一种测控装备智能化关键共性参数测评权重分析方法

    公开(公告)号:CN118822078A

    公开(公告)日:2024-10-22

    申请号:CN202410704276.1

    申请日:2024-06-03

    Abstract: 本发明提出了一种测控装备智能化关键共性参数测评权重分析方法,解决了测控装备智能化测评过程中面临的缺乏科学、统一、规范的指标权重分析方法的问题,包括利用多种赋权方法分别确定测控装备各项指标的权重;构建指标权重目标优化模型,获得各种赋权方法的权重,其中,指标权重目标优化模型用于综合考虑决策者的主观意见及决策的客观性,使不同的赋权方法之间的结果差距越小越好;对于同一指标,利用各种赋权方法的权重,将各种赋权方法获得的权重进行加权求和,最终得到所有指标的权重;本发明针结合专业领域知识和专家经验,最终确定的共性参数能够准确反映个体之间的共性特征和关联规律,为进一步分析和应用提供基础。

    一种基于多层特征差异的神经网络持续学习性在线评估方法

    公开(公告)号:CN119886206A

    公开(公告)日:2025-04-25

    申请号:CN202411608475.9

    申请日:2024-11-12

    Abstract: 本发明涉及一种基于多层特征差异的神经网络持续学习性在线评估方法。首先对持续学习过程中被测神经网络每一层的网络参数进行提取,网络参数中包括权重矩阵和偏置向量;然后基于相邻学习任务的权重,针对每一层进行网络参数相似性的提取;紧接着构建长短记忆循环神经模型作为评估模型,以被测网络模型的层深作为时序数据对循环网络评估模型进行训练,评估模型的输入为每一层的被测神经网络的参数相似度,最终输出为被测神经网络当前是否发生遗忘现象;最后,利用训练好的评估模型进行智能神经网络模型的持续学习状态的评估,通过提取当前状态于上一状态的参数相似度参数,输入到循环网络评估模型中,对当前持续学习的状态进行识别评估。

    一种计量数据知识图谱构建平台
    3.
    发明公开

    公开(公告)号:CN117494805A

    公开(公告)日:2024-02-02

    申请号:CN202311547925.3

    申请日:2023-11-20

    Abstract: 本发明涉及一种计量数据知识图谱平台,该平台包括数据处理模块、数据分析模块、显示模块;数据处理模块,将多源异构计量证书作为数据源,从中抽取出计量逻辑实体和计量实体关系,得到结构化计量校准数据;数据分析模块,对结构化计量校准数据,进行知识消歧和文本对齐处理,去除冗余的逻辑实体名称、冗余的关联关系,将计量逻辑实体和计量实体关系,按照知识图谱的数据模型要素,构建计量知识图谱数据;显示模块,以用户关注的单个计量实体为核心,根据计量知识图谱数据,构建元图谱,再通过计量实体关系将不同的元图谱关联起来,扩展成计量知识图谱,从而实现知识图谱的可视化,基于图数据库路径的查询操作,对计量知识图谱数据进行查询。

    一种基于测试充分性的测试数据生成与优化方法

    公开(公告)号:CN119961140A

    公开(公告)日:2025-05-09

    申请号:CN202411706396.1

    申请日:2024-11-26

    Abstract: 本发明公开一种基于测试充分性的测试数据生成与优化方法,测试数据生成方法,通过将种子输入随机或者按照某种规则进行变换作为新的输入,差异模糊测试框架用于指导神经网络系统暴露异常行为,目的是最大化神经元级覆盖率,并为给定的深度网络模型生成更多的对抗性输入,无需参照其他深度网络模型或手动标记;测试数据优化方法,测试数据优先排序方法以特定条件对测试数据集中的每一个测试数据评估重要程度,然后按照重要程度由高到低的顺序依次选择并执行测试数据,使得重要程度高的测试数据被尽早执行,从而在测试资源受限的情况下提高测试效率;本发明能够根据测试充分性指标指导测试数据生成与优化,提高测试效率和测试可靠性。

    一种面向图像分类神经网络模型的可靠性预测方法

    公开(公告)号:CN119206410B

    公开(公告)日:2025-03-28

    申请号:CN202411710009.1

    申请日:2024-11-27

    Abstract: 本发明提出一种面向图像分类神经网络模型的可靠性预测方法,包括训练可靠性模型,然后利用训练完成的可靠性模型,对用于图像分类的、待预测的神经网络模型进行可靠性预测,其中,按照神经网络模型的训练和测试两方面,可靠性模型的输入特征包括模型训练因子和模型测试因子,所述模型训练因子表征影响神经网络可靠性的数据与模型因素,所述模型测试因子用于表征神经网络测试的充分性;可靠性模型的输出为神经网络模型的可靠性预测结果。本发明根据神经网络模型的特点,分解分析了其可靠性的影响因素和关键参数,构建了基于支持向量回归的神经网络模型可靠性预测方法,可以有效提升神经网络模型可靠性预测的准确性、泛化性和容错性。

    一种面向图像分类神经网络模型的可靠性预测方法

    公开(公告)号:CN119206410A

    公开(公告)日:2024-12-27

    申请号:CN202411710009.1

    申请日:2024-11-27

    Abstract: 本发明提出一种面向图像分类神经网络模型的可靠性预测方法,包括训练可靠性模型,然后利用训练完成的可靠性模型,对用于图像分类的、待预测的神经网络模型进行可靠性预测,其中,按照神经网络模型的训练和测试两方面,可靠性模型的输入特征包括模型训练因子和模型测试因子,所述模型训练因子表征影响神经网络可靠性的数据与模型因素,所述模型测试因子用于表征神经网络测试的充分性;可靠性模型的输出为神经网络模型的可靠性预测结果。本发明根据神经网络模型的特点,分解分析了其可靠性的影响因素和关键参数,构建了基于支持向量回归的神经网络模型可靠性预测方法,可以有效提升神经网络模型可靠性预测的准确性、泛化性和容错性。

Patent Agency Ranking