-
公开(公告)号：CN101968808B
公开(公告)日：2012-07-04
申请号：CN201010519896.6
申请日：2010-10-26
Applicant: 北京理工大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于仿真特定领域的仿真信息自动排序方法，包括以下步骤：1)基于仿真资源的特点，定义仿真领域的仿真因子Wf，并基于Wf定义文件的重要因子和分割的重要因子；2)在通用中文词库基础上，增加一个仿真领域的专有名词词库，并根据这两个词库将待排序文档分割为若干个与排序有关的相关词；3)计算每个待排序文档的相关性；4)根据相关度计算结果，实现基于仿真领域的排序。本发明所述方法可以准确地检索出仿真应用相关的信息，具有简单、易行、高效的特点，非常适合目前广泛流行的分布式仿真应用。
-
公开(公告)号：CN111090811B
公开(公告)日：2023-09-01
申请号：CN201911344883.7
申请日：2019-12-24
Applicant: 北京理工大学
IPC: G06F16/9535 , G06F16/35
Abstract: 本发明提供了一种海量新闻热点话题提取方法和系统。所述方法，包括采用并行化的训练模型获取得到新闻文本数据间的相似度，再采用改进后的卷积神经网络模型根据相似度获取得到新闻文本数据的分类，然后，采用聚类算法对分类后的新闻文本数据进行话题聚类，进而从海量的新闻数据中检测出各类别下的热点话题，以保证新闻热点话题提取的准确性，并且，整个新闻热点话题的提取过程均是基于并行化的方式，这就能够进一步提高新闻热点话题的提取效率。
-
公开(公告)号：CN116204790A
公开(公告)日：2023-06-02
申请号：CN202310225469.4
申请日：2023-03-02
Applicant: 北京理工大学
IPC: G06F18/214 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了一种基于无监督学习的螺丝拧紧异常数据检测方法，属于工业时序数据异常检测技术领域。本发明基于深度学习领域相关技术，完成无监督的异常检测，通过循环神经网络和时间卷积网络进行数据特征提取，更加充分的学习到螺丝拧紧数据的时间关联特征，结合自动编码器进行降维和重构，实现无监督的漏检数据异常检测，从而实现不需要人工参与下，更加高效、准确的进行异常曲线检测，实现螺丝拧紧异常数据的识别。
-
公开(公告)号：CN112818030B
公开(公告)日：2022-11-04
申请号：CN202110082760.1
申请日：2021-01-21
Applicant: 北京理工大学
IPC: G06F16/2458 , G06Q30/06 , G06N3/04
Abstract: 本发明公开了一种自适应的分布式流数据关联规则挖掘方法，属于机器学习数据挖掘技术领域。本方法，在分布式计算集群中每个节点使用滑动时间窗口对单位时间内流式数据进行关联规则挖掘，然后对结果进行汇总得到当前一个时间段内的频繁项集。随后，利用深度强化学习方法对系统参数进行调整。本方法将关联规则挖掘技术、流式数据处理以及深度强化学习方法结合起来，不需要人工对数据进行标注，大大节省人工成本。同时，采用流式算法动态维护模型，可快速实时分析，能够广泛应用于物联网设备环境数据分析、电力状态实时监控分析、金融数据实时分析等众多领域。
-
公开(公告)号：CN112581298A
公开(公告)日：2021-03-30
申请号：CN202011355882.5
申请日：2020-11-26
Applicant: 北京理工大学
IPC: G06Q50/00 , G06N3/08 , G06N3/04 , G06F16/906
Abstract: 本发明涉及一种基于LSTM的社交网络演化分类方法，属于社交网络分类技术领域。包括：步骤1：对收集的数据并划分交叠时间窗口，得到连续的各个时间窗口的静态网络快照；步骤2：使用Louvain方法对每一个时间窗口的静态网络快照进行社区发现，再进行社区提取，得到静态网络快照中的社区构成及节点特征；步骤3：基于GED方法识别相邻时间窗口的社区之间的演化关系，提取包含该社区不同时间窗口内的社区结构和发生的演化类型的社区历史信息的演化路径；步骤4：提取描述社区演化的特征集，使用LSTM方法来进行演化分类。所述方法使相邻时间窗口的社交网络拓扑结构相似性大大增加；为后续的分析提供更充足的样本；比传统机器学习的方法具有时间记忆的优势。
-
Patent Agency Ranking
公开(公告)号：CN111223301B
公开(公告)日：2021-01-26
申请号：CN202010164451.4
申请日：2020-03-11
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于图注意力卷积网络的交通流量预测方法，旨在预测中长时间交通车流量，属于城市交通规划及流量预测技术领域。包括：步骤1：对交通流量数据预处理，输出预处理完成后的数据序列；步骤2：基于预处理完成后的数据序列，提取数据序列的空间特征以及时间特征；步骤3、输入经过步骤2两个AGA块的特征提取，经过一层全连接层得到下一时刻预测结果。所述方法未使用无法并行训练的递归结构，模型的所有组件都是卷积结构，可以减少训练时间；所述方法是首次尝试结合基于频谱的图卷积网络和基于空间的卷积网络，分别提取空间特征和时间特征,在时空交通网络上算法表现出众。
-
公开(公告)号：CN111275198A
公开(公告)日：2020-06-12
申请号：CN202010046363.4
申请日：2020-01-16
Applicant: 北京理工大学
Abstract: 本发明公开了一种轴承异常检测方法及系统。该方法包括：获取轴承加速度样本数据；对加速度样本数据进行预处理；采用自动编码机挖掘预处理后的加速度样本数据的特征数据；对各加速度样本数据对应的特征数据进行聚类分析；根据聚类分析结果，确定正常特征数据和异常特征数据；以特征数据为样本，以特征数据的正常或异常为标签，对神经网络进行训练，得到神经网络模型；获取待检测轴承加速度数据；对待检测轴承加速度数据进行预处理；采用自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据；将待检测轴承加速度数据的特征数据输入神经网络模型，得到待检测轴承加速度数据是否异常的结果。本发明能够对轴承的异常与否进行直接地识别。
-
公开(公告)号：CN108092818B
公开(公告)日：2020-06-05
申请号：CN201711433107.5
申请日：2017-12-26
Applicant: 北京理工大学
IPC: H04L12/24
Abstract: 本发明提供一种可以提升节点在动态网络终端影响力的智能代理方法，属于数据挖掘、数据搜索以及机器学习技术领域。具体步骤包括：步骤一、初始化：将节点划分为多个集合，令目标节点v与每个集合中的中的带来净收益最大的节点建立连接；步骤二、评估：重新计算每个节点的净收益，重新划分集合；步骤三、选择：采用置信区间上界选取集合；步骤四、连接：目标个体与选中的集合的带来净收益最大的节点连接；步骤五、等待：等待网络的变化再重复步骤二～五。本发明从网络个体角度，可以使目标节点在网络中有更大的话语权。从网络监督者角度，可以使目标节点更好的掌控网络信息，及时发现网络中的安全隐患。
-
公开(公告)号：CN111090811A
公开(公告)日：2020-05-01
申请号：CN201911344883.7
申请日：2019-12-24
Applicant: 北京理工大学
IPC: G06F16/9535 , G06F16/35
Abstract: 本发明提供了一种海量新闻热点话题提取方法和系统。所述方法，包括采用并行化的训练模型获取得到新闻文本数据间的相似度，再采用改进后的卷积神经网络模型根据相似度获取得到新闻文本数据的分类，然后，采用聚类算法对分类后的新闻文本数据进行话题聚类，进而从海量的新闻数据中检测出各类别下的热点话题，以保证新闻热点话题提取的准确性，并且，整个新闻热点话题的提取过程均是基于并行化的方式，这就能够进一步提高新闻热点话题的提取效率。
-
公开(公告)号：CN103744928B
公开(公告)日：2017-10-03
申请号：CN201310743880.7
申请日：2013-12-30
Applicant: 北京理工大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于历史访问记录的网络视频分类方法，属于计算机网络数据挖掘技术领域。首先通过对视频的历史访问记录数据集进行自动分析，抽取出有意义的特征后对其生成待用数据文件，通过所述数据文件将历史访问记录转化为可用于训练的结构化文档，然后用逻辑回归对所结构化文档进行机器学习得到预测模型。使用预测模型，根据待预测视频历史访问记录信息的完整程度，对其选用相应的方法进行分类预测。本发明对比现有技术，在减少人工代价的同时，使参与计算的参数更为精简，预测效果更为准确、花费的时间更少。同时，由于可以根据待预测视频历史访问记录信息的完整程度对其选择聚类与否的操作，使其模型的应用更为广泛。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.025 seconds)
