-
公开(公告)号：CN117235804A
公开(公告)日：2023-12-15
申请号：CN202311516901.1
申请日：2023-11-15
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06F21/62 , G06F21/64 , G06F18/213
Abstract: 本申请公开了一种数据集确权方法、系统、装置及介质，涉及区块链技术领域，解决传统方案中存在的确权准确性低、效率低的问题。该方案接收目标数据集对应的数据包并上链；将数据包发送至可信第三方使可信第三方基于目标数据集的特征值、待比较数据集的特征值和确权函数确定确权结果。可见，本申请使用基于多个特征提取函数计算的多个特征值，并与待比较数据集的特征值进行比较，可以增强确权的准确性，避免出现由于数据集修改或调整顺序导致无法判别数据所有权或发现数据泄露的情况。此外，利用区块链系统使得数据集的确权结果可以被公开查询和验证，提高了数据集的确权和溯源的透明度，还通过可信第三方提高了确权结果的准确性。
-
公开(公告)号：CN115906998A
公开(公告)日：2023-04-04
申请号：CN202211448100.1
申请日：2022-11-18
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06N3/092 , G06N3/048 , G06F40/242 , G06F16/31
Abstract: 本申请公开一种Q网络控制方法、装置及可读存储介质，涉及电子信息领域。本申请所提供的Q网络控制方法中预设行为是在行为空间A中随机选择的行为或利用数据库算子在行为空间A选择的最优行为。且从经验池中抽取出多个经验样本，并基于数据库算子计算得到对应的预期收益，最后根据预期收益更新Q网络的参数及向量索引以及目标Q网络的参数及向量索引，其中数据库算子为基于近似最近邻搜索技术实现的算子。与以往的训练控制方法相比，本方案中引入了近似最近邻搜索技术得到数据库算子，从而极大减小了搜索范围。与以往DQN遍历所有的动作空间相比，增加了训练以及决策效率，能够应用于大规模离散行为场景。
-
公开(公告)号：CN115842668A
公开(公告)日：2023-03-24
申请号：CN202211482014.2
申请日：2022-11-24
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: H04L9/40
Abstract: 本申请公开了一种信息传播源的确定方法、系统、电子设备及存储介质，所属的技术领域为数据分析技术。所述信息传播源的确定方法包括：接收传播源追溯请求，根据所述传播源追溯请求确定候选集；其中，所有设备包括候选集中的设备和不在候选集中的设备；确定所述候选集中的设备均未处于感染状态的起始时刻ts；查询所有设备从所述起始时刻ts至所述截止时刻te的所有通信事件，按照时间顺序利用智能体依次对每一所述通信事件执行决策操作，得到所述目标信息的传播轨迹；根据所述传播轨迹确定信息传播源。本申请能够提高对信息传播源的追溯精度。
-
公开(公告)号：CN115578876A
公开(公告)日：2023-01-06
申请号：CN202211259650.9
申请日：2022-10-14
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G08G1/0967 , G08G1/0968
Abstract: 本申请公开了一种车辆的自动驾驶方法、系统、设备及存储介质，应用于机器学习技术领域，包括：规划出参考路径并确定出用于反映车辆静态路径的静态导航信息；根据车载传感设备和路侧传感设备的检测内容，通过特征提取，得到用于反映车辆自身驾驶状态的感知状态输入量；确定出用于反映车辆与环境交互过程中的历史决策信息的关联性特征；接收路侧系统反馈的用于反映路侧传感设备的检测区域内的各车辆未来行为的行为预测信息；将静态导航信息，感知状态输入量，关联性特征以及行为预测信息作为输入量输入至深度强化学习模型，得到深度强化学习模型输出的驾驶策略并执行。应用本申请的方案，可以有效地实现车辆的自动驾驶方法，保证行车安全。
-
公开(公告)号：CN117097624A
公开(公告)日：2023-11-21
申请号：CN202311346769.4
申请日：2023-10-18
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: H04L41/12 , H04L41/0823 , H04L41/16 , H04L41/0894 , G06N3/042 , G06N3/092
Abstract: 本发明提供一种网络拓扑结构增强方法、装置、电子设备及存储介质，涉及网络拓扑结构增强领域，可基于强化学习的智能体对待增强网络拓扑结构进行多轮动作决策处理，得到需在待增强网络拓扑结构中增加的多条链路，并利用这多条链路对待增强网络拓扑结构进行增强，其中在每轮动作决策中，智能体均可基于本轮网络拓扑结构对应的、丰富的表示信息对本轮网络拓扑结构进行充分感知，从而可高质量地选择目标设备，并在目标设备与本轮网络拓扑结构中的待连接网络设备间新增链路，或将目标设备标记为本轮网络拓扑结构中新的待连接网络设备；这样可确保智能体可在对待增强网络拓扑结构进行充分感知的前提下，高质量地对待增强网络拓扑结构进行增强。
-
Patent Agency Ranking
公开(公告)号：CN116974729A
公开(公告)日：2023-10-31
申请号：CN202311227744.2
申请日：2023-09-22
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06F9/48
Abstract: 本申请公开了一种大数据作业的任务调度方法、装置及电子设备和存储介质，涉及计算机技术领域，该方法包括：获取目标作业的有向无环图；通过并行度约束使得被分配至同一任务组的可并行执行任务对的数量小于或等于第一预设数量；通过组内任务约束使得每个任务组包含的任务数量小于或等于第二预设数量；通过目标变量描述任务对中的两个任务是否被分配至同一任务组，通过目标函数描述所有属于不同任务组中两个任务之间的通信量之和；在并行度约束和组内任务数约束下确定目标函数的值最小时每个任务组包含的任务；将任务组中的任务分配至对应的处理核心执行，同一任务组中的任务被分配至同一服务器的处理核心执行。本申请提高了大数据作业的处理效率。
-
公开(公告)号：CN116822659A
公开(公告)日：2023-09-29
申请号：CN202311110625.9
申请日：2023-08-31
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06N20/00 , G06F18/214
Abstract: 本发明公开了一种自动驾驶运动技能学习方法、系统、设备及计算机介质，应用于自动驾驶领域，获取目标对象在当前轮自动驾驶训练过程中的目标驾驶数据，目标驾驶数据包括目标驾驶状态、第一运动技能参数、第二运动技能参数、目标奖励函数值；基于目标驾驶数据对驾驶策略生成网络进行训练，得到当前轮训练好的驾驶策略生成网络；其中，第一运动技能参数包括驾驶策略生成网络生成的运动技能参数；第二运动技能参数包括人工控制下生成的运动技能参数；目标奖励函数值包括对目标驾驶状态和运动技能参数进行匹配度评价后生成的值；运动技能参数包括轨迹参数和速度曲线参数。提高了模型训练的安全性、效率和准确性，适用性好。
-
公开(公告)号：CN114817989A
公开(公告)日：2022-07-29
申请号：CN202210465805.8
申请日：2022-04-29
Applicant: 浪潮(北京)电子信息产业有限公司
Abstract: 本申请公开了一种模型生成方法、运行控制方法、装置、设备及可读存储介质，模型生成方法包括：根据专家演示数据确定专家策略模型；对专家策略模型进行差分隐私处理；根据专家隐私策略模型及在差分隐私处理时的偏差界限及目标策略模型确定目标策略模型在深度强化学习中的优化函数；根据优化函数利用深度强化学习从专家隐私策略模型及目标策略模型与环境的交互中对目标策略模型进行迭代更新，得到最终的目标策略模型。本申请公开的技术方案，对专家策略模型进行隐私保护，并根据差分隐私的偏差界限确定目标策略模型的优化函数，且使目标策略模型从专家策略和与环境的交互中更新，以提升模型隐私安全性与性能，从而既保证控制性能又提高隐私安全性。
-
公开(公告)号：CN117671616A
公开(公告)日：2024-03-08
申请号：CN202311616140.7
申请日：2023-11-29
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06V20/54 , G01S7/41 , G06V10/80 , G06V10/762
Abstract: 本发明涉及路侧感知技术领域，公开了一种目标识别方法、装置、设备和存储介质，获取道路场景对应的历史点云数据、获取当前时间下道路场景对应的当前点云数据以及当前图像；根据可行驶三维空间范围、雷达标定参数以及历史点云数据，对当前点云数据进行滤波处理，以得到待识别点云数据；根据BEV融合感知算法对当前图像以及待识别点云数据进行分析，以得到初始目标检测结果；按照设定的多个距离阈值对待识别点云数据进行多尺度聚类处理，以确定出目标三维包罗框；对目标三维包罗框以及初始目标检测结果进行结果整合，以得到最终的目标检测结果；目标检测结果包含识别出的车辆类型及其对应的三维包罗框，保证了在路侧复杂场景下对目标的准确识别。
-
公开(公告)号：CN116861261A
公开(公告)日：2023-10-10
申请号：CN202311127103.X
申请日：2023-09-04
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/094 , G06V10/774 , G06V10/80 , G06V10/82 , G06F18/25 , G01S13/86 , G01S13/931 , G01S15/86 , G01S15/931 , G01S17/86 , G01S17/931
Abstract: 本发明提供一种自动驾驶模型的训练方法、部署方法、系统、介质和设备，涉及机器学习领域，包括：获取数据集；数据集中的样本包括正常场景数据和干扰场景数据；从数据集中选取第一正常场景样本和第一干扰场景样本，利用第一算法训练得到第一感知模型；从数据集中选取第二正常场景样本和第二干扰场景样本，利用第二算法结合第一感知模型使用干扰特征知识蒸馏方法和元网络对抗知识蒸馏方法，训练得到第二感知模型；将第二感知模型部署至自动驾驶系统中。本发明能避免高质量特征和低质量特征同时被蒸馏，提升了知识蒸馏的效果，便于对第二感知模型中低质量的抗干扰特征进行针对性的知识蒸馏，有效提升了第二感知模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.032 seconds)
