基于链路预测的未来新增航线发现

针对新增航线发现研究中存在的航线选择主观化、网络信息挖掘不充分等问题，考虑航空运输网络的拓扑结构特征和节点(通航城市)层次属性，提出了一种基于链路预测的未来新增航线发现(NARP)模型。NARP模型提取局部封闭子图构建子图邻接矩阵，基于距离标记子图节点结构重要性，采用因子分析和层次聚类提取节点层次属性。在此基础上，融合子图结构和节点属性2类特征，采用深度图卷积神经网络(DGCNN)进行链路预测，实现新增航线发现。在中国航空运输网络实际运行数据上的实验结果表明:较之基准方法，NARP模型的预测准确率最高提升9.28%；在网络极度不完整时，预测准确率可以保持在80%左右；预测结果符合航空运输网络的实际演变情况。      

基于循环神经网络的卫星姿态执行器故障诊断

针对卫星姿态控制系统执行器机构故障问题，提出了一种基于循环神经网络的故障诊断方法。对卫星姿态控制系统建模，进行故障分析并采集星敏感器和角速度陀螺的连续时刻故障数据。设计六种异构的循环神经网络，对故障数据进行故障诊断和分类, 分别从网络深度、反馈单元、激活函数和训练算法对比网络效果。带有门循环单元的 (gate recurrent unit，GRU)深层循环神经网络训练效果更好，其故障诊断准确率达到了95.7%。结果表明对于时序的卫星数据，门循环单元和带有一定深度的循环神经网络故障诊断效果更优。     

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。      

基于眼动数据的网络搜索行为预测方法

预测用户的网络搜索行为对改进搜索引擎和提升用户体验十分重要.现有大多数方法是基于用户的交互数据,如查询、点击和鼠标移动等.提出一种基于眼动数据的用户网络搜索行为预测方法.通过眼动实验,采集用户在网络搜索任务时的眼睛运动数据,将这些数据转化成两种数据格式:直方图和序列.直方图数据描述用户注意力的分布情况,序列数据呈现用户的扫视路径.使用4种学习算法对用户决策或用户意图进行预测,同时研究两种数据格式的性能.结果显示,两种数据格式均适合于预测用户决策,而序列数据更适合于预测用户意图.该结果表明,利用眼动数据能够有效预测网络搜索行为.      

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

基于学习行为的MOOC用户持续学习预测框架

大型开放式网络课程（MOOC）的出现虽然极大地改变了人们的学习方式，但用户在MOOC平台开展学习的学习情况及完成率预测仍是目前一个重要的技术挑战。针对预测的需求，从用户的学习行为中对用户和课程进行分析，采用长短时记忆机对学习者的学习活动进行建模，采用多头注意力机制对用户和课程之间的交互活动情况进行分析，提出一个基于门控单元的特征融合框架，用于学习情况预测。在公开数据集上的结果表明：所提框架能够提升预测精度，使得MOOC平台能够尽可能早地对用户活动进行干预，从而提升整体的MOOC平台使用体验。     

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。      

基于噪声柯西分布的社交图像标签优化与标注

随着社交网络的快速发展，带有用户提供标签的社交网络图像呈现爆炸式增长。但是用户提供的标签是不准确的，存在很多不相关以及错误的标签。这势必会增加相关多媒体任务的困难。针对标签噪声无序性以及常用的高斯分布对标签噪声中大噪声过于敏感的问题，但是高斯分布对大噪声比较敏感。鉴于此，采用对各种噪声都具有鲁棒性的柯西分布拟合噪声，提出了一个基于噪声柯西分布的弱监督非负低秩深度学习（CDNL）模型，通过柯西分布建模标签噪声来获得理想标签，并利用深度神经网络模块学习视觉特征和理想标签之间的内在联系，来得到图像对应的正确标签，从而大幅提高社交网络图像的标签准确率。所提模型不仅可以修正错误标签、补充缺失标签，也可以对新图像进行标注。在2个公开的社交网络图像数据集上进行了验证，并且与一些最新的相关工作进行了对比，证实了所提模型的有效性。      

面向异构大数据环境的数据脱敏模型

不同场景下数据类型和脱敏需求的差异，使得传统的数据脱敏方法难以满足大数据背景下的用户隐私保护需求。如何实现异构大数据中敏感信息的精准定向、高效脱敏，从而更好地确保数据安全、可信和可用，是本领域的研究难点。提出了一种在异构大数据环境下，基于文本、图片、音频和数据库等异构数据的脱敏模型，并对4个关键模块进行了描述。通过脱敏数据预处理，实现不同应用场景下敏感数据的自动标注和分级设置。采用数据预脱敏处理方法，并从数据可用性、数据关联性、隐私保护度、时间和空间复杂度等5个维度进行脱敏效果评价，实现定制化脱敏策略。经过脱敏任务调度完成脱敏任务分配和执行，并支持用户对部分脱敏数据恢复。基于提出的异构大数据脱敏模型，对2种典型数据脱敏应用场景进行了验证分析，表明所提模型能够实现不同应用场景下异构敏感数据的高效脱敏。      

基于深度视觉语义嵌入的视频缩略图推荐

视频缩略图作为视频内容最直观的表现形式,在视频共享网站中发挥很重要的作用,是吸引用户是否会点击观看该视频的关键要素之一。一句与视频内容相关的描述性语句,再搭配一幅与语句内容相关的视频缩略图,往往对用户更有吸引力,因此提出一种深度视觉语义嵌入模型来构建完整的视频缩略图推荐框架。该模型首先使用卷积神经网络（CNN）来提取视频关键帧的视觉特征,并使用循环神经网络（RNN）来提取描述语句的语义特征,再将视觉特征与语义特征嵌入到维度相同的视觉语义潜在空间;然后通过比较视觉特征与语义特征之间的相关性来推荐与特定的描述语句内容密切相关的视频关键帧作为视频缩略图推荐结果。在不同类型的网络视频数据上的实验表明,所提方法能够有效地从网络视频中推荐出与给定描述性语句内容较相关的视频缩略图序列,提升视频的用户浏览体验。      

评分偏差对于推荐质量的影响

从理论上分析了评分偏差对于推荐质量的影响;基于潜在偏好及已知评分对评分偏差进行度量,其中潜在偏好通过心理测量学模型计算得出;通过设定不同的评分偏差水平,对评分偏差的影响进行了实验验证.理论分析及实验验证表明:评分偏差可导致推荐准确度及覆盖度下降;基于高质量的评分数据,协同过滤算法可为用户作出好的推荐.     

利用BP神经网络对卫星无热敏设备温度的估测

卫星上测温资源有限，只有部分设备有测温点，难以准确获得其他无测温点设备的温度。基于反向传播（BP）神经网络对复杂非线性系统优秀的拟合能力，建立了估测卫星上无测温点设备温度的神经网络，以在轨有测温点设备温度为输入层，以在轨无测温点设备为输出层，并使用卫星热试验获得的星上温度遥测数据和在轨无测温点设备的热电偶温度数据进行训练和测试。测试结果表明，所建立的神经网络估测精度在1℃以内，可以用来精确估测卫星无测温点设备的温度。针对学习样本对估测误差之间关系进行了研究，计算表明，学习样本的多样性和大数据量能够显著减小估测误差。     

基于PSO-BP神经网络的平流层风场短期快速预测

平流层风场环境对临近空间低速飞行器驻空飞行性能有重要影响。研究了基于PSO-BP神经网络的平流层区域风场建模与快速预测方法,根据历史风场数据,采用主成分分析法对数据进行降维处理,通过BP神经网络对风场进行预测建模,利用粒子群优化（PSO）算法对其进行优化,采用Biharmonic样条曲面插值方法构建区域预测风场。以南海地区5年历史风场为对象,对比分析了基于BP神经网络和基于PSO-BP神经网络的风场预测模型,结果表明:使用具有全局寻优特性的PSO算法改进BP神经网络,能够有效避免传统BP神经网络易陷入局部最优的缺点,提高预测精度;通过结合PSO-BP神经网络预测与Biharmonic样条曲面插值,可实现区域风场的预测。研究结果可为临近空间低速飞行器的轨迹规划与区域驻留等任务的高精度区域快速预报风场提供解决途径。      

基于BP神经网络的纳卫星轨道温度预测

为了实现纳卫星在轨温度的预测,在对纳卫星热系统动态特性模型分析的基础上,建立BP神经网络预测模型实现纳卫星在轨温度的预测.通过分析纳卫星热系统动态特性模型,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本.BP神经网络预测模型分别以纳卫星外壳、辐射器、舱内仪器的热流及温度值为神经网络输入、输出,预测纳卫星10s后的轨道温度.经验证,神经网络预测模型预测结果与纳卫星实际轨道温度吻合较好,表明神经网络预测模型是快捷有效的.      

基于图对比注意力网络的知识图谱补全

知识图谱(KG)补全旨在通过知识库中已知三元组来预测缺失的链接。由于大多数方法都是独立地处理三元组，而忽略了知识图谱所具有的异质结构和相邻节点中固有的丰富的信息，导致不能充分挖掘三元组的特征。考虑基于端到端的知识图谱补全任务，提出了一种图对比注意力网络(GCAT)，通过注意力机制同时捕获局部邻域内实体和关系的特征，并封装实体邻域上下文信息。为了有效封装三元组特征，引入一个子图级别的对比训练对象用于增强生成的实体嵌入的质量。为了验证GCAT的有效性，在链接预测任务上评估了所提方法，实验结果表明，在数据集FB15k-237中，MRR比InteractE提高0.005，比A2N模型提高0.042;在数据集WN18RR中，MRR比InteractE提高0.019，比A2N模型提高0.032。实验证明提出的GCAT模型能够有效预测知识图谱中缺失的链接。      

基于神经网络的磁平静期赤道电集流预测

利用BP神经网络技术分别对2008年后磁平静期印度扇区、秘鲁扇区以及CHAMP卫星的赤道电集流（EEJ）变化进行预测，其中神经网络训练数据为对应的2000—2007年磁平静期EEJ观测数据，输入参量为天数、地方时、太阳天顶角、太阳活动指数（F_10.7）、太阴时以及卫星地理经度，输出参量为EEJ.对EEJ预测结果进行了统计学分析，并且与实际观测结果进行对比.结果表明:BP神经网络对事件中EEJ的变化具有很好的预测能力，预测结果能够反映EEJ的重要分布特征；EEJ预测值与观测值之间具有很好的相关性，其中地磁台站观测值与预测值相关性系数可达85%以上.此外，将BP神经网络模型的预测结果与Yamazaki提出的经验模型结果进行对比，结果显示BP神经网络与其经验模型性能相当.研究结果表明，BP神经网络技术在平静期EEJ变化预测方面性能优异，具有良好的应用前景.      

基于平流层风场预测的浮空器轨迹控制

平流层风场环境对浮空器设计和轨迹控制具有重要影响。针对平流层风场建模,以长沙地区2005—2010年的风场数据为例,首先采用本征正交分解（POD）方法对风场数据进行降阶处理;然后分别采用Fourier级数与BP神经网络算法对平流层风场进行预测,并对2种模型的预测精度进行比较分析;最后通过建立临近空间浮空器的动力学模型和高度调控模型,分析2种风场预测模型对浮空器轨迹控制的影响。研究结果表明,相对于Fourier预测模型,基于BP神经网络预测模型的预测精度更高,可信度更强,能够更好地为浮空器飞行轨迹控制提供参考价值。      

基于学习的中段反导拦截时间和拦截点预测方法

弹道导弹实时、准确地预测拦截弹的拦截点与拦截时间，是实现中段突防的有效手段。针对弹道导弹中段突防中的拦截点坐标及拦截时间的预测问题，提出了一种基于监督学习的在线预测方法。以拦截弹的主动段关机参数和关机时刻为输入量，建立拦截时间和拦截点预测模型。在多层感知机神经网络的基础上构建有监督学习算法，通过攻防仿真获取拦截弹的参数制作训练数据集，在线下完成网络训练。仿真结果表明:神经网络能够有效在线预测拦截时间和拦截点坐标，预测结果的相对误差分别为0.124 3%和0.128 5%，拦截时间预测结果误差的平均值为0.224 0 s，拦截点预测结果距离误差平均值为2 016.48 m，均满足精度要求。      

基于线性样条和CNN-LSTM的北斗卫星缺失数据处理方法

针对北斗某星辐射剂量探测数据缺失问题,提出了一种基于线性样条和CNN-LSTM神经网络模型的处理方法.在对数据特性分析的基础上,将原始数据分解为线性趋势项和季节波动项.对于线性趋势项,采用基于线性样条的缺失值处理方法;对于季节波动项,根据其时空变化特性,设计CNN和LSTM组合神经网络结构,完成季节波动项的缺失值处理....