-
公开(公告)号：CN119474656A
公开(公告)日：2025-02-18
申请号：CN202411361578.X
申请日：2024-09-27
Applicant: 北京邮电大学 , 中国电力科学研究院有限公司
Inventor： 高欣 , 李强伟 , 李保丰 , 翟峰 , 赵兵 , 郜波 , 王一帆 , 秦煜 , 陈昊 , 梁晓兵 , 郑安刚 , 许斌 , 尹建芹 , 徐萌 , 冯云 , 赵英杰 , 于秀丽
IPC: G06F18/10 , G01R35/04 , G06F18/214 , G06F18/2411 , G06F18/2413 , G06F18/241 , G06F18/20 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N7/01 , G06N20/20
Abstract: 本发明公开了一种双路约束扩散模型的电能表故障检测方法及装置。其中，方法包括：获取待测电能表的多变量数据；将多变量数据输入至预先训练的故障检测模型中，输出待测电能表的检测结果，检测结果包括故障和正常，并且故障检测模型的训练过程为：基于数据标签和样本分布方法对原始少数类样本数据集以及原始多数类样本数据集进行去噪处理，获取少数类有效样本数据集以及多数类样本数据集；利用预先训练的基于双路判别器约束的扩散模型对少数类有效样本数据集进行样本扩散，生成少数类样本数据集；利用少数类样本数据集、所述少数类有效样本数据集以及多数类样本数据集训练预先构建的分类模型，生成故障检测模型。
-
公开(公告)号：CN118818414A
公开(公告)日：2024-10-22
申请号：CN202411183169.5
申请日：2024-08-27
Applicant: 北京邮电大学 , 中国电力科学研究院有限公司
IPC: G01R35/04
Abstract: 本发明公开了一种基于动量更新双路重构自校正电能表异常检测方法及系统，属于电能表异常检测技术领域。本发明方法，包括：获取电能表的原始时间序列数据，并基于所述原始时间序列数据生成时间序列集；基于所述时间序列集及基于动量更新Transformer记忆模块的双路重构自校正框架，训练得到用于电能表异常检测的检测模型；基于所述检测模型，根据目标电能表的时间序列集，对所述目标电能表的异常进行检测。本发明增强了模型对正常数据的学习能力同时提高正异常的区分度，提高了异常检测的性能。
-
公开(公告)号：CN119128750A
公开(公告)日：2024-12-13
申请号：CN202411176227.1
申请日：2024-08-26
Applicant: 北京邮电大学 , 中国电力科学研究院有限公司
Inventor： 高欣 , 陈玲俐 , 李保丰 , 翟峰 , 赵兵 , 郜波 , 王一帆 , 秦煜 , 陈昊 , 梁晓兵 , 郑安刚 , 许斌 , 尹建芹 , 徐萌 , 冯云 , 赵英杰 , 于秀丽
IPC: G06F18/2433 , G01R35/04 , G06N3/0455 , G06F123/02
Abstract: 本发明公开了一种基于多粒度动态感受野的电能表异常检测系统及方法，属于电能计量技术领域。本发明系统，包括：多粒度动态感受野模块，用于对电能表的补丁块数据进行遍历处理，以输出感受野数据；多维时序编解码器模块，用于对所述多粒度动态感受野模块输出的感受野数据进行重构，输出重构数据；双层异常检测模块，用于计算出所述多维时序编解码器模块输出的重构数据的异常分数，基于所述异常分数，确定电能表的异常。本发明通过感受野及数据重构，能够识别数据的异常，以此确定异常分数，并解决了现有重构方法在处理低信息密度的多维时序数据时可能出现的信息丢失或语义特征挖掘不足的问题。
-
公开(公告)号：CN118916132A
公开(公告)日：2024-11-08
申请号：CN202410970990.5
申请日：2024-07-19
Applicant: 北京邮电大学
Abstract: 本发明提供了一种基于深度强化学习的面向异构资源的自适应任务调度方法，涉及异构算力平台技术领域，方法包括：获取用户输入的带标签的DAG任务，并对所述DAG任务进行提取，得到DAG任务信息；获取异构算力平台每个节点的资源信息；根据所述异构算力平台的各类所述资源信息和所述DAG任务信息建立并训练双智能体深度强化学习模型；在模拟的异构算力平台环境下，利用训练得到的双智能体深度强化任务调度学习模型的输出对所述DAG任务进行调度。本发明充分考虑了任务的对资源的需求偏好性以及节点的资源优势性，能够根据任务的需求匹配对应的节点，提高调度效率。
-
公开(公告)号：CN113469110B
公开(公告)日：2024-05-07
申请号：CN202110809540.4
申请日：2021-07-15
Applicant: 北京邮电大学
IPC: G06F18/24 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于深度学习的超宽带(UltraWide Band，UWB)非视距信号(None‑Line‑Of‑Sight，NLOS)识别方法。该方法以信号的信道脉冲响应(Channel Impulse Response，CIR)作为输入，使用双流神经网络提取信号特征，可实现非视距信号(NLOS)与视距信号(Line‑Of‑Sight，LOS)的识别。该双流神经网络的一路借鉴了ResNet18中的残差结构，以1016个时刻的CIR信号作为输入，提取信号的时域特征；另一路使用一个卷积神经网络(CNN)提取10个额外参数中的特征。为了减小输入数据中的噪声干扰并放大NLOS与LOS信号的差异性，本发明提出了一种新的能量归一化方法。此外，本发明提出了一个专用于识别NLOS和LOS信号的损失函数，使用该损失函数训练神经网络，可以加快网络收敛速度，提升识别精度。
-
Patent Agency Ranking
公开(公告)号：CN115019147A
公开(公告)日：2022-09-06
申请号：CN202210783135.4
申请日：2022-06-27
Applicant: 北京邮电大学
IPC: G06V10/82 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/40 , G06N3/04 , G06N3/08 , G06T7/70
Abstract: 本发明公开了一种适用于物体堆叠杂乱场景的基于Transformer机制的抓取检测模型，该模型提出使用Transformer机制提取输入图像的特征，然后使用全卷积神经网络预测图片中所有可能的抓取位置。通过将Transformer与卷积神经网络结合，该模型同时融合了Transformer机制优秀的全局建模能力和卷积神经网络的归纳偏置能力。从而使得本模型不需要多次下采样操作在模型的初始阶段就能够对输入图像的全局特征进行建模和相关性计算，避免了传统模型由于下采样造成的特征丢失；此外，本模型同时融合了卷积神经网络的归纳偏置能力，降低了模型训练过程中对大尺寸数据集的依赖。因此，本模型能够更好的对杂乱堆叠场景的特征进行建模，并且可以在小规模数据集上训练出令人满意的结果。基于以上优势，本发明提出的模型可以广泛的应用于各种常见的生活场景的抓取检测任务，具有更强的鲁棒性和环境适应性。
-
公开(公告)号：CN113469110A
公开(公告)日：2021-10-01
申请号：CN202110809540.4
申请日：2021-07-15
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于深度学习的超宽带(Ultra Wide Band，UWB)非视距信号(None‑Line‑Of‑Sight，NLOS)识别方法。该方法以信号的信道脉冲响应(ChannelImpulse Response，CIR)作为输入，使用双流神经网络提取信号特征，可实现非视距信号(NLOS)与视距信号(Line‑Of‑Sight，LOS)的识别。该双流神经网络的一路借鉴了ResNet18中的残差结构，以1016个时刻的CIR信号作为输入，提取信号的时域特征；另一路使用一个卷积神经网络(CNN)提取10个额外参数中的特征。为了减小输入数据中的噪声干扰并放大NLOS与LOS信号的差异性，本发明提出了一种新的能量归一化方法。此外，本发明提出了一个专用于识别NLOS和LOS信号的损失函数，使用该损失函数训练神经网络，可以加快网络收敛速度，提升识别精度。
-
公开(公告)号：CN118939418A
公开(公告)日：2024-11-12
申请号：CN202410970923.3
申请日：2024-07-19
Applicant: 北京邮电大学
Abstract: 本发明提供了一种异构GPU集群调度方法，涉及GPU集群调度技术领域，包括初始化GPU和蚁群算法参数，获取GPU调度指标，初始化信息素和启发式信息，计算GPU分配概率并分配应用任务，更新信息素值，全局调度优化，利用GPU虚拟化技术分发计算数据到空闲子节点进行计算，最后将结果返回给GPU主节点并应用层程序。本发明实现了高效GPU资源调度，提高了资源利用率和计算效率。
-
公开(公告)号：CN112861667A
公开(公告)日：2021-05-28
申请号：CN202110102963.2
申请日：2021-01-26
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于图像分割技术的抓取检测方法，该方法使用图像分割技术，将目标物体从杂乱的场景中分割出来，对只含有目标信息的图像做抓取检测。通过这种方法消除了背景信息对抓取检测的干扰，使得抓取检测为面向对象的抓取检测而不是面向场景的抓取检测。同时通过此种方法提高了模型对不同环境的鲁棒性，减小了模型在抓取检测时对环境特征的依赖，提高了模型对不同背景下物体的检测能力。
-
公开(公告)号：CN118939395A
公开(公告)日：2024-11-12
申请号：CN202410970947.9
申请日：2024-07-19
Applicant: 北京邮电大学
Abstract: 本发明提供了一种面向大模型应用的任务分发方法及系统，涉及资源调度技术领域，方法包括：使用消息队列分发不同类型的任务到请求分发器；使用用户配置的分组策略对同一类型的任务分组，得到不同的任务组；基于最优匹配算法将不同的任务组调度到执行组件进行执行。本发明进行多个大模型任务的调度，能够充分利用到大模型推理优化手段中最重要的批处理方法，能够有效管理部署在多个节点的大模型，能够根据不同的请求类型对大模型任务进行分发，能够高效地调度大模型执行具体任务，还支持拓展或减少大模型任务类型。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.05 seconds)
