一种构建仿真地图的方法、装置、存储介质及电子设备

    公开(公告)号:CN116030211B

    公开(公告)日:2023-06-20

    申请号:CN202310159660.3

    申请日:2023-02-20

    Abstract: 本说明书公开了一种构建仿真地图的方法、装置、存储介质及电子设备。仿真地图为位图格式,仿真地图中的每个色彩通道对应一层仿真图层。首先,获取各素材图,素材图为位图格式。其次,针对每个素材图,根据确定出的该素材图对应的图类型,确定该素材图中各位点的色值在待构建的仿真地图中所归属的色彩通道,作为该素材图对应的色彩通道。而后,根据各素材图中的各位点对应的色值以及各素材图对应的色彩通道,构建色值矩阵,色值矩阵用于表示素材图中每个位点在不同色彩通道上对应的色值。然后,根据色值矩阵,构建每个色彩通道所对应的仿真图层。最后,根据各色彩通道所对应的仿真图层,构建仿真地图。本方法可以提高构建仿真地图的效率。

    一种基于中间特征知识融合的知识蒸馏方法和装置

    公开(公告)号:CN116205290A

    公开(公告)日:2023-06-02

    申请号:CN202310499470.6

    申请日:2023-05-06

    Abstract: 一种基于中间特征知识融合的知识蒸馏方法和装置,将图像数据喂入教师模型和学生模型,并提取教师模型和学生模型的各阶段中间特征;构建阶段级残差连接,将学生模型某一阶段中间特征与上一阶段特征实现特征知识融合;将教师模型与融合后的学生模型分别经过全局平均池化,构建出语义类别特征向量,对该特征向量计算交叉熵损失,以最大化特征相似性;将学生模型预测输出与类别标签的分类损失与特征向量相似性损失加权求和,训练学生模型。还包括一种基于中间特征知识融合的知识蒸馏系统。本发明相较于现有技术,本发明充分融合教师模型的中间特征知识,知识蒸馏性能更优。

    基于因果特征的电力负荷预测方法、装置和介质

    公开(公告)号:CN119315550A

    公开(公告)日:2025-01-14

    申请号:CN202411833084.7

    申请日:2024-12-13

    Abstract: 本发明涉及基于因果特征的电力负荷预测方法、装置和介质,方法包括:获取的实际电力负荷影响因素数据,将实际电力负荷影响因素数据输入训练完成的电力负荷预测模型,输出实际的电力负荷预测结果;其中,所述电力负荷预测模型的训练过程为:S1、获取历史电力负荷数据,S2、对所述历史电力负荷数据进行预处理;S3、计算归一化因果熵;S4、构建因果分析神经网络,在因果分析神经网络中将原因序列和对应的因果强度相乘,基于损失函数优化因果分析神经网络,得到电力负荷预测模型。与现有技术相比,本发明具有提高负荷预测结果的可解释性以及准确性等优点。

    考虑设备结构信息的剩余使用寿命预测方法、装置及介质

    公开(公告)号:CN118332354B

    公开(公告)日:2024-08-20

    申请号:CN202410748715.9

    申请日:2024-06-12

    Abstract: 本发明涉及一种考虑设备结构信息的剩余使用寿命预测方法、装置及介质,其中方法包括:获取设备的模块结构信息,以及各模块中所有传感器采集的数据,并获得各传感器的传感器数据;结合各传感器的传感器数据的相似性,构建传感器图;基于传感器图,结合模块结构信息构建模块图;对传感器图和模块图中各节点的特征向量进行编码;对经过编码后的传感器图和模块图,进行一次或多次卷积融合过程以融合传感器图和模块图,得到最终的传感器图和模块图;将最终的传感器图和模块图输入至寿命预测模块,得到设备的剩余使用寿命;与现有技术相比,本发明具有能够利用设备中的模块结构信息和传感数据之间的隐性空间信息以提高预测准确率等优点。

    化学工艺时间序列数据因果关系图构建方法、装置和介质

    公开(公告)号:CN118053518B

    公开(公告)日:2024-07-05

    申请号:CN202410451611.1

    申请日:2024-04-16

    Abstract: 本发明涉及化学工艺时间序列数据因果关系图构建方法、装置和介质,方法包括:将实际的化学工艺时间序列数据集输入因果关系图构建模型,得到实际权重矩阵,转化为因果关系图,因果关系图构建模型的训练过程为:S1、获取训练用的化学工艺时间序列数据集;S2、基于时间卷积网络编码器‑解码器,得到重建特征;S3、将自注意力编码器的输出作为图卷积网络的初始化的邻接矩阵,图卷积网络输出特征矩阵;S4、特征矩阵输入多层感知器网络,输出变量预测值;S5、构建联合损失函数,基于联合损失函数进行迭代训练,得到训练完成的因果关系图构建模型。与现有技术相比,本发明具有提高因果发现的准确性等优点。

    一种基于积分梯度多样性的模型训练和图像识别方法

    公开(公告)号:CN117036870A

    公开(公告)日:2023-11-10

    申请号:CN202311298498.X

    申请日:2023-10-09

    Abstract: 本说明书公开了一种基于积分梯度多样性的模型训练和图像识别方法。所述方法包括:将样本数据分别输入各基模型,确定每个基模型对应的图像识别结果;针对每个基模型,根据该基模型对应的图像识别结果以及样本数据的实际标签,确定该基模型对应的分类损失,以及,确定该基模型相对于样本数据的积分梯度,作为该基模型对应的积分梯度;根据每个基模型对应的分类损失,确定目标集成模型对应的目标分类损失,以及,根据各基模型对应的积分梯度之间的偏差,确定目标集成模型对应的积分梯度正则项损失;根据目标分类损失以及积分梯度正则项损失,对目标集成模型进行训练。

    一种智能事件打标方法、装置及存储介质

    公开(公告)号:CN116992034A

    公开(公告)日:2023-11-03

    申请号:CN202311245716.3

    申请日:2023-09-26

    Abstract: 本发明涉及一种智能事件打标方法、装置及存储介质,其中方法包括:S1、获取事件反馈文本,并利用多分类模型预测事件一级标签;S2、将一级标签与事件专家规则库进行碰撞比对,确定分类难度,若为易分类标签则转S3,否则转S4;S3、构建层次分类模型确定多层次事件标签结果;S4、构建检索模型,根据每条事件对应向量与标签向量的相似度得分输出多个相似标签向量,若相似度得分至少一个不小于预设阈值,则根据用户选择的其中之一标签作为事件标签结果,否则,执行S5;S5、构建生成模型,以事件反馈文本作为输入,输出推荐标签,存入事件打标结果表。与现有技术相比,本发明具有自动化打标、确定标签准确性高等优点。

Patent Agency Ranking