-
公开(公告)号：CN116415196A
公开(公告)日：2023-07-11
申请号：CN202310181817.2
申请日：2023-02-28
Applicant: 电子科技大学 , 中国航发四川燃气涡轮研究院
IPC: G06F18/2433 , G06N3/044 , G06N3/0442
Abstract: 本发明公开了基于智慧工业的数据异常检测方法、存储介质及终端，属于异常检测技术领域，采用改进的KF算法对分别各种工业数据进行处理后，再输入第一神经网络模型进行异常预测。改进KF算法具体通过第二神经网络模型学习其协方差矩阵的变化趋势，进而实现协方差矩阵的更新。本发明改进后的KF算法能够动态调整过程激励噪声协方差矩阵Q，以此降低噪声对KF算法的影响，进而保证了后续神经网络模型的异常预测准确性与可靠性；同时，采用改进KF算法对工业数据进行处理，能够剔除冗余数据，对各信息源进行统一处理，以此保证测量准确性；同时改进的KF算法还能够确定工业数据流的时序特征，进而使本方法能够对不具有时序特征的数据流进行准确异常检测。
-
公开(公告)号：CN116361673A
公开(公告)日：2023-06-30
申请号：CN202310640680.2
申请日：2023-06-01
IPC: G06F18/2321 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F16/2458 , G06F16/28
Abstract: 本发明公开了准周期时间序列无监督异常检测方法、系统及终端，属于时间序列异常检测技术领域，包括：对准周期时间序列进行分割处理；对准周期时间子序列进行聚类处理，得到正常准周期时间子序列构成的数据集；基于数据集对神经网络模型进行训练，得到无监督异常检测模型。本发明先对准周期时间序列进行分割处理，使得后续异常检测过程中以准周期时间子序列作为检测对象，使得后续异常检测结果具有可解释性；同时，通过聚类进行预处理，再通过正常准周期时间子序列对模型进行训练，使模型学习正常准周期时间子序列的数据分布从而能够在输入所有数据时对于异常数据有着更大的重构损失，实现准周期时间子序列无监督异常检测。
-
公开(公告)号：CN114445010A
公开(公告)日：2022-05-06
申请号：CN202210095891.8
申请日：2022-01-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于区块链的多式联运系统和方法，所述多式联运系统向用户终端提供系统接口供用户调用；所述多式联运系统包括：业务合约层：用于部署相应智能合约，当系统需要增加新的业务功能时，编写相应的智能合约，再对外提供统一规范的接口；区块链核心层：作为整个区块链系统的核心，为业务合约层的应用提供可信的数据上链与校验服务，通过跨链技术链接其他的区块链系统；基于Kubernetes的Fabric基础设施平台：为业务合约层和区块链核心层提供稳定可靠的区块链服务，实现对多节点容器的快速部署、动态加入与便捷管理。本发明兼容各组织机构已有的专属系统，保障面向多式联运业务场景的区块链系统模块的快速配置与部署。
-
公开(公告)号：CN116955621A
公开(公告)日：2023-10-27
申请号：CN202310941972.X
申请日：2023-07-28
Applicant: 电子科技大学
IPC: G06F16/35 , G06F40/216 , G06F40/30 , G06F16/951 , G06F16/9538 , G06Q50/14 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种适用于旅游舆情的监测方法，包括以下步骤：确定需要监测的目标和需要采集的数据来源；利用网络爬虫技术抓取数据源中与监测目标相关的文本数据，并对抓取到的数据进行过滤与预处理，去除无关信息；对预处理后的文本数据进行数据挖掘和舆情分析，提取其中的关键信息，并对关键信息进行分类和归纳，标记文本的情感；将分析结果进行可视化展示，并生成相应的报告和分析结果。本发明使用了爬虫技术来确保了数据来源的及时性和全面性，并针对旅游舆情对各大OTA平台也实施了监控，能够更加客观全面地反映出游客对于景点的评价。
-
公开(公告)号：CN116361673B
公开(公告)日：2023-08-11
申请号：CN202310640680.2
申请日：2023-06-01
IPC: G06F18/2321 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F16/2458 , G06F16/28
Abstract: 本发明公开了准周期时间序列无监督异常检测方法、系统及终端，属于时间序列异常检测技术领域，包括：对准周期时间序列进行分割处理；对准周期时间子序列进行聚类处理，得到正常准周期时间子序列构成的数据集；基于数据集对神经网络模型进行训练，得到无监督异常检测模型。本发明先对准周期时间序列进行分割处理，使得后续异常检测过程中以准周期时间子序列作为检测对象，使得后续异常检测结果具有可解释性；同时，通过聚类进行预处理，再通过正常准周期时间子序列对模型进行训练，使模型学习正常准周期时间子序列的数据分布从而能够在输入所有数据时对于异常数据有着更大的重构损失，实现准周期时间子序列无监督异常检测。
-
Patent Agency Ranking
公开(公告)号：CN114483346B
公开(公告)日：2023-06-20
申请号：CN202210126111.1
申请日：2022-02-10
Applicant: 电子科技大学 , 中国航发四川燃气涡轮研究院
IPC: F02D41/00 , F02D45/00 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质，方法包括以下步骤：对现有流量管的数据集进行分类，每类数据有不同的修正模型；寻找与新流量管的目标数据集差异最小的类别，在该类的修正模型基础上进行微调，得到新流量管的修正模型。本发明将原型网络与模型微调两种方法相结合，通过将已有数据集进行分类，每类数据有不同的修正模型，并寻找与目标数据集差异最小的类别，在该类的修正模型基础上进行微调，有以下好处：(1)节省时间和计算资源，节约人力物力成本；(2)提升了模型的准确率和泛化能力。
-
公开(公告)号：CN114446323B
公开(公告)日：2023-03-10
申请号：CN202210088071.6
申请日：2022-01-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种动态多维度的音乐情感分析方法及系统，属于人工智能及多媒体领域，所述方法包括：提取给定乐曲的声学结构特征；根据所述声学结构特征对给定乐曲进行结构解析，自顶向下的将整首乐曲划分为乐章、乐段、乐句；分析所述给定乐曲局部的情感，并自下向顶依次迭代出乐段、乐章的和乐曲全局情感；根据迭代过程输出情感运动变化过程。本发明综合考虑了乐曲声学特征、乐曲结构划分、乐曲内容、人声歌词等因素，多维度对乐曲情感进行综合分析，达到了客观性，同时采用的自顶向下乐曲结构分解与自下向顶乐曲情感分析方法，保留了乐曲情感的运动性特征，表现出乐曲的局部情感与全局情感之间发展的关系，更加贴近乐曲创作者与听众的直观感受。
-
公开(公告)号：CN111124422B
公开(公告)日：2023-03-10
申请号：CN201911357483.X
申请日：2019-12-25
Applicant: 成都互诚在线科技有限公司 , 电子科技大学
IPC: G06F8/41
Abstract: 本发明为一种基于抽象语法树的EOS智能合约语言转换方法，通过孩子兄弟表示法（二叉链表树）存储抽象语法树各个节点，能够针对自定义文法构造，将EOS智能合约源码转化为功能等价的形式化验证语言，并通过加入符号表共同实现翻译动作，实现可定制化的翻译过程。用这种翻译方法翻译出来的EOS智能合约代码具有结构清晰、可复现、扩容性强、适应性强的特点，解决了形式化验证方法无法验证EOS智能合约源码的问题。本发明可扩容性强，实际应用表现十分良好，为区块链的智能合约翻译提供了有效的思路以及技术。
-
公开(公告)号：CN112330003B
公开(公告)日：2022-11-08
申请号：CN202011166750.8
申请日：2020-10-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于双向循环神经网络的周期型容量数据预测方法、系统及存储介质，该方法：通过对指标数据类型进行分类，将指标数据的数据类型分为趋势型、周期型和不规则型，从而提升指标预测效率；然后针对周期型的指标数据进行预测，并提出基于双向循环神经网络的预测模型，即首先通过忙闲分布算法，得到忙闲规律序列，再通过搭建包含一层双向基本循环神经网络和一层双向长短时记忆网络的双向循环神经网络模型，最后，再通过线性回归模型对双向循环神经网络输出的结果进行优化，得到最终的预测结果。因此，本发明能够在指标和业务的多样性的场景下，保证容量预测结果的准确率。
-
公开(公告)号：CN114462623A
公开(公告)日：2022-05-10
申请号：CN202210125350.5
申请日：2022-02-10
Applicant: 电子科技大学 , 中国航发四川燃气涡轮研究院
Abstract: 本发明公开了基于边缘计算的数据分析方法、系统及平台，属于边缘计算技术领域，方法包括根据当前待处理数据集选取AI算法及机器学习模型；分析待处理数据集中样本与支撑样本的共性进而对机器学习模型参数进行优化，分析待处理数据集中样本的标注价值，确定高标注价值样本，基于高标注价值样本对机器学习模型进行训练；将完成训练的机器学习模型迁移至边缘计算设备，对待处理数据集进行数据分析处理，并输出数据分析处理结果。本申请将完成训练的机器学习模型迁移至边缘计算设备，进一步运行对应AI算法，能够提供功耗更低、实时性更高、便携性更好的数据处理结果，充分利用边缘计算设备有限的计算和存储资源，缓解了服务器的数据处理压力。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.027 seconds)
