-
公开(公告)号：CN114666204B
公开(公告)日：2024-04-16
申请号：CN202210429761.3
申请日：2022-04-22
Applicant: 广东工业大学
IPC: H04L41/0631 , H04L41/0695
Abstract: 本发明公开了一种基于因果强化学习的故障根因定位方法及系统，方法包括以下步骤：S1：获取真实故障场景中故障告警事件数据，作为历史数据；S2：利用历史数据构建故障因果强化学习模型；所述故障因果强化学习模型包括因果结构学习模块、因果图环境模型模块与策略网络模块；S3：通过所述故障因果强化学习模型与故障告警环境交互，学习并更新所述因果图环境模型模块以及所述策略网络模块，生成表征完整的最终告警因果图模型，以及输出最优策略；S4：利用所述最终告警因果图模型追溯故障节点的根因故障及根因告警类型。本发明提高了故障根因定位的检测效率和准确度。
-
公开(公告)号：CN117056593A
公开(公告)日：2023-11-14
申请号：CN202310936429.0
申请日：2023-07-27
Applicant: 广东工业大学
IPC: G06F16/9535 , G06F16/9537
Abstract: 本发明涉及数据挖掘和推荐系统技术领域，具体涉及一种时空多尺度的兴趣点推荐方法；本发明将用户行为的学习转换成了潜在状态的学习，并以一种结合距离信息的方式引入空间信息，有效地捕捉了用户的移动特征，且时空多尺度的推荐方式增加了兴趣点推荐的多样性。
-
公开(公告)号：CN110751169B
公开(公告)日：2023-09-29
申请号：CN201910833290.0
申请日：2019-09-04
Applicant: 广东工业大学
IPC: G06F18/24 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供的一种基于多元变量间的关系变化的时序分类的方法，包括：从观察数据集中获取样本数据，计算样本数据两两变量间的偏相关系数，构造偏相关系数矩阵；通过卷积神经网络对偏相关系数矩阵进行编码后得到对应的特征图；将每个特征图分别拉伸成特征向量循环输入长短记忆神经网络，从而得到用于捕获变量关系间变化模式的隐藏状态；将隐藏状态输入标签分类器，输出对应的样本类别，完成时序的分类。本发明提供的一种基于多元变量间的关系变化的时序分类的方法，充分地考虑了时序数据中不同变量之间的关系，同时基于变量的关系模式进行分类，充分地表达了时序数据中不同变量关系的变化模式，同时对输入的噪声值具有更好的鲁棒性，分类精度高。
-
公开(公告)号：CN109726225B
公开(公告)日：2023-08-01
申请号：CN201910026601.2
申请日：2019-01-11
Applicant: 广东工业大学
IPC: G06F16/2455 , G06F16/22 , G06F16/182
Abstract: 本发明提供一种基于Storm的分布式流数据存储与查询方法，本发明基于Storm数据流式计算框架，CEPHFS作为数据底层存储系统下，通过对分布式流式数据的特征分析，对数据进行实时的分区与索引构建，将分区好的数据块压缩存入CEPHFS。查找操作时根据数据块的key与temporal两个维度的属性，将查询分解为对应的子查询，并通过bloomFilter方法只读取可能含有所需数据的文件，由predicate选择出符合条件的数据，提交子查询结果合并后进行aggregate操作，返回给用户。充分利用计算资源来提高数据存储与查询的效率。本发明具有应用场景广泛、低时延、负载均衡的特点，并且能够实现高速存储。
-
-
Patent Agency Ranking
公开(公告)号：CN115829693A
公开(公告)日：2023-03-21
申请号：CN202211685687.8
申请日：2022-12-27
Applicant: 广东工业大学
IPC: G06Q30/0601 , G06F16/9535 , G06N5/04 , G06N20/00
Abstract: 本发明提供一种基于因果反事实的上下文老虎机延迟反馈推荐方法和系统，该方法包括获取待推荐的物品和待推荐用户的特征信息并制定初始推荐策略；根据初始推荐策略将待推荐的物品推荐给待推荐用户；用户接收到推荐的物品后给出反馈信息并与特征信息和推荐的物品共同作为人机交互信息存入数据缓存区中；进行基于因果图反事实延迟反馈估计，获得反事实估计修正后用户的真实反馈数据，根据用户的真实反馈数据制定更新后的推荐策略；最后根据更新后的推荐策略重新对待推荐用户进行物品推荐；本发明能够降低用户对每种待推荐物品的估计回报误差，在用户具有延迟反馈的情况提高推荐的精准度和合理性。
-
公开(公告)号：CN110263151B
公开(公告)日：2023-02-07
申请号：CN201910373011.7
申请日：2019-05-06
Applicant: 广东工业大学
Abstract: 本发明提供了一种面向多视角多标签数据的隐语义学习方法，包括：读取多视角多标签数据作为预处理器的输入，然后进行数据预处理，并将预处理结果输入到训练器中，学习得到隐语义子空间和训练后的模型。预测未标注多视角数据的标签时，将未标注的多视角数据进行预处理，然后输入到训练好的模型中预测得到多标签类别。本发明中提出了一种融合多个视角信息的学习和多标签分类方法，将输入特征和输出多标签映射到共同的潜在语义子空间中。该方法能够处理高维稀疏数据所带来的维数灾难问题，同时融合多视角信息对多标签数据进行分类。
-
公开(公告)号：CN110264434B
公开(公告)日：2022-12-30
申请号：CN201910420295.0
申请日：2019-05-20
Applicant: 广东工业大学
IPC: G06T5/50
Abstract: 本发明提供一种基于低秩矩阵补全的单幅图像去雨方法，包括以下步骤：S1)、利用雨线的两个物理特征，建立准确的检测雨模型，通过检测雨模型对图像进行雨标记，得到雨候选标记矩阵B1(i,j)，并利用方向算子对雨候选标记矩阵B1(i,j)中的错误检测进行纠正，得到雨候标记矩阵B2，最终得到的雨标记矩阵B(i,j)，即B(i,j)＝B1(i,j)*B2(i,j)；S2)、利用低秩矩阵恢复算法，对被雨像素破坏的区域进行高质量恢复，本发明相对于现有技术的去雨方法，具有去雨效果好、计算量小的优点，同时，本发明能够在保持图像细节，尤其是背景图像的轮廓边缘的同时，可以有效去除单幅图像中的雨线，能够最大限度的保证图像的细节。本发明利用稀疏和低秩矩阵的属性降低了计算量，同时提高了图像的处理效果。
-
公开(公告)号：CN109145974B
公开(公告)日：2022-06-24
申请号：CN201810915359.X
申请日：2018-08-13
Applicant: 广东工业大学
IPC: G06V10/80 , G06V10/764 , G06V10/82
Abstract: 本发明公布了一种基于图文匹配的多层次图像特征融合方法，通过使用预训练网络中的多层特征作为图像的多层次总预训练特征，并且在图文匹配的学习目标指导下，利用多层感知机(Multi‑Layer Perceptron)有监督地融合和降维图像的多层次总预训练特征，生成融合图像特征。从而能够充分地利用更多有用的、不同层次的预训练特征，并从中归纳出对图文匹配任务有用的特征和去除无用的特征，减少了噪声特征的干扰。然后即可利用融合图像特征和文本特征在特征空间上的余弦相似度来进行图文匹配。
-
公开(公告)号：CN113159292A
公开(公告)日：2021-07-23
申请号：CN202110454250.2
申请日：2021-04-26
Applicant: 广东工业大学
Abstract: 本发明提出一种基于神经网络最小化熵的因果网络发现方法及系统，克服了当前因果网络发现方法无法识别马尔可夫等价类、在有向无环图搜索时容易陷入局部最优的缺陷，解决了采用最小二乘损失作为损失函数的神经网络搜索方法适用性不广、准确率不高的问题，首先构建数据集，对数据集中的变量数据进行预处理，然后根据变量数据的特征构建神经网络，以损失函数为残差的熵，约束条件为无环性约束训练，进而得到数据之间的因果结构，以邻接矩阵表示因果关系的图，再对邻接矩阵进行剪枝处理，最后可视化输出因果网络，克服了传统方法无法识别马尔科夫等价类的困难，提高了局部结构的可识别性。
-
-
-
-
-
-
-
-
-
Search Results
196
records
(took 0.026 seconds)
