-
公开(公告)号：CN110658818A
公开(公告)日：2020-01-07
申请号：CN201910934799.4
申请日：2019-09-29
Applicant: 浙江大学
Abstract: 本发明公开了一种面向新型供电列车的多目标优化智能运行控制预测方法。由新型供电列车的静态动态大数据得到原始数据，参数化/正则化和归一化获得列车信息序列数据；利用列车信息序列数据中的局部数据得到理想条件下的列车运行状态数据；输入到长短期记忆网络中进行训练得到基础模型，将列车信息序列数据划分为多个部分，依次输入到基础模型中依次并再次进行训练得到了带有知识的基础模型；建立平方损失训练；真实采集的速度输入到带有知识的基础模型中进行预测输出获得下一时刻的牵引力。本发明不依赖大量数据，降低了训练数据量，得到符合现实列车运行数据分布的模型，提高了模型准确率并方便直接用于现实应用。
-
公开(公告)号：CN109376339A
公开(公告)日：2019-02-22
申请号：CN201810873557.4
申请日：2018-08-02
Applicant: 浙江大学
IPC: G06F17/22
Abstract: 本发明公开了一种基于用户行为的文本转换候选规则信息提取方法。在待处理文本的若干行上进行选取用户选中文本对象；根据用户选中文本对象划分为三部分，将用户选中文本对象及其上下文前后部分按数字、单词和剩余内容的三个文本块类别进行切割，生成文本块；将文本块以用户选中文本对象对齐排列成文本块数据矩阵，对候选规则集的各个候选规则列集求笛卡尔积，获得候选规则组合集合；对候选规则信息进行判断筛选，将所有候选规则组合计算适用性并排序，提取具有最优适用性的候选规则组合推荐给用户。本发明能根据用户的交互自动推荐文本转换规则信息数据，提取出能需要的规则信息集合，快速且较为准确地实现对数据的处理。
-
公开(公告)号：CN109359172A
公开(公告)日：2019-02-19
申请号：CN201810871604.1
申请日：2018-08-02
Applicant: 浙江大学
Abstract: 本发明公开了一种基于图划分的实体对齐优化方法。利用组合索引从所有实体中挖掘候选实体对，通过实体的相似度度量方法判别候选实体对是否对齐获得等价实体对，再利用实体之间的相似度关系提出基于图划分的优化算法提升等价实体对对齐的准确性。本发明方法解决了大规模互联网数据的实体对齐问题，能准确完备挖掘出原始数据中相互等价的实体集合。
-
公开(公告)号：CN109145121A
公开(公告)日：2019-01-04
申请号：CN201810778978.9
申请日：2018-07-16
Applicant: 浙江大学
Abstract: 本发明公开了一种时变图的快速存储查询方法。将时变图数据分为结构和属性数据，将结构数据变成带关系节点的网络图模型；使用日志结构存储时变图的属性数据，建立日志属性模型；根据时变图的结构数据存储模型和属性数据存储模型建立时变图查询模型，对输入数据分类执行到网络图模型和日志属性模型对应的不同物理存储中并执行查询并行化，并且构建图数据库和文档数据库的底层数据存储和特殊的上层查询封装进行查询。本发明建立了通用的上层存储模型，并设计了时变图数据的查询，发明相比传统方法在实体状态和历史属性值查询上有显著的查询效率，在历史属性值的存储空间上也有显著的节省。
-
公开(公告)号：CN114580352A
公开(公告)日：2022-06-03
申请号：CN202210223992.9
申请日：2022-03-09
Applicant: 浙江大学
IPC: G06F40/126 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于浅层特征预计算的神经网络推理加速方法，该方法首先获取预训练神经网络，根据输入文本，使用预训练神经网络将输入文本进行编码；然后根据所述预训练神经网络，构建浅层特征可预计算神经网络，根据输入文本，使用浅层特征可预计算神经网络将输入文本进行编码；再使用所述浅层特征可预计算神经网络拟合预训练神经网络的中间层特征，训练浅层特征可预计算神经网络；再根据所述浅层特征可预计算神经网络，构建浅层特征查询表；最后使用上述浅层特征查询表替换浅层特征可预计算神经网络的浅层神经网络。本发明可以用于新闻分类、情感分析、问答系统等人工智能领域任务。
-
Patent Agency Ranking
公开(公告)号：CN114461307A
公开(公告)日：2022-05-10
申请号：CN202111479640.1
申请日：2021-12-06
Applicant: 浙江大学
Abstract: 本发明公开提供了一种java‑lua混合方法调用栈的获取方法及装置，该方法首先获取目标应用程序的java方法调用栈；然后获取LuaJ虚拟机，通过LuaJ虚拟机获取lua调用栈数据，进而将获取的java方法调用栈按照特定java调用lua脚本栈帧位置与lua方法调用栈进行数据缝合处理，基于缝合后方法调用栈可以确定该目标的java‑lua应用程序更完整的方法调用栈。本发明能够获取到更全面的性能分析数据，有利于提高对应用程序的性能分析准确性。
-
公开(公告)号：CN111475500B
公开(公告)日：2022-04-12
申请号：CN202010279614.3
申请日：2020-04-10
Applicant: 浙江大学
IPC: G06F16/215
Abstract: 本发明公开了一种自动发现审计规则和异常数据的方法。该方法先将审计的数据集按照属性类型分成分类属性和数值属性，用户再分别给定分类属性的最小支持率和数值属性的偏移率，然后在分类属性中选出支持率高于最小支持率的候选分类属性和属性值；再根据属性类型生成候选属性集，从而获取审计规则；最后根据获取的审计规则，依次对收集的审计数据集进行筛选，选出符合审计规则中满足条件约束的，而派生属性的属性值不在正常值范围内的数据，即为异常数据。该自动发现审计规则和异常数据方法能够有效地提高审计效率，降低审计成本。
-
公开(公告)号：CN113657608A
公开(公告)日：2021-11-16
申请号：CN202110894759.9
申请日：2021-08-05
Applicant: 浙江大学
IPC: G06N20/00 , G06F21/60 , G06F16/27 , G06F16/182
Abstract: 本发明公开了一种激励驱动的区块链联邦学习方法，任务发布节点根据自身需求通过区块链部署一个联邦训练任务智能合约，任务发布后，训练节点以及验证节点访问区块链，向智能合约获取任务状态，根据自身条件选择报名参与训练或者验证过程。报名完成后，训练节点通过文件句柄下载模型文件，然后利用本地数据进行训练，训练完成后将模型上传至分布式文件系统，然后将文件句柄上传至智能合约。验证节点通过智能合约中的本地模型文件句柄下载对应的模型进行聚合和评估，完成后上传评估结果以及聚合模型。待全部验证节点上传结果后，智能合约比对评估结果。本发明增加了联邦学习系统灵活性以及抵抗恶意攻击的能力，能够应对各种不信任环境。
-
公开(公告)号：CN113657607A
公开(公告)日：2021-11-16
申请号：CN202110894758.4
申请日：2021-08-05
Applicant: 浙江大学
Abstract: 本发明公开了一种面向联邦学习的连续学习方法。联邦学习服务端和各个客户端在确定学习任务后，通过搜集若干个与任务类型匹配的无隐私问题的公开数据集，各自独立地构建一份辅助数据集，用于后续训练过程；客户端借助知识蒸馏损失让本地模型在学习新任务的同时学习辅助数据集以及辅助标签，从而减少对旧知识的遗忘；服务端借助知识蒸馏损失让聚合模型同时学习辅助数据集以及辅助标签，从而减少模型在聚合过程中产生的遗忘。本发明在隐私安全且通信代价小的基础上，提升了联邦模型的连续学习能力。
-
公开(公告)号：CN109145121B
公开(公告)日：2021-10-29
申请号：CN201810778978.9
申请日：2018-07-16
Applicant: 浙江大学
Abstract: 本发明公开了一种时变图的快速存储查询方法。将时变图数据分为结构和属性数据，将结构数据变成带关系节点的网络图模型；使用日志结构存储时变图的属性数据，建立日志属性模型；根据时变图的结构数据存储模型和属性数据存储模型建立时变图查询模型，对输入数据分类执行到网络图模型和日志属性模型对应的不同物理存储中并执行查询并行化，并且构建图数据库和文档数据库的底层数据存储和特殊的上层查询封装进行查询。本发明建立了通用的上层存储模型，并设计了时变图数据的查询，发明相比传统方法在实体状态和历史属性值查询上有显著的查询效率，在历史属性值的存储空间上也有显著的节省。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.02 seconds)
