-
公开(公告)号：CN116205066A
公开(公告)日：2023-06-02
申请号：CN202310176321.6
申请日：2023-02-28
Applicant: 福州大学
IPC: G06F30/20 , G01N33/00 , G06F17/16 , G06F18/214 , G06F111/08
Abstract: 本发明涉及一种基于压缩感知自适应测量矩阵的空气质量主动采样方法，包括以下步骤：将空气质量历史数据进行处理，得到训练压缩矩阵；使用高斯随机矩阵构造初始字典，利用字典学习技术求解得到过完备字典；构造稀疏基，将过完备字典和稀疏基的逆相乘后进行列子集选择操作得到最重要的m个列；利用得到的m个列构造测量矩阵后进行主动采样，得到一条新数据，进而推测出其余未采样点的估计值；将得到的新数据加入训练压缩矩阵，并将其中最旧的训练数据删除，以保证训练集大小固定不变。重复上述步骤以实现多轮主动采样。该方法能够使用压缩感知模型一体化实现采样和推测，并且可以实时更新训练集以适应多次采样。
-
公开(公告)号：CN119335859A
公开(公告)日：2025-01-21
申请号：CN202411444053.2
申请日：2024-10-16
Applicant: 福州大学
IPC: G05B13/04
Abstract: 本发明涉及基于进化强化学习的无人机‑车辆协作系统双目标优化方法，包括以下步骤：步骤S1：初始化策略种群；步骤S2：使用多智能体强化学习算法训练种群中的所有团队策略；步骤S3：评估所有团队的适应度值；步骤S4：使用团队间的协同进化方法迭代种群中的团队策略，产生新的种群；步骤S5：判断种群策略是否收敛；步骤S6：无人机‑车辆系统根据策略网络协同决策执行感知和数据卸载任务；步骤S7：根据收集到的数据推断未感知区域的数据。该方法结和协同进化算法和多智能体强化学习的优势，利用多智能体强化学习模型学习策略，并通过团队间的协同进化把控全局优化方向，实现异构无人机和车辆的双向策略协同和复杂的合作任务的双目标优化。
-
公开(公告)号：CN116304511A
公开(公告)日：2023-06-23
申请号：CN202310237655.X
申请日：2023-03-14
Applicant: 福州大学
Abstract: 本发明提出一种基于图和注意力的时空裂缝数据推断方法，包括以下步骤；步骤S1：获取包含时空裂缝数据的原始稀疏矩阵；步骤S2：移除原始稀疏矩阵中的所有时空裂缝，得到更小尺寸的无裂缝稀疏矩阵；步骤S3：利用矩阵分解技术推断无裂缝稀疏矩阵；步骤S4：将步骤S2移除的时空裂缝重新放回，得到预处理的稀疏矩阵；步骤S5：构建基于图注意力网络的空间块和基于Transformer的时间块，并将它们组合成时空神经网络结构；步骤S6：将预处理的稀疏矩阵输入时空神经网络结构的模型中，得到推断的矩阵并计算损失；步骤S7：重复步骤S6，以训练模型直至收敛；本发明在给定具有稀疏性并可能伴有时空裂缝特征的感知数据的情况下，能有效地推断出比较理想的完整数据。
-
公开(公告)号：CN111061966B
公开(公告)日：2022-08-05
申请号：CN201911179955.7
申请日：2019-11-27
Applicant: 福州大学
IPC: G06F16/9537 , G06N20/00 , G01S19/19
Abstract: 本发明提出一种基于强化学习算法的失踪目标搜索方法，包括如下步骤：步骤S1、数据预处理：包括时间和空间的离散化；目标移动轨迹的离散化；不同时间空间下搜索难度的标量化；步骤S2、强化学习训练环境构建：构建强化学习训练环境，训练环境信息包含不同时间不同位置出发的对象在不同搜索时刻下的期望搜索代价和不同搜索时刻转移到不同位置的概率；步骤S3、时空搜索模型离线训练：对状态和行为的定义以及模型进行自适应优化；步骤S4、在线时空搜索决策：基于步骤S3已经训练好的时空搜索模型迭代地采用贪婪策略确定时空搜索序列并执行时空搜索。其有效的降低了找到目标在目标时刻所在位置的搜索代价，完成搜索代价约束下的目标搜索任务。
-
公开(公告)号：CN112700057B
公开(公告)日：2022-07-08
申请号：CN202110020657.4
申请日：2021-01-07
Applicant: 福州大学
Abstract: 本发明涉及一种基于模块化循环神经网络的电力负荷预测方法。包括以下步骤：1、构建一个包含输入层、隐藏层和输出层的循环神经网络，并把隐藏层划分为若干个模块；2、通过四种隐藏层模块更新策略和两种循环连接剪枝策略的不同组合，可以构建不同的模块化循环神经网络；3、对获取的电力负荷数据进行Z‑score标准化处理，并将其按照时间顺序划分为训练集，验证集和测试集。利用训练集对模型进行训练，用验证集进行调参，最后在测试集上评估性能。本发明相对于目前广泛应用的门控循环神经网络而言，该框架下的模型能够在有效降低网络训练参数量的同时，实现对电力负荷的精准预测。特别是基于自适应更新策略的模块化循环神经网络的表现最为突出。
-
Patent Agency Ranking
公开(公告)号：CN114118373A
公开(公告)日：2022-03-01
申请号：CN202111412506.X
申请日：2021-11-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于回声状态网络的多维时间序列缺失补全方法，包括：步骤S1：构建回声状态网络模型；步骤S2:按照时间顺序，向回声状态网络模型的输入层提供每个时刻的外生变量，向输出层提供对应时刻的多维时间序列的观测值，若缺失的观测值尚未预补，则利用基于方向的最近邻策略进行暂时性预补;步骤S3:分别构建具有双向反馈的前向或双向回声状态网络，并更新所有时刻的内部状态；步骤S4:根据无需预补时刻的输入、内部状态和真实输出训练出网络的输出权重；步骤S5:根据需要预补时刻的输入、内部状态和步骤S4得到的输出权重计算输出估计值，并用于对预补值进行更新；步骤S6:重复步骤S3‑S5，用最后的预补值填补原始序列的缺失值。本发明考虑更加全面的数据相关性来提升多维时间序列的补全精度。
-
公开(公告)号：CN112700057A
公开(公告)日：2021-04-23
申请号：CN202110020657.4
申请日：2021-01-07
Applicant: 福州大学
Abstract: 本发明涉及一种基于模块化循环神经网络的电力负荷预测方法。包括以下步骤：1、构建一个包含输入层、隐藏层和输出层的循环神经网络，并把隐藏层划分为若干个模块；2、通过四种隐藏层模块更新策略和两种循环连接剪枝策略的不同组合，可以构建不同的模块化循环神经网络；3、对获取的电力负荷数据进行Z‑score标准化处理，并将其按照时间顺序划分为训练集，验证集和测试集。利用训练集对模型进行训练，用验证集进行调参，最后在测试集上评估性能。本发明相对于目前广泛应用的门控循环神经网络而言，该框架下的模型能够在有效降低网络训练参数量的同时，实现对电力负荷的精准预测。特别是基于自适应更新策略的模块化循环神经网络的表现最为突出。
-
公开(公告)号：CN111061966A
公开(公告)日：2020-04-24
申请号：CN201911179955.7
申请日：2019-11-27
Applicant: 福州大学
IPC: G06F16/9537 , G06N20/00 , G01S19/19
Abstract: 本发明提出一种基于强化学习算法的失踪目标搜索方法，包括如下步骤：步骤S1、数据预处理：包括时间和空间的离散化；目标移动轨迹的离散化；不同时间空间下搜索难度的标量化；步骤S2、强化学习训练环境构建：构建强化学习训练环境，训练环境信息包含不同时间不同位置出发的对象在不同搜索时刻下的期望搜索代价和不同搜索时刻转移到不同位置的概率；步骤S3、时空搜索模型离线训练：对状态和行为的定义以及模型进行自适应优化；步骤S4、在线时空搜索决策：基于步骤S3已经训练好的时空搜索模型迭代地采用贪婪策略确定时空搜索序列并执行时空搜索。其有效的降低了找到目标在目标时刻所在位置的搜索代价，完成搜索代价约束下的目标搜索任务。
-
公开(公告)号：CN114118373B
公开(公告)日：2024-11-01
申请号：CN202111412506.X
申请日：2021-11-25
Applicant: 福州大学
IPC: G06F18/15 , G06N3/044 , G06N3/08 , G06F123/02
Abstract: 本发明涉及一种基于回声状态网络的多维时间序列缺失补全方法，包括：步骤S1：构建回声状态网络模型；步骤S2:按照时间顺序，向回声状态网络模型的输入层提供每个时刻的外生变量，向输出层提供对应时刻的多维时间序列的观测值，若缺失的观测值尚未预补，则利用基于方向的最近邻策略进行暂时性预补;步骤S3:分别构建具有双向反馈的前向或双向回声状态网络，并更新所有时刻的内部状态；步骤S4:根据无需预补时刻的输入、内部状态和真实输出训练出网络的输出权重；步骤S5:根据需要预补时刻的输入、内部状态和步骤S4得到的输出权重计算输出估计值，并用于对预补值进行更新；步骤S6:重复步骤S3‑S5，用最后的预补值填补原始序列的缺失值。本发明考虑更加全面的数据相关性来提升多维时间序列的补全精度。
-
公开(公告)号：CN117236447A
公开(公告)日：2023-12-15
申请号：CN202311259394.8
申请日：2023-09-27
Applicant: 福州大学
Abstract: 本发明提供一种协同执行多种任务的在线稀疏群智感知方法，由数据收集、数据推断和训练数据更新三个部分组成。首先，通过挖掘真实数据的时空变化规律和相关性，本发明可以使用实时收集到的多任务数据更新训练数据，以保持模型持续更新。接着，本发明提出了一种具有分层架构的多智能体强化学习模型，尝试为每种感知任务分配合适的预算，并执行多种任务数据的协同收集。最后，本发明使用数据推断网络捕捉多种任务数据之间的时空相关性，推断未收集区域的数据，从而进一步降低感知成本，提高数据推断质量。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.013 seconds)
