-
公开(公告)号：CN119557849A
公开(公告)日：2025-03-04
申请号：CN202411610574.0
申请日：2024-11-12
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/27 , G06F18/15 , G06N3/0442 , G06N3/045 , G01W1/10 , G01W1/02 , G06F123/02
Abstract: 本发明涉及气象温度预测方法、系统、存储介质及设备，获取历史温度数据和影响温度变化的气象数据并预处理；预处理后的数据分别利用正向和反向的LSTM网络处理，得到时间序列的前向和后向隐藏状态序列，经拼接或逐元素加和得到双向隐藏状态序列；通过权重矩阵，将双向隐藏状态映射到注意力得分，经归一化处理得到每个时间步的注意力权重，并利用得到的注意力权重对双向隐藏状态序列加权求和，利用得到的上下文向量经全连接层处理，生成温度预测值。结合了双向LSTM和注意力机制，不仅增强了模型对复杂温度时间序列数据的处理能力，而且提高了预测的准确性和鲁棒性，从而应对传统方法的不足。
-
公开(公告)号：CN119339739A
公开(公告)日：2025-01-21
申请号：CN202411394677.8
申请日：2024-10-08
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提供了一种基于域泛化的机械设备无监督异常声音检测方法及系统，本发明通过构建基于全局上下文的SE‑ECA融合注意力机制模块，分别构建MFCC分支网络架构和Log‑Mel分支网络架构，将所述模块添加至各分支网络架构中，分别对MFCC谱图特征和Log‑Mel谱图特征进行音频特征提取；将两个分支网络架构提取的音频特征嵌入在通道维度上进行合并，形成综合特征向量，对综合特征向量进行分类；构建并训练异常检测模型，异常检测模型利用高斯混合模型计算全局异常分数，在利用局部异常因子检测局部异常，再进行加权平均，本发明可以自动学习正常声音特征并检测异常，提升设备的异常检测性能。
-
公开(公告)号：CN119312321A
公开(公告)日：2025-01-14
申请号：CN202411267580.0
申请日：2024-09-11
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/55 , G06F21/57 , G06F18/2431 , G06F18/214 , G06F18/22 , G06N3/042 , G06N3/08 , G06F40/284
Abstract: 本发明涉及一种基于超图表示学习的内部威胁检测方法，包括：计算行为持续时间并整合数据；数据预处理并划分数据集；通过训练集训练超图神经网络；测试集中，判断节点是否存在于训练集，如果是，进行节点向量表示；否则，进行超图神经网络表示学习；特征构造；包括：计算两两属性特征之间的余弦相似度，并计算这些余弦相似度的平均值与方差，作为新的特征；分类模型训练与测试；输出异常行为检测结果。本发明首次将超图神经网络运用到内部威胁异常检测。大大节约时间。同时超图神经网络属于归纳式学习方法，可以根据已有模型归纳出未曾出现过的节点，从而提高出现新节点行为事件的判断。
-
公开(公告)号：CN119295702A
公开(公告)日：2025-01-10
申请号：CN202411439990.9
申请日：2024-10-15
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06T17/20 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0495
Abstract: 本发明提出基于深度3D可变形模型的3D网格重构方法及系统，涉及3D网格重构技术领域。包括将3D网格数据输入至深度3D可变形模型的编码器，利用跳步部分注意力螺旋卷积对3D网格数据进行编码，得到特征向量；将特征向量输入至深度3D可变形模型的解码器中，分别进行基于注意力的邻域选择和聚合权重解耦的非局部空间特征聚合、以及进行基于螺旋邻域的空间特征聚合，并基于多头注意力再次进行空间特征聚合，得到聚合结果；将聚合结果输入至部分注意力螺旋卷积中，得到重构的3D网格。本发明使用跳步螺旋卷积实现了模型的轻量化，提出的特征聚合方法只在训练中学习权重聚合矩阵，在推理阶段无需额外的成本。
-
公开(公告)号：CN119149240A
公开(公告)日：2024-12-17
申请号：CN202411594962.4
申请日：2024-11-11
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F9/50
Abstract: 本发明提出面向深度学习的细粒度、干扰感知的GPU调度方法及系统，涉及GPU资源调度技术领域。包括在离线阶段收集工作负载的资源需求信息；生成每个应用程序对应的在GPU上执行的CUDA内核任务；拦截每个应用程序CUDA内核任务的启动请求，并将启动请求对应的CUDA内核任务缓存在每个应用程序对应的任务队列中；对于高优先级应用程序，直接将对应任务队列中的CUDA内核任务提交给GPU调度；对于低优先级应用程序，根据干扰评分以及资源需求判断是否提交CUDA内核任务至GPU进行调度。本发明能够减少任务之间的资源冲突和干扰，实现GPU资源共享，提高GPU资源利用率。
-
Patent Agency Ranking
公开(公告)号：CN119128794A
公开(公告)日：2024-12-13
申请号：CN202411152070.9
申请日：2024-08-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F18/25 , G06F18/214 , G06N3/0442
Abstract: 本发明提出一种基于记忆重放变分自动编码器的IoT数据在线预测系统，系统包括：预测模块，用于将待预测IoT数据输入至训练好的记忆重放VAE，得到预测结果；训练模块，用于训练记忆重放VAE，记忆重放VAE包括编码器和生成器；记忆重放VAE的训练过程为：将第一样本数据输入编码器，得到第一样本潜在因素和第一样本预测结果；生成器基于第一样本潜在因素得到第一样本重放数据；将第二样本数据和第一样本重放数据输入编码器，得到融合样本潜在因素，以及相应预测结果；基于标签和得到的预测结果，计算损失函数，当损失最小时，训练完成。本发明基于OLVAE结合注意力机制和脑重放机制，缓解编码器对旧知识的遗忘，实现IoT数据的高效预测。
-
公开(公告)号：CN118897973A
公开(公告)日：2024-11-05
申请号：CN202410967431.9
申请日：2024-07-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 青岛理工大学
IPC: G06F18/21 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/23 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/049 , G06N3/084 , G06N3/088
Abstract: 本发明涉及一种基于VAE‑Bi‑LSTM‑SAM的电网电压数据异常检测方法、装置、设备及存储介质。该方法包括：采集电网电压时序数据构建数据集，对数据集中的数据进行预处理，将预处理后的数据集划分为训练集和测试集；对训练集和测试集中的电网电压时序数据进行标准化处理，按时间步长对标准化处理后的电网电压时序数据进行窗口滑动切片处理，形成多元时序窗口数据Xt；建立基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型；利用训练集对基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型进行训练，得到训练好的异常数据检测模型；利用训练好的异常数据检测模型对测试集中的电网电压时序数据进行异常检测。本发明能够实现对电网电压异常数据的准确检测，提高模型的泛化能力，增强模型对异常数据的识别能力。
-
公开(公告)号：CN118840346A
公开(公告)日：2024-10-25
申请号：CN202410952558.3
申请日：2024-07-16
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 山东山科智能科技有限公司
Abstract: 本发明公开了基于图像去噪的钢材表面缺陷检测方法及系统，方法包括：获取待识别钢材表面图像；将待识别钢材表面图像，输入到训练后的钢材表面缺陷检测模型中，得到钢材表面缺陷检测结果；其中，训练后的钢材表面缺陷检测模型，将钢材表面图像进行特征提取，再经过特征融合，最终输出不同尺度的检测图；所述训练后的钢材表面缺陷检测模型，训练过程中所使用的损失函数是ASI‑IoU损失函数；动态调整边界框，并考虑边界框本身的形状和尺寸；所述训练后的钢材表面缺陷检测模型，还使用内容引导残差注意力模块CGRAB实现特征的融合。
-
公开(公告)号：CN118573480B
公开(公告)日：2024-10-25
申请号：CN202411044928.X
申请日：2024-08-01
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L9/40
Abstract: 本发明涉及一种基于零信任架构的网络安全通信方法、装置、设备及存储介质。本发明旨在构建一个高度安全、灵活且响应迅速的网络通信环境，有效应对现代网络环境中不断演变的安全挑战。采用零信任原则，无论之前是否已被认证，要求在每次通信时都必须重新进行身份验证和信任评估，旨在为网络通信提供全面、智能且高效的安全保障。本发明通过采用数据处理算法和人工智能技术，对网络实体的身份验证、属性分析、交互记录和通信环境，进行实时、动态的信任评估，适用于协同任务等复杂场景，有效识别和防御潜在的安全威胁。本发明能够确保在从数据源到目的地的整个通信过程中，每一步都遵循零信任原则，从而保障通信的安全性和可靠性。
-
公开(公告)号：CN118606634B
公开(公告)日：2024-10-22
申请号：CN202411080709.7
申请日：2024-08-08
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/10 , G06F18/214 , G06F18/24 , G06N20/00
Abstract: 本发明属于分布式机器学习的技术领域，具体涉及一种基于衰减噪声扰动的自适应保隐私分布式学习方法及装置。所述方法包括：根据节点裁剪后的样本梯度获取其本地梯度，节点的裁剪阈值随迭代轮次的增加而减小；对本地梯度注入高斯噪声，高斯噪声的强度随迭代轮次的增加成阶梯式衰减；聚合节点在每轮迭代中注入高斯噪声后的本地梯度，并利用聚合后的梯度更新本地模型参数，将更新后的本地模型参数广播给相邻节点进行参数更新；再聚合相邻节点更新后的模型参数，用于下一次迭代。本发明通过添加噪声以有效保护数据隐私，同时减小噪声误差保证数据的准确性。
-
-
-
-
-
-
-
-
-
Search Results
257
records
(took 0.05 seconds)
