-
公开(公告)号：CN119337074B
公开(公告)日：2025-04-29
申请号：CN202411894324.4
申请日：2024-12-20
Applicant: 北京邮电大学
IPC: G06F18/15 , G06F18/213 , G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供一种基于条件扩散的不完全多模态感知数据恢复方法及系统，该方法的步骤包括：实时感知多个模态的数据的接收情况，判定是否存在至少一个模态的数据的缺失；基于缺失数据的模态的历史数据构建高斯过程，基于所述高斯过程构建条件分布，从条件分布中进行采样，得到时间相关性矩阵；判定缺失数据的模态缺失数据的时间段，从未缺失数据的模态中获取对应时间段的数据，构建每个对应每个未缺失数据的模态的特征矩阵，对多个模态的特征矩阵进行融合，得到语义一致性矩阵；将条件分布的数据、时间相关性矩阵和语义一致性矩阵输入到预设置的特征恢复模型中，所述特征恢复模型输出对应缺失数据的模态的缺失数据的恢复特征矩阵。
-
公开(公告)号：CN119204192B
公开(公告)日：2025-04-08
申请号：CN202411706615.6
申请日：2024-11-26
Applicant: 北京邮电大学
IPC: G06N5/022 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于翻译嵌入的传感数据逻辑特征提取方法及装置，所述方法包括：获取进行逻辑特征提取的传感数据序列，将传感数据序列输入至训练好的逻辑特征提取模型，传感数据序列包括传感器监测到的多个时间步的监测数据，逻辑特征提取模型包括向量嵌入模块、关系构建模块以及特征提取模块；基于向量嵌入模块确定传感数据序列中的各监测数据对应的嵌入向量，基于各嵌入向量通过所述关系构建模块确定监测数据之间的逻辑关系表示，基于各嵌入向量和各逻辑关系表示通过特征提取模块生成各监测数据对应的逻辑特征向量；其中，逻辑关系表示为算术关系表示或方向关系表示。该方法可较好地捕获传感数据中的细微特征，提高数据分析的准确性和实用性。
-
公开(公告)号：CN119204192A
公开(公告)日：2024-12-27
申请号：CN202411706615.6
申请日：2024-11-26
Applicant: 北京邮电大学
IPC: G06N5/022 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于翻译嵌入的传感数据逻辑特征提取方法及装置，所述方法包括：获取进行逻辑特征提取的传感数据序列，将传感数据序列输入至训练好的逻辑特征提取模型，传感数据序列包括传感器监测到的多个时间步的监测数据，逻辑特征提取模型包括向量嵌入模块、关系构建模块以及特征提取模块；基于向量嵌入模块确定传感数据序列中的各监测数据对应的嵌入向量，基于各嵌入向量通过所述关系构建模块确定监测数据之间的逻辑关系表示，基于各嵌入向量和各逻辑关系表示通过特征提取模块生成各监测数据对应的逻辑特征向量；其中，逻辑关系表示为算术关系表示或方向关系表示。该方法可较好地捕获传感数据中的细微特征，提高数据分析的准确性和实用性。
-
公开(公告)号：CN119337074A
公开(公告)日：2025-01-21
申请号：CN202411894324.4
申请日：2024-12-20
Applicant: 北京邮电大学
IPC: G06F18/15 , G06F18/213 , G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供一种基于条件扩散的不完全多模态感知数据恢复方法及系统，该方法的步骤包括：实时感知多个模态的数据的接收情况，判定是否存在至少一个模态的数据的缺失；基于缺失数据的模态的历史数据构建高斯过程，基于所述高斯过程构建条件分布，从条件分布中进行采样，得到时间相关性矩阵；判定缺失数据的模态缺失数据的时间段，从未缺失数据的模态中获取对应时间段的数据，构建每个对应每个未缺失数据的模态的特征矩阵，对多个模态的特征矩阵进行融合，得到语义一致性矩阵；将条件分布的数据、时间相关性矩阵和语义一致性矩阵输入到预设置的特征恢复模型中，所述特征恢复模型输出对应缺失数据的模态的缺失数据的恢复特征矩阵。
-
-
-
Search Results
4
records
(took 0.016 seconds)
