-
公开(公告)号：CN115114909B
公开(公告)日：2024-08-02
申请号：CN202210859677.5
申请日：2022-07-20
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06F40/279 , G06F40/216 , G06F18/214 , G06N3/0442 , G06N3/049 , G06N3/08
摘要： 本发明公开了一种面向供应链知识获取的对抗式生成实体识别方法，包含两个阶段，阶段一对实体识别生成器模型进行预训练，阶段二进行对抗性训练。本发明提出的新的实体识别生成器模型进行供应链领域实体识别，提升供应链领域实体识别性能，并且能大大降低供应链领域数据标注成本。
-
公开(公告)号：CN117201307A
公开(公告)日：2023-12-08
申请号：CN202310998426.X
申请日：2023-08-08
申请人： 广东工业大学 , 广东能哥知识科技有限公司
摘要： 本发明公开了一种工业软件组件的装配集成方法和系统。该方法包括：获取工业软件组件集合；所述工业软件组件集合为待装配集成的组件组；计算所述工业软件组件集合的奖励值；所述奖励值用于表征工业软件组件的QoS值和物联网设备的能量消耗；以所述奖励值为优化目标，构建装配集成模型；所述装配集成模型基于经验池预估所述工业软件组件的组合序列；根据所述组合序列，对所述工业软件组件集合进行装配集成。本申请实施例通过工业软件组件的QoS值和能量消耗为优化目标，构建装配集成模型，在装配集成过程中，充分考虑节点能耗问题，能有效适应动态环境，提升装配集成效果，提升装配集成的效率。本方法可以广泛应用于工业软件技术领域。
-
公开(公告)号：CN117195696A
公开(公告)日：2023-12-08
申请号：CN202311035771.X
申请日：2023-08-16
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06F30/27 , G06N3/126 , G06F111/06
摘要： 本发明公开了一种基于NSGA‑Ⅱ和SSA的服务组合优化方法，包括获取终端的服务请求，根据所述服务请求生成任务集，将任务集分解为多个子任务；构建候选服务集，通过整数编码建立基因编码与每个子服务之间的映射关系得到编码候选服务集；建立QoS可信度计算模型计算编码候选服务集后得到可信度候选服务集，建立多目标优选模型，根据NSGA‑Ⅱ和SSA得到改进NSGA‑Ⅱ算法，通过改进NSGA‑Ⅱ算法和多目标优选模型对编码候选服务集进行计算后得到优选服务集；根据可信度候选服务集和优选服务集确定最优服务组合。通过将NSGA‑2和SSA的融合，结合了两者的优点，从而更好地解决多目标优化问题，可广泛应用于计算机技术领域。
-
公开(公告)号：CN117194771A
公开(公告)日：2023-12-08
申请号：CN202310962292.6
申请日：2023-08-01
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06F16/9535 , G06F16/36 , G06N3/0464
摘要： 本发明公开了一种图模型表征学习的动态知识图谱服务推荐方法。该方法包括：获取对象的文本描述信息；对所述文本描述信息进行特征抽取操作，得到服务特征；所述服务特征用于表征对象、服务提供者和对象需求的服务；将所述服务特征作为节点，构建初始推荐模型；所述初始推荐模型基于知识图谱建立；通过粒子群算法对所述初始推荐模型的参数进行优化，得到目标推荐模型；通过所述目标推荐模型对目标对象进行推荐。本申请实施例基于图神经网络构建初始推荐模型，缓解了数据稀疏时的推荐准确率不佳的问题；同时，通过粒子群算法对模型参数进行更新，提升模型的推荐准确度。本方法可以广泛应用于计算机技术领域。
-
公开(公告)号：CN117061523A
公开(公告)日：2023-11-14
申请号：CN202311038118.9
申请日：2023-08-16
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： H04L67/1008 , H04L67/101 , H04L67/1019 , H04L67/1097
摘要： 本发明公开了一种工业软件组件分布式边缘节点的负载均衡方法，包括获取终端的服务请求并选择任务；获取边缘节点的队列信息和任务容量；构建MDP模型，将队列信息和任务容量输入MDP模型；根据选择动作和预设的奖励规则确定选择奖励；构建目标函数，根据目标函数和选择奖励计算卸载任务的平均时延；构建DQN算法模型，基于DQN算法模型求解选择动作的最大动作价值；进而确定平均时延的最小值；从而确定卸载边缘节点，将任务卸载值至卸载边缘节点。通过MDP模型、目标函数和DQN算法模型处理后将任务卸载到最合适的边缘节点，得到平均时延的最小值，更好地降低任务的处理延迟，提高部署效率，可广泛应用于边缘部署技术领域。
-
公开(公告)号：CN117008995A
公开(公告)日：2023-11-07
申请号：CN202310861403.4
申请日：2023-07-13
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06F9/445
摘要： 本发明公开了一种工业软件组件服务功能链装配集成方法，方法包括：构建系统模型；根据系统模型构建成本模型，用于计算虚拟网络功能的部署成本和服务功能链的嵌入成本；确定优化目标，根据成本模型构建优化模型；根据系统状态、系统动作和奖励函数，结合成本模型构建马尔可夫决策模型，用于计算每个时隙的累积奖励；结合行动者‑批评家算法和双网络结构DQN算法，构建行动者‑批评家网络，进而确定优化的服务功能链装配集成策略。本发明实施例能够学习工业软件组件系统的状态和行为，自主决策、通过奖励机制优化和改进服务功能链的装配集成策略，具有更高的自主性和灵活性。本发明实施例可广泛应用于工业软件组件技术领域。
-
公开(公告)号：CN116167281A
公开(公告)日：2023-05-26
申请号：CN202310133357.6
申请日：2023-02-16
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06F30/27 , G06F18/214 , G06F18/20 , G06N3/08 , G06N7/01 , G06F111/04 , G06F111/08 , G06F119/02
摘要： 本发明公开了一种组件编排优化方法及系统，方法包括：获取目标对象的服务请求；基于服务请求，建立服务组合模型；其中，服务组合模型的定义包括任务集、服务组件集、服务组件动作集和服务组件属性值集；通过服务组合模型，基于服务组件组合可靠性进行优化，获得目标服务组件组合；其中，服务组件属性值集中的服务组件属性值与服务组件组合可靠性关联；服务组件组合可靠性包括服务组件发现可靠性、服务组件绑定可靠性和服务组件执行可靠性。本发明以增强服务组件组合可靠性为首要优化目标，能够有效解决大规模服务组合场景中寻优能力差的问题，进而实现云边协同的工业软件组件可靠灵活组合，高效高质满足用户需求，可广泛应用于组件编排技术领域。
-
公开(公告)号：CN116150605A
公开(公告)日：2023-05-23
申请号：CN202310128549.8
申请日：2023-02-15
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06F18/213 , G06F18/24 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/08
摘要： 本申请公开了谐波减速器剩余有效寿命的预测方法及系统，本申请的方法包括获取多元运行传感数据；利用损失边界到映射能力方法筛选与退化强相关的信号特征；搭建趋势注意网络并与扩张卷积神经网络结合形成趋势注意扩张卷积网络；使用训练数据训练所述趋势注意扩张卷积网络，通过测试数据进行分类，得到预测结果。本申请根据剩余使用寿命预测监测信号的特点专门设计的，将筛选出的信号，并结合扩张卷积网络从而实现精准预测减速器的剩余使用寿命，能够实现精准高效的剩余使用寿命预测，改善了收集数据质量过差的缺陷。
-
公开(公告)号：CN115858929A
公开(公告)日：2023-03-28
申请号：CN202211580842.X
申请日：2022-12-09
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06F16/9535 , G06F18/22 , G06F40/30 , G06F8/36 , G06F18/214
摘要： 本发明提供的一种基于深度学习的工业服务组件推荐方法，包括以下步骤：从边缘节点中获取历史服务组件序列以及单个服务组件的描述信息；将预处理后的数据编码得到对应的向量表示，并生成向量表示进行掩码处理后的掩码序列；预测与向量表示相邻的序列，将预测结果与掩码序列进行结合得到语义向量；根据语义向量构建得到服务调度序列和单个服务组件的语义库，获取目标服务请求，通过与语义库中的向量进行匹配得到目标语义向量，并根据目标语义向量在语义库中的序列进行匹配得到目标组件调度序列；方法能够达到全局的动态更新推荐效果，并解决了在集中式环境中服务组件推荐技术无法应用于边缘节点的计算资源局限问题可广泛应用于计算机技术领域。
-
公开(公告)号：CN115834710A
公开(公告)日：2023-03-21
申请号：CN202211580843.4
申请日：2022-12-09
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： H04L67/60 , H04L67/12 , G06F9/48 , G06F18/22 , G06F18/214 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/092
摘要： 本发明提供的一种深度强化学习的云服务并发请求调度方法及系统，方法包括以下步骤：获取物理设备的服务请求，根据所述服务请求对应的调度序列以及所述服务请求的关键字确定输入序列；将所述输入序列输入至调度模型，通过所述调度模型输出得到输出序列；根据所述输出序列将所述服务请求分配至对应的服务，执行所述服务请求；本申请技术方案使用的深度学习模型，相对于以往基于迭代的方法具有更高的时间效率，能够更快速的得到调度序列，使用了强化学习的方法；方案使得模型训练无需大量带有标注的数据集，减少了人工标注所需要的时间成本，且模型可以根据问题的不同快速修改，提高模型的可扩展性，可广泛应用于计算机技术领域。
-
-
-
-
-
-
-
-
-
搜索结果
241 条记录 (耗时 0.083 秒)
