-
公开(公告)号：CN116633758A
公开(公告)日：2023-08-22
申请号：CN202310276842.9
申请日：2023-03-21
Applicant: 湖北工业大学
IPC: H04L41/0631 , H04L41/0677 , H04L41/14
Abstract: 本发明公开了基于全异构元对比学习模型的网络故障预测方法及系统，包括：S100：将网络故障数据转化为时间序列数据，所述网络故障数据至少包括故障类型、故障发生时间以及故障发生位置；S200：构建网络故障预测模型，所述网络故障预测模型包括嵌入模块、异构元路径网络、自监督对比学习模块和预测模块；其中，嵌入模块用来接收时间序列数据，并将时间序列数据转化为嵌入向量；异构元路径网络用来融合故障节点信息；自监督对比学习模块用来对故障节点的故障网络视图进行比对学习；预测模块用来采用损失函数进行故障预测。本发明可提高网络故障预测的准确性。
-
公开(公告)号：CN115174421B
公开(公告)日：2023-05-23
申请号：CN202210661675.5
申请日：2022-06-13
Applicant: 湖北工业大学
IPC: H04L41/147 , H04L41/0695 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了一种基于自监督解缠绕超图注意力的网络故障预测方法及装置，其中预测方法首先将网络故障数据进行预处理，将其转化为时间序列数据；接着构建自监督解缠绕超图注意力神经网络模型，所述神经网络模型包括嵌入模块、表示学习模块(解缠绕超图注意力子模块、对偶图卷积子模块)、自监督对比学习模块以及预测模块，将所述时间序列数据输入所述基于自监督解缠绕超图注意力神经网络模型，所述基于自监督解缠绕超图注意力神经网络模型对网络故障数据中的故障进行预测。本发明通过构建基于自监督解缠绕超图注意力神经网络的网络故障预测方法，可以挖掘故障数据直接的复杂关联关系，提高网络故障预测的准确性。
-
公开(公告)号：CN115618196A
公开(公告)日：2023-01-17
申请号：CN202211272998.1
申请日：2022-10-18
Applicant: 湖北工业大学
IPC: G06F18/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于时空特征下的Transformer异常检测方法，包括：对传感器异常检测数据进行处理；构建基于Transformer的改进模型，所述改进模型包括空间块和时间块，将步骤1处理后的数据输入到基于Transformer的改进模型中，得到传感器间的空间和时间的依赖特征；将步骤2得到的传感器的空间和时间的依赖特征以及步骤1处理后的原始数据输入到递归神经网络GRU中，输出高维向量，再将高维向量输入至由全连接层堆叠而成的预测层中进行预测，采用预测评分机制对预测结果进行判断各节点是否为异常点，进而得到最终的异常点预测结果。本发明能够有效捕捉时空输出和输入之间精确的长期耦合关系以及解决数据分类不平衡问题。
-
公开(公告)号：CN115174421A
公开(公告)日：2022-10-11
申请号：CN202210661675.5
申请日：2022-06-13
Applicant: 湖北工业大学
IPC: H04L41/147 , H04L41/0695 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自监督解缠绕超图注意力的网络故障预测方法及装置，其中预测方法首先将网络故障数据进行预处理，将其转化为时间序列数据；接着构建自监督解缠绕超图注意力神经网络模型，所述神经网络模型包括嵌入模块、表示学习模块(解缠绕超图注意力子模块、对偶图卷积子模块)、自监督对比学习模块以及预测模块，将所述时间序列数据输入所述基于自监督解缠绕超图注意力神经网络模型，所述基于自监督解缠绕超图注意力神经网络模型对网络故障数据中的故障进行预测。本发明通过构建基于自监督解缠绕超图注意力神经网络的网络故障预测方法，可以挖掘故障数据直接的复杂关联关系，提高网络故障预测的准确性。
-
公开(公告)号：CN113240098A
公开(公告)日：2021-08-10
申请号：CN202110666091.2
申请日：2021-06-16
Applicant: 湖北工业大学
Abstract: 本发明提供了一种基于混合门控神经网络的网络故障预测方法，将网络故障数据进行预处理转化为时间序列数据，其中，所述网络故障数据包括故障发生的时间节点信息和网络节点设备信息，每个时间序列数据表示当前时间段发生的所有故障类型；将产生故障的网络节点设备的反馈数据转化为文本标签数据；构建基于混合门控神经网络模型，所述混合门控神经网络模型包括嵌入层、混合门控层、邻域注意力层、自动编解码器层，将所述时间序列数据和所述文本标签数据输入所述基于混合门控神经网络模型，所述基于混合门控神经网络模型对网络故障数据中的数据进行预测。通过上述方法，可以挖掘故障数据之间的关联性，提高故障预测的精确性。
-
Patent Agency Ranking
公开(公告)号：CN112862690A
公开(公告)日：2021-05-28
申请号：CN202110258617.3
申请日：2021-03-09
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于Transformers的低分辨率图像超分辨方法及系统，首先基于卷积神经网络和Transformer模块，构建低分辨率图像超分辨网络；然后利用训练数据进行低分辨率图像超分辨网络训练，获得调优的网络参数；最后利用训练好的低分辨率图像超分辨网络对低分辨率图像进行超分辨获得高分辨率图像。本发明自动化程度高，可以大幅度提高效率，降低成本。
-
公开(公告)号：CN110569724A
公开(公告)日：2019-12-13
申请号：CN201910716528.1
申请日：2019-08-05
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于残差沙漏网络的人脸对齐方法，首先在沙漏网络基本单元残差模块的基础上新增卷积分支来增加网络的感受野以更好的提取到不同尺度下的特征信息，同时保持了高分辨率信息；然后结合沙漏网络的特性，让新增卷积分支的核尺度随沙漏网络层数来调整大小，以更好的平衡feature map分辨率和感受野之间的关系，使网络既能提取到更多的细节信息，同时还保留了从局部到整体的结构化信息。最后对沙漏网络进行堆叠再辅以中间监督机制，即保证了低层参数的正常更新同时还允许网络重新评估整个图像的初始估计和特征。本发明通过堆叠新的残差沙漏网络，在提取更多有效信息的同时还增加了网络提取局部细节信息的能力，提高了对人脸关键点检测的精度。
-
公开(公告)号：CN118764914A
公开(公告)日：2024-10-11
申请号：CN202410863028.1
申请日：2024-06-28
Applicant: 湖北工业大学
Abstract: 本发明提供一种基于强化学习的无人机辅助边缘计算公平任务卸载方法，包括以下步骤：步骤一、建立系统模型，进行公式化处理，系统模型包括通信模型，计算模型和能耗模型；步骤二、提供问题描述与构建；步骤三、使用强化学习算法求解多约束优化问题；步骤四、性能分析，包括长期奖励回报以及在不同用户设备数量和通信条件下对平均时延，平均能耗和计算服务公平性的评价。该方法的计算服务公平性始终高于其他算法，表明在平衡不同用户设备任务卸载量、提高计算服务公平性方面具有良好效果，不仅在平均奖励值、时延、能耗和计算服务公平性方面表现出优势，并且在不同用户设备数量下具有良好的适应性和稳定性。
-
公开(公告)号：CN118740659A
公开(公告)日：2024-10-01
申请号：CN202410982971.4
申请日：2024-07-22
Applicant: 湖北工业大学
IPC: H04L41/149 , H04W24/04 , H04W24/06 , H04L41/16
Abstract: 本发明公开了一种网络故障预测方法、装置、电子设备，包括：将网络故障数据进行预处理，将产生故障的网络节点的反馈数据转化为序列样本数据，生成时间序列数据，每个时间序列数据表示当前节点随时间变化发生的所有故障类型；构建基于动量驱动的课程对比双超图门控卷积网络模型，所述网络模型包括嵌入模块、基于门控的双超图卷积网络的表示学习模块、基于动量驱动优化策略的课程对比学习模块以及预测模块，所述基于动量驱动的课程对比双超图门控卷积网络模型利用输入的所述时间序列数据，对网络故障数据中的故障进行预测。通过上述技术方案，本发明可以解决现有技术不能精准预测异常的问题，实现了精准的网络故障预测。
-
公开(公告)号：CN118709090A
公开(公告)日：2024-09-27
申请号：CN202410863034.7
申请日：2024-06-28
Applicant: 湖北工业大学
IPC: G06F18/2431 , G06F18/214 , G06F17/16 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种涡旋光通信轨道角动量的模式识别模型的训练方法。将图像输入到待训练的模型提取全局特征；将全局特征输入卷积层生成全局特征表示，生成全局预测分数；通过全局特征和全局预测分数定位对象区域，并生成标签注意力图，学习标签区域相关性生成预测分数；将对象区域输入模型提取局部特征；将局部特征输入卷积层生成局部特征表示，生成局部预测分数；将标签区域相关性的预测分数与局部预测分数聚合，得到最终的局部预测分数；通过全局预测分数和最终的局部预测分数计算损失，使用反向传播进行优化，得到最终模型。分类结果取全局预测分数和最终的局部预测分数中每个类别预测分数的最大值，从而能够识别混合多模式涡旋光束轨道角动量。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.024 seconds)
