-
公开(公告)号：CN116226642A
公开(公告)日：2023-06-06
申请号：CN202310241963.X
申请日：2023-03-14
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F16/215 , G06Q10/04 , G06N3/048 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于多尺度特征提取及多任务对比训练的QoS预测方法，包括如下步骤：S1、获取用户的三维QoS数据，将三维的QoS数据进行降维得到一维的QoS序列，所述一维的QoS序列包括待预测值与历史时间序列；S2、通过卡尔曼滤波消除历史时间序列中存在的噪声数据，得到平滑后的QoS序列；S3、对于平滑后的QoS序列，使用基于QoS分布的增强方法，得到每个时间片上的QoS增强序列；S4、输入平滑后的QoS序列与每个时间片上的QoS增强序列至多尺度特征编码器进行编码，来分别提取序列时间特征与增强序列时间特征；S5、通过多任务对比训练预测动态服务QoS值。该方法将对比学习与QoS预测相结合，从已知的QoS数据中提取并不断优化用户的时间特征，来预测未知的QoS值。
-
公开(公告)号：CN114282645B
公开(公告)日：2023-04-21
申请号：CN202111404758.8
申请日：2021-11-24
Applicant: 杭州电子科技大学
IPC: G06N3/0464 , G06N3/045 , G06N3/0499 , G06N3/048 , G06N3/092 , G06Q10/101
Abstract: 本发明公开了一种基于DQN的时空众包任务分配方法。本发明旨在为时空众包任务提供分配策略。根据众包发起者和工作者的历史记录，提取出特征向量，然后在基于DQN设计的神经网络结构中不断训练，从而能够更好地识别出众包发起者和工作者的特点和偏好，以完成时空众包任务的分配。
-
公开(公告)号：CN115456073A
公开(公告)日：2022-12-09
申请号：CN202211113923.9
申请日：2022-09-14
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于长短期记忆的生成式对抗网络(WGAN‑LSTM)模型对流程实例运行结果进行建模分析的方法，旨在对流程实例运行结果进行精准预测，为实现业务流程的动态监管及异常预警提供支持，本发明提供一种基于长短期记忆的生成式对抗网络模型建模分析方法，包括：步骤1，待预测流程实例已经执行的事件信息进行数据预处理；步骤2，将步骤1中的数据输入GAN‑LSTM模型中进行训练，得到预测模型M；步骤3，将正在执行的待预测流程实例输入到预测模型M中，预测出该条待预测流程实例对应的结果标签。
-
公开(公告)号：CN112579057B
公开(公告)日：2022-05-13
申请号：CN202011542186.5
申请日：2020-12-23
Applicant: 杭州电子科技大学
Abstract: 本发明涉及业务流程管理领域，涉及一种支持组织架构变更的自适应业务流程引擎设计方法。本发明主要通过软件设计实现了支持组织架构变更的自适应业务流程引擎，在目前企业组织架构频繁演化、业务流程无法高效复用的场景下，面向组织架构变更的业务流程引擎的提出，业务流程影响域检测与基于影响域的流程实例迁移等方法的应用，可以有效提高业务流程的灵活性和可复用性。
-
公开(公告)号：CN114282645A
公开(公告)日：2022-04-05
申请号：CN202111404758.8
申请日：2021-11-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于DQN的时空众包任务分配方法。本发明旨在为时空众包任务提供分配策略。根据众包发起者和工作者的历史记录，提取出特征向量，然后在基于DQN设计的神经网络结构中不断训练，从而能够更好地识别出众包发起者和工作者的特点和偏好，以完成时空众包任务的分配。
-
Patent Agency Ranking
公开(公告)号：CN112819210A
公开(公告)日：2021-05-18
申请号：CN202110075526.6
申请日：2021-01-20
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种空间众包中工人可拒绝下的在线单点任务分配方法。本发明首先定义可拒绝的空间众包问题；其次收集工人和任务历史信息，根据原始数据计算工人和任务属性值；并利用主成分分析法全面分析工人对任务的兴趣度，成为每个工人和任务对的权值；然后最大匹配下最高兴趣度问题建模，讨论在约束条件下，用贪心策略实现任务分配算法，得到局部最优解；最后使用KM算法来解决最大匹配下最高兴趣度问题，得到最优解；最大匹配下最高兴趣度问题变形后，使用最小费用最大流相关算法求解最优解。本发明通过问题建模转化，讨论工人可拒绝问题在贪心策略下的分配方法，采用KM算法和MaxFlow算法解决了在线分配、最大化兴趣度问题。
-
公开(公告)号：CN118364066A
公开(公告)日：2024-07-19
申请号：CN202410318081.3
申请日：2024-03-20
Applicant: 杭州电子科技大学
IPC: G06F16/332 , G06V30/18
Abstract: 本发明公开了一种基于Adapter的大语言模型多模态轻量化融合方法及系统，该方法首先获取输入的图片和对应的问题文本，并构建图片特征提取器与映射层，对图片进行特征提取，得到图片特征。其次基于图片特征，通过构建的多模态大语言模块，获得对应的回答。最后采用两阶段训练方法训练线性映射层、多模态大语言模块，训练完成后，将问题文本和图片输入进行测试，输出答案。本发明采用混合模态适配器专家和模态注意门控，稳定训练和分配视觉权重，处理不同模态信息，缓解了模态信息纠缠的问题，实现了高效计算和训练。
-
公开(公告)号：CN118133897A
公开(公告)日：2024-06-04
申请号：CN202410291653.3
申请日：2024-03-14
Applicant: 杭州电子科技大学
IPC: G06N3/0464 , G06N3/08 , G06F18/214 , G06F18/22 , G06F18/24
Abstract: 本发明公开了一种基于特征约束和自适应损失平衡的机器遗忘方法，包括如下步骤：构建原始卷积网络模型，利用当前的全部数据D进行训练，得到原始模型mo；步骤2，初始化遗忘模型mu，随机模型mr；将原始数据集划分为待遗忘数据Df和剩余数据Dr；计算mu对于Df的每个参数的重要性Ωi；将Df分别送入mu和mr中，得到mu和mr对于Df的特征输出，通过余弦相似度计算遗忘损失Lfgt；将Dr送入mu中，通过交叉熵计算恢复损失Lrec；计算自适应平衡损失权重，即当前时刻t的遗忘损失权重wfgt(t)和恢复损失权重wrec(t)；利用步骤4中得到的参数重要性矩阵计算参数重要性正则化项；计算得到的损失结果计算得到的损失权重加权相加，得到总体损失，再进行正则化项，进行模型训练。
-
公开(公告)号：CN118114096A
公开(公告)日：2024-05-31
申请号：CN202410238820.8
申请日：2024-03-04
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06N3/098
Abstract: 本发明公开了一种基于联邦学习的个性化半监督交通模式识别方法，该方法首先中央服务器生成初始化基本模型，并选择参与用户发送使用超网络生成的自动编码器。其次参与用户使用本地GPS轨迹数据训练自动编码器，返回给中央服务器，更新用户嵌入以及超网络参数，并得到潜在特征。然后中央服务器使用潜在特征训练基本模型，参与用户本地使用带标签GPS轨迹数据集以及无GPS轨迹标签数据集训练监督MLP模型以及半监督卷积自动编码器模型。最后将基本模型、半监督卷积自动编码器模型以及两者的混合的输出送入软投票器，得出交通方式。本发明解决了数据上传可能出现的数据泄露的以及中央服务器获取用户隐私的问题。
-
公开(公告)号：CN117932141A
公开(公告)日：2024-04-26
申请号：CN202310258586.0
申请日：2023-03-17
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F18/23213 , G06N20/00 , G06N3/0985 , G06N3/098 , G06N3/084
Abstract: 本发明公开了一种基于动态适应聚类的联邦个性化推荐方法，包括如下步骤：S1、收集推荐领域的用户数据集；S2、通过系统模拟模型将数据中每一个用户作为一个客户端拆分出来并模拟出一个服务端；S3、服务端初始化一个元模型，并在所有客户端上训练元模型，得到一个能适应所有客户端的元学习器；S4、将元学习器发送到每个客户端中训练，得到能够适应相应客户端的模型参数；S5、将所有客户端的模型参数发送到服务端进行聚类，进而得到不同用户分组；S6、服务端运用簇分解合并机制，筛选出用户组中客户端数量小于一定阈值的用户组；S7、在每个用户组中运行联邦学习。该方法既可以降低所需的聚类次数从而降低通信和计算复杂度。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.032 seconds)
