公开(公告)号：CN114722706B

公开(公告)日：2025-03-04

申请号：CN202210318277.3

申请日：2022-03-29

Applicant: 中国工程物理研究院计算机应用研究所

Inventor： 姜龙祥 ,  张浩 ,  褚新坤 ,  李露雄 ,  肖永浩 ,  王丽媛 ,  周园林

IPC: G06F30/27 ,  G06F30/28 ,  G06N3/042 ,  G06N3/084

Abstract: 本发明公开了一种基于图卷积神经网络的在时间差分流体仿真器仿真过程中修正仿真结果的方法，涉及深度学习领域，该方法包含标准化、编码、一阶修正并剥离误差、二阶修正并剥离误差、融合编码、解码、反标准化等步骤，其中，编码、解码通过全连接网络实现，修正、剥离误差过程基于图卷积网络，标准化基于累积的均值和标准差。该方法与时间差分流体力学仿真器共用图信息，可以与时间差分流体仿真器高效插接，解决时间差分仿真器仿真时误差传播，造成仿真失真、失效的问题。

公开(公告)号：CN117421519A

公开(公告)日：2024-01-19

申请号：CN202311584626.7

申请日：2023-11-26

Applicant: 中国工程物理研究院计算机应用研究所

Inventor： 张浩 ,  王丽媛 ,  姜龙祥 ,  褚新坤 ,  文永 ,  李露雄 ,  宋尚校 ,  李璐璇

IPC: G06F17/13 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种基于物理信息图神经网络和有限差分的偏微分方程求解算法，步骤如下：S10、物理信息图神经网络模型训练数据集的构建；S20、物理信息图神经网络模型的设计；S30、图上微分算子的计算；S40、损失函数的设计；S50、基于损失函数最小化的图神经网络模型的训练；S60、物理信息图神经网络模型的性能分析。本发明通过在图神经网络中融入物理方程，提出了一种新的物理信息图神经网络模型，并将深度学习端到端的学习方式和图结构的关系归纳推理理论进行高效融合，解决了基于全连接网络的模型因难以处理局部关系推理而导致模型泛化性差的问题。

公开(公告)号：CN116916447A

公开(公告)日：2023-10-20

申请号：CN202310914633.2

申请日：2023-07-25

Applicant: 中国工程物理研究院计算机应用研究所

Inventor： 姜龙祥 ,  张浩 ,  褚新坤 ,  李璐璇 ,  李露雄 ,  肖永浩

IPC: H04W64/00 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/084 ,  G06N3/09

Abstract: 本申请公开了一种基于自注意力神经网络的5G无线定位方法与流程，属于无线定位领域。面向高精度无线定位需求，本方法基于5G基站信号，设计了一种基于自注意力神经网络的端对端的网络结构，以及鲁棒的训练方法与流程。本申请提出的方法与流程构建的模型即拥有高精度定位推理能力，又能在少量基站故障时拥有良好的定位鲁棒性，同时模型参数量少，定位速度快。

公开(公告)号：CN116578817A

公开(公告)日：2023-08-11

申请号：CN202211559133.3

申请日：2022-12-06

Applicant: 中国工程物理研究院计算机应用研究所

Inventor： 张浩 ,  王丽媛 ,  姜龙祥 ,  褚新坤 ,  文永 ,  李露雄 ,  宋肖校 ,  李露旋

IPC: G06F17/13 ,  G06F21/45 ,  G06F16/22 ,  G06N3/045

Abstract: 本申请公开了一种基于图神经网络和有限差分的偏微分方程求解算法。该方法包括基于多维权限生成唯一ID，生成数据集文件；在存储中间件中存储数据集文件并生成文件的访问地址；将生成的多维权限ID和其对应的数据集文件的访问地址组成键值对，在缓存中间件中存储键值对；获取多维权限ID，查询缓存中间件中是否存在数据集缓存。本发明于策略维度的管控实现了小时级、天级、周级等数据生成机制，达到了满足不同时效需求数据图表快速渲染的效果，并解决了数据安全管控弱和图表展示性能低的问题。

公开(公告)号：CN116629088A

公开(公告)日：2023-08-22

申请号：CN202210959312.X

申请日：2022-08-11

Applicant: 中国工程物理研究院计算机应用研究所

Inventor： 李露雄 ,  褚新坤 ,  张浩 ,  姜龙祥 ,  肖永浩 ,  李海峰 ,  钱米登 ,  周园林

IPC: G06F30/27 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/08 ,  G06F111/10

Abstract: 本发明实施例公开了一种基于深度学习的压强效应场分布预测方法，该方法属于深度学习领域。为加速冲击波传播过程中压强效应场分布的计算速度，设计基于深度学习的压强效应场分布预测网络，通过使用基于ConvGRU的编码‑解码网络结构，实现从前4帧压强效应场分布预测后续n帧压强效应场分布。该方法优势在于：计算速度快，预测前50帧数据仅需160秒；精度高，超压部分压强分布的平均相对误差和最大压强的平均相对误差均在10%左右；泛化性好，能够在不同场景中使用。

公开(公告)号：CN114722706A

公开(公告)日：2022-07-08

申请号：CN202210318277.3

申请日：2022-03-29

Applicant: 中国工程物理研究院计算机应用研究所

Inventor： 姜龙祥 ,  张浩 ,  褚新坤 ,  李露雄 ,  肖永浩 ,  王丽媛 ,  周园林

IPC: G06F30/27 ,  G06F30/28 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于图卷积神经网络的在时间差分流体仿真器仿真过程中修正仿真结果的方法，涉及深度学习领域，该方法包含标准化、编码、一阶修正并剥离误差、二阶修正并剥离误差、融合编码、解码、反标准化等步骤，其中，编码、解码通过全连接网络实现，修正、剥离误差过程基于图卷积网络，标准化基于累积的均值和标准差。该方法与时间差分流体力学仿真器共用图信息，可以与时间差分流体仿真器高效插接，解决时间差分仿真器仿真时误差传播，造成仿真失真、失效的问题。