面向多源異構(gòu)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(guān)聯(lián)缺失問題，研究面向多源異構(gòu)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(luò)本體語言為多源異構(gòu)數(shù)據(jù)建立對應(yīng)的領(lǐng)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(luò)-條件隨機場模型，在本體庫約束下，從多源異構(gòu)數(shù)據(jù)中抽取符合領(lǐng)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(gòu)數(shù)據(jù)中冗余信息和不一致性問題，形成準(zhǔn)確、完整、可靠的多源異構(gòu)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(guān)聯(lián)，補全數(shù)據(jù)關(guān)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(yīng)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(gòu)數(shù)據(jù)知識實體，建立知識圖譜，實現(xiàn)多源異構(gòu)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(gòu)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 4:50:05 PM

電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法研究[模擬設(shè)計][智能電網(wǎng)]

針對電力系統(tǒng)數(shù)據(jù)具有復(fù)雜性、多樣性特點，導(dǎo)致檢索難度過高的問題，設(shè)計了電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法。依據(jù)電力系統(tǒng)出力變化率，選取二分量一維混合高斯模型，構(gòu)建電力系統(tǒng)波動概率分布模型。對比概率分布模型模擬的電力系統(tǒng)波動數(shù)據(jù)與量測數(shù)據(jù)，依據(jù)判定閾值辨識電力系統(tǒng)較大波動數(shù)據(jù)條目，構(gòu)建數(shù)據(jù)條目檢索庫。利用哈希函數(shù)獲取檢索庫內(nèi)較大波動數(shù)據(jù)條目的哈希特征，生成二值碼。較大波動數(shù)據(jù)條目檢索時，生成用戶檢索詞的二值編碼，計算檢索詞二值碼與檢索庫內(nèi)條目二值碼的漢明距離，并對其加權(quán)處理，利用加權(quán)漢明距離排序數(shù)據(jù)條目，獲取較大波動數(shù)據(jù)條目的自適應(yīng)檢索結(jié)果。實驗結(jié)果表明，該方法能夠依據(jù)用戶輸入的檢索詞，自適應(yīng)檢索電力系統(tǒng)較大波動數(shù)據(jù)條目，檢索結(jié)果的歸一化折損累積增益均高于0.9，檢索時間低于500 ms。

發(fā)表于：6/18/2025 3:01:05 PM