-
公开(公告)号：CN115587612A
公开(公告)日：2023-01-10
申请号：CN202211242138.3
申请日：2022-10-11
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于自监督超图的网络故障预测方法及装置，包括如下步骤：S1.首先收集网络故障数据，将网络故障数据转化为时间序列数据，其中所有网络故障类型，其对应在各自的时间序列数据中；S2.构建基于自监督超图的神经网络模型，所述神经网络模型包括嵌入层、查询层、自门控层以及自监督融合层，将上文所述时间序列数据输入到基于自监督超图的神经网络模型，所述基于自监督超图的神经网络模型对网络故障数据中的故障进行预测。本发明主要的解决了在传统的网络故障发生的复杂性关系之间进行直接挖掘的片面性，以及网络故障发生的随机性对于不同网络故障的判断进行筛选，然后决定故障的检修顺序。
-
公开(公告)号：CN113240098B
公开(公告)日：2022-05-17
申请号：CN202110666091.2
申请日：2021-06-16
Applicant: 湖北工业大学
Abstract: 本发明提供了一种基于混合门控神经网络的网络故障预测方法，将网络故障数据进行预处理转化为时间序列数据，其中，所述网络故障数据包括故障发生的时间节点信息和网络节点设备信息，每个时间序列数据表示当前时间段发生的所有故障类型；将产生故障的网络节点设备的反馈数据转化为文本标签数据；构建基于混合门控神经网络模型，所述混合门控神经网络模型包括嵌入层、混合门控层、邻域注意力层、自动编解码器层，将所述时间序列数据和所述文本标签数据输入所述基于混合门控神经网络模型，所述基于混合门控神经网络模型对网络故障数据中的数据进行预测。通过上述方法，可以挖掘故障数据之间的关联性，提高故障预测的精确性。
-
公开(公告)号：CN112818035A
公开(公告)日：2021-05-18
申请号：CN202110123044.3
申请日：2021-01-29
Applicant: 湖北工业大学
IPC: G06F16/2458 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种网络故障预测方法，包括如下步骤：S1.将网络故障数据进行预处理，所述网络故障数据包括故障类型、故障发生时间，转化为时间序列数据，每个时间序列表示当前时间段发生的所有故障类型；S2.构建基于门控多头注意力的神经网络模型，所述神经网络模型包括嵌入层、注意力记忆网络层、多头注意力层以及门控融合层，将所述时间序列数据输入所述基于门控多头注意力的神经网络模型，所述基于门控多头注意力的神经网络模型对网络故障数据中的故障进行预测。旨在解决传统的预测方法因故障的复杂性以及随机性，不能预测不同网络故障对其他故障的影响，从而不能对故障进行预测的问题，从而提供对网络故障进行精确预测的技术方案。
-
公开(公告)号：CN115051929B
公开(公告)日：2023-05-26
申请号：CN202210698538.9
申请日：2022-06-20
Applicant: 湖北工业大学
IPC: H04L41/147 , H04L43/08 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于自监督目标感知神经网络的网络故障预测方法及装置，其中的预测方法包括如下步骤：S1将网络故障数据进行预处理操作，收集网络故障诊断所需要的数据；S2.构建基于自监督目标感知神经网络模型，此模型包括会话图构建模块(会话图构建模块包含嵌入层、原始图与对比图的信息)、图卷积模块、自适应聚合模块、自监督学习模块以及预测模块，将时间序列数据输入此基于自监督目标感知图神经网络模型，对网络故障数据中的故障进行预测。旨在解决传统的预测方法因网络数据的稀疏性、随机性以至于对故障的预测不准确，设计模型更具有泛化能力，所以需要提出一个能够精确预测网络故障的方案。
-
公开(公告)号：CN115051929A
公开(公告)日：2022-09-13
申请号：CN202210698538.9
申请日：2022-06-20
Applicant: 湖北工业大学
IPC: H04L41/147 , H04L43/08 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于自监督目标感知神经网络的网络故障预测方法及装置，其中的预测方法包括如下步骤：S1将网络故障数据进行预处理操作，收集网络故障诊断所需要的数据；S2.构建基于自监督目标感知神经网络模型，此模型包括会话图构建模块(会话图构建模块包含嵌入层、原始图与对比图的信息)、图卷积模块、自适应聚合模块、自监督学习模块以及预测模块，将时间序列数据输入此基于自监督目标感知图神经网络模型，对网络故障数据中的故障进行预测。旨在解决传统的预测方法因网络数据的稀疏性、随机性以至于对故障的预测不准确，设计模型更具有泛化能力，所以需要提出一个能够精确预测网络故障的方案。
-
Patent Agency Ranking
公开(公告)号：CN103587483B
公开(公告)日：2015-08-26
申请号：CN201310576295.2
申请日：2013-11-18
Applicant: 湖北工业大学
Abstract: 本发明公开了一种车载导航仪的充电装置，包括多个卡扣、主体、第一光伏板、第二光伏板、以及第一USB接口，原车后视镜设置在充电装置与车载导航仪之间，卡扣设置在主体的后部，且与车载导航仪后部的卡勾配合，以将原车后视镜固定在充电装置与车载导航仪之间，第一光伏板和第二光伏板均为可折叠式，并分别设置于原车后视镜的固定曲柄和球轴的两侧，且形状为L形，第一光伏板和第二光伏板通过枢轴连接方式固定在主体上，并可旋转展开工作以及折叠收起存放，第一USB接口设置于主体上，并通过USB连接线与设置于车载导航仪上的第二USB接口连接。本发明解决现有车载卫星导航终端存在的供电过程中出现的电源线走线和安装不便的技术问题。
-
公开(公告)号：CN115273464A
公开(公告)日：2022-11-01
申请号：CN202210782379.0
申请日：2022-07-05
Applicant: 湖北工业大学
Abstract: 本发明公开了一种改进的时空Transformer的交通流量预测方法，是一种基于编解码器的架构。编码器对历史流量特征进行编码，解码器预测未来序列。编码器由时空嵌入层、时空特征提取模块、前馈神经网络三个部分组成，解码器与编码器结构类似，但比编码器多出一个连接编码器和解码器的双重交叉注意力。其中，时空嵌入层是包括LINE图嵌入、位置嵌入、时间嵌入；时空特征提取模块包括空间稀疏自注意力、时间层次扩散卷积以及时间自注意力。首先，编码器将空间稀疏自注意力和时间层次扩散卷积相结合，捕捉交通流量的动态空间相关性和局部空间特征，再利用时间自注意力建模非线性时间相关性；接着，解码器与编码器类似地挖掘出输入序列的时空特征。最后，基于编解码器提取的时空特征，采用双重交叉注意力模拟历史交通观测对未来预测的影响，建模每个历史时间步和每个未来时间步的直接关系以及对整个未来时间段的影响，并输出未来交通流量的最终表示。
-
公开(公告)号：CN115019039A
公开(公告)日：2022-09-06
申请号：CN202210582668.6
申请日：2022-05-26
Applicant: 湖北工业大学
IPC: G06V10/26 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种结合自监督和全局信息增强的实例分割方法及系统，其中的构建方法首先通过基于ResNet网络和FPN模块的特征提取网络来得到特征金字塔以及进行特征图融合；然后采用基于Fastformer的全局信息增强网络来对特征图进行像素之间的交互关系进行建模，提取全局信息；接着通过预测网络进行实例分割，其中，类别预测网络用于对感兴趣的实例进行多标签分类，掩码预测网络用于对实例所在区域进行像素值分类，生成实例掩码；此外还加入了一个自监督学习网络，用于对图中实例之间进行对比学习，加强模型对图片的理解能力以增强泛化性。本发明的方法能够解决对遮挡以及不完整物体检测性能不高的问题，同时加强模型的泛化能力，提高在噪声较多的场景中的分割性能。
-
公开(公告)号：CN112818035B
公开(公告)日：2022-05-17
申请号：CN202110123044.3
申请日：2021-01-29
Applicant: 湖北工业大学
IPC: G06F16/2458 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种网络故障预测方法，包括如下步骤：S1.将网络故障数据进行预处理，所述网络故障数据包括故障类型、故障发生时间，转化为时间序列数据，每个时间序列表示当前时间段发生的所有故障类型；S2.构建基于门控多头注意力的神经网络模型，所述神经网络模型包括嵌入层、注意力记忆网络层、多头注意力层以及门控融合层，将所述时间序列数据输入所述基于门控多头注意力的神经网络模型，所述基于门控多头注意力的神经网络模型对网络故障数据中的故障进行预测。旨在解决传统的预测方法因故障的复杂性以及随机性，不能预测不同网络故障对其他故障的影响，从而不能对故障进行预测的问题，从而提供对网络故障进行精确预测的技术方案。
-
公开(公告)号：CN110569724B
公开(公告)日：2021-06-04
申请号：CN201910716528.1
申请日：2019-08-05
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于残差沙漏网络的人脸对齐方法，首先在沙漏网络基本单元残差模块的基础上新增卷积分支来增加网络的感受野以更好的提取到不同尺度下的特征信息，同时保持了高分辨率信息；然后结合沙漏网络的特性，让新增卷积分支的核尺度随沙漏网络层数来调整大小，以更好的平衡feature map分辨率和感受野之间的关系，使网络既能提取到更多的细节信息，同时还保留了从局部到整体的结构化信息。最后对沙漏网络进行堆叠再辅以中间监督机制，即保证了低层参数的正常更新同时还允许网络重新评估整个图像的初始估计和特征。本发明通过堆叠新的残差沙漏网络，在提取更多有效信息的同时还增加了网络提取局部细节信息的能力，提高了对人脸关键点检测的精度。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.024 seconds)
