-
公开(公告)号：CN117707797B
公开(公告)日：2024-05-03
申请号：CN202410168488.2
申请日：2024-02-06
Applicant: 湘江实验室
Abstract: 本发明涉及任务调度领域，公开了一种基于分布式云平台的任务调度方法、装置及相关设备，所述方法包括：获取目标从节点发送的任务请求，所述任务请求包括基于所述目标从节点上各任务确定的图结构特征；基于所述目标从节点所在区域的主节点上的特征提取模块，针对所述图结构特征上的每个任务节点，对所述任务节点以及所述任务节点的领域信息进行特征聚合处理，得到聚合图结构特征；将所述聚合图结构特征输入到深度强化学习模块中，得到所述目标从节点的任务调度策略；根据所述任务调度策略，对所述目标从节点上各任务进行调度分配。采用本发明提高基于分布式云平台的任务调度的智能化，降低调度节点的网络负载。
-
公开(公告)号：CN117456736B
公开(公告)日：2024-03-12
申请号：CN202311782907.3
申请日：2023-12-22
Applicant: 湘江实验室
IPC: G08G1/01 , G08G1/065 , G06N3/0464 , G06F16/9537 , G06F18/25
Abstract: 本发明实施例中提供了一种基于多尺度时空动态交互网络的交通流量预测方法，属于交通控制系统技术领域，具体包括：步骤1，获取城市路网中的历史交通流数据并进行数据预处理；步骤2，获取不同时间尺度下的静态依赖关系，以及，模拟时间维度和空间维度的信息在目标交通路网结构上传播对应的特性，得到时间参数和空间参数；步骤3，得到每个时间尺度下的时空特征；步骤4，将每个时间尺度下的时空特征聚合并利用Huber损失函数构建交通流预测模型；步骤5，利用训练集数据进行预设轮次的梯度下降，更新模型参数，直到模型收敛，得到目标预测模型对目标交通路网的交通流量进行预测。通过本发明的方案，提高了预测效率、精准度和适应性。
-
公开(公告)号：CN117456736A
公开(公告)日：2024-01-26
申请号：CN202311782907.3
申请日：2023-12-22
Applicant: 湘江实验室
IPC: G08G1/01 , G08G1/065 , G06N3/0464 , G06F16/9537 , G06F18/25
Abstract: 本发明实施例中提供了一种基于多尺度时空动态交互网络的交通流量预测方法，属于交通控制系统技术领域，具体包括：步骤1，获取城市路网中的历史交通流数据并进行数据预处理；步骤2，获取不同时间尺度下的静态依赖关系，以及，模拟时间维度和空间维度的信息在目标交通路网结构上传播对应的特性，得到时间参数和空间参数；步骤3，得到每个时间尺度下的时空特征；步骤4，将每个时间尺度下的时空特征聚合并利用Huber损失函数构建交通流预测模型；步骤5，利用训练集数据进行预设轮次的梯度下降，更新模型参数，直到模型收敛，得到目标预测模型对目标交通路网的交通流量进行预测。通过本发明的方案，提高了预测效率、精准度和适应性。
-
公开(公告)号：CN117667360B
公开(公告)日：2024-04-16
申请号：CN202410130270.8
申请日：2024-01-31
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种面向大模型任务的计算与通信融合的智能算网调度方法，属于数据处理技术领域，具体包括：建立调度优化目标函数；设计深度强化学习环境，将调度优化目标函数设计为奖励函数，并构成马尔科夫过程；对当前大模型任务提取状态特征；深度强化学习的智能体根据时序特征和状态特征做出调度策略；由奖励函数计算预测奖励值；大模型任务在计算节点上执行结束后，得到完整的马尔可夫过程存入经验池；构造分层经验池，对多头注意力层和预测网络进行联合训练，以及，根据预测反馈计算预测奖励构成新的马尔可夫过程对多头注意力层和Q网络进行联合训练。通过本发明的方案，提高了对大模型任务的调度效率、精准度和适应性。
-
公开(公告)号：CN118228079B
公开(公告)日：2024-11-26
申请号：CN202410642415.2
申请日：2024-05-23
Applicant: 湘江实验室
IPC: G06F18/2337 , G06F18/231
Abstract: 本发明公开了一种模糊超图生成方法、装置、计算机设备及存储介质，所述方法包括：基于待分析数据的目标句子，确定目标句子的依存树；确定依存树的依存矩阵，依存矩阵用于表征不同树节点之间的依存关系；获取针对待分析数据的至少一个模糊集以及与模糊集对应的聚类中心，其中，模糊集对应一个方面类别，模糊集用于表征待分析数据在方面类别下所包含的数据，聚类中心用于表征在模糊集对应的方面类别下的聚类中心；基于聚类中心，对依存树的树节点进行聚类处理，生成依存树的关联矩阵；基于模糊集、依存树，依存树的关联矩阵，以及依存树的依存矩阵，生成模糊超图，采用本发明快速全面地理解文本中的情感关系，提高情感关系抽取的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118395391A
公开(公告)日：2024-07-26
申请号：CN202410859541.3
申请日：2024-06-28
Applicant: 湘江实验室
IPC: G06F18/25 , G06F18/213
Abstract: 本申请涉及数据融合技术领域，提供了一种多模态数据融合方法及设备。该方法包括：获取多种模态的模态数据；利用模态对应的特征提取模块对模态数据进行特征提取得到模态特征；利用桥梁令牌对所有模态特征进行拼接获取拼接特征；利用特征融合模块对每个拼接特征进行融合得到融合特征；基于所有参数构建损失函数；基于模态的模态数据的数量，计算模态的单模态性能值，并基于所有单模态性能值获取模态的参数更新公式；根据损失函数和所有模态的参数更新公式，对所有特征提取模块和特征融合模块进行优化；利用所有优化后的特征提取模块和优化后的特征融合模块对模态数据进行融合得到最终融合特征。本申请的方法能够提高多模态数据融合的效率。
-
公开(公告)号：CN118228079A
公开(公告)日：2024-06-21
申请号：CN202410642415.2
申请日：2024-05-23
Applicant: 湘江实验室
IPC: G06F18/2337 , G06F18/231
Abstract: 本发明公开了一种模糊超图生成方法、装置、计算机设备及存储介质，所述方法包括：基于待分析数据的目标句子，确定目标句子的依存树；确定依存树的依存矩阵，依存矩阵用于表征不同树节点之间的依存关系；获取针对待分析数据的至少一个模糊集以及与模糊集对应的聚类中心，其中，模糊集对应一个方面类别，模糊集用于表征待分析数据在方面类别下所包含的数据，聚类中心用于表征在模糊集对应的方面类别下的聚类中心；基于聚类中心，对依存树的树节点进行聚类处理，生成依存树的关联矩阵；基于模糊集、依存树，依存树的关联矩阵，以及依存树的依存矩阵，生成模糊超图，采用本发明快速全面地理解文本中的情感关系，提高情感关系抽取的准确性。
-
公开(公告)号：CN117667360A
公开(公告)日：2024-03-08
申请号：CN202410130270.8
申请日：2024-01-31
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种面向大模型任务的计算与通信融合的智能算网调度方法，属于数据处理技术领域，具体包括：建立调度优化目标函数；设计深度强化学习环境，将调度优化目标函数设计为奖励函数，并构成马尔科夫过程；对当前大模型任务提取状态特征；深度强化学习的智能体根据时序特征和状态特征做出调度策略；由奖励函数计算预测奖励值；大模型任务在计算节点上执行结束后，得到完整的马尔可夫过程存入经验池；构造分层经验池，对多头注意力层和预测网络进行联合训练，以及，根据预测反馈计算预测奖励构成新的马尔可夫过程对多头注意力层和Q网络进行联合训练。通过本发明的方案，提高了对大模型任务的调度效率、精准度和适应性。
-
公开(公告)号：CN118395391B
公开(公告)日：2024-11-22
申请号：CN202410859541.3
申请日：2024-06-28
Applicant: 湘江实验室
IPC: G06F18/25 , G06F18/213
Abstract: 本申请涉及数据融合技术领域，提供了一种多模态数据融合方法及设备。该方法包括：获取多种模态的模态数据；利用模态对应的特征提取模块对模态数据进行特征提取得到模态特征；利用桥梁令牌对所有模态特征进行拼接获取拼接特征；利用特征融合模块对每个拼接特征进行融合得到融合特征；基于所有参数构建损失函数；基于模态的模态数据的数量，计算模态的单模态性能值，并基于所有单模态性能值获取模态的参数更新公式；根据损失函数和所有模态的参数更新公式，对所有特征提取模块和特征融合模块进行优化；利用所有优化后的特征提取模块和优化后的特征融合模块对模态数据进行融合得到最终融合特征。本申请的方法能够提高多模态数据融合的效率。
-
公开(公告)号：CN118333132B
公开(公告)日：2024-08-27
申请号：CN202410757068.8
申请日：2024-06-13
Applicant: 湘江实验室
IPC: G06N3/09 , G06F40/30 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种情感识别模型训练方法、情感识别方法及相关设备，包括：对样本文本进行句法依存解析，得到第一超图；基于第一超图，使用异构边聚合算子在表示方面隶属度的超边和表示依存类型的树边两种异构边上同时聚合，得到节点模糊情感特征；针对每个节点，将每个单词与邻域聚合，得到词向量，并将词向量和节点模糊情感特征经过初始情感识别模型的卷积核，生成对应的情感极性的模糊表示，其中，初始情感识别模型为图卷积神经网络；将至少两个初始情感识别模型的卷积层进行堆叠，使用最小二乘估计‑梯度下降混合学习算法对网络参数进行更新，直到达到预设条件，得到目标情感识别模型。采用本发明提高了情感分析的准确性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.017 seconds)
