-
公开(公告)号：CN114547168A
公开(公告)日：2022-05-27
申请号：CN202210099893.4
申请日：2022-01-27
Applicant: 大连理工大学
IPC: G06F16/25 , G06F16/2458 , G06F21/62
Abstract: 本发明属于知识图谱中的知识抽取领域，提供了一种基于虚拟知识图谱的精细化工安全生产数据融合与重构方法。本发明针对精细化工的安全生产数据特点，即结构化数据众多、数据库多源异构、时序逻辑强等问题，创新性地提出利用虚拟知识图谱的方法完成对精细化工传统数据库的融合和重构。具体地是在不增加原数据库存储规模的基础上，从更贴近人类逻辑的角度重构数据库，从而独立底层数据库的逻辑模式和存储方式，更加方便清晰地访问多源数据库。本发明首次将精细化工领域的静态结构化知识与化工安全生产的实时动态数据库在本体概念上进行融合，以实体的形式组织时序数据。并对现有的OBDA系统的映射规则进行基于本发明的数据集的改进。
-
公开(公告)号：CN117010567B
公开(公告)日：2024-06-28
申请号：CN202310983210.6
申请日：2023-08-07
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/26 , G06N5/01 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/08 , G06N7/06
Abstract: 本发明属于数据挖掘中的时间序列预测领域，提出一种基于静态时空图的化工过程动态预测方法。将历史一段时间内通过传感器采集的多维时序数据所组成的特征矩阵X和邻接矩阵A作为输入数据，通过学习一个映射函数#imgabs0#计算得到未来一段时间T的生产过程状态。该方法充分利用融合多维时序变量间的时间依赖性特征和空间依赖性特征，实现对化工过程预测任务。时序特征提取是采用GRU网络来实现，空间特征提取采用GCN网络来实现。GCN网络的图结构数据采用互信息的方式对多维时序变量间的关联性进行量化计算，进而设计形成静态图。
-
Patent Agency Ranking
公开(公告)号：CN114547168B
公开(公告)日：2022-09-20
申请号：CN202210099893.4
申请日：2022-01-27
Applicant: 大连理工大学
IPC: G06F16/25 , G06F16/2458 , G06F21/62
Abstract: 本发明属于知识图谱中的知识抽取领域，提供了一种基于虚拟知识图谱的精细化工安全生产数据融合与重构方法。本发明针对精细化工的安全生产数据特点，即结构化数据众多、数据库多源异构、时序逻辑强等问题，创新性地提出利用虚拟知识图谱的方法完成对精细化工传统数据库的融合和重构。具体地是在不增加原数据库存储规模的基础上，从更贴近人类逻辑的角度重构数据库，从而独立底层数据库的逻辑模式和存储方式，更加方便清晰地访问多源数据库。本发明首次将精细化工领域的静态结构化知识与化工安全生产的实时动态数据库在本体概念上进行融合，以实体的形式组织时序数据。并对现有的OBDA系统的映射规则进行基于本发明的数据集的改进。
-
公开(公告)号：CN114168745B
公开(公告)日：2022-08-09
申请号：CN202111443714.6
申请日：2021-11-30
Applicant: 大连理工大学
IPC: G06F16/36 , G06F16/33 , G06F16/335 , G06F40/295 , G06N3/04 , G06N3/08 , G06N7/00
Abstract: 本发明属于知识图谱技术领域，提供了面向环氧乙烷衍生品生产过程的知识图谱构建方法。根据数据类型及特点，梳理环氧乙烷衍生品生产过程的数据源，将其划分为结构化、非结构化、其他类型三种数据。采用自顶向下和自底向上相结合的方法构建知识图谱的本体层和数据层。提出一种基于数据驱动的增量式本体建模方法，保证知识图谱的可扩展性。面向结构化知识抽取，采用虚拟知识图谱的方法，保证原始数据存储的安全性，提出一种新的映射机制，实现数据实体化。面向非结构化知识抽取，融合预训练语言模型BERT，基于BERT‑BiLSTM‑CRF命名实体识别模型实现实体抽取任务。
-
公开(公告)号：CN117151275A
公开(公告)日：2023-12-01
申请号：CN202310983094.8
申请日：2023-08-07
Applicant: 大连理工大学
Abstract: 本发明属于化工安全领域，提出一种基于动态时空图的化工过程动态预测方法。设计Transformer和GCN融合的时空预测模型DSTN，从时间和空间两个维度挖掘多维时序数据潜在的时空依赖特性和非线性关联性。本发明针对化工场景中不同生产阶段下工艺参数间的动态相关性，提出了一种基于动态时空图的化工过程动态预测方法，该方法引入了动态图的思想，利用互信息的方法对输入的多维时序数据进行图重构，生成动态图，并输入到具有特殊卷积核的GCN网络中进行空间特征的学习和建模，使得网络具备动态可解释性；其次，本方法在Transformer的注意力分数计算模块引入了一维卷积，加强了对时序局部特征的学习和建模。
-
公开(公告)号：CN117010567A
公开(公告)日：2023-11-07
申请号：CN202310983210.6
申请日：2023-08-07
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/26 , G06N5/01 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/08 , G06N7/06
Abstract: 本发明属于数据挖掘中的时间序列预测领域，提出一种基于静态时空图的化工过程动态预测方法。将历史一段时间内通过传感器采集的多维时序数据所组成的特征矩阵X和邻接矩阵A作为输入数据，通过学习一个映射函数#imgabs0#计算得到未来一段时间T的生产过程状态。该方法充分利用融合多维时序变量间的时间依赖性特征和空间依赖性特征，实现对化工过程预测任务。时序特征提取是采用GRU网络来实现，空间特征提取采用GCN网络来实现。GCN网络的图结构数据采用互信息的方式对多维时序变量间的关联性进行量化计算，进而设计形成静态图。
-
公开(公告)号：CN114168745A
公开(公告)日：2022-03-11
申请号：CN202111443714.6
申请日：2021-11-30
Applicant: 大连理工大学
IPC: G06F16/36 , G06F16/33 , G06F16/335 , G06F40/295 , G06N3/04 , G06N3/08 , G06N7/00
Abstract: 本发明属于知识图谱技术领域，提供了面向环氧乙烷衍生品生产过程的知识图谱构建方法。根据数据类型及特点，梳理环氧乙烷衍生品生产过程的数据源，将其划分为结构化、非结构化、其他类型三种数据。采用自顶向下和自底向上相结合的方法构建知识图谱的本体层和数据层。提出一种基于数据驱动的增量式本体建模方法，保证知识图谱的可扩展性。面向结构化知识抽取，采用虚拟知识图谱的方法，保证原始数据存储的安全性，提出一种新的映射机制，实现数据实体化。面向非结构化知识抽取，融合预训练语言模型BERT，基于BERT‑BiLSTM‑CRF命名实体识别模型实现实体抽取任务。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
