-
公开(公告)号：CN115935285A
公开(公告)日：2023-04-07
申请号：CN202211405450.X
申请日：2022-11-10
Applicant: 南京邮电大学
IPC: G06F18/2433 , G06F18/22 , G06F18/10 , G06N3/0475 , G06N3/094 , G06N3/088
Abstract: 本发明公开了基于掩码图神经网络模型的多元时间序列异常检测方法和系统，该方法包括：对多元时间序列进行数据预处理操作；输入预处理后的多元时间序列；对滑动窗口内的时序数据进行按比例掩码操作；利用每个节点嵌入式表示向量的相似度建立图结构；根据滑动窗口内的时间序列并利用当前图结构为每一个图节点聚合邻居节点信息，学习出滑动窗口的特征表示，并用该特征预测下一个时间戳的值；将预测值与真实值进行生成式对抗训练，计算生成器损失和判别器损失，更新模型；通过预测值和真实值之间的差异计算每个节点的异常分数，将异常分数高于阈值的时刻点判别为异常时间点，得到异常分析结果。本发明有助于准确检测出多元时间变量数据的异常。
-
公开(公告)号：CN115511212A
公开(公告)日：2022-12-23
申请号：CN202211293381.8
申请日：2022-10-21
Applicant: 南京邮电大学
Abstract: 一种基于深度学习的航班保障流程剩余执行时间预测方法，预测模型由输入层，双向LSTM层，Attention层，融合层，预测层组成，模型输入包含非时序的全局特征和时序的各时间步流程的执行状态。Attention‑BiLSTM模型提取流程执行状态时序信息，生成中间状态编码，与非时序的全局特征相融合，经过多层感知机得到流程剩余执行时间。在流程开始时，计算生成非序列的全局特征向量，每隔固定时间采集一次流程执行状态，并采用滑动窗口的方式生成序列特征数据，特征数据经过模型计算得到航班保障流程剩余时间的动态预测值。
-
公开(公告)号：CN112800225B
公开(公告)日：2022-09-16
申请号：CN202110120528.2
申请日：2021-01-28
Applicant: 南京邮电大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06F40/242 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种微博评论情绪分类方法和系统，属于自然语言处理技术领域，方法包括如下步骤：采集原始微博评论文本数据并进行预处理获得微博文本数据集；对微博文本数据集进行预训练；利用情绪词典选取微博文本中包含情绪的句子作为局部情绪特征；利用训练好的胶囊网络提取微博文本的整体情绪特征；对微博文本的整体情绪特征和局部情绪特征进行融合，获得该微博文本的情绪分类结果；将微博用户的所有微博文本的情绪分类结果求和取平均值，根据所述平均值确定微博用户微博评论的情绪倾向。本发明的方法和系统从局部与整体方面使用深度学习方法进行学习，能更加准确地判断微博用户的情绪倾向，能提高情绪分类准确率。
-
公开(公告)号：CN118193756A
公开(公告)日：2024-06-14
申请号：CN202410607455.3
申请日：2024-05-16
Applicant: 南京邮电大学
IPC: G06F16/36 , G06F16/33 , G06F40/279 , G06N3/0455 , G06N3/042 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于图谱结构的知识图谱规则学习方法及系统，涉及知识图谱技术领域，包括利用广度优先搜索算法抽取查询三元组在知识图谱中头实体周围的子图结构，并利用Floyd算法计算实体对之间的最短距离和路径；结构感知图编码器模块捕捉头实体周围子图的结构信息，通过编码机制将输出序列化；规则解码器模块则根据编码的结构信息生成规则序列，推断目标实体的规则体；规则学习模块检查规则体是否推断出查询的准确答案，并评估规则序列的正确性。本发明通过建立局部邻域结构，描述实体在知识图谱中关联信息，有效编码图结构信息，在关系缺失情况下生成适当的规则，能够学习不同长度的规则，为解决复杂的知识推理问题提供有效的解决方案。
-
公开(公告)号：CN117689963B
公开(公告)日：2024-04-09
申请号：CN202410148671.6
申请日：2024-02-02
Applicant: 南京邮电大学
IPC: G06V10/764 , G06F40/279 , G06F18/25 , G06F18/241 , G06F40/186 , G06F18/213 , G06T7/11 , G06V10/40 , G06V10/774 , G06V10/80
Abstract: 本发明属于视觉实体链接技术领域，公开了一种基于多模态预训练模型的视觉实体链接方法，选择视觉实体链接的多模态多粒度数据集，利用多模态预训练模型启发式的生成候选实体，再通过启发式增强提示和实体链接模块筛选出最佳实体。本发明所述方法能够充分利用图像和文本的多模态信息，提高视觉实体链接的准确性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN117372506A
公开(公告)日：2024-01-09
申请号：CN202311314357.2
申请日：2023-10-11
Applicant: 南京邮电大学
IPC: G06T7/70 , G06N3/0475 , G06N3/094 , G06N3/0495 , G06N3/082 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种基于知识蒸馏和生成对抗网络的面向边缘设备的姿态估计方法，属于图像识别技术领域；主要包括：将处理后的训练集输入到Hourglass网络中训练教师模型和学生模型；基于生成对抗网络的知识蒸馏方法，使用原始教师模型的输出结果作为真值获得对抗损失，同时结合原始学生模型自身的损失对原始学生模型进行再训练，获得性能更加优异的学生模型；进行新学生模型部署；与传统的知识蒸馏方法相比，本发明能够更加有效地将教师模型的知识传递给学生模型，使学生模型能够更加有效的获取教师模型的知识，解决当前姿态估计方案难以部署到边缘设备上的问题。
-
公开(公告)号：CN112181758B
公开(公告)日：2023-07-28
申请号：CN202010835820.8
申请日：2020-08-19
Applicant: 南京邮电大学
IPC: G06F11/30 , G06F18/241 , G06F18/214
Abstract: 本发明公开了一种基于网络拓扑及实时告警的故障根因定位方法，包括：输入告警数据集，进行数据处理，提取出当前对应节点所含特征作为特征集，并获取每条告警信息中的时间、节点信息；根据当前节点信息，结合拓扑关系得到上下位节点，根据时间信息筛选出一定时间区间内上下位节点的告警信息，结合当前节点的特征集构建出上下位节点告警特征；将告警数据集分为训练集与测试集，对得到的所有特征信息进行筛选处理，输入分类算法，将预测性能最好的特征集作为模型分类特征，将训练集所含上述特征值输入分类算法训练得到预测模型，利用训练好的分类模型预测测试集中的数据并输出预测结果，根据预测结果中候选根因数量和时间信息得到最终预测根因结果。
-
公开(公告)号：CN115576823A
公开(公告)日：2023-01-06
申请号：CN202211293353.6
申请日：2022-10-21
Applicant: 南京邮电大学 , 安徽晶奇网络科技股份有限公司
Abstract: 一种基于端到端变分自编码(DDVAE)的KPI异常检测方法，该方法包括以下步骤：步骤一：首先对所需评估的关键性能指标KPI数据进行获取；步骤二：将收集到的KPI数据进行编码处理，对KPI数据编码获得隐变量；步骤三：对隐变量数据进行解码处理，得到重构后的KPI数据；步骤四：将KPI数据以及编码和解码的结果通过一个长短期记忆网络进行训练，保留KPI数据时序性的特征，得到每一个KPI数据对应的异常得分；步骤五：定义偏差网络以优化异常评分网络，对异常得分进行标准化处理，以消除指标之间的量纲影响；步骤六：将标准化之后的异常得分通过损失函数网络进行训练，使得异常样本的得分显著偏离参考分数，从而判断出异常KPI数据。
-
公开(公告)号：CN115496165A
公开(公告)日：2022-12-20
申请号：CN202211293373.3
申请日：2022-10-21
Applicant: 南京邮电大学 , 安徽晶奇网络科技股份有限公司
Abstract: 一种基于自我学习双向GAN的异常检测方法，步骤包括：对原始数据集进行筛选过滤，得到只含有正常数据的训练数据集；使用训练数据集对基于原始GAN的异常检测模型进行训练；针对原始GAN模型的缺陷进行模型优化；使用训练数据集对优化后的异常检测模型进行训练；使用优化后的异常检测模型对测试数据集进行异常检测。本发明提出的新模型解决了原始模型中奖励稀疏性和模式崩溃的问题，提高了生成器生成样本的多样性以及异常检测的准确性。
-
公开(公告)号：CN109472290B
公开(公告)日：2022-10-14
申请号：CN201811181916.6
申请日：2018-10-11
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明揭示了一种基于有限状态机的情绪波动模型分析方法，包括：S1、使用体征采集设备采集生理数据，进行特征提取；S2、将特征用支持向量机分类器进行情绪分类识别，得到每个时间段内的情绪；S3、描述情感状态转移过程，构建并估计状态序列；S4、进行心理情绪问卷调查，计算得到情感状态序列集；S5、进行PAD情绪量表问卷调查，将结果经过PAD模型分类训练后得到情绪样本，标注情绪状态，进行监督学习训练；S6、通过情绪状态序列集、模型分析结果及监督学习训练结果，完成对情绪波动、情绪质量的预测。本方法可以与现有方法相配合，实现主客观两方面的融合，突破了单一情感生理信号与情感间的关系及仅考虑客观因素的研究局限。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.026 seconds)
