高建良 作品数:50 被引量:56 H指数:3 供职机构: 中南大学 更多>> 发文基金: 国家自然科学基金 国家重点基础研究发展计划 国家高技术研究发展计划 更多>> 相关领域: 自动化与计算机技术 电子电信 文化科学 轻工技术与工程 更多>>
基于图神经网络自动建模的社区发现方法及个性推荐方法 本发明公开了一种基于图神经网络自动建模的社区发现方法,包括获取图神经网络结构组件并构建图神经网络搜索空间;采样图神经网络搜索空间得到图神经网络结构化初始种群;计算各图神经网络模型的适应度并选取若干作为父代图神经网络结构群... 高建良 陈家民文献传递 基于遗传算法的多核芯片并发追踪调试方法 被引量:1 2014年 基于追踪的调试技术将追踪信号连接到追踪缓存,这些连接设施不仅占用有限的片上资源,全局连线还可能导致信号完整性问题.一种有效的解决方案是复用片上网络传输追踪数据.复用片上网络传输多组并发追踪信号,需要确定追踪缓存数量和放置位置以满足链路带宽的约束,同时实现传输功耗最小化.本文将该问题规约为NP难约束P-Median问题,并提出了一种基于遗传算法的多追踪缓存选址方法.在片上网络链路带宽的约束下,优化追踪缓存选址数和追踪数据传输能耗,为多组并发追踪信号的实时追踪提供了一种有效方法.实验结果表明,在同等约束条件下,多缓存能够有效提高追踪信号数量.相比于以前的研究结果,本文方法能够有效地减少缓存选址数和降低追踪数据传输能耗. 高建良 唐逸晨 王建新 李欣 韩银和关键词:多核 片上网络 基于GPS轨迹和图神经网络的出行时间预测方法 本发明公开了一种基于GPS轨迹和图神经网络的出行时间预测方法,包括获取GPS序列并排序;计算最开始的若干个节点的特征数据;计算GPS序列中每个节点的前若干个节点的特征数据;合并特征数据与节点自身的特征数据得到更新后的节点... 钟萍 王安宁 徐爱昆 王森章 高建良多核处理器中非确定性错误调试技术最新进展 随着集成电路设计复杂度不断增加,硅前验证已经难以保证没有错误进入硅后芯片之中。而在硅后阶段调试多核处理器芯片,非确定性错误是面临的重大挑战之一。本文针对多核处理器中非确定性错误的调试技术进行综述和深入分析。首先,介绍了多... 高建良 王建新 韩银和 李晓维关键词:多核处理器 文献传递 网络资源链接 一种基于图像识别的自动售货机掉货检测的方法 本发明公开了一种基于图像识别的自动售货机掉货检测的方法,其包括:在自动售货机柜体顶部相对取货仓处安装摄像装置,该摄像装置与自动售货机的本地控制系统相连接,且摄像装置的镜头正对取货仓底部的矩形区域;在自动售货机的本地控制系... 贺建飚 金瓯 李玺 高建良文献传递 基于网格划分的静态充电桩部署方法 本发明公开了一种基于网格划分的静态充电桩部署方法,包括建立网络模型;对待分析区域进行网格划分;计算各网格内共享电单车的平均数据并排除部分网格;计算剩余网格内共享电单车的分布数据并选定静态充电桩分布的网格;对选定的网格进行... 钟萍 张艺雯 段桂华 高建良基于注意力机制的图分类方法及化合物毒性预测方法 本发明公开了一种基于注意力机制的图分类方法,包括获取原始图网络及对应的图网络数据信息;初始化节点的特征嵌入、构建高阶图网络并初始化高阶图网络中的节点嵌入;各阶图网络中的节点采用子结构交互注意力网络捕获吸收邻居节点信息和邻... 高建良 高俊文献传递 基于加权中值的分布式传感器网络故障检测(英文) 被引量:42 2007年 无线传感器网络中的错误测量数据会导致网络服务质量下降和能量浪费.提出了一种通过融合邻居节点的测量数据来实现故障检测的策略.主要做了以下3项工作:(1)提出了一种新颖的对邻居节点测量数据进行加权的方法;(2)提出了一种衡量测量数据之间差距的方法;(3)提出了基于加权中值的故障诊断策略WMFDS(weighted median fault detection scheme),它同时适用于二进制决策和实数测量值.理论分析及仿真结果表明,即使节点发生故障的概率很高,提出的诊断策略也能得到很高的检测精度和较小的误判率,这表明在无线传感器网络故障检测中应用该方法具有很好的性能. 高建良 徐勇军 李晓维关键词:MEDIAN FAULT 蛋白质相互作用网络的对齐方法 本发明公开了一种蛋白质相互作用网络的对齐方法,包括获取待对齐的蛋白质相互作用网络;对蛋白质相互作用网络进行图嵌入得到每个节点的拓扑向量;计算网络中每个节点的拓扑相似分数;计算每两个蛋白质节点之间的生物相似分数;计算得到相... 高建良 田玲 吕腾飞文献传递 基于GAM的感应电动机比例预测方法研究 被引量:1 2023年 华中四省电网稳定计算负荷模型由一定比例的感应电动机并联恒阻抗组成,但电网稳定计算使用固定不变的感应电动机比例参数不能适应负荷的发展。提出一种基于GAM(Generalized Additive Model)的感应电动机比例预测方法,命名为TP-GAM(Trend and Periodicity Generalized Additive Model)。先利用纵横结合的异常检测对缺失的电力时序数据进行检测和填充修正;再根据变电站、城市、省份三个级别进行逐级聚合计算感应电动机比例;最后对感应电动机比例的时序历史数据进行周期性和趋势性的特征分析和预测。以某地区真实的感应电动机比例数据进行实验,结果表明提出的TP-GAM框架对感应电动机比例进行预测方法所得结果与传统的时间序列模型对比具有更高的预测精度。 张湘驰 田玲 高建良 向行关键词:时间序列