-
公开(公告)号：CN109992355B
公开(公告)日：2021-04-13
申请号：CN201910283968.2
申请日：2019-04-10
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于改进非支配遗传算法的多目标云工作流调度方法。本发明通过引入计分机制思想，考虑当前种群和历史种群信息对个体主导信息的影响，改善了种群个体评价的准确性，提高了迭代搜索的效率；构建了种群层级结构，直观刻画了算法搜索所遍历的最优解的多样性、最优性，通过改善父代个体选择方式，并在迭代过程中，根据子代个体接近Pareto最优的程度对种群层级结构进行动态更新，提高了找到的解接近Pareto最优的可能性；同时，提出了基于最优层级个体监测的搜索方向自适应调整策略，通过设置局部最优和发散检测参数，能够在搜索陷入局部最优或者趋于发散时，及时调整相关参数，改变寻优方向使其跳出局部最优或者回归收敛。
-
公开(公告)号：CN109710372B
公开(公告)日：2020-10-13
申请号：CN201811336040.8
申请日：2018-11-12
Applicant: 北京理工大学
IPC: G06F9/455 , G06F9/48 , G06N3/00 , G06F16/9535
Abstract: 本发明提出了一种基于猫头鹰搜索算法的计算密集型云工作流调度方法，属于云计算技术领域。通过在猫头鹰搜索算法中修改种群迭代更新公式，使每个调度方案根据最优调度方案对其影响大小来更新，使寻优更具针对性；在种群迭代更新机制中，通过利用遗传变异思想，引入随机性，避免搜索过程陷入局部最优，可以在更短的时间内得到最优调度方案，实现对虚拟机进行合理的分配，对任务进行高效调度。本发明能够有效克服现有方法中最优解搜索随机性大、易于陷入局部最优且收敛速度慢的缺点，提升搜索效率、缩短搜索时间，可在更短的时间内寻找到更优的调度方案，减少工作流调度的时间开销。
-
公开(公告)号：CN108805195A
公开(公告)日：2018-11-13
申请号：CN201810566503.3
申请日：2018-06-05
Applicant: 北京理工大学
CPC classification number: G06K9/6247 , G06K9/6267 , G06N3/084
Abstract: 本发明涉及一种基于二值深层神经网络的电机群故障诊断方法。通过利用电机故障历史数据，训练基于二值深层神经网络的电机故障诊断模型，并将其部署在边缘计算设备上，以期降低实时数据I/O传输负载和缘计算设备的大规模部署边成本，同时拥有很高的诊断准确率。本发明能够在保证具有和全精度深层神经网络模型相媲美的诊断准确率的前提下，避免了故障实时诊断过程所需的大量数据传输，同时在边缘端使用二值深层神经网络代替全精度深层神经网络，将大量的数学运算变成了位操作，节省了大量的数据存储空间和前向传播时间，间接地降低了大规模部署边缘设备的成本，达到了精度高、诊断快和部署成本低的效果。
-
Patent Agency Ranking
公开(公告)号：CN109981749A
公开(公告)日：2019-07-05
申请号：CN201910165772.3
申请日：2019-03-06
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于极限梯度提升的云工作流任务执行时间预测方法，属于云计算技术领域。本方法首先从工作流任务构成、任务运行所依赖的资源及其物理执行环境三个层面对任务执行时间的影响因素进行分类，实现任务执行时间影响因素的全面建模。其次，针对样本数据集存在数据缺失值的情况，采用机器学习方法对存在缺失值的数据集进行补全。最后，借助于极限梯度提升算法的多类型数据处理能力、参数设计相对简单、计算量较少以及兼有串、并行学习器的优势，采用限梯度提升算法训练云工作流任务执行时间预测模型。相对于现有的预测模型，不仅放宽了对样本数据类型的限制、减小了预测误差，而且使模型的泛化能力进一步提升。
-
公开(公告)号：CN108614548A
公开(公告)日：2018-10-02
申请号：CN201810658792.X
申请日：2018-06-25
Applicant: 北京理工大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于多模态融合深度学习的智能故障诊断方法，属于工业设备故障诊断技术领域。本方法分别提取结构化数据与非结构化数据中所隐含的故障特征，对所提取到的不同故障特征进行有机融合，使用softmax分类器进行故障分类，实现对工业设备健康状况的预测与诊断。通过此方法可以良好地实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类。本发明可以良好地实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类，节约了诊断成本，具有一定的通用性，可将其推广到各种不同的工业设备故障诊断中。
-
公开(公告)号：CN108614548B
公开(公告)日：2020-08-18
申请号：CN201810658792.X
申请日：2018-06-25
Applicant: 北京理工大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于多模态融合深度学习的智能故障诊断方法，属于工业设备故障诊断技术领域。本方法分别提取结构化数据与非结构化数据中所隐含的故障特征，对所提取到的不同故障特征进行有机融合，使用softmax分类器进行故障分类，实现对工业设备健康状况的预测与诊断。通过此方法可以良好地实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类。本发明可以良好地实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类，节约了诊断成本，具有一定的通用性，可将其推广到各种不同的工业设备故障诊断中。
-
公开(公告)号：CN109992355A
公开(公告)日：2019-07-09
申请号：CN201910283968.2
申请日：2019-04-10
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于改进非支配遗传算法的多目标云工作流调度方法。本发明通过引入计分机制思想，考虑当前种群和历史种群信息对个体主导信息的影响，改善了种群个体评价的准确性，提高了迭代搜索的效率；构建了种群层级结构，直观刻画了算法搜索所遍历的最优解的多样性、最优性，通过改善父代个体选择方式，并在迭代过程中，根据子代个体接近Pareto最优的程度对种群层级结构进行动态更新，提高了找到的解接近Pareto最优的可能性；同时，提出了基于最优层级个体监测的搜索方向自适应调整策略，通过设置局部最优和发散检测参数，能够在搜索陷入局部最优或者趋于发散时，及时调整相关参数，改变寻优方向使其跳出局部最优或者回归收敛。
-
公开(公告)号：CN109710372A
公开(公告)日：2019-05-03
申请号：CN201811336040.8
申请日：2018-11-12
Applicant: 北京理工大学
IPC: G06F9/455 , G06F9/48 , G06N3/00 , G06F16/9535
Abstract: 本发明提出了一种基于猫头鹰搜索算法的计算密集型云工作流调度方法，属于云计算技术领域。通过在猫头鹰搜索算法中修改种群迭代更新公式，使每个调度方案根据最优调度方案对其影响大小来更新，使寻优更具针对性；在种群迭代更新机制中，通过利用遗传变异思想，引入随机性，避免搜索过程陷入局部最优，可以在更短的时间内得到最优调度方案，实现对虚拟机进行合理的分配，对任务进行高效调度。本发明能够有效克服现有方法中最优解搜索随机性大、易于陷入局部最优且收敛速度慢的缺点，提升搜索效率、缩短搜索时间，可在更短的时间内寻找到更优的调度方案，减少工作流调度的时间开销。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.031 seconds)
