-
公开(公告)号：CN119260713A
公开(公告)日：2025-01-07
申请号：CN202411416100.2
申请日：2024-10-11
Applicant: 电子科技大学
IPC: B25J9/16
Abstract: 该发明公开了一种基于保守模型强化学习的机器人控制方法，涉及机器学习技术领域。本发明基于保守模型强化学习的机器人控制方法，通过在每个模型学习步骤中，从集成概率模型中随机选择具有保守近似的估计模型。它以概率估计模型的集合形式出现，但包含了惩罚高估或过度乐观预测的机制。这保证了基于模型强化学习算法在保守性和泛化性之间的平衡，进而解决基于模型强化学习中模拟环境产生多步模型模拟样本严重偏离真实环境数据的问题。
-
公开(公告)号：CN117454824B
公开(公告)日：2024-03-01
申请号：CN202311805382.0
申请日：2023-12-26
Applicant: 电子科技大学
IPC: G06F30/367 , G06F18/23213 , G06F111/06 , G06F115/12
Abstract: 本发明提供了基于双层多目标优化的芯片电路设计方法，属于芯片电路优化设计领域。本发明包括：电路结构初始化、元器件参数初始化、最优候选芯片电路集合初始化、参考向量初始化、上层优化、电路预选（芯片性能粗估、参考向量自适应更新、电路选择）、下层优化、优化后的芯片电路适应度评估、最优候选芯片电路集合维护。本发明通过结合人工智能中的双层优化方法和多目标进化优化方法对芯片电路进行优化，可以获得一组互补占优的电路结构的同时，寻优当前电路结构下最优的元器件参数设置，可以降低芯片设计成本，提高产品质量和性能。
-
公开(公告)号：CN114692896A
公开(公告)日：2022-07-01
申请号：CN202210208397.8
申请日：2022-03-04
Applicant: 电子科技大学
IPC: G06N20/20
Abstract: 本发明属于机器学习领域，具体涉及一种面向集成学习的基模型池智能生成方法。在本发明中，先通过训练集T和集成模型信息初始化若干基模型，并构建基模型到多目标优化方法的解的映射规则；然后采用多目标寻优方法求解出集成学习中基模型生成问题的帕累托阈值前沿S，S表示为一组遴选基模型的解集。根据验证集V和指定的筛选规则选择指定数量的基模型，最后将选出的基模型作为集成学习的基模型，按照并行集成的方法构建集成模型。与现有技术相比，本发明数据利用率高，且遴选出的基模型更加优质。
-
公开(公告)号：CN106156317A
公开(公告)日：2016-11-23
申请号：CN201610522107.1
申请日：2016-06-30
Applicant: 电子科技大学
CPC classification number: G06F17/30598 , G06F17/30312 , G06F21/6245
Abstract: 本发明涉及分布式领域，尤其涉及分布式存储中考虑隐私保护的一种基于属性划分的数据安全存储方法；包括以下步骤：对应用提交的数据进行预处理，然后按数据的关联度对数据进行聚类，然后根据租户的隐私保护要求对聚类的数据进行划分，最后采用一种启发式算法将划分后的数据存储到不同的节点中，使得存储的结果满足用户的性能服务质量需求的同时资源利用率最大。该方法兼顾了安全和性能两方面的需求，不仅考虑了不同用户服务质量需求，也考虑了数据的隐私保护，而且还能提高服务提供商的资源利用率，降低其运行成本。
-
公开(公告)号：CN119807542B
公开(公告)日：2025-05-13
申请号：CN202510309119.5
申请日：2025-03-17
Applicant: 电子科技大学
IPC: G06F16/9535 , G06F16/906 , G06F40/30 , G06N5/022 , G06N3/042 , G06N3/0455 , G06N3/047 , G06N3/084
Abstract: 本发明提供了一种基于图嵌入和知识表示学习融合的知识图谱节点推荐方法，属于知识图谱及其应用领域。该方法通过结合图嵌入和知识表示学习的优势，能够有效地融合节点的结构信息和语义信息，提升推荐系统的精度和效果。本发明不依赖用户的交互数据，而是基于知识图谱中节点的结构关系和语义特征进行自适应推荐，从而避免了冷启动问题，并能充分挖掘节点之间的潜在关系与语义信息。该方法能够灵活处理不同类型的节点，适应多种复杂应用场景，在大规模知识图谱中提供高效、精准的相似节点推荐。通过图嵌入和知识表示学习的结合，本发明显著提升了推荐结果的准确性，知识图谱应用中，对于节点语义信息的缺乏和结构化知识的利用上，展现出明显的优势。
-
Patent Agency Ranking
公开(公告)号：CN119623393A
公开(公告)日：2025-03-14
申请号：CN202510151638.3
申请日：2025-02-11
Applicant: 电子科技大学
IPC: G06F30/373 , G06F30/27 , G06N3/006 , G06F30/392 , G06F30/398 , G06F111/06 , G06F111/04
Abstract: 本发明提出一种基于工艺和后仿真优化反馈的模拟电路智能设计方法，属于电路设计多目标优化领域。该方法包括三个过程：电路图优化过程、版图优化过程、器件工艺优化过程。电路图优化过程用GLAL‑MOPSO算法优化电路元器件的参数；版图优化过程在GLAL‑MOPSO算法的基础上，设计了一种决策变量分组的策略来应对版图优化中大规模变量的优化难题；为了增加电路设计的寻优范围，在电路优化的流程中加入了器件工艺优化的过程。工艺优化过程用GLAL‑MOPSO算法优化器件工艺的参数，可将器件工艺优化过程得到的结果作为基础重新进行电路图和版图的优化。本发明通过对模拟电路设计和器件工艺优化进行自动化的寻优迭代，节省了时间成本和人工设计成本，有效地提高了电路的设计效率。
-
公开(公告)号：CN117556775B
公开(公告)日：2024-03-22
申请号：CN202410036351.1
申请日：2024-01-10
Applicant: 电子科技大学
IPC: G06F30/392 , G06F18/214 , G06F18/25 , G06N3/006 , G06F115/12
Abstract: 本发明提供了多目标芯片电路参数优化设计方法，属于芯片优化设计领域。本发明包括：根据需求确定电子元件和电路拓扑结构，以实现芯片所需的具体功能；将该电路元器件参数编码为适合于多目标智能优化算法的数据结构；初始化N个电路拓扑结构和元器件数量作为种群中的个体并进行适应度评估；表征新的元器件参数的子代生成；基于仿真器或代理模型的适应度评估；最优档案的更新；代理模型的创建或更新；重复上述步骤获得最终最优电路元器件参数。本发明使用了数据驱动的多目标优化方法解决电路参数设计问题，充分利用了智能化仿真工具的准确性，在进化过程中适当的矫正代理模型，使其能随着进化后期样本数据的增加，提高整个进化过程的搜索准确性。
-
公开(公告)号：CN117454824A
公开(公告)日：2024-01-26
申请号：CN202311805382.0
申请日：2023-12-26
Applicant: 电子科技大学
IPC: G06F30/367 , G06F18/23213 , G06F111/06 , G06F115/12
Abstract: 本发明提供了基于双层多目标优化的芯片电路设计方法，属于芯片电路优化设计领域。本发明包括：电路结构初始化、元器件参数初始化、最优候选芯片电路集合初始化、参考向量初始化、上层优化、电路预选（芯片性能粗估、参考向量自适应更新、电路选择）、下层优化、优化后的芯片电路适应度评估、最优候选芯片电路集合维护。本发明通过结合人工智能中的双层优化方法和多目标进化优化方法对芯片电路进行优化，可以获得一组互补占优的电路结构的同时，寻优当前电路结构下最优的元器件参数设置，可以降低芯片设计成本，提高产品质量和性能。
-
公开(公告)号：CN117290811A
公开(公告)日：2023-12-26
申请号：CN202311181953.8
申请日：2023-09-13
Applicant: 电子科技大学
IPC: G06F18/27 , G06F18/243 , G06F18/2321 , G06F18/213 , G06F18/214
Abstract: 本发明的目的在于提供一种基于主动学习策略与库空间优化的符号回归方法，属于数据处理技术领域，该方法包括：首先基于改进的主动学习策略选择数据，有效降低语义遗传规划中每颗子树的语义向量；然后会初始化一个由随机子树组成的库空间，并通过对库中的子树执行K‑中心聚类，在聚类基础上，通过计算每个语义向量的熵值，进一步缩小搜索空间；并在库搜索阶段采用余弦距离结合子树线性缩放来匹配最优的子树。本发明通过对语义向量进行降维，并对库空间进行缩小，在保证语义遗传规划中较高准确率的同时，大幅度降低训练时间，减少计算资源的消耗。
-
公开(公告)号：CN116090661A
公开(公告)日：2023-05-09
申请号：CN202310177325.6
申请日：2023-02-28
Applicant: 电子科技大学
IPC: G06Q10/04 , G06Q50/26 , G06N3/0442 , G06N3/08
Abstract: 本发明属于滑坡地质灾害监测预警技术领域，具体提供一种滑坡位移智能预测方法，用以提高位移预测精度、并对注意力分布进行可视化以改善预测结果的可解释性，实现对滑坡位移的精准预测。本发明具体提出了一种Teacher‑Student学习框架以结合天气预报和雨强来驱动滑坡位移预测，并提供基于雨强监督的多变量时间注意力模式学习机制，可以有效识别出雨季和旱季的季节性特征，对于雨季可以有效的关注前期多雨时间步的多变量状态，对于旱季则更加关注临近时期的多变量状态，为滑坡位移预测结果提供了更为可靠的依据；有效提高预测精度，改善滑坡位移预测方法的可解释性，增强预测结果的说服力，进一步提升模型的泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.052 seconds)
