-
公开(公告)号：CN116628543A
公开(公告)日：2023-08-22
申请号：CN202310452512.0
申请日：2023-04-25
IPC: G06F18/24 , H04L67/01 , G06N3/098 , G06F18/214
Abstract: 本发明公开了一种基于元学习的不平衡数据联邦学习方法和系统，包括：客户端接收服务端下发的赋权模型参数和全局模型参数，利用本地数据和赋权模型参数得到用作校正数据不平衡的权重，基于权重、本地数据以及全局模型参数更新本地模型参数，其中，赋权模型参数包括类赋权模型参数、样本赋权模型参数，对应的权重包括类权重和样本权重；服务端接收客户端上传的本地模型参数并聚合得到全局模型参数，利用元数据、赋权模型参数以及聚合的全局模型参数得到元全局模型参数，利用元全局模型参数和元数据来更新赋权模型参数，更新的赋权模型参数和聚合的全局模型参数下发至客户端进行下一轮联邦学习。
-
公开(公告)号：CN116154779A
公开(公告)日：2023-05-23
申请号：CN202310439438.9
申请日：2023-04-23
Applicant: 之江实验室
Abstract: 本发明公开了一种基于预训练模型的最优潮流计算方法和装置，属于智能电网和人工智能相结合的技术领域，包括：在对用于根据有功功率和电压幅值预测无功功率和电压相角的预训练模型进行参数优化的基础上，利用优化后预训练模型构建最优潮流计算模型，即使用优化后预训练模型约束最优潮流计算模型基于负载功率样本和最优潮流计算标签的训练过程，这样使得最优潮流计算模型能够在保证求解有效性的同时快速地进行最优潮流计算求解，更好地满足新型电力系统的需求。
-
公开(公告)号：CN115496077A
公开(公告)日：2022-12-20
申请号：CN202211442584.9
申请日：2022-11-18
Applicant: 之江实验室
IPC: G06F40/30 , G06F40/126 , G06F40/242 , G06K9/62 , G06Q50/00
Abstract: 本发明公开一种基于模态观察和评分的多模态情感分析方法和装置，该方法包括：步骤一，获取不同模态原始数据，针对不同模态特点提取模态特征表示；步骤二，使用模态观察模块对各模态信息进行初步融合，获得模态融合权重和模态学习权重；步骤三，基于模态融合权重和单模态特征表示，构建多模态特征表示和多模态代理特征表示；步骤四，使用模态评分模块对多模态特征表示和多模态代理特征表示进行情感打分，结合模态学习权重，基于多任务学习框架完成情感分析模型的训练。本发明不仅能够完成多模态情感分析任务，也能够完成各个单模态情感分析任务，能够做到一次训练、多处使用，从而减轻训练负担，大大提升使用效率和多模态情感分析效果。
-
公开(公告)号：CN115201615B
公开(公告)日：2022-12-20
申请号：CN202211118553.8
申请日：2022-09-15
Applicant: 之江实验室
Abstract: 本发明涉及智能电网领域，提出了一种基于物理约束神经网络的非侵入式负荷监测方法及装置，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。本发明可充分提取用电设备的运行特征，在不增加额外开销的前提下提升负荷辨识的准确性。
-
公开(公告)号：CN115201615A
公开(公告)日：2022-10-18
申请号：CN202211118553.8
申请日：2022-09-15
Applicant: 之江实验室
Abstract: 本发明涉及智能电网领域，提出了一种基于物理约束神经网络的非侵入式负荷监测方法及装置，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。本发明可充分提取用电设备的运行特征，在不增加额外开销的前提下提升负荷辨识的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114429219A
公开(公告)日：2022-05-03
申请号：CN202111502142.4
申请日：2021-12-09
IPC: G06N20/00
Abstract: 本发明公开了一种面向长尾异构数据的联邦学习方法包括如下步骤：步骤一、服务器端随机初始化全局模型w并将模型参数发给各个客户端，各个客户端利用收到的模型参数进行模型更新，并将更新后的模型参数上传至服务器端；步骤二、服务器端对收到的本地模型参数后进行聚合得到教师模型和学生模型；步骤三、服务器端对步骤二中得到的教师模型进行校准，让教师模型在无偏知识上进行学习，以此教出好的学生模型；步骤四、使用知识蒸馏将教师模型的无偏知识传递给学生模型，随后将学生模型发给各个客户端开始下一轮联邦训练。
-
公开(公告)号：CN113821452B
公开(公告)日：2022-03-18
申请号：CN202111405653.4
申请日：2021-11-24
Applicant: 之江实验室
IPC: G06F11/36 , G06F30/27 , G06K9/62 , G06F111/10
Abstract: 本发明公开一种根据被测系统测试表现动态生成测试案例的智能测试方法，该方法通过生成n个仿真训练案例，并通过测试得到被测代理在这n个案例中的表现，通过构建多棵决策树，使算法准确预测不同案例下的被训练代理的表现，学习到仿真测试中会导致不同结果的各变量的空间划分，从而在下一轮测试中可以更精确有效地生成案例。本发明实现方法简便且具有通用性，适用于多种场景中的虚拟仿真训练，提升了智能测试中生成案例的有效性。
-
公开(公告)号：CN113283547A
公开(公告)日：2021-08-20
申请号：CN202110826171.X
申请日：2021-07-21
Applicant: 之江实验室
Abstract: 本发明涉及到智能电网领域，提出了一种基于多任务深度学习的最优潮流计算方法，步骤如下：获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据；应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标签信息；设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测；基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练；根据多任务深度学习模型的输出结果，判断是否存在可行的调度方案，输出最优调度方案或预警信息。本发明不仅能够更高效地求解调度方案，而且能够对不存在可行调度方案的场景进行预警。
-
公开(公告)号：CN116154779B
公开(公告)日：2023-07-18
申请号：CN202310439438.9
申请日：2023-04-23
Applicant: 之江实验室
Abstract: 本发明公开了一种基于预训练模型的最优潮流计算方法和装置，属于智能电网和人工智能相结合的技术领域，包括：在对用于根据有功功率和电压幅值预测无功功率和电压相角的预训练模型进行参数优化的基础上，利用优化后预训练模型构建最优潮流计算模型，即使用优化后预训练模型约束最优潮流计算模型基于负载功率样本和最优潮流计算标签的训练过程，这样使得最优潮流计算模型能够在保证求解有效性的同时快速地进行最优潮流计算求解，更好地满足新型电力系统的需求。
-
公开(公告)号：CN115860122A
公开(公告)日：2023-03-28
申请号：CN202211566685.7
申请日：2022-12-07
IPC: G06N5/04 , G06N5/043 , G06N5/022 , G06F16/36 , G06F16/35 , G06N3/045 , G06N3/0442 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/092
Abstract: 本发明公开了一种基于多智能体强化学习的知识图谱多跳推理方法，针对知识图谱推理过程中存在的长路径推理性能差、只注重关系选择而忽略实体选择重要性和未能充分利用实体、关系多重语义的问题。该发明含有以下步骤，将知识图谱作为智能体感知的环境，并对知识图谱进行预处理；设计强化学习算法中用于训练智能体的网络结构；初始化所有智能体的状态信息和算法参数；将预处理的知识图谱作为智能体的环境，利用强化学习算法使智能体与环境交互进行迭代学习，得到训练完成的策略网络；使用训练完成的策略网络对待处理的知识图谱进行推理预测。本技术能够克服实体或关系的多重语义带来的语义歧义问题，从而提高智能体路径推理的准确性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.028 seconds)
