-
公开(公告)号：CN113657429A
公开(公告)日：2021-11-16
申请号：CN202110736231.9
申请日：2021-06-30
Applicant: 北京邮电大学 , 中国雄安集团数字城市科技有限公司
IPC: G06K9/62
Abstract: 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：CN113507447B
公开(公告)日：2022-09-13
申请号：CN202110671353.4
申请日：2021-06-17
Applicant: 北京邮电大学 , 中国雄安集团数字城市科技有限公司
Abstract: 本发明提供一种网络流量数据的自适应增强方法及装置，方法包括：基于层次凝聚聚类HAC算法对原始网络流量数据集进行聚类，并根据不平衡比确定少数类聚类；获取少数类聚类中少数类样本的稀疏度权重和数量权重；根据稀疏度权重和数量权重，确定少数类合成样本数量；基于过采样算法和少数类合成样本数量，对原始网络流量数据集进行数据增强。所述装置用于执行上述方法。本发明利用HAC聚类算法不需要参数的特性，减少需要预先设置的参数，降低噪声的影响，并且提出根据聚类中样本稀疏度和样本数量比例分配每个聚类合成样本数量的方案，能够自适应分配每个聚类需要合成新样本的数量，解决了现有技术中合成样本依赖信息不足的问题。
-
公开(公告)号：CN113297373A
公开(公告)日：2021-08-24
申请号：CN202110642261.3
申请日：2021-06-09
Applicant: 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: G06F16/335 , G06F16/35 , G06F40/295 , G06F40/30 , G06F17/16 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供一种智慧城市主题信息抽取方法、装置、电子设备和存储介质。该方法包括：将待抽取的智慧城市主题文本输入至预训练模型，输出智慧城市主题文本特征矩阵；基于文本特征矩阵，确定头实体位置特征矩阵和尾实体位置特征矩阵；其中，实体为被识别的目标单词，头实体位置特征矩阵和尾实体位置特征矩阵表示待抽取文本中单词与实体的相对位置关系；基于头实体位置特征矩阵和尾实体位置特征矩阵，确定面向智慧城市主题的简洁文本特征矩阵；基于简洁文本特征矩阵确定待抽取文本中的实体关系。本发明实施例通过将智慧城市主题的外部语料的绝对位置信息迁移至实体关系抽取具体任务，并通过降噪处理缓解噪声与误标注数据对模型参数更新的干扰，提升智慧城市知识图谱的实体关系抽取精度。
-
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
Applicant: 北京邮电大学 , 中国雄安集团数字城市科技有限公司
Abstract: 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：CN113657428A
公开(公告)日：2021-11-16
申请号：CN202110734331.8
申请日：2021-06-30
Applicant: 北京邮电大学 , 中国雄安集团数字城市科技有限公司 , 国网河南省电力公司信息通信公司
IPC: G06K9/62
Abstract: 本发明提供一种网络流量数据的抽取方法及装置，方法包括：根据原始网络流量数据集中样本的样本密度信息，确定样本所属类别的类密度信息；根据所述类密度信息，确定样本信息量和类信息量；根据所述样本信息量和所述类信息量，确定抽取的代表样本集。所述装置用于执行上述方法。本发明通过根据原始网络流量数据集中的样本的信息携带量来计算类的信息携带量，依照样本信息量和类信息量来抽取用于合成的代表样本，解决了只依靠多数类和少数类的数量比难以表明两者之间信息不平衡的问题。
-
Patent Agency Ranking
公开(公告)号：CN113657428B
公开(公告)日：2023-07-14
申请号：CN202110734331.8
申请日：2021-06-30
Applicant: 北京邮电大学 , 中国雄安集团数字城市科技有限公司 , 国网河南省电力公司信息通信公司
IPC: G06F18/214 , G06F18/2321 , G06F18/2413
Abstract: 本发明提供一种网络流量数据的抽取方法及装置，方法包括：根据原始网络流量数据集中样本的样本密度信息，确定样本所属类别的类密度信息；根据所述类密度信息，确定样本信息量和类信息量；根据所述样本信息量和所述类信息量，确定抽取的代表样本集。所述装置用于执行上述方法。本发明通过根据原始网络流量数据集中的样本的信息携带量来计算类的信息携带量，依照样本信息量和类信息量来抽取用于合成的代表样本，解决了只依靠多数类和少数类的数量比难以表明两者之间信息不平衡的问题。
-
公开(公告)号：CN113507447A
公开(公告)日：2021-10-15
申请号：CN202110671353.4
申请日：2021-06-17
Applicant: 北京邮电大学 , 中国雄安集团数字城市科技有限公司
Abstract: 本发明提供一种网络流量数据的自适应增强方法及装置，方法包括：基于层次凝聚聚类HAC算法对原始网络流量数据集进行聚类，并根据不平衡比确定少数类聚类；获取少数类聚类中少数类样本的稀疏度权重和数量权重；根据稀疏度权重和数量权重，确定少数类合成样本数量；基于过采样算法和少数类合成样本数量，对原始网络流量数据集进行数据增强。所述装置用于执行上述方法。本发明利用HAC聚类算法不需要参数的特性，减少需要预先设置的参数，降低噪声的影响，并且提出根据聚类中样本稀疏度和样本数量比例分配每个聚类合成样本数量的方案，能够自适应分配每个聚类需要合成新样本的数量，解决了现有技术中合成样本依赖信息不足的问题。
-
公开(公告)号：CN113762737A
公开(公告)日：2021-12-07
申请号：CN202110956949.9
申请日：2021-08-19
Applicant: 北京邮电大学
Abstract: 本发明公开了网络服务质量预测的方法及系统，包括：获取用户数据、服务数据，将用户数据、服务数据输入至训练好的网络服务质量预测模型得到网络服务质量预测结果；其中，训练好的网络服务质量预测模型为利用不同样本数据以及对应的软标签进行训练后得到；样本数据包含用户训练数据以及服务训练数据；软标签为训练好的DeepFM模型在输入样本数据后输出的预测数据。本发明采用DeepFM模型无需人工进行特征组合，可以处理稀疏数据集，通过将训练好的DeepFM模型在输入样本数据后输出的预测数据作为软标签对网络服务质量预测模型进行训练，降低了网络服务质量预测模型规模，减轻运维负载。
-
公开(公告)号：CN113762737B
公开(公告)日：2024-09-06
申请号：CN202110956949.9
申请日：2021-08-19
Applicant: 北京邮电大学
IPC: G06Q10/0639 , G06Q50/10 , G06F18/24 , G06N3/048
Abstract: 本发明公开了网络服务质量预测的方法及系统，包括：获取用户数据、服务数据，将用户数据、服务数据输入至训练好的网络服务质量预测模型得到网络服务质量预测结果；其中，训练好的网络服务质量预测模型为利用不同样本数据以及对应的软标签进行训练后得到；样本数据包含用户训练数据以及服务训练数据；软标签为训练好的DeepFM模型在输入样本数据后输出的预测数据。本发明采用DeepFM模型无需人工进行特征组合，可以处理稀疏数据集，通过将训练好的DeepFM模型在输入样本数据后输出的预测数据作为软标签对网络服务质量预测模型进行训练，降低了网络服务质量预测模型规模，减轻运维负载。
-
公开(公告)号：CN113434206B
公开(公告)日：2023-03-21
申请号：CN202110580627.9
申请日：2021-05-26
Applicant: 国网河南省电力公司信息通信公司 , 北京邮电大学 , 国家电网有限公司
Abstract: 本发明提供一种智能电网计算卸载的方法及装置，其方法包括：获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；并确定每个所述计算任务的时延增益；基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载。通过本发明提供的智能电网计算卸载方法，以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，对计算任务合理分配，充分利用计算资源，达到了低时延的目标。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.052 seconds)
