课程文献中心 更多>>

关键词： 风电功率预测   混合深度神经网络   图卷积神经网络   双向门控循环单元   注意力机制  

摘要： 风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预测模型。该模型以数值天气预报数据(numerical weather prediction,NWP)和风电功率历史数据作为输入,首先利用皮尔逊相关性分析筛选特征,然后借助残差连接的图卷积神经网络(graph convolutional neural network,GCN)和图学习层挖掘空间特征关系,接着采用双向门控循环单元(bidirectional gated recurrent unit,BiGRU)挖掘历史数据的时序特征,最后引入注意力机制(attentional mechanisms,AM)分配权重,实现风电功率短期预测。以某风电场实测数据为例进行算例分析,实验结果表明,该文方法在单步及多步预测中相比其他方法有更好的预测精度。

关键词： 网络微短剧   价值导向   精品化  

摘要： 作为一种新的网络视听形态,网络微短剧凭借其时长短、沉浸感强的特征和优势,在短时间内迅速吸引观众,形成了爆发式增长。然而,在“流量至上”的逻辑之下,微短剧思维浅薄、内容逼仄、格调低下、审美恶俗等特征逐渐显露出来。网络微短剧只有做到坚持内容为王,加强规范化、精品化意识,不断提升内容品质,才能可持续健康发展。

关键词： 多变量时间序列   异常检测   深度学习   时空信息   图注意力网络  

摘要： 时间序列异常检测在时序任务中属于经典研究领域,并已在学术界和工业界取得了一系列研究成果。针对多变量时间序列数据中蕴含的多角度深层特征和内在复杂依赖关系,提出一种融合时空特征的异常检测模型。该模型采用图注意力网络结构,由时间图模块(T-GAT)和空间图模块(F-GAT)组成。T-GAT构建一种单向加权图,图的边表示时间依赖特性,以此来模拟时间图结构的先验信息并融入图网络中获取时间依赖关系。F-GAT将时间序列转换为以幅值表示的频域序列,通过建立全局双向加权图来模拟多变量之间的关联关系,并通过正则化来维护邻居节点的稀疏性,以此来保证对空间关系的准确捕捉。同时模型引入多维注意力机制确保对不同特征的深层信息进行有效挖掘和利用。由门控循环单元进一步处理时空信息并融合为全面特征,并通过预测值与观测值的差异来判定异常。实验结果表明,该模型以4个公共数据集上优异的F1分数在12个对比模型中实现先进的性能,并在消融实验中证实了同时建模时空关系的先验双图结构模式和注意力机制有效提升了异常检测精度,可以有效地识别时间序列数据中的异常情况。

关键词： 短期负荷预测   Prophet   自组织映射-前馈   神经网络   时间序列  

摘要： 为提高电力系统短期负荷预测精度,充分挖掘历史数据中的多维度信息,更好地克服历史数据缺失带来的不利影响,提出一种基于自组织映射-前馈神经网络和先知混合模型的短期负荷预测方法。首先通过SOM神经网络对历史非功率数据聚类计算得到相似日集合,而后采用相似日数据对BP神经网络进行训练得到单点负荷值预测结果。其次,重点考虑历史数据的周期性和时序变化趋势,基于Prophet时序模型对历史负荷数据进行周期非线性拟合。通过历史数据拟合误差反馈,调整优化模型的关键超参数,最后基于误差倒数法组合得到短期负荷预测结果。以某地区电力负荷数据作为算例验证,结果表明所提的改进预测模型预测精度更高,且在克服历史数据缺失和拟合非工作日负荷曲线等方面具有优势。

关键词： 蔬菜种子技术泄露   故障树分析   贝叶斯网络   模糊集理论   风险评估  

摘要： 蔬菜种子技术泄露风险对我国种业安全与农业可持续发展构成严峻挑战。本研究围绕内部泄密、生物窃取等5类核心风险及24项基本事件,构建故障树模型,解析风险事件的逻辑因果关系,引入模糊集理论量化专家语义评价以确定基本事件先验概率,并将故障树映射为贝叶斯网络,建立静态风险评估模型。通过多维致因分析与概率推理,揭示了风险传导路径与关键致因节点,为蔬菜种子技术泄露风险的主动防控与决策优化提供理论支撑。

关键词： 工程支配网络   结构洞理论   k-shell算法   项目排序  

摘要： 复杂工程包含的项目众多,对项目的重要性进行综合排序,是工程实际决策亟须解决的问题。然而,现有方法忽略了项目之间的联系且分析视角单一,导致排序结果区分度不高。为此,基于复杂工程支配网络,提出结构洞理论视角下的综合项目排序方法。首先,引入结构洞理论,构建项目影响广泛性的度量模型。其次,利用k-shell算法对项目中心度进行重要性评价及层级划分,构建项目的全局重要度评价模型。在此基础上,融合结构洞理论与k-shell算法,提出项目重要性综合排序方法。最后,将该方法应用于算例网络和实际工程,并与其他方法进行了对比分析。结果显示,提出的项目排序方法具有更高的区分度,能够适应项目评价的多维度要求,为复杂工程的决策提供了参考。

关键词： 图像风格迁移   深度学习   卷积神经网络   生成对抗网络  

摘要： 为解决传统深度学习算法处理风格迁移任务时形式单一和局部细节失真的问题,提出了一种基于循环生成对抗网络(Cycle Generative Adversarial Network, Cycle GAN)的照片—素描图像风格迁移方法。该方法在研究人物面部细节特征的基础上对生成器结构进行了改进,通过引入残差结构以减小训练误差同时优化信号,并且残差网络上的恒等映射可使梯度更加平滑。实现了人脸照片—素描风格转换以及可视化测试界面等功能。将改进后的算法与原始Cycle GAN算法进行对比,在成像质量、人脸局部细节处理及风格迁移效果等方面具有优势。

关键词： 网络暴力   热搜榜单   平台治理   舆论操控  

摘要： 文章以数字化社会为背景,探讨社交媒体热搜在网络暴力治理中的角色转变及其影响,目的在于揭示热搜与网络暴力之间的动态关系,并探索治理机制的优化路径。文章首先分析了热搜榜单作为信息聚合与热点展示平台的重要性,指出其在网络暴力事件中的推波助澜作用。随后,文章梳理了热搜平台从“守门人”到“过失者”甚至“施暴者”的角色演变。在此基础上,文章通过案例分析,提出“点名型”“造谣型”“引导型”“细节型”“替罪型”“怀疑型”六种热搜操控策略及风险点,不同类型的热搜操控方式在一定程度上加剧了网络暴力的发生和扩散,进一步强化了舆论场域的不良互动。最后,文章从普及反网暴法规、增强热搜平台治理能力、提升用户媒介素养等方面提出了对策与建议,以期构建健康和谐的网络空间,有效防范和应对网络暴力问题。

关键词： 地震数据去噪   随机噪声   Hard-swish激活函数   DnCNN  

摘要： 地震数据作为油气勘探与开发的重要支撑,在实际应用中往往受到各种噪声的干扰,影响了数据的质量和解释的准确性。本研究旨在改进现有噪声抑制网络(Denoising Convolutional Neural Network,DnCNN),提升其在地震数据随机噪声去除中的能力。在去噪的实验中,我们深入研究了DnCNN的设计和性能影响。通过对比常用的激活函数,包括传统的ReLU和Hardswish,系统性地评估了它们在地震数据去噪中的表现。实验结果表明,Hard-swish构建的HSDnCNN网络在去除地震数据随机噪声方面优于原始DnCNN,并且相较于其他的去噪方法,更有效地抑制了随机噪声。随后,我们将HS-DnCNN应用于实际地震数据的去噪实验,验证了其在实际场景中同样具有良好的适用性。HS-DnCNN在保留并突出有效信号的同时,展现出较好的去噪效果。

关键词： 经济法   网络购物   合法权益  

摘要： 随着我国电商平台的兴起,网络购物逐渐成为消费者的主要消费渠道,网络购物的规模和交易量也在逐年增加,不仅推动了我国快递业和交通物流业的快速发展,而且成了推动我国经济发展的新力量。然而,其在爆火的同时,也逐渐暴露出一些问题,如虚假宣传、商品质量问题、售后服务问题、用户隐私泄露问题以及法律维权问题等,既让网络购物消费者的合法权益得不到保障,也影响了消费者的购买欲望。经济法背景下,消费者合法权益进一步得到保障,如商家为了促进销量进行虚假宣传时,就违背了经济法中的不正当竞争法,消费者可以根据经济法依法向电商平台或者商家进行索赔,以此来保护自己的合法权益。文章基于此,对经济法背景下网络购物消费者如何保护自己的合法权益进行研究,通过分析经济法的相关内容、网络消费者被侵权行为等,提出了如何保护消费者合法权益的对策,以此为网络购物消费者维权提供参考。