-
公开(公告)号：CN113869503B
公开(公告)日：2022-03-01
申请号：CN202111454575.7
申请日：2021-12-02
Applicant: 北京建筑大学
Abstract: 本发明提供一种基于深度矩阵分解补全的数据处理方法及存储介质，包括：S1构建深度矩阵分解补全模型，所述模型的核心结构是恢复模块；S2在进行观测矩阵的奇异值分解前，对观测矩阵的缺失位置进行预填充；S3基于Frobenius范数构建所述恢复模块的损失函数；S4采用VOC数据集对深度矩阵分解补全模型进行训练。与传统算法相比，本发明基于深度学习与非线性的深度矩阵分解补全网络能够在更短的时间内获得更好的处理性能，端到端的深度矩阵分解补全网络是基于矩阵的全局信息对整个数据文件进行修复，不管是时间上还是修复效果上都能有明显的提升。与线性和非线性矩阵补全方法进行比较。深度矩阵分解补全网络能够使用更短的时间提供更高的矩阵补全精度。
-
公开(公告)号：CN115062868B
公开(公告)日：2022-11-11
申请号：CN202210898652.6
申请日：2022-07-28
Applicant: 北京建筑大学
Abstract: 本发明涉及一种预聚类的车辆配送路径规划方法和装置，具体包括步骤S1：客户订单预聚类；步骤S2：建立模型：从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类，建立客户类对应的车辆配送路径模型；步骤S3：模型最优求解：求解车辆配送路径模型，获得当前客户类的最优路径；步骤S4：循环判断。本发明在规划路径之前预先对客户订单进行聚类，基于订单到达时间的预聚类方式在规划路径的同时保障订单的正常配送，满足实际配送的需求，路径规划过程兼顾了全局搜索能力和收敛速度。
-
公开(公告)号：CN115062868A
公开(公告)日：2022-09-16
申请号：CN202210898652.6
申请日：2022-07-28
Applicant: 北京建筑大学
Abstract: 本发明涉及一种预聚类的车辆配送路径规划方法和装置，具体包括步骤S1：客户订单预聚类；步骤S2：建立模型：从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类，建立客户类对应的车辆配送路径模型；步骤S3：模型最优求解：求解车辆配送路径模型，获得当前客户类的最优路径；步骤S4：循环判断。本发明在规划路径之前预先对客户订单进行聚类，基于订单到达时间的预聚类方式在规划路径的同时保障订单的正常配送，满足实际配送的需求，路径规划过程兼顾了全局搜索能力和收敛速度。
-
公开(公告)号：CN113869503A
公开(公告)日：2021-12-31
申请号：CN202111454575.7
申请日：2021-12-02
Applicant: 北京建筑大学
Abstract: 本发明提供一种基于深度矩阵分解补全的数据处理方法及存储介质，包括：S1构建深度矩阵分解补全模型，所述模型的核心结构是恢复模块；S2在进行观测矩阵的奇异值分解前，对观测矩阵的缺失位置进行预填充；S3基于Frobenius范数构建所述恢复模块的损失函数；S4采用VOC数据集对深度矩阵分解补全模型进行训练。与传统算法相比，本发明基于深度学习与非线性的深度矩阵分解补全网络能够在更短的时间内获得更好的处理性能，端到端的深度矩阵分解补全网络是基于矩阵的全局信息对整个数据文件进行修复，不管是时间上还是修复效果上都能有明显的提升。与线性和非线性矩阵补全方法进行比较。深度矩阵分解补全网络能够使用更短的时间提供更高的矩阵补全精度。
-
-
-
Search Results
4
records
(took 0.027 seconds)
