异质图是由不同类型节点及边构成的图,可建模现实世界中各种类型对象及其关系。异质图嵌入旨在捕捉图中丰富的属性、结构和语义等信息,学习节点嵌入向量,用于节点分类、链接预测等任务,进而实现用户识别、商品推荐等应用。在异质图嵌入方法中,元路径通常被用来获取节点间的高阶结构和语义信息,然而现有方法忽略了元路径实例中不同类型节点或异质图中不同类型邻居节点的差异,导致信息丢失,进而影响节点嵌入质量。针对上述问题,提出基于数据增强的异质图注意力网络(Heterogeneous graph Attention Network based on Data Augmentation,HANDA),以更好地学习节点嵌入向量。首先,提出基于元路径邻居的边增强。该方法基于元路径获取节点的元路径邻居,用节点及其元路径邻居形成的语义边增强异质图。这些增强边不仅蕴含了节点间的高阶结构和语义,还缓解了异质图的稀疏性。其次,提出融入节点类型注意力的节点嵌入。该方法采用多头注意力从多个角度学习不同直接边邻居及增强边邻居的重要性并在注意力中融入节点的类型信息,进而通过消息传递、直接边邻居及增强边邻居同时获取节点的属性、高阶结构和语义信息,提升了节点嵌入质量。在真实数据集上的实验验证了HANDA模型在节点分类、链接预测任务上的效果优于基准模型。
针对锡化反应过程本身的非线性、不确定性和滞后性，难以实现反应釜中温度的精准控制，提出了一种基于学习网络的锡化反应过程温度预测控制方法。首先，设计了一种基于贝叶斯优化长短期记忆（Bayesian Optimised Long Short-Term Memory...
详细信息
针对锡化反应过程本身的非线性、不确定性和滞后性，难以实现反应釜中温度的精准控制，提出了一种基于学习网络的锡化反应过程温度预测控制方法。首先，设计了一种基于贝叶斯优化长短期记忆（Bayesian Optimised Long Short-Term Memory，BO-LSTM）的温度预测模型，该模型通过最小化目标函数得到最优超参数组合，提高了BO-LSTM的预测精度。其次，引入梯度下降法处理在线优化问题，得到最优控制律。此外，从理论方面给出了BO-LSTM-MPC的稳定性证明，以保证所提方法在实际应用中的可行性。最后，利用实际的工厂数据进行实验验证，实验表明，所提出的控制方法能够实现锡化反应过程中温度的稳定高效控制。
暂无评论