摘要：近年来,图卷积网络(Graph Convolutional Network,GCN)凭借其简单的网络结构、在图上任务中展现出的优异性能,受到了学术界和工业界的广泛关注.然而GCN也存在着在浅层时信息传播范围过小、特征提取不充分的缺陷.针对这一问题,本研究提出附加特征图模型(Additional Feature Graph,AFG).AFG通过引入图的节点结构特征(度特征),对度相同的节点随机增加连边、缩短信息传播距离.AFG并不是独立的图神经网络模型,而是作为一种附加技术与GCN及其相关模型配合使用.实验显示,在Cora、Citeseer、Pubmed数据集上AFG能够对浅层主干模型实现显著性能增益,帮助主干模型性能超越了其他以提升模型特征提取能力、改善欠传播情况为目的进行设计的模型.本研究进一步分析了AFG与DropEdge——一种随机切断原始图连边的附加技术——的区别与联系,并通过实验证明附加特征图模型与DropEdge模型共同使用的可行性,以及两者间存在一定的互补性.结合使用两种附加技术可以实现更大的节点分类准确度增益.

摘要：在包分类技术研究中,设计高效的索引结构以实现数据包的快速匹配是有效包分类的关键。因此,为了提升基于哈希方法的包分类算法的存储效率,解决规则存储映射不均匀、易产生大量哈希冲突的问题,设计了一种规则存储匹配模型。该模型可实现更均匀的规则存储映射,进而提升分类子集内规则的存储效率。基于该模型,提出了一种包分类算法。该算法首先利用前缀长度压缩算法将规则集划分为多个子集,再为每个子集设置相同的存储结构。该存储结构包括标识信息处理单元、数据索引模型单元和规则查询匹配单元,其中数据索引模型单元包含了规则存储匹配模型,可实现子集内部规则的高效映射与存储,进而提升包分类的整体性能。实验表明,相比于现有算法,该算法的分类吞吐量平均提升1倍、存储消耗平均减少约20%、更新速度平均提升3倍,规则映射的均匀程度也有所提升。

摘要：针对一类带有全状态约束和执行器故障的非线性系统,提出一种具有指定性能的自适应神经网络输出反馈容错控制方案。首先,建立状态观测器估计系统中的不可测状态,利用径向基神经网络(RBF NNs)逼近系统中的未知非线性函数。其次,引入非线性映射将状态约束系统转化为一个没有约束的新系统。然后,采用新的性能函数,不仅能使跟踪误差在预先设定的时间内收敛,还可以利用设计参数改变误差的收敛速度。最后证明,该控制方法能够保证闭环系统中所有信号都是半全局一致最终有界的,并通过一个数值仿真验证该方法的有效性。