基于多维云概念嵌入的变分图自编码器研究

变分图自编码器是图嵌入研究中重要的深度学习模型,但存在着先验正态分布缺陷、训练过程中容易出现后验塌陷等问题．本文从建立云概念空间与隐空间的映射关系入手,引入云模型数字特征对网络中的节点进行不确定性概念表示,设计了一种基于多维云模型的变分图自编码器（Variational Graph Autoencoder based on Multidimensional Cloud Model,MCM-VGAE）．该模型实现了隐空间的多维云概念嵌入及相应的漂移性损失度量,将先验分布扩展为泛正态分布,利用多维正向云发生器及云包络带修正采样算法实现了重参数化过程,有效缓解了后验塌陷现象．在应用效果上,模型在多类型数据集上的链路预测、节点聚类、图嵌入可视化实验表现均优于基准模型,进一步说明了方法的普适有效性．     

关于落体法测蓖麻油黏度实验中的预留高度问题

采用高速摄像机跟踪小钢球下落全程,找出匀速运动的起始位置并测量速度.为方便学生使用简单量具就能较准确地测量蓖麻油的黏度,给出了较准确的预留高度hT.还分析了小钢球在黏性流体中运动时的受力情况,给出球受力的表达式.并应用Mathematics软件对受力表达式求数值解.画出v-h图,与实测的v-h曲线对比基本吻合.