基于知识图谱的我国竞技体操研究热点与演化分析

以核心期刊所收录的自1992年以来的230篇竞技体操相关文献为研究对象,利用CitespaceⅡ软件进行可视化分析。指出,竞技体操的研究热点主要包括"规则""技术动作""本质特征"三个板块;依据奥运会周期对研究热点的演变进行了分析,并认为当前的研究中存在重理论轻实证,缺乏深度、广度和创新性,训练层面研究不足,作者间跨学科合作缺乏等问题,旨在为全面了解与深化我国竞技体操体育科学研究提供参考。     

基于知识图谱的海洋科学领域技术机会分析

目前海洋经济成为世界经济增长的新亮点和必不可少的部分,海洋科学成为全球新一轮竞争的前沿领域。选取Web of Science核心合集和Derwent专利库中2011—2017年海洋科学领域的学术论文、专利文献,采用共词分析法和谓词树分析法在论文与专利之间以及专利之间进行对比分析,挖掘出海洋科学领域的技术机会。     

关于广义对称SOR方法的收敛性

对求解对称线性鞍点问题的广义对称SOR（successive over-relaxation）方法作了进一步的推广,即把该方法运用于求解非对称线性鞍点问题之中,并给出了其收敛的充要条件.     

轴对称压力容器弹塑性与强度分析

本文应用第一、第三强度理论对轴对称压力容器圆筒和半圆球部分进行弹塑性力学分析,得到各自弹性和塑性极限应力,将其与压力容器规范中径分析结果作对比分析。此外,本文还分析了径比对压力容器结构设计和强度的影响。     

基于Visual Graph的电气控制仿真

主要介绍软件Visual Graph在电气控制电路仿真方面的应用。以“电动机正反转控制”为例,说明如何利用Visual Graph实现对电气控制电路的仿真。     

基于AES加解密系统的设计与实现

基于Windows XP操作系统,利用VC＋＋编程语言,实现了一个基于AES的加解密系统,该系统能对字符串和文件使用AES算法进行正确的加密和解密。     

基于专利数据的中国区域智能芯片技术创新图谱研究

通过智能芯片技术创新聚类图谱分析，识别中国智能芯片技术创新路径；从区域层面分析和比较京津冀、长三角、粤港澳+台湾、中西部地区、东部地区的中国智能芯片技术创新关键主体分布，及其研发合作关系特征，为中国智能芯片创新发展政策的制定提供参考。研究发现：（1）中国智能芯片技术创新路径可分为延续传统计算架构、打造量子芯片、研发类脑芯片3条路径；（2）中国智能芯片技术创新主体分布呈现出长三角地区、京津冀地区聚焦智能芯片技术创新全赛道，粤港澳地区聚焦传统赛道，中西部地区多为高校与科研院所，聚焦智能芯片的实验室研发；（3）中国智能芯片技术创新主体的研发合作关系演化呈现关键创新主体的研发合作规模逐渐缩小，合作关系逐渐稳健，合作网络时空发展向“地缘性+业缘性”演化，研发合作方向逐渐呈现两极化的态势。     

Multi-view enhanced zero-shot node classification

In recent years, Zero-shot Node Classification (ZNC), an emerging and more difficult task is starting to attract attention, where the classes of testing nodes are unobserved in the training stage. Existing studies for ZNC mainly utilize Graph Neural Networks (GNNs) to construct the feature subspace to align with the classes’ semantic subspace, thus enabling knowledge transfer from seen classes to unseen classes. However, the modeling of the node feature is single-view and unilateral, e.g., the bag-of-words vector, which is not enough to fully describe the characteristics of the node itself. To address this dilemma, we propose to develop the Multi-View Enhanced zero-shot node classification paradigm (MVE) to promote the machine’s generality to approach the human-like thinking mode. Specifically, multi-view features are obtained from different aspects such as pre-trained model embeddings, knowledge graphs, statistic methods, and then fused by a contrastive learning module into the compositional node representation. Meanwhile, a developed Graph Convolutional Network (GCN) is used to make the nodes fully absorb the information of neighbors while the over-smooth issue is alleviated by multi-view features and the proposed contrastive learning mechanism. Experimental results conducted on three public datasets show an average 25% improvement compared to baseline methods, proving the superiority of our multi-view learning framework. The code and data can be found at https://github.com/guaiqihen/MVE.