-
公开(公告)号：CN115688789B
公开(公告)日：2024-04-02
申请号：CN202211433871.3
申请日：2022-11-16
Applicant: 北京京航计算通讯研究所
IPC: G06F40/295 , G06F40/216 , G06F16/35 , G06F18/214
Abstract: 本发明涉及一种基于动态标签的实体关系抽取模型训练方法及系统，属于数据处理技术领域，解决了现有技术中样本不均衡时关系抽取模型准确率低的问题。包括预处理历史质量问题分析报告，构建样本集，将样本集划分为训练集和测试集；构建PCNN模型，基于训练集训练PCNN模型，根据当前训练结果动态更新各训练样本对应的各关系类别标签值，直至训练结束，得到训练好的PCNN模型；基于测试集验证PCNN模型，当模型准确率小于阈值，根据验证结果更新各关系类别的样本权重，并根据更新后的各关系类别的样本权重扩充训练集，基于扩充后的训练集再次训练PCNN模型，直至模型准确率不小于阈值，得到优化的PCNN模型，作为实体关系抽取模型。实现了关系抽取模型的高准确率。
-
公开(公告)号：CN117493934A
公开(公告)日：2024-02-02
申请号：CN202311515292.8
申请日：2023-11-14
Applicant: 北京京航计算通讯研究所
IPC: G06F18/24 , G06N3/0464 , G06F18/214 , G06N3/08 , G06F18/213 , G06Q10/0639
Abstract: 本发明涉及一种用于质量缺陷类别识别模型的训练方法及装置，属于装备检测技术领域，解决了现有技术中识别模型识别不准确的问题。所述训练方法包括：获取若干个正常类别样本和若干个缺陷类别样本；按照模型训练集中预设正常样本比例从正常类别样本中取样，得到正常样本训练集；按照模型训练集中预设缺陷样本比例对缺陷类别样本进行扩充得到新增缺陷类别样本，原始缺陷类别样本和新增缺陷类别样本形成缺陷样本训练集；建立质量缺陷类别识别模型；根据模型训练集中的各个样本对质量缺陷类别识别模型进行训练，得到训练完成的质量缺陷类别识别模型。实现了识别模型对装备质量的精准识别。
-
公开(公告)号：CN117272796A
公开(公告)日：2023-12-22
申请号：CN202311203706.3
申请日：2023-09-18
Applicant: 北京京航计算通讯研究所
IPC: G06F30/27 , G06N3/092 , G06N3/0499
Abstract: 本发明涉及一种发动机燃烧场自动控制模型构建方法，包括：接收智能体的经验数据；包括：智能体当前周期的状态空间s、智能体策略网络基于所述当前周期的状态空间生成的发动机仿真环境动作空间a、基于发动机仿真环境动作空间确定的智能体下一周期的状态空间s’、基于下一周期的状态空间所确定的奖励信息r及结束信号d；将经验数据 存入经验池；经验池中经验数据达到预设数据量时，从经验池中获取经验数据作为训练数据，训练智能体得到发动机燃烧场自动控制模型。实现了通过构造发动机燃烧场自动控制模型精确控制及调整发动机燃烧场的多个关键参数使得发动机燃烧过程能够更加准确地达到预期的目标压力值。
-
公开(公告)号：CN117034781A
公开(公告)日：2023-11-10
申请号：CN202311139690.4
申请日：2023-09-05
Applicant: 北京京航计算通讯研究所
IPC: G06F30/27 , G06F30/15 , G06N3/0464 , G06N3/08 , G06F119/08 , G06F119/14
Abstract: 本发明涉及一种基于热载荷反演引导的温度场重构方法，属于数字孪生领域，解决了现有温度场重构方法没有反演热载荷信息，无法实时、安全、可靠的预测温度场数据的问题。方法包括：获取采样点连续时刻的实时温度值；将所述实时温度值输入训练好的温度场重构模型的热载荷反演器中，得到热载荷信息编码；将所述热载荷信息编码和随机噪声矩阵输入训练好的温度场重构模型的生成器中，得到温度场重构数据。实现了通过反演热载荷信息，可以安全、可靠、高效的预测温度场数据，可对温度场进行实时监测。
-
公开(公告)号：CN111093166B
公开(公告)日：2022-07-19
申请号：CN201911240008.4
申请日：2019-12-06
Applicant: 北京京航计算通讯研究所
Abstract: 本发明属于物联网无线数据处理相关技术领域，具体涉及一种在物联网中使用稀疏测量矩阵的压缩数据收集系统。本发明一方面优化稀疏测量矩阵，另一方面使用合适的动态分簇协议，将稀疏测量矩阵的选择与路由协议相结合，保证数据采集的均匀性的同时，有效的减少了数据丢失对数据收集精度的影响，提高了无线传感器节点的数据收集精度。与现有技术相比较，本发明自适应性强：由于物联网系统具有复杂的无线链路结构，无线链路不稳定的情况经常发生，而链路不稳定对稀疏测量矩阵的设计有直接的关系，本发明采用稀疏测量矩阵和分簇路由协议同时优化的方式，能够解决链路不稳定对无线传感器节点数据收集的影响，具有自适应性。
-
Patent Agency Ranking
公开(公告)号：CN113885772A
公开(公告)日：2022-01-04
申请号：CN202111173147.7
申请日：2021-10-08
Applicant: 北京京航计算通讯研究所
IPC: G06F3/0487
Abstract: 一种输入交互设备的等效替代度量方法和系统，方法包括获取第一输入交互设备的交互动作集合，计算每个交互动作中每个交互单元的时间消耗和能量消耗；根据交互动作中交互单元的串并联关系计算每个交互动作的总时间消耗和总能量消耗；计算第二输入交互设备每个交互单元的时间消耗和能量消耗；对于第一输入交互设备的交互动作，若在第二输入设备中存在交互单元组合其时间消耗和能量消耗与交互动作的总时间消耗和总能量消耗的差值均小于阈值，则判断交互动作可映射至第二输入交互设备；若第一输入交互设备的所有交互动作均可映射至第二输入交互设备，且不同交互动作对应不同的交互单元组合，则判断第二输入交互设备可等效替代第一输入交互设备。
-
公开(公告)号：CN112395968B
公开(公告)日：2021-08-27
申请号：CN202011253582.6
申请日：2020-11-11
Applicant: 北京京航计算通讯研究所
Abstract: 本发明涉及一种基于神经网络的机械旋转部件故障诊断方法及装置，属于故障诊断技术领域，解决了现有的机械旋转部件故障诊断方法获得的诊断结果精度较差问题。方法包括：获取机械旋转部件的历史振动信号，并为历史振动信号添加标签；构建高维卷积神经网络模型，并基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构；将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到诊断结果。实现了机械旋转部件故障的诊断，提高了诊断精度。
-
公开(公告)号：CN112560173B
公开(公告)日：2021-08-17
申请号：CN202011423713.0
申请日：2020-12-08
Applicant: 北京京航计算通讯研究所
IPC: G06F30/15 , G06F30/27 , G06N3/04 , G06F119/08
Abstract: 本发明涉及一种基于深度学习的车辆耐候性温度预测方法及装置，属于神经网络技术领域，解决了现有的车辆耐候性温度预测方法效率较低且温度预测结果精度较低的问题。方法包括：获取训练数据，训练数据包括大气环境参数及其对应的车辆测点温度；对大气环境参数及其对应的车辆测点温度进行归一化处理，得到归一化的训练数据样本；构建深度学习预测模型，并将归一化的训练数据样本输入深度学习预测模型进行模型训练，得到训练好的深度学习预测模型；获取待预测数据样本，并基于训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测，得到车辆测点温度的预测值。实现了车辆测点温度的预测，提高了预测效率和精度。
-
公开(公告)号：CN112560173A
公开(公告)日：2021-03-26
申请号：CN202011423713.0
申请日：2020-12-08
Applicant: 北京京航计算通讯研究所
IPC: G06F30/15 , G06F30/27 , G06N3/04 , G06F119/08
Abstract: 本发明涉及一种基于深度学习的车辆耐候性温度预测方法及装置，属于神经网络技术领域，解决了现有的车辆耐候性温度预测方法效率较低且温度预测结果精度较低的问题。方法包括：获取训练数据，训练数据包括大气环境参数及其对应的车辆测点温度；对大气环境参数及其对应的车辆测点温度进行归一化处理，得到归一化的训练数据样本；构建深度学习预测模型，并将归一化的训练数据样本输入深度学习预测模型进行模型训练，得到训练好的深度学习预测模型；获取待预测数据样本，并基于训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测，得到车辆测点温度的预测值。实现了车辆测点温度的预测，提高了预测效率和精度。
-
公开(公告)号：CN119358649A
公开(公告)日：2025-01-24
申请号：CN202411362577.7
申请日：2024-09-27
Applicant: 北京京航计算通讯研究所
IPC: G06N5/022 , G06N5/04 , G06N3/0455 , G06N3/0442 , G06N3/096
Abstract: 本发明涉及一种装备特性知识联想补全方法及系统，属于数据处理技术领域，解决了现有推理出来的装备特性知识不准确的问题。包括：从装备特性数据集中选取装备特性数据屏蔽部分内容后与预置的提示词拼接作为训练样本放入训练集；对基于多头自注意力机制的Transformer大模型进行改进，引入记忆模块和融合模块；记忆模块基于多头自注意力机制的处理结果更新记忆矩阵，融合模块融合Transformer模块和记忆模块的输出；利用训练集训练改进的大模型得到知识补全模型；将装备特性数据集中完整的装备特性知识传入知识补全模型，更新记忆模块的记忆矩阵，得到学习后的知识补全模型；利用学习后的知识补全模型补全装备特性知识。实现了装备特性知识的准确补全。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.055 seconds)
