-
公开(公告)号：CN112463141B
公开(公告)日：2021-12-14
申请号：CN202011338284.7
申请日：2020-11-25
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于BPMN的微服务工作流部署方法，涉及工作流引擎领域，具体为：用户通过流程编辑界面串接各图元，以bpmn格式进行存储，然后筛选各个图元的每个元素，将其分为节点类元素和关系类元素；对每个节点类中各元素，去除变量名id和值，将剩余的变量名和值写入YAML中的数组对象template中；同时，对每个关系类中各元素，根据变量名start和end中的变量值，得到工作流的执行顺序，并写入YAML中的数组对象dependencies中；将添加完声明信息的YAML文件提交给工作流部署引擎，针对当前微服务，引擎读取对象类DAG，获得元素的先后执行顺序；并查找对象类Templates中对应的元素，按顺序将所有元素执行完毕后，对节点类的微服务执行完毕；本发明大大降低了微服务部署的门槛。
-
公开(公告)号：CN112950147A
公开(公告)日：2021-06-11
申请号：CN202110134182.1
申请日：2021-01-29
Applicant: 北京航空航天大学
IPC: G06Q10/10 , G06Q50/10 , G06F16/903 , G06F16/907
Abstract: 本发明提供了一种基于场景的智能适配服务的方法及系统，所述方法包括如下步骤：步骤1、系统获取场景关键信息；步骤2、根据所述获取的关键信息判断系统当前所处场景；步骤3、从数据库寻找对应当前所处场景所需的服务；步骤4、将所需的服务部署到系统中供用户使用，本发明用以解决现有技术中人工适配服务的操作麻烦的步骤，还方便非编程技术人员依据自己需求实现相关服务功能，从而实现智能适配服务的目的。
-
公开(公告)号：CN112487172A
公开(公告)日：2021-03-12
申请号：CN202011491346.8
申请日：2020-12-16
Applicant: 北京航空航天大学
IPC: G06F16/332 , G06F16/335 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向深度答案推荐模型的主动学习方法，涉及人工智能领域，具体为：首先，针对某个线上社区问答平台，将每个问题和对应的若干候选答案分别作为一个样本；利用通常采用的深度答案推荐模型通过dropout构建贝叶斯神经网络，包括在每层权重前设置dropout机制；然后，利用贝叶斯神经网络计算每个样本的近似期望损失；并将期望损失按从大到小排序，并选取前K个作为待标注数据样本；接着，将前K个样本中的每个样本分别分给三个用户，进行最优答案的人工标注，并将标注结果进行融合；训练当前线上社区问答平台的深度答案推荐模型；直至深度答案推荐模型达到收敛且最优性能。本发明有效减少了基于深度学习的答案推荐模型训练所需要的标注数据量。
-
公开(公告)号：CN112486998A
公开(公告)日：2021-03-12
申请号：CN202011472351.4
申请日：2020-12-14
Applicant: 北京航空航天大学
IPC: G06F16/22 , G06F16/242 , G06F16/28 , G06Q10/06 , G06Q10/10
Abstract: 本发明公开了一种基于BPMN的微服务工作流程导入方法，涉及微服务工作流技术领域，具体为：首先，批量读取基于BPMN的工作流数据，根据不同的数据协议标准进行归类，通过读取各工作流的关键字，获取名称D，流程的各个子节点N和属性；以及结构关系R，然后将各工作流数据转成基于(D,N,R)格式的数据。接着根据名称D校验该工作流是执行新增操作或是更新操作，最终执行AQL语句将工作流数据存储到图形数据库Neo4j中；在流程编辑前端进行读取数据时，根据查询条件，执行AQL语句，从图数据库中将(N,R,P)格式的数据读出，根据解析程序重新组合成基于BPMN的工作流数据，并在前端进行展示。本发明提高了遍历子流程的查询效率；可视化的导入和导出操作也满足了业务人员的需求。
-
公开(公告)号：CN107123068B
公开(公告)日：2021-01-01
申请号：CN201710280214.2
申请日：2017-04-26
Applicant: 北京航空航天大学
IPC: G06Q50/20
Abstract: 本发明涉及一种面向程序设计语言课程个性化学习效果分析系统及方法，包括学生认知能力评估、实践能力评估模块、反馈模块；所述方法基于学生面向程序设计语言课程的普通作业和程序作业答题行为，利用数学模型训练学习方法评估学生的认知能力以及实践能力；利用数据统计方法处理认知能力与实践能力数据并向学生反馈学习效果信息，实现个性化展示。本发明能够判定学生的认知与实践双向学习效果，不仅能够更加准确的给出学生公正的评分，还可以指示教师找到学生存在的知识薄弱部分，及时向学生个性化反馈知识不扎实的地方，实现面向程序设计语言课程知识点粒度的微观学习效果评价与学习轨迹建立。
-
Patent Agency Ranking
公开(公告)号：CN111932108A
公开(公告)日：2020-11-13
申请号：CN202010783176.4
申请日：2020-08-06
Applicant: 北京航空航天大学杭州创新研究院
Abstract: 本发明涉及一种面向群体软件过程的开发人员推荐方法，包括如下步骤：步骤1、收集开发人员的历史注册数据；步骤2、对开发人员的注册数据进行清洗，删除无效数据；步骤3、按照时间顺序，整理开发人员的注册序列；步骤4、针对开发人员注册序列进行隐马尔科夫模型HMM构建；步骤5、利用开发人员注册的HMM模型判断开发人员是否有意愿参与即将进行的比赛；步骤6、收集有意愿参与比赛的开发人员解决方案提交的历史数据；步骤7、对开发人员的提交数据进行清洗，删除无效数据；步骤8、收集获取软件开发比赛的难度信息和开发人员的能力水平信息；步骤9、利用项目反应理论IRT模型构建预测开发人员提交行为的模型；步骤10、判断开发人员是否有意愿提交软件开发比赛的解决方案，决定是否推荐人员。
-
公开(公告)号：CN106990915B
公开(公告)日：2020-01-14
申请号：CN201710106253.0
申请日：2017-02-27
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种基于存储介质类型和加权配额的存储资源管理方法，包括步骤：存储设备和用户空间文件系统的挂载和读写请求分发，其中读写请求分发采用的Weighting Jump算法引入了加权分配特性，具有较高的计算速度、无状态调度和极低的内存消耗，这种方法采用类似谷歌John Lamping和Eric Veach提出的依概率跳变的方法来实现。能够从概率的层面保证存储资源的分配服从设定的权重，最小化标准误，并且具有比原有Hadoop集群的资源管理系统Yarn中实现更低的时间复杂度和内存消耗。克服了之前资源管理系统Yarn中实现的磁盘资源分配算法轮询检索目录的低效性，具有可伸缩性，且在扩展时，能够依概率最小化原有数据的移动。
-
公开(公告)号：CN109948054A
公开(公告)日：2019-06-28
申请号：CN201910202413.0
申请日：2019-03-11
Applicant: 北京航空航天大学
IPC: G06F16/9535 , G06Q10/04
Abstract: 本发明涉及一种基于强化学习的自适应学习路径规划系统，包括环境模拟，策略训练和路径规划三个模块，整个过程根据改进后的项目反映原理得到的学生每个时刻的能力值，基于马尔科夫决策过程，模拟复杂的学习环境，并合理应用强化学习的算法结合学生历史的学习轨迹离线训练路径规划策略，最后根据训练好的策略在线为学生自适应规划学习路径。本发明最后基于强化学习的思想，将在线教育平台上学习的复杂场景构建于马尔科夫决策过程的框架中，以高效获得能力提升为目标，为学生提供学习资源的持续性推荐，规划最优的学习路径，从而提高学习者的学习效果以及学习效率。
-
公开(公告)号：CN108694501A
公开(公告)日：2018-10-23
申请号：CN201810420961.6
申请日：2018-05-04
Applicant: 北京航空航天大学
CPC classification number: G06Q10/0639 , G06Q50/205
Abstract: 本发明涉及一种面向xAPI的个性化学习效果分析系统及方法，包括学生认知能力评估，学习综合能力评估和反馈模块；所述方法基于xAPI数据标准，从xAPI中提取学生学习行为数据，利用数学模型训练学习方法评估学生的学习能力，利用数据统计方法处理学生学习行为数据，并实现个性化展示。本发明能够根据学生的答题行为判定学生的学习能力和综合能力，不仅能够根据学生的学习行为给出公正的评分，还可以指导教师找到学生的知识薄弱的部分，及时根据学生向其反应其学习过程中不扎实的地方。
-
公开(公告)号：CN105426241A
公开(公告)日：2016-03-23
申请号：CN201510782854.4
申请日：2015-11-16
Applicant: 北京航空航天大学
CPC classification number: Y02D10/22 , Y02D10/24 , Y02D10/36 , G06F9/4875 , G06F1/329 , G06F9/45533 , G06F9/5027 , H04L67/32
Abstract: 本发明公开了一种基于云计算数据中心的统一资源调度节能方法，步骤如下：一、初始化网络节点和虚拟机队列；二、将虚拟机请求存储在虚拟机队列中；三、对虚拟机按照虚拟机的资源请求数目降序排列；四、依次遍历所有网络节点，判断是否有网络节点满足当前虚拟机请求；如果有，将当前虚拟机请求的能耗最小的网络节点作为放置目标节点，否则，寻找剩余可用资源最多的网络节点，迁出该节点上的某个虚拟机，放置当前虚拟机；五、顺序选取下一个虚拟机作为当前虚拟机，重新判断；六、对系统能耗进行再优化。优点在于：平衡了最小化功耗问题和满足SLA要求之间的矛盾关系，是面向能耗优化的资源调度算法，在能耗优化方面具有更高的效率。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.028 seconds)
