-
公开(公告)号：CN119577597A
公开(公告)日：2025-03-07
申请号：CN202411625312.1
申请日：2024-11-14
Applicant: 南京鼎研电力科技有限公司 , 南京邮电大学
IPC: G06F18/243 , G06F18/214 , G06F18/10 , G06Q50/06
Abstract: 一种基于孤立森林算法的电力设备台账纠错方法，旨在解决电力系统中设备台账的设备类型与实际设备类型不相匹配的情况，以利于电力设备管理。方法包括：数据预处理，对设备类型标签编码并按MAC地址前六位分组；设计孤立森林算法模型，为每组构建异常检测模型；送分组数据集至模型进行训练；通过与原始数据集对比，确保异常设备类型为少数，调整参数优化模型；对异常台账进行人工确认并计算评价指标。本方法有效解决了设备类型不匹配问题，便于电力设备管理。
-
公开(公告)号：CN119577565A
公开(公告)日：2025-03-07
申请号：CN202411625314.0
申请日：2024-11-14
Applicant: 南京鼎研电力科技有限公司 , 南京邮电大学
IPC: G06F18/2411 , G06F18/214 , G06F18/2113 , G06F18/15 , G06N3/0442 , H02J3/00 , G06F123/02
Abstract: 一种基于融合模型的光伏发电预测方法，属于光伏能源领域。传统光伏预测方法仅基于大量数据进行模型训练，往往存在着与光伏定律不符的预测结果。同时，针对特征子集的筛选通常采用单一方法，但光伏数据具有季节性、不确定性等特点，单一方法无法很好地描述各个特征与发电量的关系。本发明在传统预测方法的基础上融合光伏领域知识及定律，建立光伏约束模型；采用过滤法及包装法结合的算法建立特征子集的筛选模型，最后融合LSTM算法模型进行光伏预测。因此，本发明能够高效地筛选出更具代表性，相关性更佳的特征子集，并对光伏预测结果进行物理约束，从而提高模型的效果和泛化能力，实现光伏发电的准确预测。
-
公开(公告)号：CN119577598A
公开(公告)日：2025-03-07
申请号：CN202411625315.5
申请日：2024-11-14
Applicant: 南京鼎研电力科技有限公司 , 南京邮电大学
IPC: G06F18/243 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/0985 , G06Q50/06 , H02J3/00
Abstract: 基于注意力机制的CNN‑XGBoost的电力负荷预测方法，获取相关历史负荷数据和特征数据，并进行数据相关性分析，在此基础上利用CNN在特征提取上的优势，使用CNN构造特征提取模块，并针对传统的卷积神经网络无法区分提取出来的特征是否对预测有效的问题，引入Attention(注意力机制)，赋予特征不同的权重，区分对输出贡献程度不同的特征，对提取出的特征进行有意识的侧重，发掘提取出的特征与标签的关系，再结合XGBoost算法，将提取的特征输入XGBoost结构中进行短期负荷预测，本方法能够综合CNN算法在特征提取方面的优势和XGBoost算法针对非线性负荷预测精度高，预测收敛速度快的优点，提高全网用电短期负荷预测的准确率和稳定性。
-
公开(公告)号：CN119577328A
公开(公告)日：2025-03-07
申请号：CN202411625308.5
申请日：2024-11-14
Applicant: 南京鼎研电力科技有限公司 , 南京邮电大学
IPC: G06F18/10 , G06F18/2433 , G06N3/0442 , G06N3/084 , G06Q50/06 , H02J3/00
Abstract: 一种基于CNN‑LSTM的高压用户用电数据预测方法，以高压用户用电数据为研究对象，使用LOF方法对高压用户的历史电力消费数据进行清理，去除不合理的离群数据，减低了离群数据对预测模型的性能的影响。通过数据分类与特征工程，将原始数据转换为更具代表性的特征集，便于模型学习。通过数据归一化降低数据的波动性，从而提高模型训练的稳定性和收敛速度。然后构建CNN‑LSTM混合模型，即在长短期记忆网络LSTM的基础上加入卷积神经网络CNN。该混合模型由CNN和LSTM两部分组成，CNN用于提取数据的局部特征，LSTM用于捕捉时间序列的依赖关系，进而进行较为精确的电力消费预测。完成模型的构建与训练后，本发明还通过均方误差和图形化方法对模型的预测结果进行有效直观评估。
-
公开(公告)号：CN119961856A
公开(公告)日：2025-05-09
申请号：CN202510027744.0
申请日：2025-01-08
Applicant: 南京邮电大学
IPC: G06F18/25 , G06F18/27 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明深度学习自然语言处理技术领域，公开了一种基于视觉前缀的生成式多模态信息抽取方法，具体为：输入文本信息及图像信息，实现文本和图像关系抽取，视觉表示作为可插入的视觉前缀，以指导错误不敏感的预测决策的文本表示，实现层次多尺度视觉特征作为融合的视觉前缀，多模态信息提取器有效地提取特征。本发明将视觉信息与文本信息进行融合，通过多层次的视觉前缀注意力机制将视觉特征与文本特征进行交互更新，结合一个统一的多模态信息提取器，将多模态信息抽取任务统一为使用指令调优的生成问题，能够实现自动回归生成信息提取结果。
-
Patent Agency Ranking
公开(公告)号：CN119808001A
公开(公告)日：2025-04-11
申请号：CN202411893521.4
申请日：2024-12-20
Applicant: 江苏鱼跃凯立特生物科技有限公司 , 南京邮电大学 , 江苏跃凯生物技术有限公司 , 浙江凯立特医疗器械有限公司 , 江苏鱼跃医疗设备股份有限公司
Abstract: 本申请公开了一种基于多变量时间序列的用户生理参数预测方法及设备，用于解决现有的时间卷积网络未关注同时步内不同信号间的相互作用和物理关联性的问题。方法包括：将距离当前时刻设定时长内的用户生理参数对应的多变量时间序列转置至变量维度，并映射输出每个变量的序列特征信息；通过编码器模块确定每个序列特征信息之间的全局特征和局部特征对应的最终融合结果；根据最终融合结果确定用户生理参数预测结果。本申请能够独立处理每个变量的时间序列，捕获全局依赖关系和短时间内的细微变化，实现了变量间全局和局部特征的自动提取与融合。
-
公开(公告)号：CN119476742A
公开(公告)日：2025-02-18
申请号：CN202510054493.5
申请日：2025-01-14
Applicant: 南京邮电大学 , 安徽晶奇网络科技股份有限公司
IPC: G06Q10/063 , G06V10/40 , G06V10/762 , G06V10/778
Abstract: 本发明公开了一种基于张量学习的多视图智能印章管控方法，属于张量计算和数据挖掘技术领域；包括为：收集数据并对数据进行处理；采用张量奇异值分解对数据进行分解，获取张量核范数；构建基于张量低秩学习的多视图子空间聚类模型，优化亲和度矩阵的表示；利用优化后的亲和度矩阵进行实时谱聚类，对异常使用模式进行预警和管控；生成印章使用报告。本发明通过构建多视图子空间聚类模型，对数据中的不同子空间进行分析与聚类；优化了亲和度矩阵的表示形式，使得数据间的关系更加准确地反映实际的印章使用情况；通过该模型，能够增强对印章使用行为的监控能力，并为异常使用行为提供更高效的预警机制。
-
公开(公告)号：CN116340437B
公开(公告)日：2025-01-24
申请号：CN202310297924.1
申请日：2023-03-24
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向大规模多源异构数据的多聚类方法，涉及数据处理技术领域，包括：将不同来源的异构数据通过ETL工具进行预处理，转换为统一目标数据格式；然后按电压等级，设备类型，采集量测类型进行分类；对分类后的多源异构数据集按照配电网络和网络元件之间的相互关联构建拓扑分析引擎；基于拓扑分析剔除不满足的数据集，得到待融合数据集；对待融合数据集进行观测系数分析，并分配对应数量的处理终端对待融合数据集进行融合，提高数据融合效率，实现对配电网历史数据与准实时数据的交叉复合深度分析；输出数据融合结果，供配电网工作人员研究分析，为能源精细化的管理和用户服务提供指导，以及时做到故障预警，提高电力安全。
-
公开(公告)号：CN118942719A
公开(公告)日：2024-11-12
申请号：CN202410921813.8
申请日：2024-07-10
Applicant: 南京邮电大学 , 江苏跃凯生物技术有限公司
IPC: G16H50/70 , G16H50/30 , G06F18/25 , G06F18/15 , G06F18/2433 , G06F18/22 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/048
Abstract: 一种基于LSTM编码器‑解码器架构的血糖预测方法，包括，对获取到的糖尿病患者的血糖数据进行平滑、降噪以及滑窗等处理；构建基于LSTM编码器‑解码器架构的血糖预测模型，其中编码器负责将输入序列转换为隐藏状态向量，解码器利用隐藏状态向量进行预测输出；为增强神经元记忆并减少误差传播的积累，在编码器‑解码器结构中，引入了一种基于学习相似模式的注意力机制，并构建基于DTW的链地址搜索算法寻找相似窗口序列；结合注意力特征和隐藏状态向量，共同输入到解码器中，通过投影层将解码器的输出映射到符合输出维度大小的向量，从而获得更为准确的血糖预测结果。本方法具有强大的学习能力，且经实验认证能够有效提高血糖浓度预测精度。
-
公开(公告)号：CN118261400B
公开(公告)日：2024-07-19
申请号：CN202410666337.X
申请日：2024-05-28
Applicant: 南京邮电大学
IPC: G06Q10/0631 , G06Q50/26
Abstract: 本发明属于物联网和强化学习的交叉技术领域，公开了一种基于改进Q_Learning算法的协同无人机集群资源调度方法，通过两个阶段的强化学习任务调度框架实现，强化学习任务调度框架包括两个阶段：第一阶段实现外界任务从中心到中继的分配和第二阶段实现任务从中继到终端的调度。本发明结合了无人机集群组网优化、能量补给和强化学习任务调度，实现了多模态协同无人机集群中的智能任务分配、资源优化管理、能量持续补给，能够实现高效、均衡的任务调度，具有调度精度高、响应速度快、资源利用率高、可扩展性强等优点，显著提高无人机集群任务调度的效率和质量，为无人机领域的发展提供了技术支持和创新方向。
-
-
-
-
-
-
-
-
-
Search Results
225
records
(took 0.067 seconds)
