最新設計資源

面向多源異構數(shù)據(jù)的知識圖譜可視化融合方法[人工智能][其他]

為解決數(shù)據(jù)冗余沖突與關聯(lián)缺失問題，研究面向多源異構數(shù)據(jù)的知識圖譜可視化融合方法，提升數(shù)據(jù)融合的可靠性。利用網(wǎng)絡本體語言為多源異構數(shù)據(jù)建立對應的領域本體庫與全局本體庫，使得知識實體抽取和知識融合在同一框架下進行；通過長短期記憶網(wǎng)絡-條件隨機場模型，在本體庫約束下，從多源異構數(shù)據(jù)中抽取符合領域定義的知識實體；利用基于層次過濾思想的知識融合模型，可視化融合抽取的知識實體，解決多源異構數(shù)據(jù)中冗余信息和不一致性問題，形成準確、完整、可靠的多源異構數(shù)據(jù)可視化融合知識圖譜，有助于發(fā)現(xiàn)潛在的數(shù)據(jù)關聯(lián)，補全數(shù)據(jù)關聯(lián)缺失。實驗結(jié)果表明：隨著數(shù)據(jù)缺失比例的提升，尺度系數(shù)與屬性覆蓋度均開始下降，最低尺度系數(shù)與屬性覆蓋度是0.86與0.87，均顯著高于對應的閾值；所提方法在處理四個數(shù)據(jù)源時，視覺清晰度達93%~97%，信息融合度達92%~96%，均優(yōu)于對比方法。說明該方法可有效抽取多源異構數(shù)據(jù)知識實體，建立知識圖譜，實現(xiàn)多源異構數(shù)據(jù)可視化融合；在不同數(shù)據(jù)缺失比例下，該方法多源異構數(shù)據(jù)可視化融合的尺度系數(shù)與屬性覆蓋度均較大，即數(shù)據(jù)可視化融合效果較優(yōu)；同時有效提升了數(shù)據(jù)可視化效果和信息整合程度。

發(fā)表于：6/18/2025

AirGAN：空調(diào)機理模型增強生成對抗模型[模擬設計][智能電網(wǎng)]

為引導資源龐大、調(diào)控靈活的空調(diào)負荷參與需求響應實現(xiàn)“源荷互動”，保障電網(wǎng)的安全經(jīng)濟運行，各大研究單位開展了樓宇空調(diào)需求響應實時控制仿真與實踐研究。然而，如何準確地估算空調(diào)的負荷，并對空調(diào)負荷進行預測是目前面臨的重要挑戰(zhàn)。當前主流方法包括模型驅(qū)動型、數(shù)據(jù)驅(qū)動型兩種方法體系。其中模型驅(qū)動型依賴對空調(diào)負荷的建模，難以實現(xiàn)對空調(diào)負荷復雜變化的模擬。數(shù)據(jù)驅(qū)動則是依賴大量數(shù)據(jù)進行模型訓練，但難以覆蓋空調(diào)負荷的各類特點。為此，擬從模型驅(qū)動及數(shù)據(jù)驅(qū)動相結(jié)合的角度進行空調(diào)負荷的智能擬合，以提升空調(diào)負荷生成預測的準確性和適應性。提出了一種基于機制模型與生成對抗網(wǎng)絡（GAN）相結(jié)合的負荷生成方法和模型AirGAN。該方法通過GAN生成器生成的虛擬數(shù)據(jù)，持續(xù)調(diào)整物理模型的超參數(shù)，以使其更好地符合實際空調(diào)負荷特性。同時，采用GAN判別器對機制模型預測的負荷進行判別，以此訓練機制模型，從而提升其預測精度。

發(fā)表于：6/18/2025