检索结果-内蒙古大学图书馆

南京大学学报（自然科学版） 2021年第6期57卷 1042-1052页

作者：邵世宽张宏钧肖钦锋王晶刘晓辉林友芳北京交通大学计算机与信息技术学院北京100044 交通数据分析与挖掘北京市重点实验室北京交通大学北京100044 中国民航信息网络股份有限公司北京100010 民航旅客服务智能化应用技术重点实验室北京100010

时间序列异常检测是类别不均衡问题,异常现象少有发生,所以获取异常标签的成本高昂,因此基于无监督学习的时间序列异常检测方法更具有实用价值.然而,现有的时间序列异常检测方法存在三个缺陷:难以对复杂的时间序列进行建模、缺乏合理的... 详细信息

时间序列异常检测是类别不均衡问题,异常现象少有发生,所以获取异常标签的成本高昂,因此基于无监督学习的时间序列异常检测方法更具有实用价值.然而,现有的时间序列异常检测方法存在三个缺陷:难以对复杂的时间序列进行建模、缺乏合理的缺失值处理机制和无法利用先验知识(例如少量的有标签异常).为了解决以上问题,提出一种基于生成对抗神经网络和自编码器的无监督时间序列异常检测模型SALAD(Stochastic Adversarial Learned Anomaly Detection).在原始空间结合生成对抗网络和自编码器网络并充分利用判别损失和绝对损失来完成数据重构;在隐空间中,为了使学习自编码器中的隐变量更紧凑地表示原始数据分布,引入生成对抗网络来约束隐变量的收敛,使其更接近先验分布;在训练过程中引入数据补全方法是一种更合理的缺失值处理机制;提出对比重构损失使SALAD能充分利用少量的有标签异常数据.在数据集上进行大量实验,结果表明,在完全无监督和使用部分异常标签的情形下,提出的模型的F1分数和现有的基线方法相比有明显的提升.

关键词：时间序列异常检测自编码器生成对抗神经网络无监督学习

来源：评论

学校读者我要写书评

暂无评论

一种基于射频指纹的电力物联网设备身份识别方法

引用

中国电力 2021年第3期54卷 80-88页

作者：刘铭刘念韩晓艺彭林宁付华陈一悰北京交通大学计算机与信息技术学院(交通数据分析与挖掘北京市重点实验室) 北京100044 东南大学网络空间安全学院江苏南京210096 国网陕西省电力公司电力科学研究院陕西西安710054

由于通信媒介的开放性,电力物联网设备的无线通信过程面临着信息安全风险。提出使用无线设备固有的射频指纹作为物联网设备身份识别的依据,并利用深度学习技术实现双向设备身份识别,以增强无线接入阶段的安全性。该方法采用边缘计算的思... 详细信息

由于通信媒介的开放性,电力物联网设备的无线通信过程面临着信息安全风险。提出使用无线设备固有的射频指纹作为物联网设备身份识别的依据,并利用深度学习技术实现双向设备身份识别,以增强无线接入阶段的安全性。该方法采用边缘计算的思路,利用通信信道双向的互易性,将物联网终端设备需要完成的基站身份学习任务转移到基站处完成,降低了对于物联网设备算力、存储、能耗等方面的需求,适用于物联网应用场景。实验结果表明,该方法能够达到良好的设备身份识别性能。

关键词：电力物联网射频指纹无线接入安全信道互易设备身份识别

来源：评论

学校读者我要写书评

暂无评论

一种融合社交关系的矩阵分解推荐模型

引用

计算机工程 2020年第8期46卷 72-77,84页

作者：吴清春贾彩燕北京交通大学计算机与信息技术学院北京100044 北京交通大学交通数据分析与挖掘北京市重点实验室北京100044

推荐系统可以有效解决信息过载问题,为用户提供个性化的推荐服务。然而在评分矩阵稀疏的情况下,仅通过分析用户项目评分矩阵来生成预测结果的传统模型效果较差。针对该问题,利用用户评分以及用户社会信任关系两部分信息计算用户相似度,... 详细信息

推荐系统可以有效解决信息过载问题,为用户提供个性化的推荐服务。然而在评分矩阵稀疏的情况下,仅通过分析用户项目评分矩阵来生成预测结果的传统模型效果较差。针对该问题,利用用户评分以及用户社会信任关系两部分信息计算用户相似度,提出一种融合社交关系的矩阵分解型推荐模型SoRegIM。通过挖掘社交网络中用户的拓扑关系,利用目标用户的直接邻居与间接邻居信息构建加权社会信任网络,在充分使用用户社交关系信息的同时减少冗余的社交噪声。基于公开数据集的实验结果表明,与SoReg、SocialMF等7种经典模型相比,SoRegIM能够有效提高推荐准确性,且对于稀疏数据的提升效果明显。

关键词：社交网络推荐系统拓扑关系信任网络矩阵分解

来源：评论

学校读者我要写书评

暂无评论

面向交通流量预测的时空超关系图卷积网络

引用

计算机应用 2021年第12期41卷 3578-3584页

作者：张永凯武志昊林友芳赵苡积北京交通大学计算机与信息技术学院北京100044 交通数据分析与挖掘北京市重点实验室(北京交通大学) 北京100044 中国民用航空局民航旅客服务智能化应用技术重点实验室北京100105

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象(如站点、传感器)之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通... 详细信息

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象(如站点、传感器)之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题,首先提出一种新颖的时空超图建模方案,通过构造一种时空超关系来全面地建模复杂的局部时空关系;然后提出一种时空超关系图卷积网络(STHGCN)预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验,结果表明,相比ASTGCN、时空同步图卷积网络(STSGCN)等时空预测模型,STHGCN在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)这三个评价指标上均取得了更优的结果,不同模型运行时间的对比结果也表明,STHGCN有着更高的推理速度。

关键词：交通流量预测局部时空关系时空图预测超图时空超关系

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征提取与挤压激励模型的运动想象分类方法

引用

计算机研究与发展 2020年第12期57卷 2481-2489页

作者：贾子钰林友芳刘天航杨凯昕张鑫旺王晶北京交通大学计算机与信息技术学院北京100044 交通数据分析与挖掘北京市重点实验室(北京交通大学) 北京100044 民航旅客服务智能化应用技术重点实验室(中国民用航空局) 北京100044

基于运动想象的脑机接口技术能够建立大脑与外界之间的联系,逐渐成为人机混合增强智能的重要应用,并广泛应用于医学康复治疗等领域.由于脑电信号具有非线性、非平稳和低信噪比等特点,使得准确的分类运动想象脑电信号具有很大挑战.为此,... 详细信息

基于运动想象的脑机接口技术能够建立大脑与外界之间的联系,逐渐成为人机混合增强智能的重要应用,并广泛应用于医学康复治疗等领域.由于脑电信号具有非线性、非平稳和低信噪比等特点,使得准确的分类运动想象脑电信号具有很大挑战.为此,提出一种新颖的多尺度特征提取与挤压激励模型对运动想象脑电信号进行高精度分类.首先,基于多尺度卷积模块自动提取原始脑电信号的时域、频域和时频域特征;然后,使用残差模块和挤压激励模块分别进行特征的融合和选择;最后,利用全连接网络层进行运动想象脑电信号的分类.实验在2个公开的脑机接口竞赛数据集上进行分析,结果表明该模型与现有先进模型相比,有效地提升了运动想象脑电信号的识别效果,在2个数据集上分别取得了78.0%和82.5%的平均准确度,该模型可以在脑电通道较少的情况下有效地分类脑电信号且无需手动设计特征,具有较高的应用价值.

关键词：运动想象挤压激励模型脑电信号脑机接口多尺度卷积

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的睡眠分期模型

引用

浙江大学学报（工学版） 2020年第10期54卷 1899-1905页

作者：贾子钰林友芳张宏钧王晶北京交通大学计算机与信息技术学院北京100044 北京交通大学交通数据分析与挖掘北京市重点实验室北京100044 中国民用航空局民航旅客服务智能化应用技术重点实验室北京100105

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型.在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于... 详细信息

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型.在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期.利用生成少数类过采样技术(SMOTE)减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化.实验使用Sleep-EDF数据集的原始单导脑电信号(Fpz-Cz通道)对模型进行20折交叉验证,得到总体精度和宏F1分别为86.73%和81.70%.提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.

关键词：睡眠分期脑电信号深度学习卷积神经网络(CNN)

来源：评论

学校读者我要写书评

暂无评论

上行非正交多址系统中用户分组方案的优化

引用

现代计算机 2021年第22期27卷 47-54页

作者：张军霞程慈航张天壮北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室北京100044

随着第五代(5G)移动通信中对用户数据率,接入量和能效的不断增长的更高需求,非正交多址接入(NOMA)技术因其在频谱方面的优势而备受关注。为了提高NOMA系统的并发用户量以及降低系统能耗,面向单小区多用户混合NOMA(H-NOMA)系统的上行功... 详细信息

随着第五代(5G)移动通信中对用户数据率,接入量和能效的不断增长的更高需求,非正交多址接入(NOMA)技术因其在频谱方面的优势而备受关注。为了提高NOMA系统的并发用户量以及降低系统能耗,面向单小区多用户混合NOMA(H-NOMA)系统的上行功率最小化问题,研究了用户分组方案的优化,提出了联合功率分配的最优分组算法以及基于上行传输信道特性的启发式分组算法,以及组内的最优解调顺序。在功率控制中,基于最小数据率约束推导了组内最小功率的闭式解。仿真结果证明,所提出的优化方案在能耗和能效等方面均能达到较高的性能。

关键词：上行NOMA系统用户分组解调顺序功率分配

来源：评论

学校读者我要写书评

暂无评论

一种基于反向多维拍卖模型的联邦学习激励机制

引用

新型工业化 2022年第5期12卷 236-244页

作者：郭英芸高博卢宇平张煜熊轲北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室智能高速铁路系统前沿科学中心国网能源研究院有限公司

与集中式机器学习方式相比，联邦学习（Federated Learning,FL）能在打通数据孤岛的同时兼顾保护数据隐私。为了解决资源受限的联邦学习中用户自私问题，本文提出了一种基于反向多维拍卖的激励机制IMRMA(Incentive Mechanism based on R... 详细信息

与集中式机器学习方式相比，联邦学习（Federated Learning,FL）能在打通数据孤岛的同时兼顾保护数据隐私。为了解决资源受限的联邦学习中用户自私问题，本文提出了一种基于反向多维拍卖的激励机制IMRMA(Incentive Mechanism based on Reverse Multi-dimensional Auction)。IMRMA通过建立服务器与用户间的博弈定价模型，引入带宽分配以充分利用有限的网络资源，达到提升训练质量的目标。IMRMA方案能同时保证个体理性、激励相容性和计算高效性。仿真实验表明IMRMA有效地提升了模型学习的精度和效率。

关键词：联邦学习激励机制带宽分配反向多维拍卖

来源：评论

学校读者我要写书评

暂无评论

一种度修正的属性网络随机块模型

引用

计算机研究与发展 2020年第8期57卷 1650-1662页

作者：郑忆美贾彩燕常振海李轩涯北京交通大学计算机与信息技术学院北京100044 交通数据分析与挖掘北京市重点实验室(北京交通大学) 北京100044 天水师范学院数学与统计学院甘肃天水741000 百度在线网络技术(北京)有限公司北京100085

社区检测是复杂网络分析中的重要任务,现有的社区检测方法多侧重于利用单纯的网络结构,而融合节点属性的方法也主要针对传统的社区结构,不能检测网络中的二部图结构、混合结构等情况.此外,网络中每个节点的度会影响网络中链接的构成,同... 详细信息

社区检测是复杂网络分析中的重要任务,现有的社区检测方法多侧重于利用单纯的网络结构,而融合节点属性的方法也主要针对传统的社区结构,不能检测网络中的二部图结构、混合结构等情况.此外,网络中每个节点的度会影响网络中链接的构成,同样会影响社区结构的分布.因此,提出一种基于随机块模型的属性网络社区检测方法DPSB_PG.不同于其他属性网络中的生成式模型,该方法中节点链接和节点属性的产生均服从泊松分布,并基于随机块模型考虑社区间相连接的概率,重点在节点链接的生成过程中融合度修正的思想,最后利用期望最大化EM算法推断模型中的参数,得到网络中节点的社区隶属度.真实网络上的实验结果显示:模型继承了随机块模型的优点,能够检测网络中的广义社区结构,且由于度修正的引入,具有很好的数据拟合能力,因此在属性网络与非属性网络社区检测性能上优于其他现有相关算法.

关键词：度修正泊松分布随机块模型广义结构属性网络

来源：评论

学校读者我要写书评

暂无评论

面向自然语言推理的基于截断高斯距离的自注意力机制

引用

计算机科学 2020年第4期47卷 178-183页

作者：张鹏飞李冠宇贾彩燕北京交通大学计算机与信息技术学院北京100044 北京交通大学交通数据分析与挖掘北京市重点实验室北京100044

在自然语言理解任务中,注意力机制由于可以有效捕获词在上下文语境中的重要程度并提高自然语言理解任务的有效性而受到了人们的普遍关注。基于注意力机制的非递归深度网络Transformer,不仅以非常少的参数和训练时间取得了机器翻译学习... 详细信息

在自然语言理解任务中,注意力机制由于可以有效捕获词在上下文语境中的重要程度并提高自然语言理解任务的有效性而受到了人们的普遍关注。基于注意力机制的非递归深度网络Transformer,不仅以非常少的参数和训练时间取得了机器翻译学习任务的最优性能,还在自然语言推理(Gaussian-Transformer)、词表示学习(Bert)等任务中取得了令人瞩目的成绩。目前Gaussian-Transformer已成为自然语言推理任务性能最好的方法之一。然而,在Transformer中引入Gaussian先验分布对词的位置信息进行编码,虽然可以大大提升邻近词的重要程度,但由于Gaussian分布中非邻近词的重要性会快速趋向于0,对当前词的表示有重要作用的非邻近词的影响会随着距离的加深消失殆尽。因此,文中面向自然语言推理任务,提出了一种基于截断高斯距离分布的自注意力机制,该方法不仅可以凸显邻近词的重要性,还可以保留对当前词表示具有重要作用的非邻近词的信息。在自然语言推理基准数据集SNLI和MultiNLI上的实验结果证实,截断高斯距离分布自注意力机制能够更有效地提取句子中词语的相对位置信息。

关键词：自然语言推理自注意力机制距离掩码截断高斯掩码

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：