-
公开(公告)号:CN105404944A
公开(公告)日:2016-03-16
申请号:CN201510920842.3
申请日:2015-12-11
申请人: 中国电力科学研究院 , 国家电网公司 , 北京交通大学 , 国网山东省电力公司电力科学研究院
摘要: 本发明涉及一种面向电力系统重过载预警的大数据分析方法,包括:对历史电力负荷数据进行预处理;提取预处理后的历史电力负荷数据D中与负荷属性关联性强的属性集合,建立包含负荷属性数据和与负荷属性关联性强的属性集合数据集D′;利用聚类方法将数据集D分为正常运行数据类、重载数据类和过载数据类;根据数据集D构建电力负荷数据预测模型,预测变压器的重载概率和过载概率;本发明提供的方法利用历史负载数据,天气数据及其他外部数据,对特定时期区域下属各台区在特定时间段的负荷重过载概率进行预测,从而优化配置在此时期的配电网检测、检修等人力和物质资源,以提高系统运行的安全稳定性,并减少电网工作人员的劳动强度。
-
公开(公告)号:CN105654196A
公开(公告)日:2016-06-08
申请号:CN201511005735.4
申请日:2015-12-29
申请人: 中国电力科学研究院 , 国家电网公司 , 北京交通大学 , 国网山东省电力公司电力科学研究院
CPC分类号: Y04S10/54 , G06Q10/04 , G06Q10/06375 , G06Q50/06
摘要: 本发明提供一种基于电力大数据的自适应负荷预测选择方法,所述方法包括如下步骤:(1)客户类别判断;(2)电力数据关联规则挖掘和数据化简;(3)自适应负荷预测建模。本发明构造客户聚类模型,对新客户类别进行预测,用客户的类别并结合电力数据的分布,系统可自适应选择负荷预测算法,实现智能电网管理。
-
公开(公告)号:CN118537793A
公开(公告)日:2024-08-23
申请号:CN202410632368.3
申请日:2024-05-21
申请人: 北京交通大学
IPC分类号: G06V20/52 , G06V20/70 , G06V10/25 , G06V10/44 , G06N3/0464
摘要: 本发明提供一种基于点对点框架的人群计数方法及系统,属于基于计算机视觉的人群计数技术领域,获取待识别的图像;利用预先训练好的人群计数识别模型对获取的图像进行处理,得到人群计数识别结果;其中,训练模型包括:将训练集图像输入进骨干网络进行特征图的提取;将特征图分别输入到坐标预测头和置信度计算头的三层卷积网络中,分别得到预测点坐标和置信度;损失函数计算,利用PyTorch框架的自动求导机制,根据得到的损失值计算模型参数梯度方向,更新模型参数。本发明利用数据集中的点标注信息,在不引入额外的标注工作量的情况下对样本尺寸信息进行了估计,以此计算出每个标注点对于最终的损失函数的影响权重,提升了模型检测不同尺度目标的能力。
-
公开(公告)号:CN117896413A
公开(公告)日:2024-04-16
申请号:CN202410202022.X
申请日:2024-02-23
申请人: 北京交通大学
IPC分类号: H04L67/12 , H04L67/5651 , H04L41/14 , H04L41/16
摘要: 本发明提供了一种基于少学习参数神经网络的物联网设备数据服务方法。该方法包括:使用不学习模块替换深度神经网络模型中的可学习卷积层,得到少学习参数神经网络模型;云服务器中将训练好的少学习参数神经网络模型中的不学习参数去除,得到只包含可学习参数的手术模型,将随机种子和手术模型通过网络传输给物联网设备;物联网设备通过随机种子动态生成不学习参数,根据不学习参数与包含无梯度的推理时参数得到完整的神经网络模型,以提供数据服务。本发明方法中的物联网设备只需存储云服务器传输的可学习参数与随机种子,就可以在物联网设备上部署完整的神经网络,减少了云服务器传输至物联网设备的模型参数数量与物联网设备的存储资源开销。
-
公开(公告)号:CN111581469B
公开(公告)日:2024-03-01
申请号:CN202010412162.1
申请日:2020-05-15
申请人: 北京交通大学
IPC分类号: G06F16/906 , G06N20/00
摘要: 本发明提供了一种基于多子空间表示的偏多标记学习方法。该方法包括利用真实标记矩阵构建标记子空间,利用特征映射矩阵构建特征子空间,通过标记子空间和特征子空间学习得到基于多子空间表示的偏多标记学习模型;对基于多子空间表示的偏多标记学习模型进行交替优化训练学习,求解基于多子空间表示的偏多标记学习模型,得到最优的预测模型;将未知样本输入到最优的预测模型,最优的预测模型输出未知样本的标记信息。本发明解决了特征存在噪声和冗余标记的问题,使用映射矩阵将特征空间映射到子空间,减少特征噪声对预测模型的影响;使用矩阵分解技术将标记空间降维到标记子空间,使用图拉普拉斯约束标记子空间,消除冗余标记噪声对预测模型的影响。
-
公开(公告)号:CN116775927A
公开(公告)日:2023-09-19
申请号:CN202310585136.2
申请日:2023-05-23
申请人: 北京交通大学
IPC分类号: G06F16/583 , G06F16/33 , G06V10/46 , G06V10/74 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/08
摘要: 本发明提供一种基于局部上下文的跨模态图文检索方法及系统,属于计算机视觉、模式识别及人工智能技术领域,获取数据并预处理后,使用自底向上的注意力机制提取图像中的显著区域;使用序列模型获得文本特征;对图像的区域特征和文本的单词特征分别建立图结构,并使用图卷积神经网络进行模态内关联性挖掘;模型加入了区域上下文学习模块,从方向和距离的角度学习图像区域的上下文信息,获得了图像中不同区域之间的空间关系和潜在语义关系。引入交叉注意力机制进行模态间交互探索模态间细粒度对应关系,将增强后的局部特征与通过自注意力得到的全局特征拼接,使用多层注意力公式对其进行相似度推理,获得最终的相似度分数,提高了图文检索的精度。
-
公开(公告)号:CN111968058B
公开(公告)日:2023-08-04
申请号:CN202010863754.5
申请日:2020-08-25
申请人: 北京交通大学
IPC分类号: G06T5/00 , G06T7/13 , G06V10/80 , G06N3/0464 , G06N3/084
摘要: 本发明提供了一种低剂量CT图像降噪方法,包括:获取训练数据集;建立降噪网络模型,包括自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取;第一融合层对自适应边缘特征提取模块的输出信号和输入信号进行融合;卷积模块包括多层卷积层构成的编码器、多层返卷积层构成的解码器以及第二融合层,编码器对第一融合层的输出信号进行编码,第二融合层使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合,输出降噪后的特征图;对降噪网络模型进行训练、测试;采用测试好的降噪网络模型对低剂量CT图像降噪。本方法能够保留更多细粒度的信息,得到更加接近目标图像的降噪结果。
-
公开(公告)号:CN116470920A
公开(公告)日:2023-07-21
申请号:CN202310423325.X
申请日:2023-04-19
申请人: 北京交通大学
摘要: 本发明提供了一种面向联邦学习的双向自适应梯度压缩方法及系统。该方法包括:服务器自适应确定本轮训练的量化位宽和压缩率,向各个客户端传输梯度或模型参数;客户端根据相关参数计算本轮梯度并压缩,预测下一轮训练的收敛速度,将压缩梯度和收敛速度预测值上传给服务器;服务器对各客户端的压缩梯度进行解压、聚合和再压缩处理,根据各个客户端上传的收敛速度预测值计算全局收敛速度预测值,更新全局模型和发送队列。本发明的方法通过自适应梯度压缩率和量化位宽,在保证模型精度的同时提升通信效率;设计稀疏化和量化中的编码方式以及新颖的双向梯度压缩策略,降低通信开销,提高每轮可参与的客户端数量,缓解在大规模联邦学习中的带宽瓶颈。
-
公开(公告)号:CN116126680B
公开(公告)日:2023-07-21
申请号:CN202211474627.1
申请日:2022-11-23
申请人: 北京交通大学
IPC分类号: G06F11/36
摘要: 本发明提供的一种软件系统配置错误诊断方法和系统,通过对程序执行数据构造频谱信息,计算卡方检验数快速定位导致配置错误的配置选项。同时,对配置选项的控制流和数据流抽象为向量,进行向量距离计算,判断配置选项之间是否存在关联关系。解决了多配置错误的诊断难题,同时指出了配置选项之间是否存在约束和关联关系。避免了由于模式匹配造成的漏报,同时使用频谱、卡方检验数和距离度量的方法不局限于特定的软件程序,具有普适性和广泛性,适用于更多的软件程序。
-
公开(公告)号:CN115049786B
公开(公告)日:2023-07-18
申请号:CN202210689275.5
申请日:2022-06-17
申请人: 北京交通大学
IPC分类号: G06T17/00 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/0499 , G06N3/084
摘要: 本发明提供任务导向的点云数据下采样方法及系统,属于点云数据处理技术领域,对变换器网络中资源密集型的结构进行调整,去除位置嵌入、简化输入数据嵌入层结构,删除自注意力机制的映射矩阵操作,在前馈神经网络层引入扩缩策略;基于采样损失函数,扩大下采样点云的覆盖范围和重点区域的关注能力,促进生成点云为原始点云的真子集;将下采样模块与任务网络相结合,利用采样损失和任务损失共同更新下采样网络的权重参数。本发明降低了对计算和存储资源的消耗;设计采样损失函数,促使获得点云分布更加均匀、关键点覆盖更加全面的真子集点云数据;将通用下采样模块与三维分类任务网络相结合,实现任务网络的性能最优化和资源开销最小化的有效权衡。
-
-
-
-
-
-
-
-
-