航天控制软件知识图谱构建方法研究 #br#

摘要： 近些年，知识图谱构建技术快速发展，但对于领域知识图谱构建的研究还处于起步阶段.知识图谱的构建主要包括自顶向下、自底向上两种方法.当前大多采用自顶向下的方法进行领域知识图谱的构造，首先构建本体，然后通过本体学习得到实体，再将实体加入到知识图谱中.但这种做法有一个缺点，本体学习的过程过分依赖人工，不支持构建专业性强、数据量大的领域知识图谱.针对这一缺点，本文提出一种自顶向下和自底向上法相结合的领域知识图谱构建方法.提出一种改进的骨架法来进行本体构建，保证构建本体的准确率和覆盖率；利用基于规则与半监督的知识抽取技术，提高知识图谱的构建速度；并以某航天控制软件为例，详细说明了领域知识图谱的整体构建流程.实验结果表明，该领域知识图谱的构建方法是可行的.     

基于变分推理的网络舆情传播模式分类

随着网络社交媒体的快速发展，对舆情信息的传播模式进行分析成为研究热点。针对网络舆情传播模式分类任务中，小样本数据多路径生成分类正确率低的问题，提出了舆情传播领域知识图谱结构定义，建立了基于微博数据的舆情传播知识图谱与舆情传播分析任务数据集，使用GraphDIVA模型进行舆情传播模式分类，并在自建数据集中进行了舆情传播模式分类25样本测试实验。结果表明:模型在经过20轮训练后，分类正确率从76%提升到89.4%，说明GraphDIVA模型在减少训练次数、提升分类正确率方面具有更优的效果。      

基于知识图谱和自动机器学习的软件缺陷预测

不稳定和召回率低效的软件缺陷预测模型难以在行业领域应用,为解决稳定和高效各项性能评价指标的软件缺陷预测模型在工程实践应用的问题,提出了一种基于知识图谱和自动化机器学习的软件缺陷预测方法AutoKGGAS,首先获取软件缺陷预测模型数据,对知识建模、知识获取、知识融合、知识储存与知识计算等知识图谱构建技术研究,实现知识图谱推荐优质软件缺陷预测模型作为自动化搜索的热启动输入条件,根据不同的软件缺陷预测评价指标,优化不同最佳的模型结构.其次实证研究采用NASA开源数据集实验对象和六种性能评价指标,实验结果表明, AutoKGGAS自动化软件缺陷预测模型在不同数据集不同评价指标方面,性能优于知识图谱推荐的传统经典软件缺陷预测模型.自动化软件缺陷预测模型为航天软件缺陷预测辅助代码审查测试提供了原型,在工程实践应用方面具有重要的意义.     

基于时空注意力机制的新冠肺炎疫情预测模型

新冠肺炎疫情持续蔓延给人类社会带来深远影响，准确预测各地区的病毒传播趋势对防控疫情而言至关重要。现有研究主要基于传统的时序预测模型和传染病模型，鲜有考虑疫情地区关联复杂和时序依赖性强的特点，限制了其疫情预测的性能。为此，针对新冠肺炎疫情的预测任务，提出了一种时空注意力驱动的自编码器框架。通过引入空间注意力机制捕捉病毒感染序列间的动态空间关联性，利用时间注意力机制挖掘病毒感染序列中复杂的时序依赖性，以此实现对不同地区的新冠肺炎病毒传播趋势的准确预测。在模型的编码器端，融合空间注意力机制的长短期记忆(LSTM)网络，关联目标地区与其他地区的病毒感染序列，提取该区域近期新冠肺炎疫情的时序特征。在模型的解码器端，将时间注意力机制引入基于LSTM网络的解码器中，通过捕捉病毒感染序列的时序依赖性推测未来的新冠肺炎疫情趋势变化。在多个公开的新冠肺炎疫情数据集上对所提模型进行验证，实验结果表明:所提模型的预测性能超越了LSTM等模型；在公开的欧洲部分国家新冠肺炎疫情数据集上，预测误差指标RMSE和MAE分别降低了22.3%和25.0%，在中国部分省级单位新冠肺炎疫情数据集上，RMSE和MAE分别降低了10.1%和10.4%。      

基于Transformer模型的滚动轴承剩余使用寿命预测方法

准确的滚动轴承剩余使用寿命(RUL)预测对保证机械安全运行和减小维修损失起着至关重要的作用。为提高滚动轴承RUL预测准确率，提出一种基于Transformer模型的轴承RUL预测方法，充分利用其自注意力机制与编码器-解码器结构的优势，解决轴承RUL预测中序列过长而导致的记忆力退化问题，挖掘出输入特征与轴承RUL之间复杂映射关系。同时，采用三角函数变换与累积变换来修正输入特征的单调性与趋势性，使其能更好地表征滚动轴承的退化过程。在PHM2012数据集上的实验结果表明：所提方法相比于对比方法平均绝对误差分别降低了9.25%、28.63%、34.14%，平均得分分别提高了2.78%、19.79%、29.38%；在XJTU-SY数据集上的实验结果表明，所提方法相比于对比方法均方根误差降低了17.4%，平均得分提高了18.6%，进一步证明了其可行性与优越性。     

基于图对比的上下位关系检测

上下位关系是自然语言处理(NLP)下游任务的基础，因此上下位关系检测是自然语言处理领域备受关注的问题。针对现有词嵌入方法采用随机初始化词向量，不能很好地捕获上下位关系不对称和可传递的特性，且现有模型没有充分利用预测向量与真实投影之间关系的局限性，提出了一种基于图对比学习的上下位关系检测(HyperCL)方法。引入图对比学习进行数据增强，基于最大化局部和全局表示的互信息，学习具有鲁棒性的词特征表示。所提方法学习了将下位词的词向量投影到上位词和非上位词，同时能够更好地区分嵌入空间中的上位词和非上位词，从而提高了检测精度。在2个基准数据集上的实验结果表明，所提模型比现有方法在准确率上提升了0.03以上。      

基于图对比学习的稳健交通流量预测

作为智能交通系统的核心技术,稳健的交通流量预测是一个长期存在但具有挑战的任务。不论是工业界还是学术界,现有模型需要大量训练数据、易受数据噪声影响而表现不稳健,是限制该领域发展与实际应用落地的重要因素。而在学术界,图对比学习可以通过数据增强与对比损失来降低数据需求量,同时提升模型抵抗数据噪声的能力。提出一种交通流量图对比学习(TFGCL)框架,用于稳健的交通流量预测。TFGCL框架有3个创新点：针对交通流量图(TFG)数据的独特时空特性,TFGCL框架从时间和空间2个角度出发,提出3种TFG数据增强方法。针对TFG数据中语义相似的假负样本,提出一个过滤策略使TFGCL框架能够免受其干扰,从而学习到高质量的表征。TFGCL框架通过联合交通流量预测任务和图对比学习任务进行同时训练。在3个真实交通数据集上与8个基线模型进行对比实验,结果表明：TFGCL框架的预测性能更为稳健,较最优基线模型最高提升6.24%,TFGCL框架的稳健性尤其体现在数据缺失较为明显的数据集和长时交通流量预测任务中。     

基于三元组网络的单图三维模型检索

随着媒体数据的多样化发展，联合图像与三维模型的跨域检索成为三维模型检索问题的一个新挑战。针对图像与三维模型差异大、难匹配问题，提出了一种基于三元组网络的跨域数据检索方法。以端到端的方式构建真实图像与三维模型的特征联合嵌入空间，通过特征间的距离度量不同模态数据之间的相似性，实现从单张图像检索相似的三维模型。为了提高跨域检索准确度，将三维模型用一组顺序视图表示，结合门控循环单元（GRU）聚合视图级特征，同时引入注意力机制提取图像特征，缩小真实图像与投影视图间的语义差异。实验结果表明:相比于同类方法，所提方法在两个跨域数据集上的检索平均准确率至少提升2.98%~3.05%。      

自注意力相似度迁移跨模态哈希网络

为进一步提升跨模态检索性能,提出自注意力相似度迁移跨模态哈希网络模型。设计了一种通道空间混合自注意力机制强化关注图像的关键信息,并使用共同注意力方法加强模态信息交互,提高特征学习质量;为在哈希空间重构相似关系,采用迁移学习的方法利用实值空间相似度引导哈希码的生成。在3个常用的数据集MIRFLICKR-25K、IAPR TC-12和MSCOCO上与深度跨模态哈希（DCMH）、成对关系引导的深度哈希（PRDH）、跨模态汉明哈希（CMHH）等优秀方法进行对比实验,结果显示哈希码长度为64 bit的条件下,所提模型在3个数据集图像检索文本任务的平均精确度均值（MAP）达到72.3%,文本检索图像任务的MAP达到70%,高于对比方法。     

基于EM自注意力残差的图像超分辨率重建网络

基于深度学习的图像超分辨率(SR)重建方法主要通过增加模型的深度来提升图像重建的质量,但同时增加了模型的计算代价,很多网络利用注意力机制来提高特征提取能力,但难以充分学习到不同区域的特征。为此,提出一种基于期望最大化(EM)自注意力残差的图像超分辨率重建网络。该网络通过改进基础残差块,构建特征增强残差块,以更好地复用残差块中所提取的特征。为增加特征信息在空间上的相关性,引入EM自注意力机制,构建EM自注意力残差模块来增强模型中每个模块的特征提取能力,并通过级联EM自注意力残差模块来构建整个模型的特征提取结构。所获得的特征图通过上采样的图像重建模块获得重建的高分辨率图像。将所提方法与主流方法进行实验对比,结果表明：所提方法在5个流行的SR测试集上能够取得较好的主观视觉效果和更优的性能指标。     

自适应短文本关键词生成模型

关键词抽取对文本处理影响较大，其识别的准确度及流畅程度是任务的关键。为有效缓解短文本关键词提取过程中词划分不准确、关键词与文本主题不匹配、多语言混合等难题，提出了一种基于图到序列学习模型的自适应短文本关键词生成模型ADGCN。模型采用图神经网络与注意力机制相结合的方式作为对文本信息特征提取的编码框架，针对词的位置特征和语境特征编码，解决了短文本结构不规律和词之间存在关联复杂信息的问题。同时采用了一种线性解码方案，生成了可解释的关键词。在解决问题的过程中，从某社交平台收集并公布了一个标签数据集，其包括社交平台发文文本和话题标签。实验中，从用户需求角度出发对模型结果的相关性、信息量、连贯性进行评估和分析，所提模型不仅可以生成符合短文本主题的关键词，还可以有效缓解数据扰动对模型的影响。所提模型在公开数据集KP20k上仍表现良好，具有较好的可移植性      

基于时空图卷积网络的无人机网络入侵检测方法

无人机网络相比地面网络具有节点快速移动、拓扑结构变换频繁和通信链路不可靠的特点,传统的针对地面网络的入侵检测方法难以适用。针对无人机网络的时空动态特性进行建模,提出了一种无人机网络的入侵检测方法——基于注意力机制的时空图卷积网络（ATGCN）。将图卷积网络和门控递归单元组合为时空图卷积网络,从复杂多变的数据中提取网络的时空演变特征,通过注意力机制提取和入侵检测最相关的特征,输入支持向量机进行分类预测。多个数据集的实验分析表明:所提方法能够适应无人机网络的动态性和不稳定性,相比传统检测方法准确率高且误报率低,具有良好的鲁棒性和适应性。      

基于对象的P&ID设计软件无向图模型

在开发P&ID辅助设计系统的过程中,需要表示实体间的逻辑拓扑信息.为避免引入附加抽象实体来表示逻辑拓扑信息带来的复杂性,提出以面向对象为基础将逻辑拓扑信息统一在实体本身数据结构中的方法,并介绍了从P&ID管网图抽象建立P&ID无向图模型的过程.此方法和模型在实践中取得了很好的效果.对P&ID无向图结构的特点做了深入分析,指出运用此模型建立P&ID系统的要点及运用中应注意的问题,并讨论了P&ID无向图模型的扩展.      

基于时空关联图模型的视频监控目标跟踪

多摄像机监控环境下的无重叠视域目标跟踪问题十分具有挑战性,其原因在于跟踪目标在网络中的转移与运动规律往往具有不确定性.目标跟踪的关键问题在于摄像机之间的目标关联以及如何依据网络拓扑结构来找到目标之间的对应关系.提出了一种图模型来对摄像机网络中的时空关联关系进行表达.图模型中的节点表示目标在摄像机视域中的出现区域和消失区域,边由时间与空间关系进行约束.提出了一种将目标外观模型与图模型相融合的跟踪方法,其中外观模型通过协方差描述子进行特征融合,同时,结合二部图匹配策略来解决多摄像头目标跟踪中的识别与匹配问题.在真实监控视频上的实验验证了该方法的有效性.      

基于图染色理论的并行测试任务调度算法

目前的自动测试系统大多数采用串行测试的工作方式,测试效率很低.针对这个问题,建立了基于图论的测试任务关系模型,用"图"来描述测试任务占用仪器资源的情况,将测试任务调度的工程问题转化为图论中的数学问题.在测试任务关系模型的基础上,提出了两个任务调度算法:CTG算法和CTG-T算法.对于多个测试任务,利用这两个算法可以得到并行度最大或者测试时间最短的任务分组方案,能有效地实现并行测试.这两个算法是基于图的染色理论得到的,对其正确性进行了理论分析和实例仿真.两个算法已经在实际系统中得到了实验验证,结果表明能够大大提高自动测试系统的测试效率.      

融合低秩和稀疏先验的结构性缺失图像修复

针对基于低秩先验的图像矩阵补全算法无法有效处理结构性缺失图像修复的问题，建立了在观测矩阵上使用双重先验的矩阵补全模型，在低秩先验的基础上引入稀疏先验，以便更好地利用观测矩阵的先验特征。该模型根据行列间的相关性，使用低秩先验对矩阵正则化；根据行列内的相关性，使用稀疏先验对矩阵正则化；为了更加精确地逼近秩函数，使用截断Schatten-p范数替代核范数作为低秩先验，从而提出了融合低秩和稀疏先验的矩阵补全模型，并使用交替方向乘子法有效处理所提模型。实验结果表明:算法修复的图像细节清晰，与截断核范数模型算法相比，峰值信噪比和结构相似度提升范围分别为2%~44%和0.7%~8%。      

基于图卷积网络的卷积神经网络耗时预测算法

通过可学习的预测算法获取卷积神经网络(CNN)在硬件上的推理耗时越来越受到研究者的关注。现有耗时预测算法主要面临2个问题:卷积神经网络设计空间采样复杂度高，数据采集成本高；无法准确预测硬件编译器的算子融合技术对推理耗时的影响。为了解决上述问题，提出了一种基于图卷积网络(GCN)的耗时预测算法, 将整体网络耗时看作多节点耗时补偿的累加，并利用图卷积对结构算子融合产生的耗时影响进行建模。同时，提出一种新型差分训练方案，减少采样空间规模，提高算法的泛化能力。在HISI3559硬件平台上对MB-C连续空间采样模型的耗时预测实验表明:所提算法可将耗时估计的平均相对误差从传统算法的302%降低到5.3%。另外，通过将传统耗时预测算法替换成所提算法进行耗时评估，可以使网络结构搜索算法搜索到耗时更加接近目标的高精度网络。      

基于改进Faster R-CNN的失效卫星部件检测方法

基于光学图像对失效卫星部件的精确检测可以为失效卫星的定位与捕获等任务提供支撑。然而,失效卫星部件多为密集小目标,且其光照条件变化较大,这导致一般主干网络出现特征表征分辨率低,小目标漏检等问题。针对上述问题,提出了一种基于改进Faster R-CNN的失效卫星部件检测方法。该方法在Faster R-CNN的基础上,融合高分辨网络构建新的特征提取主干网络,以获得可靠、高分辨率的特征表达式。其次,在模拟真实空间环境的条件下,利用1：1的嫦娥卫星模型构建了一个信息丰富的失效卫星数据集。用该数据集进行验证,结果表明：本文方法的平均精度为93.6%,其与Faster R-CNN和Cascade R-CNN相比,对小部件检测的准确率与召回率分别平均提高了9.8%与5.4%。该方法可有效检测失效卫星部件。