-
公开(公告)号：CN114021836B
公开(公告)日：2023-05-16
申请号：CN202111352050.2
申请日：2021-11-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不同角度融合的多变量水库入水量预测系统、训练方法及应用，基于水库各变量历史观测值，首先通过随机循环神经网络和生成模型获得符合多模态分布的隐变量，然后通过注意力模型获得注意力矩阵，再将符合多模态分布的隐变量和注意力矩阵输入多层感知机，便可实现未来水库入水量的预测；相较于传统的人工经验判断和统计学方法，本发明对特定的场景具有建模能力；相较于传统的循环神经网络，本发明可以更好地捕捉多个观测值之间的关联和时间上较长的依赖，因而具有更高的准确率，不仅节省了大量的人力和物理成本，而且其预测结果也更有价值。
-
公开(公告)号：CN110147892B
公开(公告)日：2021-05-25
申请号：CN201910443857.3
申请日：2019-05-27
Applicant: 电子科技大学
Abstract: 本发明公开了基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法，本发明首先通过循环轨迹编码器和变分轨迹编码器分别获取轨迹语义向量和变分隐变量，再基于变分注意力机制获取轨迹的注意力向量，并将其与变分隐变量进行级联，从而重建解码器的输入数据，最后依据解码器输出语义向量恢复先前轨迹和生成预测轨迹。本发明通过编码器‑解码器的框架解决了轨迹上下文学习的问题，并完成了人类移动模式推测的两个子任务——轨迹恢复和轨迹预测，不仅可以估计概率密度并优化数据可能性的下限，还能够捕获人类移动性的顺序和时间特征，有效地解决了根据轨迹上下文感知进行轨迹推测的问题，为人类移动模式的推测带来效果上的提高。
-
公开(公告)号：CN110826698A
公开(公告)日：2020-02-21
申请号：CN201911066089.0
申请日：2019-11-04
Applicant: 电子科技大学
Abstract: 本发明提出了一种新的通过上下文相关的图嵌入模型来表示人群移动的方法。该方法首先根据用户的历史轨迹生成一个全连通的上下文相关图，并首次实现了将词嵌入技术应用于图模型，学得融合了上下文语义信息的签到点向量表示，进而通过循环神经网络得到每条轨迹的向量表示，然后引入强化学习的方法找出当前轨迹的产生者。在整个模型的训练过程中，本发明利用带标签的轨迹和不带标签的轨迹同步进行训练，与此同时，本发明还利用对抗学习中的策略梯度方法更新模型参数，进一步增强了模型性能。
-
公开(公告)号：CN110232480A
公开(公告)日：2019-09-13
申请号：CN201910515356.1
申请日：2019-06-14
Applicant: 电子科技大学
Abstract: 本发明提供了一种利用变分的正则化流实现的项目推荐模型训练方法及项目推荐方法，采用带注意力机制的循环神经网络并加入正则化流的变分推断，通过学习会话序列的隐含变量，为用户推荐下一次点击的项目，只通过用户点击过的项目序列数据就可以稳定有效地近似推断整个会话序列的下一次点击项目，而且预测模型加入注意力机制来增强会话中重要的项目点的权重，大大提高了预测的精确度。此外，本发明在模型中加入了变分的正则化流去学习隐含变量的真实分布，这可以减小传统的变分模型(比如VAE)在基于会话的推荐问题中的误差。
-
公开(公告)号：CN109635989A
公开(公告)日：2019-04-16
申请号：CN201810999492.8
申请日：2018-08-30
Applicant: 电子科技大学
CPC classification number: G06Q10/04
Abstract: 本发明公开了一种基于多源异构数据融合的社交网络链路预测的方法，利用包含用户关系拓扑图和用户签到记录这两种异构数据源的基于地理位置信息的社交网络进行链路预测。本发明提出一种混合的框架，通过模型AL充分捕获基于地理位置信息的社交网络中用户关系拓扑图和用户签到记录这两种异构数据源之间的关联，克服使用基于地理位置信息的社交网络中单数据源进行链路预测时，预测结果不准确的问题，有效地提升了链路预测的效果。同时应用局部敏感哈希提高深度学习进行训练的计算速度并降低存储开销。
-
Patent Agency Ranking
公开(公告)号：CN113705099B
公开(公告)日：2023-06-13
申请号：CN202111008424.9
申请日：2021-08-31
Applicant: 电子科技大学
IPC: G06F30/27 , G06F18/214 , G06N3/0464 , G06N3/09 , G06F18/241
Abstract: 本发明公开了一种基于对比学习的社交平台谣言检测模型构建方法及预测方法，利用事件增强对原始数据集进行扩充和增强，再将增强后的数据输入对比学习和图神经网络进行自监督图表示学习，得到无标签训练下的模型。然后用部分或全部有标签的数据对网络模型进行训练，利用有监督的信息对模型进行微调，得到代表源博文信息的嵌入表示，最后输入神经网络分类器，获得谣言的分类结果。本发明基于图神经网络的对比学习方法和事件增强策略，缓解了现实情况下谣言数据集稀缺、制作数据集标签困难的现状。进一步，本发明将学习到的谣言嵌入表示输入神经网络分类器，从而达到对在线网络平台谣言检测的目的。
-
公开(公告)号：CN114884877A
公开(公告)日：2022-08-09
申请号：CN202210666799.2
申请日：2022-06-14
Applicant: 电子科技大学
IPC: H04L45/74 , H04L45/7453 , H04L45/748 , H04L45/00 , H04L101/659
Abstract: 本发明属于路由查找技术领域，具体来说是涉及一种哈希表和HOT相结合的IPv6路由查找方法。本发明在分析骨干路由表前缀地址分布规律的基础上，提出一种哈希表与HOT相结合的路由查找算法，其核心思想在于将地址前缀分成两个区间，第一区间不易发生冲突，采用哈希表存储，第二区间查询更新频繁，采用HOT存储。经验证，本发明的方法在查询时间以及空间占用等方面都具有较好的性能。
-
公开(公告)号：CN114609631A
公开(公告)日：2022-06-10
申请号：CN202210227542.7
申请日：2022-03-08
Applicant: 电子科技大学
Abstract: 本发明公开一种基于生成对抗网络的合成孔径雷达欠采样成像方法，应用于雷达技术领域，针对基于卷积神经网络(CNN)的SAR欠采样成像方法对复杂背景目标方位模糊抑制性能差、以及对原始图像细节保留不够完整和准确等问题，本发明将SAR信号处理与生成对抗网络(GAN)相结合，生成网络的代价函数Cost Function选取为L1‑范数，判别网络的代价函数Cost Function选取为二元交叉熵函数；GAN网络通过L1‑范数感知图像的低频信息，通过判别网络感知图像的高频信息；采用本发明的方法能够有效提高对复杂背景的SAR欠采样成像质量。
-
公开(公告)号：CN109635989B
公开(公告)日：2022-03-29
申请号：CN201810999492.8
申请日：2018-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多源异构数据融合的社交网络链路预测的方法，利用包含用户关系拓扑图和用户签到记录这两种异构数据源的基于地理位置信息的社交网络进行链路预测。本发明提出一种混合的框架，通过模型AL充分捕获基于地理位置信息的社交网络中用户关系拓扑图和用户签到记录这两种异构数据源之间的关联，克服使用基于地理位置信息的社交网络中单数据源进行链路预测时，预测结果不准确的问题，有效地提升了链路预测的效果。同时应用局部敏感哈希提高深度学习进行训练的计算速度并降低存储开销。
-
公开(公告)号：CN113887806A
公开(公告)日：2022-01-04
申请号：CN202111169186.X
申请日：2021-10-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种长尾级联流行度预测模型、训练方法及预测方法，该长尾级联流行度预测模型包括骨干网络、以及位于骨干网络之后的回归器，回归器包括并行设置的原始回归器和子网络SUB；骨干网络和原始回归器构成长尾级联流行度预测模型的基线模型；骨干网络用于提取长尾级联的时间特征和空间特征；原始回归器用于得到该长尾级联流行度的原始预测值；述子网络SUB用于得到该长尾级联流行度的加权偏差；以该长尾级联流行度的原始预测值与加权偏差之和作为最终流行度预测值。本发明利用解耦的思想，整个模型训练分为两个阶段，首先利用不同的采样策略来提取骨干网络的特征表示，然后将骨干网络的参数固定住，再通过几种不同的方法微调回归器，该回归器结合了原始的预测值和由子网络SUB产生的加权偏差值，达到更准确预测流行度的目的。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.053 seconds)
