-
公开(公告)号：CN112925210B
公开(公告)日：2021-09-07
申请号：CN202110508067.6
申请日：2021-05-11
Applicant: 北京三快在线科技有限公司 , 清华大学
Abstract: 本说明书公开了一种模型训练和控制无人设备的方法及装置，本说明书实施例在强化学习网络之外独立设置安全性验证的模块，当强化学习网络输出的控制策略不能通过安全性验证时，采用非强化学习算法模块出的控制策略作为待优化控制策略，并以待优化控制策略所能获得的奖励最大化为目标，对强化学习网络进行训练。这样，在对包含上述强化学习网络和非强化学习算法模块的强化学习模型在训练时，既不需要高精度的虚拟仿真系统，也极大的降低了实车试验的成本，训练后的强化学习模型也能适用于多种复杂场景。
-
公开(公告)号：CN110927606A
公开(公告)日：2020-03-27
申请号：CN201911071955.5
申请日：2019-11-05
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
IPC: G01R31/392 , G01R31/367
Abstract: 本申请的实施例提供了一种电池状态监测方法、装置、计算机可读介质及电子设备。该监测方法包括：获取电池的第一特征参数；根据所述电池的第一特征参数，确定所述电池的第二特征参数；将所述电池的第一特征参数和/或第二特征参数输入事先训练的电池状态监测模型，输出电池状态参数；基于所述电池状态参数，监测所述电池的状态。本申请实施例的技术方案可以增强在不同情况下对电池状态进行监测的可移植性。
-
公开(公告)号：CN110866592A
公开(公告)日：2020-03-06
申请号：CN201911032274.8
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 本发明实施例公开了一种模型训练方法、装置、能效预测方法、装置和存储介质，其中，通过获取数据中心的历史能耗使用效率，以及获取对应的历史能耗使用效率相关数据，并构建时序训练集和时序测试集；再构建基于长短期记忆网络结构的循环神经网络模型，并根据时序训练集对循环神经网络模型进行训练，直至循环神经网络模型收敛；最后根据时序测试集对收敛的循环神经网络模型的进行校验，当校验通过时，将收敛的循环神经网络模型作为用于预测数据中心的能耗使用效率的能耗使用效率预测模型。相比于现有技术，本发明能够使得训练得到能耗使用效率预测模型的预测准确度较高，从而更准确的对数据中心的能耗使用效率进行预测。
-
公开(公告)号：CN110826784A
公开(公告)日：2020-02-21
申请号：CN201911032270.X
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 本发明实施例公开了能源使用效率的预测方法、装置及存储介质和终端设备，应用于人工智能的信息处理技术领域。能源使用效率的预测装置会获取模块化数据中心在预置时间段内N个时刻的环境变量参数，并利用效率预测模型中的特征提取模块分别提取N个时刻的环境变量参数的特征信息，将N个时刻的特征信息进行关联得到综合特征信息，再由效率预测模型中的预测模块根据综合特征信息输出模块化数据中心的未来能源使用效率。上述效率预测模型是机器学习模型，该机器学习模型可以结合一段时间段内多次采集的环境变量参数，得到未来能源使用效率，可以较为准确地预测到未来能源使用效率，能很好地指导运维人员创建绿色化程度较高的模块化数据中心。
-
公开(公告)号：CN110781595A
公开(公告)日：2020-02-11
申请号：CN201911030217.6
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 本发明实施例提供了一种能源使用效率PUE的预测方法、装置、终端及介质，其中，所述方法包括：获取数据中心的环境特征数据，所述环境特征数据为影响所述数据中心PUE预测的环境数据；利用PUE预测模型对所述环境特征数据进行PUE预测，得到预测PUE值；其中，所述PUE预测模型为根据所述数据中心的历史影响数据训练获得，所述历史影响数据包括PUE特征数据和真实PUE值。通过实施本发明，可以提高PUE预测准确度。
-
Patent Agency Ranking
公开(公告)号：CN110443153A
公开(公告)日：2019-11-12
申请号：CN201910636650.8
申请日：2019-07-15
Applicant: 清华大学
IPC: G06K9/00
Abstract: 本发明公开了一种面向建筑内监控视频的人数标定辅助方法及系统，其中，该方法包括以下步骤：检测每个摄像头的关键区域；对每个摄像头的关键区域进行混合高斯背景建模，并提取各个原始视频中有人员经过的关键段落；将每一次进出标为一个事件，并对人数变化事件进行标定。该方法可以选择更加复杂的关键区域形状，而不局限于规则的矩形，还可用其它背景建模方法建立背景模型，还可用除感知哈希以外的方法完成运动目标检测，从而能够并行处理大量的监控摄像头数据内容，去除原始视频中的无人片段，大幅减少人工筛查成本，适应建筑内部的典型公共区域场景以及早晚的光线变动，实现更高效率的人机协同合作的人数标定方法。
-
公开(公告)号：CN110309560A
公开(公告)日：2019-10-08
申请号：CN201910512150.3
申请日：2019-06-13
Applicant: 清华大学
IPC: G06F17/50
Abstract: 本发明提出一种多层级迁移模拟方法和装置，其中，方法包括：根据建筑的结构建立多层级的建筑拓扑，其中，多层级的建筑拓扑中的第一层包含楼层建筑拓扑，第二层包含楼层区域建筑拓扑，第三层包含楼层区域内网格化建筑拓扑；获取模拟实验的多个人员的日程安排；根据日程安排获取多个人员中每个人员的停留时间段，并根据预设模拟算法模拟每个人员在对应停留时间段内，在建筑拓扑中的状态转移位置；根据状态转移位置计算建筑的运行能耗参数。由此，体现了分层级、多尺度的思想，节省了计算机的存储空间和计算资源，体现人员在不同空间尺度上的迁移特点，可以较为真实地模拟建筑内的人员分布情况，估算建筑运行。
-
公开(公告)号：CN102621886B
公开(公告)日：2013-11-06
申请号：CN201210033864.4
申请日：2012-02-15
IPC: G05B13/04
Abstract: 本发明涉及一种根据建筑物内区域人数分布对能源设备进行控制的方法，属于建筑节能和消防疏散技术领域。本发明方法中使用人员进出检测装置、人体探测装置和区域控制器。本发明方法一方面利用区域内人体探测装置探测到区域无人时，对区域人数置零，另一方面通过对建筑物区域划分，根据区域功能特点对人员在该区域停留时间进行估计，根据进出检测装置检测人员进出区域时间，与该区域人员停留时间特点进行比较，实现对区域内人数偏差的修正。本方法得到的建筑物内区域人数分布，直接通过控制器对区域内的用电设备和消防疏散设备等进行控制，提高了建筑节能的效果、突发事件发生时的疏散效率，保证建筑物内人员安全。
-
公开(公告)号：CN119886201A
公开(公告)日：2025-04-25
申请号：CN202411958197.X
申请日：2024-12-27
Applicant: 清华大学
IPC: G06N3/006 , G06N20/00 , G06Q10/0631 , G06Q50/06 , H02J3/00
Abstract: 本说明书实施例涉及电力系统自动化技术领域，提供了一种多智能电网供需匹配问题求解方法、装置及设备，包括：将每一智能电网作为一智能体，构建多个智能体的共享行动价值表，共享行动价值表包括每一状态动作对的行动价值均值、行动价值方差及采样次数；根据预先设定的采样策略对每一智能体在不同状态动作对的行动价值进行采样，得到每一智能体在每一状态动作对的行动价值采样值，并更新共享行动价值表；根据更新后行动价值表确定最优策略，将所述最优策略作为每一智能电网供需匹配问题的最优解。通过本说明书实施例，能够在有限计算资源下通过智能体之间的信息共享选择出最优动作，提高多智能体学习最优策略的效率。
-
公开(公告)号：CN118674068A
公开(公告)日：2024-09-20
申请号：CN202410804234.5
申请日：2024-06-20
Applicant: 清华大学 , 南方电网科学研究院有限责任公司
IPC: G06N20/00 , G06F17/18 , G06Q10/067 , G06Q10/0631 , G06Q50/06
Abstract: 本发明涉及强化学习领域，提供了一种被控系统运行调度的监督强化学习方法及装置，包括：确定各状态‑动作对的Q因子、Q因子样本方差以及已消耗样本总量；计算各状态下各非观测最优动作的重要性，将重要性排名前△M个非观测最优动作发送至监督者；调整已消耗采样总量，利用采样数据分配算法对各状态‑动作对的Q因子样本方差及已消耗样本总量进行分析得到各状态下各动作目标样本量；确定各动作补充采样数量；根据各动作补充采样数量进行补充采样，利用补充采样结果重新确定之前的步骤；判断已消耗样本总量满足动作采样数量约束条件，若是，则输出各状态下观测到的最优动作，本发明能够将监督者的监督与采样数据融合起来，提升学习效率及性能。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.049 seconds)
