-
公开(公告)号：CN114861129B
公开(公告)日：2024-12-27
申请号：CN202210477739.6
申请日：2022-05-05
Applicant: 湖南大学
IPC: G06F17/16
Abstract: 本发明公开了一种求解奇异值的精度可调节的多模式计算框架，包括：矩阵输入模块，用于输入矩阵；求解算法存储模块，用于存储求解算法；求解算法添加模块，用于添加求解算法；求解算法选择模块，用于选择相应的求解算法；求解精度选择模块，用于选择求解算法的求解精度模式，所述求解精度模式包括原始模式、高精度模式以及混合精度模式；计算模块，用于利用选择的求解算法根据选择的精度模式对输入的矩阵进行相应精度的求解。本发明还提供了一种求解奇异值的精度可调节的多模式计算方法。本发明的有益效果：通过将求解算法设置成具有三种求解精度模式，实现用户可以根据自己需求选择不同精度的计算方法，通用性和普适性更好。
-
公开(公告)号：CN114372494B
公开(公告)日：2024-08-13
申请号：CN202210036221.9
申请日：2022-01-13
Applicant: 湖南大学
IPC: G06F18/213 , G06F18/15 , G06F18/241 , G06N3/084
Abstract: 本发明提供了一种基于注意力机制的航空涡桨发动机气路故障诊断方法，通过建立权重矩阵wo、Wi，将权重矩阵wo与初始数据X0点乘后再加上偏移矩阵#imgabs0#拟合出序列数据的非周期部分，表示为：#imgabs1#将权重矩阵Wi与数据矩阵X点乘后采用sin函数激活，然后再加上偏移矩阵#imgabs2#拟合出序列数据的周期部分，表示为：#imgabs3#然后将序列数据的非周期部分和周期部分进行concat操作后得到输入矩阵，重点考虑了发动机初始状态对后续运行时各气路部件参数的影响，对数据进行了周期性和非周期性的拟合，对故障数据诊断的精度提高了1％‑2％。
-
公开(公告)号：CN118260070A
公开(公告)日：2024-06-28
申请号：CN202410270763.1
申请日：2024-03-11
Applicant: 湖南大学
IPC: G06F9/50 , G06N3/063 , G06N3/0464
Abstract: 本发明公开了一种面向异构处理器的池化运算函数高性能实现方法，通过将特征图在空间维度进行分块，使用直接存储器访问(Direct Memory Access，简称DMA)控制数据在内存和高速缓存的传输，从而构建双缓冲机制使得访存延迟得以隐藏，同时依据向量运算资源数目和SIMD特性设计实现并行运算策略以充分利用运算资源，并在计算过程中进行数据重用，减少访存数量。
-
公开(公告)号：CN112766303B
公开(公告)日：2024-03-29
申请号：CN202011535827.4
申请日：2020-12-23
Applicant: 湖南大学
IPC: G06F18/24 , G06F18/15 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于CNN的航空发动机故障诊断方法，本防使用的数据集为航空发动机传感器收集到的气路参数，其中包含发生各种故障时的气路参数以及正常情况下的气路参数，并且是按照时间序列采集的数据，使用了卷积神经网络可以充分的挖掘气路参数之间前后变化的特征，相比于传统方法对离散数据进行建模(针对具体某个时刻的数据进行分析)来说，不仅考虑到了不同时刻气路参数具体数值的变化，进一步考虑了连续时刻参数变化的趋势特征和前后的联系，由于使用了CNN具有一定的平移不变性，所以泛化能力更好，可以取得更加全面更加高级更加复杂的特征，紧接着提出了一种新型的损失函数，用于评价模型的分类结果，从而实现故障的诊断。
-
公开(公告)号：CN115809092A
公开(公告)日：2023-03-17
申请号：CN202310101112.5
申请日：2023-02-13
Applicant: 湖南大学
Abstract: 本申请公开了一种基于MT3000异构处理器的深度学习计算库实现方法，属于深度学习技术领域。该方法针对天河新一代超级计算机异构处理器MT3000原型机，使用engine引擎‑stream数据流‑memory内存对象‑primitives原语四层设计框架，实现了一套完整的深度学习计算库，并针对该处理器的体系结构对卷积、池化、激活、归一化等深度学习常用算子进行计算优化，卷积算子相较于纯CPU版本实现最高加速比为7.56。
-
Patent Agency Ranking
公开(公告)号：CN114372494A
公开(公告)日：2022-04-19
申请号：CN202210036221.9
申请日：2022-01-13
Applicant: 湖南大学
Abstract: 本发明提供了一种基于注意力机制的航空涡桨发动机气路故障诊断方法，通过建立权重矩阵wo、Wi，将权重矩阵wo与初始数据X0点乘后再加上偏移矩阵拟合出序列数据的非周期部分，表示为：将权重矩阵Wi与数据矩阵X点乘后采用sin函数激活，然后再加上偏移矩阵拟合出序列数据的周期部分，表示为：然后将序列数据的非周期部分和周期部分进行concat操作后得到输入矩阵，重点考虑了发动机初始状态对后续运行时各气路部件参数的影响，对数据进行了周期性和非周期性的拟合，对故障数据诊断的精度提高了1％‑2％。
-
公开(公告)号：CN107844608B
公开(公告)日：2021-11-30
申请号：CN201711273188.7
申请日：2017-12-06
Applicant: 湖南大学
IPC: G06F16/35 , G06F40/289 , G06F40/30 , G06F40/242 , G06F40/211 , G06K9/62
Abstract: 本发明公开了一种基于词向量的句子相似度比较方法。本发明基于大型语料库训练得到词向量模型，并且通过斯坦福句法分析器将句子表示成句法成分树结构，然后在词向量模型中搜索句子成分树叶子节点所对应的词向量，这此基础上，我们提出了一种基于词向量的句子相似度比较方法，这种方法首先构建句子成分向量树，然后通过我们提出的soft partial tree kernel函数计算最终的句子相似度得分。实验结果表示，这种方法相对于目前性能表现很强的众多神经网络方法，在超过一半数据集上都取得了最好的效果，并且在平均性能上取得了最先进的效果。这说明了这种方法是一种很有效的句子相似度度量方式。
-
公开(公告)号：CN110119317B
公开(公告)日：2021-02-26
申请号：CN201910426632.7
申请日：2019-05-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于遗传算法的云计算任务调度方法，包括：从客户端接收资源分配请求，根据资源分配请求为所有子任务随机生成概率矩阵λ，采用广度优先搜索算法对步骤(1)中的任务依赖关系图进行处理，从而得到多个子任务序列，依次将每个子任务序列中的每个子任务分配给概率矩阵中该子任务所属任务单元所在行的最大随机概率值所对应的物理机，进而形成父种群，计算每个物理机处理对应的任务单元的时间开销和能量开销，根据该时间开销和能量开销获取父种群中每个元素所对应的所有物理机的总时间开销和总能量开销，从而构成向量集合。本发明能解决现有云计算领域缺乏一种能同时实现降低云计算时间开销和云数据中心能耗的有效机制的技术问题。
-
公开(公告)号：CN110928705A
公开(公告)日：2020-03-27
申请号：CN201910977383.0
申请日：2019-10-15
Applicant: 湖南大学
Abstract: 本发明公开了一种面向高性能计算应用的通信特征模型方法，包括以下步骤：步骤一、提取应用通信特征；步骤二、分析通信特征；步骤三、建立通信特征模型；步骤四、扩展分析。本发明还提供了一种面向高性能计算应用的通信特征模型系统。本发明的有益效果如下：基于HPC综合应用环境的多层次、多手段数据采集方法对应用通信特征提取，利用多元线性回归模型，建立应用通信特征模型，精确预测典型高性能应用在E级计算下的通信行为特征；对高性能计算的应用做通信特征模型的建立，能够更快的找出程序的性能瓶颈，高效优化程序，提升了计算效率，更能合理的使用资源。
-
公开(公告)号：CN107844608A
公开(公告)日：2018-03-27
申请号：CN201711273188.7
申请日：2017-12-06
Applicant: 湖南大学
CPC classification number: G06F17/30705 , G06F17/271 , G06F17/2735 , G06F17/2775 , G06F17/2785 , G06K9/6215
Abstract: 本发明公开了一种基于词向量的句子相似度比较方法。本发明基于大型语料库训练得到词向量模型，并且通过斯坦福句法分析器将句子表示成句法成分树结构，然后在词向量模型中搜索句子成分树叶子节点所对应的词向量，这此基础上，我们提出了一种基于词向量的句子相似度比较方法，这种方法首先构建句子成分向量树，然后通过我们提出的soft partial tree kernel函数计算最终的句子相似度得分。实验结果表示，这种方法相对于目前性能表现很强的众多神经网络方法，在超过一半数据集上都取得了最好的效果，并且在平均性能上取得了最先进的效果。这说明了这种方法是一种很有效的句子相似度度量方式。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.026 seconds)
