公开(公告)号：CN114841063A

公开(公告)日：2022-08-02

申请号：CN202210447896.2

申请日：2022-04-26

Applicant: 重庆邮电大学

Inventor： 庞育才 ,  赵舒安 ,  段思睿 ,  刘松 ,  余翔

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F119/04

Abstract: 本发明涉及一种基于深度学习的航空发动机剩余寿命预测方法，属于计算机应用领域。该方法采用由自注意力机制和双向长短期记忆网络所组成的剩余寿命预测模型，利用该模型选择时间序列数据中的关键特征并赋予相对应的权重，然后将其输入双向长短期记忆网络层挖掘内部联系，最后通过两个全连接层的形成的映射关系获得飞机发动机的剩余寿命预测结果。本发明提高了飞机发动机的剩余寿命的预测精度，为飞机发动机的健康管理、运行和维护决策提供了有力支持。

公开(公告)号：CN112633604B

公开(公告)日：2022-04-22

申请号：CN202110003286.9

申请日：2021-01-04

Applicant: 重庆邮电大学

Inventor： 余翔 ,  王潇潇 ,  庞育才 ,  段思睿

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/06

Abstract: 本发明涉及一种基于I‑LSTM的短期用电量预测方法，属于电力系统预测领域。该方法包括以下步骤：S1：收集电力系统的历史数据，并处理不完整数据和异常值；S2：根据时间将数据划分为训练集、验证集和测试集；S3：构建混合长短记忆网络I‑LSTM模型，并将训练集输入I‑LSTM网络模型进行训练；S4：设置I‑LSTM网络模型的网络损失函数、优化算法、学习速率和batchsize；S5：预测测试集，根据验证集准确变化情况得到的模型，得到测试集的预测结果。本发明能更好地挖掘用户历史数据序列中的关键信息以及用户用电量数据之间的特征关系，有效地提升用户用电量预测精度和稳定性。

公开(公告)号：CN107918108A

公开(公告)日：2018-04-17

申请号：CN201711125061.0

申请日：2017-11-14

Applicant: 重庆邮电大学

Inventor： 刘松 ,  庞育才 ,  翁明江 ,  余翔

IPC: G01S3/46

CPC classification number: G01S3/46

Abstract: 本发明涉及一种均匀圆阵二维波达方向快速估计方法，属于波达方向估计技术领域。该方法先根据圆阵阵元实际位置构造一个正交十字虚拟参考阵列，将二维角度空间均匀划分成多个网格并确定每个网格的中心方向；然后将每个网格中心方向作为初始相位补偿角，分别计算出针对x轴虚拟线阵和y轴虚拟线阵的两个相位补偿矩阵并对估计得到的信号子空间分别进行相位补偿；再施行经典二维ESPRIT算法，得到两个子空间拟合矩阵，联合其特征值分解后的特征向量以及特征值，获得新的二维角度估计并作为新的相位补偿角进行迭代相位补偿，直到获得稳定收敛的角度估计并作为信号的波达方向估计。本发明能快速获得基于均匀圆阵二维波达方向估计，并且估计结果具有统计无偏性。

公开(公告)号：CN115859177B

公开(公告)日：2025-05-06

申请号：CN202211479507.0

申请日：2022-11-24

Applicant: 重庆邮电大学

Inventor： 庞育才 ,  杨周 ,  肖云鹏 ,  韦世红 ,  段思睿 ,  李暾 ,  李茜 ,  李薛宏

IPC: G06F18/2411 ,  G06F18/214 ,  G06N3/006 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明涉及一种航空发动机的故障诊断方法，包括获取具有标签信息的原始航空发动机故障数据并将原始航空发动机故障数据划分为训练集和测试集；将训练集输入稀疏自编码器SAE并通过反向传播机制对稀疏自编码器SAE进行训练；将测试集中的样本输入训练好的稀疏自编码器SAE通过隐藏层降维得到稀疏样本向量；将稀疏样本向量输入SVM多分类器输出稀疏样本向量的预测结果，根据稀疏样本向量的预测结果和稀疏样本向量的标签信息利用粒子群算法计算SVM多分类器的最优参数；将目标航空发动机故障数据的稀疏样本向量输入SVM多分类器输出目标航空发动机故障数据的故障类别。

公开(公告)号：CN115587633B

公开(公告)日：2024-11-22

申请号：CN202211382618.X

申请日：2022-11-07

Applicant: 重庆邮电大学

Inventor： 肖云鹏 ,  彭锦华 ,  李茜 ,  庞育才 ,  李暾 ,  王国胤

IPC: G06N20/00 ,  G06F18/22 ,  G06F18/23213

Abstract: 本发明属于联邦学习技术应用领域，尤其涉及一种基于参数分层的个性化联邦学习方法；本发明包括：客户端在联邦学习前对本地模型进行参数划分，得到基础层参数和个性化层参数，将基础层参数与个性化层参数在每次联邦学习中进行更新，并基于更新后的基础层参数对客户端进行聚类划分，从而获取每个小组的组平均权重上传给服务器，服务器更新基础层参数；联邦学习完成后得到最优的基础层参数下发给客户端，客户端采用本地数据对本地模型进行训练得到个性化的本地模型；本发明通过参数分层和联邦训练中的聚类划分可以缓解每个客户端的非独立同分布数据所带来的异质性问题，有助于每个客户端最终的模型更适应于它本地的数据。

公开(公告)号：CN115829009B

公开(公告)日：2024-10-29

申请号：CN202211391786.5

申请日：2022-11-08

Applicant: 重庆邮电大学

Inventor： 肖云鹏 ,  张群清 ,  李暾 ,  李茜 ,  庞育才 ,  王蓉 ,  王国胤

IPC: G06N3/0475 ,  G06N3/0895

Abstract: 本发明涉及联邦学习领域，特别涉及一种隐私保护下基于半监督联邦学习的数据增强方法，包括构建带辅助分类器的生成对抗网络ACGAN，将改进的Dropout加入ACGAN，将已标注的数据输入ACGAN进行数据增强；构建包括一个中心服务器和C个客户端的Cycle‑Fed模型，利用已标注样本和增强样本对Cycle‑Fed模型进行训练，并将未标注的样本的数据输入Cycle‑Fed模型预测得到伪标注样本；将伪标注样本输入ACGAN的鉴别器进行鉴别，得到具有双重置信度的伪标注样本，完成数据增强；本发明不仅能够大大减小客户端与服务器之间的通信代价，而且能够利用大量未标注数据进行半监督联邦学习。

公开(公告)号：CN118759447A

公开(公告)日：2024-10-11

申请号：CN202410857128.3

申请日：2024-06-28

Applicant: 重庆邮电大学

Inventor： 刘松 ,  郭杨 ,  庞育才 ,  翁明江

IPC: G01S3/14 ,  G06F30/20 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06F17/16

Abstract: 本发明涉及一种基于多标签条件生成对抗网络稀疏重构的互质相控阵列DoA估计方法，属于计算机人工智能领域。首先进行数据预处理，将归一化互质阵列协方差矩阵的实部和虚部数据作为生成器的特征输入，同时将待重构的均匀阵列的协方差矩阵作为生成器特征输出；最后，对生成的均匀阵列协方差应用旋转不变性的信号参数估计技术来获得目标信号的DoA估计。仿真实验表明，mcGAN能有效控制目标模式的生成，避免了模式错配或模式崩溃，并且生成器具有较好的泛化能力。基于重构数据，mcGAN‑ESPRIT能快速、准确地获得目标信号的DoA估计，特别是对空间对紧邻信号有较好的空间辨识能力，从而验证了所提算法的有效性和精确性。

公开(公告)号：CN115936110B

公开(公告)日：2024-09-03

申请号：CN202211458846.0

申请日：2022-11-18

Applicant: 重庆邮电大学

Inventor： 肖云鹏 ,  莫浩南 ,  李暾 ,  贾朝龙 ,  庞育才 ,  王蓉 ,  王国胤

IPC: G06N3/098 ,  G06N3/0464 ,  G06F18/23 ,  G06F18/2135 ,  G06F18/214 ,  G06F18/25 ,  G06F9/50

Abstract: 本发明涉及一种缓解异构性问题的联邦学习方法，包括初始化所有客户端的任务量和历史训练数据；选取M个客户端作为第一客户端；并根据客户端的资源报告生成客户端的特征向量；将全局模型和第一客户端的任务量发送给第一客户端对全局模型训练获得本地模型；将客户端上传的本地模型进行聚合得到下一轮迭代训练的全局模型；利用全局模型的训练数据对第一客户端进行更新；服务器根据第一客户端向服务器上传的本地模型和利用辅助数据集重新划分下一轮全局模型迭代训练的第一客户端和第二客户端；并重复执行步骤S2‑S6，直至达到预设的训练轮数为止，输出最终全局模型。

公开(公告)号：CN117037483A

公开(公告)日：2023-11-10

申请号：CN202310995264.4

申请日：2023-08-09

Applicant: 重庆邮电大学

Inventor： 贾朝龙 ,  黄冰宇 ,  王蓉 ,  李暾 ,  庞育才 ,  段思睿 ,  肖云鹏

IPC: G08G1/01 ,  G08G1/052 ,  G06Q10/04 ,  G06Q50/26 ,  G06N3/0442 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明涉及一种基于多头注意力机制的交通流预测方法，包括获取目标道路所在目标区域的路网地理图及其历史交通流数据；构建地理邻域子图和语义相似性子图；利用多头注意力机制分别计算地理邻域子图和语义相似性子图中道路节点与其相邻节点之间的权重，更新地理邻域子图和语义相似性子图的邻接矩阵；利用参数融合法将更新后的地理邻域子图和语义相似性子图的邻接矩阵进行融合得到融合矩阵，根据融合矩阵利用GCN提取目标道路节点的时空特征序列；将目标道路节点的时空特征序列和目标道路节点的交通流数据输入双向GRU模型，根据双向GRU模型的正向输出和反向输出通过全连接层得到目标道路节点的交通流预测结果。

公开(公告)号：CN116319583A

公开(公告)日：2023-06-23

申请号：CN202310207576.4

申请日：2023-03-06

Applicant: 重庆邮电大学

Inventor： 段思睿 ,  张弦 ,  余翔 ,  庞育才 ,  肖云鹏 ,  王蓉

IPC: H04L47/2441 ,  H04L9/40 ,  G06F18/2415 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明属于计算机人工智能领域，具体涉及一种基于GCNN和MoE的加密网络流量分类方法，包括：将一段时间内的移动应用程序的流量数据划分为多个长度相同的流量块；将流量块转换为具有节点特征和边缘权重的图数据集；构建基于图卷积神经网络GCNN和混合专家系统的移动应用程序的加密网络流量分类模型，并对该模型进行训练；将待测数据的图数据集输入加密网络流量分类模型，得到分类结果；本发明实现了更高的分类性能，解决了传统机器学习方法和传统CNN、RNN等神经网络模型分类精确度不高及性能较差等问题。