-
公开(公告)号:CN116647564A
公开(公告)日:2023-08-25
申请号:CN202310564610.3
申请日:2023-05-18
申请人: 北京邮电大学
IPC分类号: H04L67/1012 , G06N3/0464 , G06N3/092 , H04L67/1008 , H04L67/1029
摘要: 本发明提供一种多智能体协同学习的异构融合网络资源调度方法和装置,该方法包括:根据多个智能体各自对应的状态观测信息和任务执行动作信息,确定各智能体对应的任务执行动作价值信息;针对各任务执行动作价值信息,根据所述任务执行动作价值信息,确定所述任务执行动作价值信息对应的智能体执行的多个任务中各任务对应的贡献信息;根据所有贡献信息中目标贡献信息对应的目标任务,生成任务执行指令,所述任务执行指令用于指示所述智能体执行所述目标任务;将多个任务执行指令发送至对应的智能体。该方法可利用各智能体执行的多个任务中各任务对应的贡献信息,对该各智能体对应的任务进行有效且合理的调度和分配,以提高多智能体的任务完成率。
-
公开(公告)号:CN113657429B
公开(公告)日:2023-07-07
申请号:CN202110736231.9
申请日:2021-06-30
申请人: 北京邮电大学 , 中国雄安集团数字城市科技有限公司
摘要: 本发明提供一种面向数字孪生城市物联网的数据融合方法及装置,方法包括:获取物联网终端的异常类别的完整命题识别框架和物联网终端的系统属性数据支持度;根据完整命题识别框架中各个命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;基于有序加权平均OWA算子融合证据。所述装置用于执行上述方法。本发明根据物联网应用终端构建完整命题识别框架及系统属性数据支持度,基于完整命题识别框架中各命题的支持区间,将系统属性数据支持度转化为证据后应用OWA算子完成数据的融合,有效解决证据之间存在较大冲突问题的同时,保证了冲突证据持有一定权重,能够显著提高对物联网终端异常预测的准确性和可靠性。
-
公开(公告)号:CN114760190B
公开(公告)日:2023-06-20
申请号:CN202210375177.4
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L41/0631 , H04L43/08
摘要: 本发明提供一种面向服务的融合网络性能异常检测方法,所述方法包括:基于第一数据中的性能指标的概率分布,确定第二数据中的性能指标的异常程度值;第一数据为服务异常发生时间前的融合网络性能数据,第二数据为服务异常发生时间后的融合网络性能数据;基于第二数据中的性能指标的异常程度值,确定异常指标根因。本发明提供的一种面向服务的融合网络性能异常检测方法,通过在服务发生异常前后的时间窗口内采集融合网络性能数据的各项性能指标,基于不同类型性能指标在正常区间中的概率分布,确定所有性能指标的异常程度值,从而输出异常指标根因,实现有效地定位异常指标根因。
-
公开(公告)号:CN111046178B
公开(公告)日:2023-06-20
申请号:CN201911200922.6
申请日:2019-11-29
申请人: 北京邮电大学 , 北京智芯微电子科技有限公司 , 国网河北省电力有限公司信息通信分公司
IPC分类号: G06F16/35 , G06F40/205 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/094
摘要: 本发明实施例提供的文本序列生成方法及其系统,包括:对抗网络模型包括生成器和判别器;生成器中包含特征反馈网络模块,用于从判别器中调取高阶特征,以生成指导特征向量;生成器基于指导特征向量,生成预输出文本序列的下一个词;判别器根据新构建的预输出文本序列和初始文本序列更新高阶特征;迭代执行上述步骤,直至新构建的预生成文本序列的总词数达到设定阈值时,输入至判别器进行判别,并根据分类判别结果计算更新梯度;根据更新梯度更新生成器的参数;迭代执行上述步骤直至生成器和判别器均收敛后,输出目标文本序列。本发明实施例通过增添特征转换反馈模块,将判别器提取到的特征向量输送至生成器作为指导信号,改善了生成器的生成质量。
-
公开(公告)号:CN115001937B
公开(公告)日:2023-06-16
申请号:CN202210376991.8
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L41/06 , H04L41/147 , H04L41/149 , G06F18/214 , G06N3/0464 , G06N3/08 , G16Y40/20 , G16Y40/40
摘要: 本发明提供一种面向智慧城市物联网的故障预测方法及装置,方法包括:获取智慧城市物联网设备的待预测的网络数据;将所述网络数据输入至训练完成的故障预测模型中,得到网络数据的故障预测结果;其中,所述故障预测模型是基于卷积分解操作和改进残差网络结构建立,并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。本发明的故障预测模型是基于卷积分解操作和改进残差网络结构建立的,因此能够通过轻量化的模型实现智慧城市物联网设备的故障预测,有效保障智慧城市物联网的安全性及稳健性。
-
公开(公告)号:CN115278708A
公开(公告)日:2022-11-01
申请号:CN202210878004.4
申请日:2022-07-25
申请人: 中国电子科技集团公司第五十四研究所 , 北京邮电大学
摘要: 本发明涉及边缘计算领域,具体涉及一种面向联邦学习的移动边缘计算资源管理方法。本发明首先提出了一个联邦边缘学习框架,并制定了一个综合考虑计算、通信资源分配和边缘关联的模型,以最小化全局学习成本。再将该优化问题分解为两个子问题:资源分配和边缘关联,并据此设计了一种高效的资源调度算法。先求解给定单个边缘服务器的训练组,资源分配子问题的最优策略,再通过降低复杂度的迭代为多边缘服务器边缘关联问题求解一个可行的策略,从而高效逼近原问题最优解。与传统的联邦学习相比,本发明提出的框架在全局成本优化方面优于基准方案,并实现了更好的训练性能。
-
公开(公告)号:CN111858953B
公开(公告)日:2022-10-18
申请号:CN202010514456.5
申请日:2020-06-08
申请人: 北京邮电大学 , 中国雄安集团数字城市科技有限公司 , 中国联合网络通信集团有限公司
IPC分类号: G06F16/36
摘要: 本发明实施例提供一种用于智慧城市少样本数据建模的实体关系表示方法及系统,该方法包括:获取智慧城市数据的支持集和查询集,并通过非线性映射ReLU,将支持集和查询集的语义表示映射到对应的通路中;通过类内信息通路,对支持集中每个类别映射后的实例信息进行交互处理;通过类间信息通路,对支持集中所有类别映射后的整体信息进行交互处理;通过支持集‑查询集信息通路,对支持集映射后的所有实例和所述查询集映射后的所有实例进行信息交互。本发明实施例通过多通路并行处理的方式保留更全面的信息,丰富实体关系类别的文本表示,提高类别知识迁移的信息量,提取更多有价值的特征,更准确地表示实体关系类别的支持集与查询集。
-
公开(公告)号:CN114978956A
公开(公告)日:2022-08-30
申请号:CN202210386525.8
申请日:2022-04-11
申请人: 北京邮电大学
IPC分类号: H04L43/0817 , H04L43/50
摘要: 本发明提供一种智慧城市网络设备性能异常突变点检测方法及装置,该方法包括:基于极值理论根据智慧城市网络设备的性能指标的历史时间序列数据获取第一阈值和第二阈值;其中,所述第一阈值大于所述第二阈值;根据所述历史时间序列数据中大于所述第一阈值或小于所述第二阈值的元素,确定Prophet模型的突变点;基于所述Prophet模型根据所述突变点对所述历史时间序列数据进行拟合,获取所述历史时间序列的拟合曲线;根据所述拟合曲线,判断所述智慧城市网络设备的性能指标的当前数据是否异常。本发明使得Prophet的趋势项可以更好地拟合,提高性能指标异常检测的准确率。
-
公开(公告)号:CN113158550B
公开(公告)日:2022-08-26
申请号:CN202110314849.6
申请日:2021-03-24
申请人: 北京邮电大学
摘要: 本申请实施例提供的联邦学习方法、装置、电子设备及存储介质,应用于深度神经网络模型训练的技术领域,通过初始化并接收各终端发送的共享验证数据和本地模型的模型参数;根据各终端发送的共享验证数据和本地模型的模型参数计算各终端的权重;根据各终端的权重和各终端发送的本地模型的模型参数进行模型聚合;将模型聚合得到的全局模型的模型参数发送至各终端,以使各终端根据接收到的全局模型的模型参数对本地模型的参数进行更新。从而通过根据各终端发送的共享验证数据和本地模型的模型参数计算各终端的权重,根据计算得到的权重进行模型聚合,从而可以考虑各个终端的差异,避免由于数据分布不均,导致的计算效率下降的问题,提高计算的效率。
-
公开(公告)号:CN114860540A
公开(公告)日:2022-08-05
申请号:CN202210464136.2
申请日:2022-04-29
申请人: 中国电子科技集团公司第五十四研究所 , 北京邮电大学
摘要: 本发明设计了一种云数据中心服务器健康度评估方法。首先,收集构成服务器状态的各项属性和实时数据,对其进行特征工程,得到服务器历史特征数据;其次,设计了一种服务器健康度的评估方式,该方式通过计算待评估样本到正常样本以及故障样本的各类中心的距离,得出待评估样本的健康程度;最终,将计算的健康度与设定的阈值相比较,若健康度高于阈值,则判断服务器在未来一段时间为正常状态,否则判断将会发生故障。与传统的基于单项属性阈值的健康状态评估方法相比,本方法能够综合考虑到各项属性对服务器健康状态的影响。
-
-
-
-
-
-
-
-
-