-
公开(公告)号：CN111062599A
公开(公告)日：2020-04-24
申请号：CN201911251878.1
申请日：2019-12-09
IPC: G06Q10/06
Abstract: 本发明实施例提供了基于人员关系的人力资源调度模型训练、调度方法及装置，训练方法包括：将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络；根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。可以在使用本发明实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。
-
公开(公告)号：CN111062599B
公开(公告)日：2022-06-14
申请号：CN201911251878.1
申请日：2019-12-09
IPC: G06Q10/06
Abstract: 本发明实施例提供了基于人员关系的人力资源调度模型训练、调度方法及装置，训练方法包括：将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络；根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。可以在使用本发明实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。
-
公开(公告)号：CN113554144A
公开(公告)日：2021-10-26
申请号：CN202110856379.6
申请日：2021-07-28
Applicant: 莆田学院
Abstract: 本发明涉及算法优化技术领域，特别涉及用于多目标进化特征选择算法的自适应种群初始化方法和存储设备。所述用于多目标进化特征选择算法的自适应种群初始化方法，包括步骤：创建一个n行d列的零矩阵M；比较特征维度和种群规模间的大小，若特征维度大于种群规模，则进行自适应初始化的初始解数量K，根据种群规模和特征维度的比值计算需要进行自适应初始化的初始解子集在目标空间内的子种群分布对称轴H，对零矩阵M所代表的初始解集合中的前K行初始解向量以H为对称轴进行自适应采样，结束种群初始化。通过以上方法，采用自适应种群初始化机制生成的初始解集合能够覆盖更大范围的特征空间，在搜索的过程中天然就占据着广度上的优势。
-
公开(公告)号：CN111478904A
公开(公告)日：2020-07-31
申请号：CN202010270017.4
申请日：2020-04-08
Applicant: 莆田学院
Abstract: 本发明公开一种基于概念漂移的物联网设备通信异常检测方法，涉及机器学习领域，包括：首先，获取物联网设备之间的通信数据；然后，根据时间戳，划分初始样本集的时间区间；基于权重求解各个时间区间所需要的采样数量，采样获得平衡样本集，并将平衡样本集分成训练数据集和测试数据集STe；然后，通过LSTM对训练集进行训练，待模型收敛，然后以测试集对模型进行验证；最后，当模型的验证结果为有效时，将实时采集的实时通信数据输入模型，预测实时通信数据所处的通信状态。本发明通过对原始数据进行数值化处理，并根据时间戳对数据进行分层采样获得样本，经LSTM训练获得多分类的预测模型，并对物联网设备的通信状态进行预测。
-
公开(公告)号：CN119025959A
公开(公告)日：2024-11-26
申请号：CN202411036562.1
申请日：2024-07-31
Applicant: 莆田学院
Abstract: 本发明提供了用于处理高维数据分类中两目标特征选择问题的插值进化方法首先采用一种基于插值点的自适应初始化策略创建一个有竞争力的初始种群，然后，对该初始种群进行反复的后代繁殖与环境选择操作，直至达到进化终止条件(累计到某个预设的迭代次数)后输出最终进化后的种群。该种群内部包含的每个解向量都对应着一个D维的行向量，其中的元素值为1表示选中特征而0表示未选特征。每个解向量又对应着一个二维目标向量，即最小化优化目标f1方向上对应的所选特征率，及最小化优化目标f2方向上对应的分类误差率。以克服传统MOEAs在处理高维数据集上的两目标特征选择问题时的局限性和种种不足之处。
-
Patent Agency Ranking
公开(公告)号：CN118411589A
公开(公告)日：2024-07-30
申请号：CN202410437230.8
申请日：2024-04-12
Applicant: 莆田学院
IPC: G06V10/98 , G06V10/30 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种基于时空图神经网络的半导体晶圆制造异常检测方法及装置，其中方法包括：将第一晶圆制造训练数据集依次经过移动窗口输入处理、节点嵌入输入处理、时间卷积网络训练、静态特征获取、动态特征获取，后将获取的特征经由多层感知机进行训练，获得用于预测当前时刻数据对应下一时刻数据的第一训练模型。将第一晶圆制造测试数据集输入第一训练模型，获得第一晶圆制造测试数据集对应下一时刻的预测数据集；根据第一晶圆制造测试数据集的下一时刻真实数据集和预测数据集，进行计算获得异常分数；根据异常分数判断第一晶圆制造测试数据集的下一时刻是否正常。本发明可以有效提高半导体晶圆制造异常检测的精准度。
-
公开(公告)号：CN115859133A
公开(公告)日：2023-03-28
申请号：CN202211431247.X
申请日：2022-11-14
Applicant: 莆田学院
IPC: G06F18/23213 , G06N3/048 , G06N3/0499 , G06N3/088
Abstract: 本发明公开一种基于深度传递注意力机制的高性能聚类检测方法，使用深度传递注意力机制进行特征提取，获得真实网络强大的非线性特征，使社区检测算法在实践中具有良好的性能。通过最小化嵌入式实例的KL散度，进一步将无监督迁移学习引入到新框架中，以表达强大的低维表示。最后，提出了一种新的算法训练策略和优化方法。大量的实验结果表明，新框架可以确保在真实世界网络和人工合成网络上的良好性能，优于社交网络中大多数先进的社区检测方法。
-
公开(公告)号：CN119941664A
公开(公告)日：2025-05-06
申请号：CN202510005471.X
申请日：2025-01-03
Applicant: 莆田学院
IPC: G06T7/00 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/045
Abstract: 本发明公开了一种采用领域对抗自适应多尺度特征融合的钢材缺陷检测方法，包括：采集并输入第一钢材图像训练集，采用简单线性迭代聚类算法和多尺度特征融合将第一钢材图像训练集中的训练图像转化为图结构，并获得图结构中各个节点的初始节点特征；将初始节点特征输入动态多头注意力机制网络，以使动态多头注意力机制增强初始节点特征的特征表示能力，输出对应的增强节点特征；通过迁移学习与生成对抗网络，训练获得与第一钢材图像训练集对应的钢材缺陷检测模型。本发明可以提高钢材缺陷检测模型的性能，进而使得钢材缺陷检测更加精准。
-
公开(公告)号：CN118410395A
公开(公告)日：2024-07-30
申请号：CN202410496698.4
申请日：2024-04-24
Applicant: 莆田学院
IPC: G06F18/241 , G01M13/045 , G06F18/2413 , G06F18/25 , G06F18/23213 , G06F18/214 , G06F18/213 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/096
Abstract: 本发明公开了一种采用自注意力领域自适应图卷积网络的轴承故障诊断方法及装置，其中方法包括：分别构建源域轴承原始数据集和目标域轴承原始数据集对应的源域动态超图和目标域动态超图；分别对源域动态超图中的节点和目标域动态超图中的节点进行计算，获得源域加权特征和目标域加权特征；将源域加权特征和目标域加权特征分别输入图卷积网络进行特征聚合直至收敛；根据源域加权特征、源域动态超图的标签矩阵以及目标域加权特征，获得源域分类器、域分类器以及目标域分类器，进而获得目标训练模型；将待检测轴承数据输入目标训练模型，以使目标训练模型输出待检测轴承数据对应的轴承状态是否出现故障。本发明可以提高轴承故障诊断的准确率。
-
公开(公告)号：CN113554144B
公开(公告)日：2024-07-30
申请号：CN202110856379.6
申请日：2021-07-28
Applicant: 莆田学院
IPC: G06F30/20
Abstract: 本发明涉及算法优化技术领域，特别涉及用于多目标进化特征选择算法的自适应种群初始化方法和存储设备。所述用于多目标进化特征选择算法的自适应种群初始化方法，包括步骤：创建一个n行d列的零矩阵M；比较特征维度和种群规模间的大小，若特征维度大于种群规模，则进行自适应初始化的初始解数量K，根据种群规模和特征维度的比值计算需要进行自适应初始化的初始解子集在目标空间内的子种群分布对称轴H，对零矩阵M所代表的初始解集合中的前K行初始解向量以H为对称轴进行自适应采样，结束种群初始化。通过以上方法，采用自适应种群初始化机制生成的初始解集合能够覆盖更大范围的特征空间，在搜索的过程中天然就占据着广度上的优势。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.032 seconds)
