-
公开(公告)号：CN116451117A
公开(公告)日：2023-07-18
申请号：CN202310377836.2
申请日：2023-04-10
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/098 , G06F18/25
Abstract: 本发明公开了一种基于联邦学习的电力数据异常检测方法，步骤如下：(1)故障检测数据预处理：建立多维时间序列客户端；数据预处理；构建时间窗口；(2)基于时域卷积神经网络、自注意力机制，建立本地模型：模型输入初始化；单层融合编码器运算；解码运算；构建模型损失函数；进行异常评分；更新局部模型参数；(3)服务器端采用联邦学习模型实现联合训练：构建模型损失函数；更新局部模型参数；通过上述的过程更新局部模型参数之后，上传到终端服务器中，进行聚合生成全局模型。本发明能够同时考虑到数据局部依赖性和数据全局依赖性，能够更好的提取时间序列中的时序重构信息，从而提高多维时间序列异常检测的有效性。
-
Patent Agency Ranking
公开(公告)号：CN113554181B
公开(公告)日：2023-06-23
申请号：CN202110768514.1
申请日：2021-07-07
Applicant: 南京信息工程大学
IPC: G06N20/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于批增量方式的联邦学习训练模型。属于联邦学习训练领域，操作步骤：提出搭建具有增量学习的联邦学习框架；在联邦学习框架中保留有增量学习存在的历史遗忘性问题；针对历史遗忘性问题，通过构建本地损失更新，选择针对性的损失函数优化模型；再通过搭建联邦学习局部增量自注意力机制模型，加强具有增量学习的联邦学习框架在训练数据时的记忆，提高在联邦学习训练模型中分类任务的准确率。本发明不仅将目前所有本地模型损失的平均值添加到局部模型的损失中，帮助减少增量学习的快速遗忘的影响；还将自注意力机制用于最经典的卷积神经网络中，通过注意力机制，保留关键信息，更好地进行特征提取和选择，加强增量学习记忆。
-
公开(公告)号：CN112819413B
公开(公告)日：2023-06-20
申请号：CN202110204009.4
申请日：2021-02-24
Applicant: 南京信息工程大学
IPC: G06Q10/0835 , G06Q30/0601 , G06Q10/04 , G06Q10/0631 , G06Q10/0639
Abstract: 本发明公开了一种适用于即时物流的配送改进算法，包括以下步骤：依据骑手工作站为工作的中心点，设定骑手工作中心站点位置及骑手工作位置，计算骑手距离中心站点的位置，定义骑手工作区域；依据不同延时因素引入时间延迟，确定骑手的动态位置变化；获取关于订单及历史订单配送结果的历史数据集；将影响订单派送的因素作为参数引入多目标动态优化算法；利用降维代价函数，在参数上加上权重，定义各骑手的配送效率值；求得每个参数的权重，选择最优效率值得骑手进行订单派送。本发明就被动式派单方法进行改进，增加骑手的实时地理位置，根据平台的后台配送数据，根据骑手的实时位置信息来优化系统，选择最佳配送人员派单，提高了订单配送效率。
-
公开(公告)号：CN113554181A
公开(公告)日：2021-10-26
申请号：CN202110768514.1
申请日：2021-07-07
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于批增量方式的联邦学习训练模型。属于联邦学习训练领域，操作步骤：提出搭建具有增量学习的联邦学习框架；在联邦学习框架中保留有增量学习存在的历史遗忘性问题；针对历史遗忘性问题，通过构建本地损失更新，选择针对性的损失函数优化模型；再通过搭建联邦学习局部增量自注意力机制模型，加强具有增量学习的联邦学习框架在训练数据时的记忆，提高在联邦学习训练模型中分类任务的准确率。本发明不仅将目前所有本地模型损失的平均值添加到局部模型的损失中，帮助减少增量学习的快速遗忘的影响；还将自注意力机制用于最经典的卷积神经网络中，通过注意力机制，保留关键信息，更好地进行特征提取和选择，加强增量学习记忆。
-
公开(公告)号：CN113362160A
公开(公告)日：2021-09-07
申请号：CN202110635863.6
申请日：2021-06-08
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种用于信用卡反欺诈的联邦学习方法和装置，该方法包括：搭建具有不同欺诈类别的K个联邦学习参与方对应的局部图卷积神经网络模型；使用局部图卷积神经网络模型进行联邦学习训练；其中，采用注意力机制对联邦学习参数的聚合过程进行改进，使得每个局部图卷积神经网络模型均有与之适配的权重来进行聚合；输出全局图卷积神经网络模型，所述全局图卷积神经网络模型用于对导入的用户数据进行处理，识别其对应的欺诈类别。本发明针对现有信用卡欺诈评估方法和经典联邦学习算法的现有问题，提出了一种适应非欧式空间数据和参与方个性化特点的联邦学习算法来处理金融数据，进行信用卡反欺诈判断。
-
公开(公告)号：CN112819413A
公开(公告)日：2021-05-18
申请号：CN202110204009.4
申请日：2021-02-24
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种适用于即时物流的配送改进算法，包括以下步骤：依据骑手工作站为工作的中心点，设定骑手工作中心站点位置及骑手工作位置，计算骑手距离中心站点的位置，定义骑手工作区域；依据不同延时因素引入时间延迟，确定骑手的动态位置变化；获取关于订单及历史订单配送结果的历史数据集；将影响订单派送的因素作为参数引入多目标动态优化算法；利用降维代价函数，在参数上加上权重，定义各骑手的配送效率值；求得每个参数的权重，选择最优效率值得骑手进行订单派送。本发明就被动式派单方法进行改进，增加骑手的实时地理位置，根据平台的后台配送数据，根据骑手的实时位置信息来优化系统，选择最佳配送人员派单，提高了订单配送效率。
-
-
-
-
-
Search Results
16
records
(took 0.028 seconds)
