基于多层级时空关联特征的工业关键质量指标预测方法

    公开(公告)号:CN119168454A

    公开(公告)日:2024-12-20

    申请号:CN202411191442.9

    申请日:2024-08-28

    Applicant: 中南大学

    Abstract: 本申请适用于数据处理技术领域,提供了一种基于多层级时空关联特征的工业关键质量指标预测方法,包括:确定与关键质量指标相关的过程变量,并获取训练样本;将全流程、每个子流程分别作为一目标流程,并分别针对每个目标流程执行:从确定出的所有过程变量中筛选出目标流程对应的目标过程变量,并利用邻接矩阵模型和目标过程变量数据,获取目标流程的图邻接矩阵;利用时空依赖感知特征提取模型获取目标流程对应于训练样本的时空特征表示;基于得到的时空特征表示对邻接矩阵模型、时空依赖感知特征提取模型和预测模型进行优化;利用参数优化后的模型对预测时刻的工业关键质量指标进行预测。本申请能提升工业关键质量指标预测的精准度和可靠性。

    基于成对约束和集群引导的深度半监督文本聚类方法

    公开(公告)号:CN114238638B

    公开(公告)日:2024-11-26

    申请号:CN202111574148.2

    申请日:2021-12-21

    Applicant: 中南大学

    Abstract: 本公开实施例中提供了一种基于成对约束和集群引导的深度半监督文本聚类方法,属于数据处理技术领域,具体包括:对目标文本数据进行预处理和向量化,得到多维向量;根据多维向量学习目标文本数据的隐层特征,并将隐层特征输入预设算法进行聚类,得到初始聚类中心;计算聚类损失;利用交叉熵生成成对约束损失;并计算全部有标签集群和全部无标签集群的集群分配损失;根据重构误差、聚类损失、成对约束损失和集群分配损失计算联合损失函数,并根据联合损失函数迭代达到预设条件时,得到聚类结果。通过本公开的方案,充分挖掘标签中的监督信息,加强了其与无标签集群之间的引导学习,提高了深度半监督聚类模型的鲁棒性,同时提升了文本聚类的精度。

    基于图神经网络的知识图谱实体对齐方法、系统及设备

    公开(公告)号:CN115271071A

    公开(公告)日:2022-11-01

    申请号:CN202210942556.7

    申请日:2022-08-08

    Applicant: 中南大学

    Abstract: 本公开实施例中提供了一种基于图神经网络的知识图谱实体对齐方法、系统及设备,属于数据处理技术领域,具体包括:步骤1,数据准备;步骤2,数据预处理;步骤3,构建图神经网络模型;步骤4,网络前向运算;步骤5,融合全局信息的分布迁移法;步骤6,融合局部信息的针对性负采样;步骤7,反向传播更新图神经网络模型权值参数;步骤8,重复步骤4至步骤7的内容,直至步骤7所述联合损失函数迭代达到预设条件;步骤9,整体匹配法输出对齐结果。通过本公开的方案,充分挖掘知识图谱中实体之间的全局以及局部信息,提升了知识图谱实体对齐任务的训练效率和精准度。

    一种云边协同质量预测方法
    6.
    发明公开

    公开(公告)号:CN117333069A

    公开(公告)日:2024-01-02

    申请号:CN202311342483.9

    申请日:2023-10-17

    Applicant: 中南大学

    Abstract: 本公开实施例中提供了一种云边协同质量预测方法,属于数据处理技术领域,具体包括:获取预设时段内的历史工业过程数据;对预处理后的历史工业过程数据按时间窗进行分割,得到时间窗数据;在云端构建Koopman约束分层深度状态空间模型并利用时间窗数据训练;将深度状态空间模型在云端进行简化并重新训练;根据简化后模型的隐变量和预测的观测值计算统计量估计分别确定统计量Tz2,Tx2的监测阈值ηz,Tηzx2;,将简化后的模型Tx2;利用核密度部署到边端设备;在边端设备,对实际工业过程在线数据进行预处理,并得到新的时间窗数据,输入至简化模型,在线进行质量预测并计算统计量来判断模型是否适配并予以解决。通过本公开的方案,提高了模型预测精准度和可靠性。

    知识嵌入方法
    7.
    发明公开
    知识嵌入方法 审中-实审

    公开(公告)号:CN115391606A

    公开(公告)日:2022-11-25

    申请号:CN202210974217.7

    申请日:2022-08-15

    Applicant: 中南大学

    Abstract: 本申请适用于知识图谱技术领域,提供了一种知识嵌入方法,该方法包括:分别针对知识图谱中的每一三元组执行如下步骤:提取三元组中实体间的聚类特征和层次特征,并利用三元组中(h,c,t)的出现频次和(h,t)的出现频次,对聚类特征和层次特征进行频次增强处理,得到频次增强后的聚类特征和层次特征;将聚类特征、层次特征、频次增强后的聚类特征和层次特征均转换为三元组的评分值,并对三元组的所有评分值进行加权求和,得到频次增强融合模型;对频次增强融合模型进行训练,并将训练后的频次增强融合模型中的实体和关系的嵌入向量组作为知识图谱的知识表示嵌入结果。本申请能提升知识图谱的链接预测准确率。

    基于图神经网络的知识图谱实体对齐方法、系统及设备

    公开(公告)号:CN115271071B

    公开(公告)日:2025-05-02

    申请号:CN202210942556.7

    申请日:2022-08-08

    Applicant: 中南大学

    Abstract: 本公开实施例中提供了一种基于图神经网络的知识图谱实体对齐方法、系统及设备,属于数据处理技术领域,具体包括:步骤1,数据准备;步骤2,数据预处理;步骤3,构建图神经网络模型;步骤4,网络前向运算;步骤5,融合全局信息的分布迁移法;步骤6,融合局部信息的针对性负采样;步骤7,反向传播更新图神经网络模型权值参数;步骤8,重复步骤4至步骤7的内容,直至步骤7所述联合损失函数迭代达到预设条件;步骤9,整体匹配法输出对齐结果。通过本公开的方案,充分挖掘知识图谱中实体之间的全局以及局部信息,提升了知识图谱实体对齐任务的训练效率和精准度。

    一种多模态感知的工业过程工艺指标预测方法

    公开(公告)号:CN118982275A

    公开(公告)日:2024-11-19

    申请号:CN202411005146.5

    申请日:2024-07-25

    Applicant: 中南大学

    Abstract: 本申请涉及工业过程数据技术领域,提供了一种多模态感知的工业过程工艺指标预测方法。该方法包括:对非结构化数据进行特征提取得到深层特征,并对结构化数据进行编码得到浅层特征;利用第二编码器对深层特征和浅层特征进行融合得到融合特征;根据所有融合特征构建综合损失函数并对第二编码器进行优化,得到优化后的第二编码器;利用优化后的第二编码器得到最终融合特征,并利用预测模型对最终融合特征进行预测得到工艺指标预测值;基于工艺指标预测值构建预测损失函数,并对预测模型进行微调,得到优化后的预测模型;利用优化后的第二编码器、优化后的预测模型进行指标预测,得到工艺指标预测结果。本申请的方法能够提高工艺指标预测的准确性。

Patent Agency Ranking