摘要：网络聚类广泛应用于现实世界的各个领域,受到了越来越多的关注.由于保留了节点和链接关系的异质性,异质信息网络聚类相较于同质网络聚类具有更优的性能.然而,现有基于图神经网络的异质信息网络聚类忽略了节点属性以及拓扑结构对聚类的权重不同的问题.此外,这些方法仅对单一类型的目标节点聚类,而没有考虑其余类型节点的辅助作用.为此,提出了面向异质信息网络的双通道协同聚类算法(B3C),其能够有效地融合节点属性和拓扑结构,并挖掘异质节点间的潜在相关性,从而提高聚类性能.首先,设计了一个简单有效的双通道编码器以聚合拓扑结构及相似矩阵的邻域信息;接着,应用自训练聚类的同时学习异质信息网络表示以及优化聚类分配,并采用协同聚类机制,以对不同类型节点同时聚类;最后,利用三元中心损失(Triplet-Center Loss)学习具有区分度的节点表示,以凝聚相似节点,分离不相似节点.在公开数据集上进行了大量实验,验证了本文提出的双通道编码器性能相较于广泛使用的图神经网络编码器有显著提升,并且B3C精度优于现有的基于学习的异质信息网络聚类方法.

摘要：风电和光伏在配电网中的渗透率逐年提高,其出力的随机性和波动性给配电网的运行和规划带来了巨大的挑战。针对可再生能源输出功率的不确定性问题,提出了基于生成矩匹配网络(generative moment matching network,GMMN)的光伏和风电随机场景生成方法。该方法采用最大平均差异作为生成器的损失函数,并利用自动编码器对生成的随机场景进行降维,以解决高维功率曲线的低维流形问题。根据功率曲线的特征,设计了适用于可再生能源随机场景生成的网络结构,并通过实际数据验证了所提方法的有效性和适应性。仿真结果表明,所提的GMMN不仅能很好地模拟光伏和风功率曲线的形状特征、概率分布特征、波动性以及时空相关性,还具有较好的普适性,仅需调节网络的结构和参数就能应用于不同发电单元的随机场景生成任务。

摘要：为开发直接操作新技术文件系统(NTFS)的程序,并解决NTFS方面开发的技术难题,对磁盘上的具体目录索引B+树结构进行了分析。由于NTFS大目录在磁盘上的存储结构与主文件表和索引缓冲区大小相关,提出了三级大目录的概念,并在此基础上总结了相关文件操作下目录结构的动态变化规律。程序运行结果表明,该分析有效可行,有利于深入了解NTFS文件系统的结构。