来源：评论

学校读者我要写书评

暂无评论

SSGCN-混合式图卷积网络:用于三维CAD模型的加工特征识别

引用

机械科学与技术 2025年第1期44卷 30-39页

作者：王洪申王尚旭强会英兰州理工大学机电工程学院兰州730050 兰州交通大学数理学院兰州730070

为解决CAD/CAPP/CAM集成过程中,三维CAD模型加工特征识别问题,提出了一种混合式图卷积网络(Hybrid spectral domain and spatial domain graph convolution networks, SSGCN)的特征识别算法。以三维模型的面为节点,边为节点间的连接关系... 详细信息

为解决CAD/CAPP/CAM集成过程中,三维CAD模型加工特征识别问题,提出了一种混合式图卷积网络(Hybrid spectral domain and spatial domain graph convolution networks, SSGCN)的特征识别算法。以三维模型的面为节点,边为节点间的连接关系,构建图数据结构。提取面的几何属性信息,自定义编码构建节点属性矩阵,作为网络的输入。提取图结构的邻接矩阵、度矩阵等构建混合式图卷积网络。通过Python-OCC相关算法以及布尔运算,设计了一种批量生成带有面标签的加工特征模型数据集算法。使用带有面标签的加工特征模型数据集对网络进行训练,对加工特征模型进行测试,得到很好的识别效果。

关键词： CAD模型图卷积网络加工特征识别邻接矩阵

来源：评论

学校读者我要写书评

暂无评论

基于动态图卷积网络的电梯乘客异常行为数据增强方法

引用

计算机应用 2025年

作者：况世雄姚俊波陆佳炜王琪冰肖刚中国计量大学机电工程学院

目前，因缺乏足够多样化的异常行为数据，电梯乘客异常行为的识别方法存在准确率不高和泛化性能较差的问题。为解决这个问题，提出一种基于动态图卷积网络的行为数据增强框架(DGCN-BA)。首先，构建一种动态图卷积网络，用于捕捉电梯乘... 详细信息

目前，因缺乏足够多样化的异常行为数据，电梯乘客异常行为的识别方法存在准确率不高和泛化性能较差的问题。为解决这个问题，提出一种基于动态图卷积网络的行为数据增强框架(DGCN-BA)。首先，构建一种动态图卷积网络，用于捕捉电梯乘客行为中不同人体关节之间的空间关系和运动关联性。首先，通过利用这些特征进行姿势增强，获取更丰富和合理的姿势序列。其次，利用姿势序列在虚拟电梯场景中构建人物动作，生成大量的电梯乘客异常行为视频数据。最后，为验证DGCNBA的有效性，分别在公开数据集Human3.6M、3DHP、MuPoTS-3D和自建数据集上进行验证。实验结果表明，相较于其他的数据增强方法（如JMDA(Joint Mixing Data Augmentation)、DDPMs(Denoising Diffusion Probabilistic Models)）,DGCN-BA在Human3.6M数据集上的平均MPJPE分别降低了2.9mm和1.5mm，能够更有效地进行姿势估计任务，生成合理多样的异常行为数据，并且明显改善了基于视频的电梯乘客异常行为识别效果。

关键词：图卷积网络数据增强行为识别姿势估计电梯乘客

来源：评论

学校读者我要写书评

暂无评论

基于通道自注意图卷积网络的运动想象脑电分类实验

引用

实验技术与管理 2025年第2期42卷 73-80页

作者：孟明张帅斌高云园佘青山范影乐杭州电子科技大学自动化学院浙江杭州310018

该文将运动想象脑电分类任务设计成应用型教学实验。针对传统图卷积网络(graph convolutional neural networks,GCN)无法建模脑电通道间动态关系问题,提出一种融合通道注意机制的多层图卷积网络模型(channel self-attention multilayer ... 详细信息

该文将运动想象脑电分类任务设计成应用型教学实验。针对传统图卷积网络(graph convolutional neural networks,GCN)无法建模脑电通道间动态关系问题,提出一种融合通道注意机制的多层图卷积网络模型(channel self-attention multilayer GCN,CAMGCN)。首先,CAMGCN计算脑电信号各个通道间的皮尔逊相关系数进行图建模,并通过通道位置编码模块学习通道间关系。然后将得到的时域和频域特征分量通过通道自注意图嵌入模块进行图嵌入,得到图数据。最后通过多级GCN模块提取并融合多层次拓扑信息,得出分类结果。CAMGCN深化了模型在自适应学习通道间动态关系的能力,并在结构方面提高了自注意机制与图数据的适配性。该模型在BCI Competition-Ⅳ2a数据集上的准确率达到83.8%,能够有效实现对运动想象任务的分类。该实验有助于增进学生对于深度学习和脑机接口的理解,培养创新思维,提高科研素质。

关键词：脑机接口脑电图图卷积网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于CEEMDAN和频谱时间图卷积网络的电力负荷预测方法

引用

计算机工程 2025年第4期51卷 339-349页

作者：朱莉夏禹朱春强邓凡西安科技大学计算机科学与技术学院陕西西安710000 西安交通大学电信学部计算机科学与技术学院陕西西安710000 国网陕西省电力公司陕西西安710000

针对电力负荷数据存在非平稳性且传统预测模型不能精确获取时序负荷数据的空间相关性和时间依赖性,导致预测精度低的问题,设计并实现一种基于完全集成经验模式分解的自适应噪声完备性(CEEMDAN)和频谱图卷积网络的电力负荷预测方法。首... 详细信息

针对电力负荷数据存在非平稳性且传统预测模型不能精确获取时序负荷数据的空间相关性和时间依赖性,导致预测精度低的问题,设计并实现一种基于完全集成经验模式分解的自适应噪声完备性(CEEMDAN)和频谱图卷积网络的电力负荷预测方法。首先使用CEEMDAN将目标负荷序列分解为多个本征模态分量(IMF),通过计算模糊熵对IMF进行重构;然后使用频谱时间图卷积网络对重构后分量的空间相关性和时间依赖性进行挖掘,得到各分量的预测结果;最后将各分量的预测结果线性相加得到最终预测结果。实验结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差3个评价指标分别达到了0.72 KW、0.89 KW、0.92%,相较于对比模型StemGnn、TCN、LSTM、Informer、FEDformer,预测精度分别提高了37.9%、17.2%、20.8%、22.5%、12.1%。证明本文所提出的预测方法可以有效降低非平稳性对预测结果的影响,精确获取时序负荷数据的空间相关性和时间依赖性,提高预测精度。

关键词：电力负荷预测经验模态分解本征模态分量图卷积网络模糊熵

来源：评论

学校读者我要写书评

暂无评论

基于扩展时间和时空特征融合图卷积网络的骨架行为识别

引用

计算机工程 2025年第4期51卷 281-292页

作者：徐永刚孙琦炬李凡甲程健维戴佳俊中国矿业大学信息与控制工程学院江苏徐州221116 徐州工程学院信息工程学院(大数据学院) 江苏徐州221000 中国矿业大学安全工程学院江苏徐州221116

在基于骨架的人体行为识别领域,图卷积网络(GCN)在近年来取得了很大的进展,但现有GCN大多将时间卷积和空间卷积简单串联,导致时空特征融合效果不佳。另外,现有模型还存在无法高效提取时间特征的问题。为此,提出扩展时间和时空特征融合... 详细信息

在基于骨架的人体行为识别领域,图卷积网络(GCN)在近年来取得了很大的进展,但现有GCN大多将时间卷积和空间卷积简单串联,导致时空特征融合效果不佳。另外,现有模型还存在无法高效提取时间特征的问题。为此,提出扩展时间和时空特征融合图卷积网络(ETFF-GCN)。该网络采用通道聚合的方法对动态空间拓扑和时序特征进行一次融合,然后运用注意力机制进行二次融合,进一步增强融合效果。在此基础上,为了全面提取时序特征,采用多个不同大小的卷积核构建时域图卷积,以提取多尺度和多粒度的时间特征,并引入有效压缩激励模块进行特征增强,提升特征表达能力。在3个大型数据集上对所提出的方法进行评估,实验结果表明,该方法的性能优于现有的方法。

关键词：人体骨架行为识别图卷积网络时空特征融合注意力机制扩展时间

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：