摘要：图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

摘要：针对目前人工智能专业课程思政建设中存在的问题,分析实践教学思政教育的核心元素和思政案例设计原则,提出产科教融合驱动的思政案例设计方法,构建实践能力和思政育人的综合评价机制,以“人工智能助力智慧化城市治理”为例,介绍基于对分课堂法和线上线下混合教学模式的实践教学过程设计,推进该专业实践教学的思政案例建设取得良好成效。

摘要：在半监督网络表示学习中,节点标签对于网络在不同空间中映射关系的建立具有重要指导意义。然而在很多实际任务中,可用标签信息往往比较有限或难以获取,这导致在学习网络低维表示的过程中无法提供充分有效的监督。针对这一问题,提出了一种双通道半监督网络表示学习模型,该模型以自编码器为基本框架,由自监督和半监督两个信息传递通道构成。自监督信号与标签信息分别在两个通道中对网络表示映射关系的建立提供指导,同时二者之间形成信息互补与增强。考虑到两个通道间可能存在信息冗余,在互信息视角下设计了冗余识别与消除机制。在此基础上,构造了一体化优化模型,实现自监督学习与半监督学习的协同,使学习到的网络表示更好地捕捉和保持网络的结构和特性。在真实数据集上的实验结果表明,提出的模型学习的网络表示在节点分类、聚类和可视化等任务中能够获得优于基线方法的性能。

摘要：基于搜索密度峰值的聚类思想,设计了一种网络节点的中心性度量模型,并提出了一种重叠社区发现算法.首先,定义了网络节点的内聚度和分离度,分别用于描述网络社区内部连接稠密和外部连接稀疏的结构特征,在此基础上计算节点的中心性度量表达节点对社区结构的影响力.接着,利用3δ法则选择中心度异常大的节点作为社区中心.以隶属度表达社区间的重叠特性,并给出了非中心节点的隶属度迭代计算方法,将各节点分配到其可能隶属的网络社区,以实现重叠社区划分.最后,利用人工网络和真实网络对提出的重叠社区发现算法进行验证,实验结果表明:该算法在社区发现质量和计算效率方面都优于许多已有重叠社区发现算法.

摘要：针对聚类集成中一致性函数设计问题,本文提出一种深度自监督聚类集成算法。该算法首先根据基聚类划分结果采用加权连通三元组算法计算样本之间的相似度矩阵,基于相似度矩阵表达邻接关系,将基聚类由特征空间中的数据表示变换至图数据表示;在此基础上,基聚类的一致性集成问题被转化为对基聚类图数据表示的图聚类问题。为此,本文利用图神经网络构造自监督聚类集成模型,一方面采用图自动编码器学习图的低维嵌入,依据低维嵌入似然分布估计聚类集成的目标分布;另一方面利用聚类集成目标对低维嵌入过程进行指导,确保模型获得的图低维嵌入与聚类集成结果是一致最优的。在大量数据集上进行了仿真实验,结果表明本文算法相比HGPA、CSPA和MCLA等算法可以进一步提高聚类集成结果的准确性。

摘要：提出一种自主式水下航行器(autonomous underwater vehicle,AUV)近水面悬浮解耦控制算法。在系统解耦的基础上通过两套独立的执行机构(水舱)分别实现AUV近水面悬浮时深度和纵倾角度控制。对海洋环境因素进行干扰力建模,在考虑各种环境干扰力作用的情况下通过仿真测试控制器性能,并与之前的仿真结果进行对比。定性地分析海洋环境要素对AUV运动控制器性能的影响,讨论在AUV控制器设计中考虑环境要素变化的必要性。仿真实验证明,提出的AUV悬浮解耦控制器在单纯考虑波浪干扰的情况下能够取得令人满意的控制效果。

摘要：实现自主导航是AUV发展与应用需要解决的关键技术之一,针对这个问题设计了一种基于同步定位与地图创建的自主式水下导航系统,使用扩展卡尔曼滤波作为滤波框架,对系统状态模型、系统观测模型、数据关联、状态估计过程以及新特征加入等问题进行了讨论。该系统相比惯性导航系统精度显著提高,同时能够获得精确可靠的环境地图,为实现AUV自主导航提供了一种有效途径。