-
公开(公告)号：CN114219027A
公开(公告)日：2022-03-22
申请号：CN202111536500.3
申请日：2021-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于离散小波变换的轻量级时间序列预测方法，采用波形分解模块，对输入序列进行分解得到低频分量和高频分量，使得两个分量的长度均为输入序列的一半，然后采用基于分层平行提取特征的离散网络的离散特征提取方法来对两个分量分别预测；离散网络针对注意力机制计算复杂度高的缺点，采用了离散注意力机制进行分块计算attention数值，从而降低了模型的计算复杂度。最后采用波形重构模块生成最终预测序列。该方法可以提高资源利用率，更小的模型规模使得其在资源受限制的设备上更具竞争力。
-
公开(公告)号：CN118296330A
公开(公告)日：2024-07-05
申请号：CN202410726512.X
申请日：2024-06-06
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06N3/0455 , G06N3/084 , G06N3/042 , G06N3/0464 , G06F123/02
Abstract: 本发明公开了一种基于多视图时间序列图结构的长期时间序列预测方法，其特征在于，包括如下步骤：步骤1、获取多元时间序列数据，并对数据进行预处理，将预处理后的数据进行分片处理，通过分片处理后的数据得到#imgabs0#份特征序列；步骤2、构建并训练预测模型MGTV，所述预测模型MGTV包括依次连接的局部交叉视图生成器、维度视图生成器和时间视图生成器；步骤3、将每份特征序列进行分割，平均分成#imgabs1#份片段序列；步骤4、应用完成训练的预测模型MGTV得到#imgabs2#份预测结果；步骤5、将#imgabs3#份预测结果拼接后加权最终的预测结果。该方法提供了一种全新的时间序列预测模型MVTG，提升模型预测精度的同时，提高模型的运算速度。
-
公开(公告)号：CN114239718B
公开(公告)日：2024-03-01
申请号：CN202111539166.7
申请日：2021-12-15
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0455 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于多元时序数据分析的高精度长期时间序列预测方法，使用离散网络用于分层平行提取多元时间序列的全局特征和局部特征，在提高多元时间序列预测精度的同时降低了计算复杂度、减少了模型规模并且增加了模型的预测长度。本发明采用分层平行提取多元时间序列的全局特征和局部特征机制，提升了预测精度，降低了模型的内存使用量，利用局部特征提高对多元时间序列的局部细微波动的拟合能力，并且增加了模型的预测长度，大大提升了模型在多元时间序列预测上的效果。
-
公开(公告)号：CN113592023B
公开(公告)日：2024-02-27
申请号：CN202110918765.3
申请日：2021-08-11
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/09
Abstract: 本发明公开了一种基于深度模型框架的高效细粒度图像分类模型。本发明创新地将数据增强方法与知识蒸馏技术相结合，设计交叉集成知识蒸馏(CEKD)模型，以在线方式动态生成软目标；整个交叉集成知识蒸馏模型包括教师网络和学生网络，且教师和学生网络采用同一骨干网络；针对数据增强中存在的噪声干扰问题，提出交叉蒸馏模块(CD)来重建网络的输入路径以获得额外的监督信息；同时针对目标冲突问题，提出协同集成模块(CE)来动态集成和优化所有最终的输出值；最后结合交叉蒸馏模块和协同集成模块，全面捕捉图片的判别性区域并提高CEKD模型的鲁棒性。本发明在细粒度数据集上的大量实验证明了CEKD模型性能的优越性。
-
公开(公告)号：CN115659239A
公开(公告)日：2023-01-31
申请号：CN202211323554.6
申请日：2022-10-25
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/214 , G06N3/04 , G06N3/092 , G06F16/901
Abstract: 本发明公开了一种基于特征提取强化的高鲁棒性异质图节点分类方法及系统，涉及异质图节点分类技术领域。该方法包括：获取目标异质图数据；将所述目标异质图数据输入到训练好的鲁棒性特征强化框架模型中，以对所述目标异质图数据中的节点进行分类；所述训练好的鲁棒性特征强化框架模型是基于离散映射模块、协作分离模块、异质图节点分类器、超参优化模块和样本数据集确定的；所述样本数据集包括多个异质图数据集以及相应的节点分类标签；所述节点分类标签包括：节点特征、邻接矩阵和元路径。本发明通过使用鲁棒性特征强化框架模型，优化异质图神经网络的特征嵌入的学习性能，以解决现有模型特征提取能力不足、精度不足和实验结果不稳定等问题。
-
Patent Agency Ranking
公开(公告)号：CN113592023A
公开(公告)日：2021-11-02
申请号：CN202110918765.3
申请日：2021-08-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度模型框架的高效细粒度图像分类模型。本发明创新地将数据增强方法与知识蒸馏技术相结合，设计交叉集成知识蒸馏(CEKD)模型，以在线方式动态生成软目标；整个交叉集成知识蒸馏模型包括教师网络和学生网络，且教师和学生网络采用同一骨干网络；针对数据增强中存在的噪声干扰问题，提出交叉蒸馏模块(CD)来重建网络的输入路径以获得额外的监督信息；同时针对目标冲突问题，提出协同集成模块(CE)来动态集成和优化所有最终的输出值；最后结合交叉蒸馏模块和协同集成模块，全面捕捉图片的判别性区域并提高CEKD模型的鲁棒性。本发明在细粒度数据集上的大量实验证明了CEKD模型性能的优越性。
-
公开(公告)号：CN114329218B
公开(公告)日：2025-05-09
申请号：CN202111670732.8
申请日：2021-12-31
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06Q30/0601
Abstract: 本发明公开了一种基于多行为特征增强的注意力序列推荐方法。本发明采用项目交互模式模块和自适应增强的注意力模块，对注意力图进行修正，使得注意力机制更关注符合用户行为规律的局部特征。项目交互模式模块有四种类型的项目交互模式，分别来增强注意力机制对用户行为序列的正反向行为不对称信息、瞬时性信息、连续性信息、非强顺序依赖性信息的感知能力。自适应增强的注意力模块主要有两种增强的结构，单通道结构可以更高效地增强注意力机制，双通道结构则具有更好的推荐性能。自适应增强的注意力模块采用可学习参数对机制可以对局部特征增强程序进行精准的阈值控制。本发明在花费极小的计算开销情况下，提高真实场景下行为序列推荐的准确率。
-
公开(公告)号：CN116911419A
公开(公告)日：2023-10-20
申请号：CN202310042160.1
申请日：2023-01-28
Applicant: 杭州电子科技大学
IPC: G06Q10/04 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于趋势相关性特征学习的长时序预测方法，设计了一种名为相关性分布特征提取网络即ACDN模型，ACDN模型采用分布处理模块，用于预测未来时间序列中的分布，以便在面对分布偏移时提高模型准确性；采用自/互相关系数计算模块，以更好地捕捉动态改变时间序列的全局属性，比如趋势成分，其中自相关系数反映局部段内的波动，而互相关系数反映了各个局部子序列中的变化；采用细微特征保留模块，以增强模型对细微特征的感知。本发明对来自不同领域的六个数据集的一系列实验表明，对比FEDformer方法，相关性分布特征提取网络(ACDN)在五个数据集上均方误差(MSE)平均降低了21.99％。
-
公开(公告)号：CN114239718A
公开(公告)日：2022-03-25
申请号：CN202111539166.7
申请日：2021-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多元时序数据分析的高精度长期时间序列预测方法，使用离散网络用于分层平行提取多元时间序列的全局特征和局部特征，在提高多元时间序列预测精度的同时降低了计算复杂度、减少了模型规模并且增加了模型的预测长度。本发明采用分层平行提取多元时间序列的全局特征和局部特征机制，提升了预测精度，降低了模型的内存使用量，利用局部特征提高对多元时间序列的局部细微波动的拟合能力，并且增加了模型的预测长度，大大提升了模型在多元时间序列预测上的效果。
-
公开(公告)号：CN116595377A
公开(公告)日：2023-08-15
申请号：CN202310622647.7
申请日：2023-05-30
Applicant: 杭州电子科技大学
IPC: G06F18/214 , G06F18/213 , G06F17/15 , G06F17/14
Abstract: 本发明涉及时间序列异常检测领域，且公开了一种基于时域频域对抗学习的多元时序异常检测方法，包括以下步骤：步骤一：数据预处理；步骤二：选取训练数据输入到ATF‑UAD中；步骤三：得到时域重构序列；步骤四：得到频域重构序列；步骤五：得到加权重构序列；步骤六：完成模型训练；步骤七：将验证数据集输入到ATF‑UAD中；步骤八：重复步骤二至步骤七，直至模型结束训练；步骤九：将测试数据集输入到ATF‑UAD中；步骤十：重复步骤一至步骤九，完成ATF‑UAD在数据集上的异常检测获得最终得分。本发明采用上述基于时域频域对抗学习的多元时序异常检测方法，利用ATF‑UAD通过双视图对抗学习机制处理两个重建器的重建序列，最小化误差重建值并最大化任何残差异常值。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.025 seconds)
