-
公开(公告)号：CN113869332A
公开(公告)日：2021-12-31
申请号：CN202111210992.7
申请日：2021-10-18
Applicant: 国网浙江省电力有限公司信息通信分公司 , 浙江捷瑞电力科技有限公司
Abstract: 本申请公开了一种特征选择方法、装置、存储介质和设备，预先获取经由对原始数据进行特征工程所得到的各个特征，并计算各个特征的权重，删除权重小于预设权重阈值的特征。调用预设的适应度函数，对基于各个有效特征初始化得到的粒子群中的每个粒子进行适应度评估，并通过预设粒子群算法，迭代更新每个粒子的位置和速度，得到每个粒子的最终适应度。选取最终适应度最小的特征子集中所包含的有效特征，作为训练特征。将权重小于预设权重阈值的特征进行删除，能够减小后续算法的时间复杂度，此外，适应度函数中综合了特征子集的分类效果和重要性，使得通过预设粒子群算法所选择出的有效特征的效果更优，能够有效提高机器学习模型的计算效率。
-
公开(公告)号：CN113792890B
公开(公告)日：2024-05-03
申请号：CN202111167777.3
申请日：2021-09-29
Applicant: 国网浙江省电力有限公司信息通信分公司 , 浙江捷瑞电力科技有限公司
Abstract: 本公开提供的一种基于联邦学习的模型训练方法及相关设备，应用于边缘计算框架，所述边缘计算框架包括云计算中心和至少一个边缘计算节点，所述云计算中心对各所述边缘计算节点进行管理控制，该方法包括：对所述云计算中心构建中心神经网络模型；对各所述边缘计算节点分别构建边缘神经网络模型；利用训练样本对各所述边缘神经网络模型进行联邦学习并对所述中心神经网络模型进行调整，获得对抗攻击防御全局模型。本公开通过对各边缘计算节点对应的边缘神经网络模型之间进行联邦学习，可以有效在训练过程中防止边缘计算节点的数据泄露，提高边缘计算框架的对抗攻击防御能力。
-
公开(公告)号：CN113792890A
公开(公告)日：2021-12-14
申请号：CN202111167777.3
申请日：2021-09-29
Applicant: 国网浙江省电力有限公司信息通信分公司 , 浙江捷瑞电力科技有限公司
Abstract: 本公开提供的一种基于联邦学习的模型训练方法及相关设备，应用于边缘计算框架，所述边缘计算框架包括云计算中心和至少一个边缘计算节点，所述云计算中心对各所述边缘计算节点进行管理控制，该方法包括：对所述云计算中心构建中心神经网络模型；对各所述边缘计算节点分别构建边缘神经网络模型；利用训练样本对各所述边缘神经网络模型进行联邦学习并对所述中心神经网络模型进行调整，获得对抗攻击防御全局模型。本公开通过对各边缘计算节点对应的边缘神经网络模型之间进行联邦学习，可以有效在训练过程中防止边缘计算节点的数据泄露，提高边缘计算框架的对抗攻击防御能力。
-
公开(公告)号：CN114330135B
公开(公告)日：2024-08-23
申请号：CN202111667583.X
申请日：2021-12-30
Applicant: 国网浙江省电力有限公司信息通信分公司 , 浙江捷瑞电力科技有限公司
IPC: G06F30/27 , G06F18/214 , G06F18/2431 , G06N20/20 , G06F111/08
Abstract: 本发明提供了一种分类模型构建方法及装置、存储介质及电子设备，该方法包括：确定预设样本集合和每个预设特征维度对应的特征权重，基于预设的集成学习算法进行预测模型的迭代训练，在当前迭代周期中，确定该迭代周期对应的初始模型，和该迭代周期对应的各个训练特征维度所对应的训练样本集合。通过该训练样本集合对该初始模型进行训练，得到该迭代周期对应的预测模型，并更新当前训练特征维度对应的特征权重，以调整下个迭代周期对应的各个训练特征维度。当结束迭代训练过程后，对训练得到的各个预测模型进行组合，得到分类模型。应用本发明的方法，可对用于训练的特征进行调整，采用对分类影响较大的特征进行训练，可提高模型的分类准确度。
-
公开(公告)号：CN114330135A
公开(公告)日：2022-04-12
申请号：CN202111667583.X
申请日：2021-12-30
Applicant: 国网浙江省电力有限公司信息通信分公司 , 浙江捷瑞电力科技有限公司
IPC: G06F30/27 , G06K9/62 , G06N20/00 , G06F111/08
Abstract: 本发明提供了一种分类模型构建方法及装置、存储介质及电子设备，该方法包括：确定预设样本集合和每个预设特征维度对应的特征权重，基于预设的集成学习算法进行预测模型的迭代训练，在当前迭代周期中，确定该迭代周期对应的初始模型，和该迭代周期对应的各个训练特征维度所对应的训练样本集合。通过该训练样本集合对该初始模型进行训练，得到该迭代周期对应的预测模型，并更新当前训练特征维度对应的特征权重，以调整下个迭代周期对应的各个训练特征维度。当结束迭代训练过程后，对训练得到的各个预测模型进行组合，得到分类模型。应用本发明的方法，可对用于训练的特征进行调整，采用对分类影响较大的特征进行训练，可提高模型的分类准确度。
-
Patent Agency Ranking
公开(公告)号：CN113674263A
公开(公告)日：2021-11-19
申请号：CN202110993562.0
申请日：2021-08-27
Applicant: 浙江捷瑞电力科技有限公司
Inventor： 琚小明
Abstract: 本发明公开一种基于生成式对抗网络的小样本缺陷检测方法，缺陷检测过程分为缺陷样本生成，缺陷样本重建，缺陷定位三个步骤，陷样本生成步骤包括：搜集大量正常样本和少量缺陷样本，通过人工添加缺陷以及Cycle‑GAN的方式扩充缺陷样本，且，在此基础上，提出缺陷样本重建网络，该网络使用自编码网络的方式，将缺陷样本重建为正常样本，而正常样本保持不变，同时为了提升重建效果，提出结构性重建损失，以此优化重建效果，在最后的缺陷定位过程中，计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理从而定位缺陷。本发明基于生成式对抗网络可以在仅有少量缺陷样本的情况下实现较高准确率的缺陷检测，方法鲁棒性强，适用于工业级的缺陷检测。
-
公开(公告)号：CN113610252A
公开(公告)日：2021-11-05
申请号：CN202110942748.3
申请日：2021-08-17
Applicant: 浙江捷瑞电力科技有限公司
Inventor： 琚小明
Abstract: 本发明公开了一种元学习小样本输电线缺陷目标检测和告警系统及方法，包括实现电网的缺陷检测、告警和维护过程。该方法主要分为两个部分：离线训练模块和在线检测模块，前者实现基于元学习的小样本目标检测模型的构建和训练过程；后者则将采集的图像输入到训练好的模型中，实现输电线路的缺陷检测，同时确定缺陷的严重等级，利用等级、类别和经纬度生成对应的告警信息，实现输电线缺陷检测‑信息告警‑人员维护的流水线。
-
公开(公告)号：CN113537400B
公开(公告)日：2024-03-19
申请号：CN202110920295.4
申请日：2021-09-14
Applicant: 浙江捷瑞电力科技有限公司
Inventor： 琚小明
Abstract: 本发明公开了一种基于分支神经网络的边缘计算节点的分配与退出方法，为提高边缘计算下人工智能模型的安全性和加快模型的计算效率，该方法主要分为三个步骤，神经网络模型训练、分支神经网络模型在边缘计算节点的部署和模型退出点的选择，首先搭建神经网络模型结合模型精馏算法实现对模型的训练；其次，在为训练好的分类模型分配边缘计算节点过程中，利用最小延迟算法选择合适的边缘计算节点；最后在模型推断阶段选择合适的模型退出点减小边缘计算节点的计算量，提高分类网络预测的精度准确性，最终达到提高神经网络模型的安全性和加快模型的计算效率的效果，实现防御对抗样本并提高模型的计算效率的目的。
-
公开(公告)号：CN113610252B
公开(公告)日：2023-09-19
申请号：CN202110942748.3
申请日：2021-08-17
Applicant: 浙江捷瑞电力科技有限公司
Inventor： 琚小明
IPC: G06Q10/20 , G06Q10/0639 , G06Q50/06 , G06V10/44 , G06V10/764
Abstract: 本发明公开了一种元学习小样本输电线缺陷目标检测和告警系统及方法，包括实现电网的缺陷检测、告警和维护过程。该方法主要分为两个部分：离线训练模块和在线检测模块，前者实现基于元学习的小样本目标检测模型的构建和训练过程；后者则将采集的图像输入到训练好的模型中，实现输电线路的缺陷检测，同时确定缺陷的严重等级，利用等级、类别和经纬度生成对应的告警信息，实现输电线缺陷检测‑信息告警‑人员维护的流水线。
-
公开(公告)号：CN113657517A
公开(公告)日：2021-11-16
申请号：CN202110963980.5
申请日：2021-08-21
Applicant: 浙江捷瑞电力科技有限公司
Inventor： 琚小明
Abstract: 本发明公开了一种基于注意力机制和度量学习少样本电力缺陷检测方法，包括以下步骤：S1：构建数据集，构建数据集构建包括所需的训练集以及目标数据集；S2：模型创建，在S1中的训练集上进行元学习，获取充分的先验知识，得到元模型；S3：将进行元模型应用到目标数据集，进行目标数据的分类，本发明不需要依赖于庞大的数据集来进行模型的训练，具有更强的现实意义，为现实场景中数据不足的一种解决思路；且，基于元学习的理论，可以快速适应新的任务，不需要将模型从头开始进行训练，只需对模型参数进行微调；在关系网络中引入了attent i on网络，使网络更加专注于找到输入图像中有价值的部分，进而实现少样本电力缺陷检测。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.063 seconds)
