-
公开(公告)号：CN114520772A
公开(公告)日：2022-05-20
申请号：CN202210058973.5
申请日：2022-01-19
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 广东工业大学
IPC: H04L41/14 , H04L41/0893 , H04W72/04
Abstract: 本发明提供了一种5G切片资源调度方法，包括初始化深度强化网络的记忆池和学习参数；记忆池包括网络状态、动作、奖励值和下一网络状态；动作表示5G切片资源分配策略；将采集到的5G切片资源的历史分配数据馈入到深度神经网络进行强化学习，并将每一次学习得到的网络状态、动作、奖励值和下一网络状态组成一个四元组；随机抽取若干个四元组馈入到神经网络进行训练，得到切片资源分配模型；响应于接收到的终端业务请求，基于切片资源分配模型进行5G切片资源分配；本发明可以实现采用有限样本进行模型快速训练，从而大大降低了海量用户多种通信场景的切片资源分配模型计算的复杂度，有效缩短切片资源分配的决策时长，提升切片资源分配效率。
-
公开(公告)号：CN114519417A
公开(公告)日：2022-05-20
申请号：CN202210067014.X
申请日：2022-01-20
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 广东工业大学
Abstract: 本发明提供了一种边缘设备的模型训练方法、装置、设备及介质，所述方法包括：基于改进的烟花算法，选定一组最优的客户端，并将模型参数发送至该组中的每一客户端，以使每一所述客户端根据对应的模型参数对该客户端对应的局部模型进行训练；获取客户端发送的训练完成的局部模型及其对应的模型参数，并将局部模型及其对应的参数进行聚合得到训练完成的全局模型；当判断到不满足第一预设迭代终止条件时，返回至上述客户端训练步骤。采用本发明实施例，能够基于改进的烟花算法，在每次训练时，对参与训练的客户端组合进行择优选择，并通过拆分的方法将云平台服务器端的全局模型拆分成多个局部模型，实现了在有限的边缘网络中对大型模型的高效训练。
-
公开(公告)号：CN114337916A
公开(公告)日：2022-04-12
申请号：CN202111462168.0
申请日：2021-12-03
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Inventor： 杜翠凤
IPC: H04L1/00 , H04L47/22 , H04L47/283 , H04L49/90
Abstract: 本发明公开一种网络传输速率调整方法、装置、设备及存储介质，该方法包括：获取T‑1时刻的网络缓存队列，结合当前传输速率，预测获得T时刻的缓存队列预测值；获取T时刻的网络缓存队列，结合当前传输速率，预测获得T+1时刻的缓存队列预测值；根据T时刻的缓存队列预测值和T时刻的网络缓存队列，获得T时刻的第一预测误差值；根据T+1时刻的缓存队列预测值和T+1时刻的网络缓存队列，获得T+1时刻的第二预测误差值；根据第一预测误差值和第二预测误差值，获得T+1时刻的累计误差值；根据累计误差值，对T+1时刻的传输速率切换间隔和传输速率进行调整；其中，T>1。本发明能够有效地避免网络传输速率频繁抖动的问题。
-
公开(公告)号：CN113657442A
公开(公告)日：2021-11-16
申请号：CN202110774463.3
申请日：2021-07-08
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种电动汽车充电设备的故障诊断方法、装置及存储介质，所述电动汽车充电设备的故障诊断方法包括：获取充电设备的状态参数信息数据；其中，所述状态参数信息包括设备的故障时间、故障类型、故障位置及设备状态参数；基于卷积神经网络CNN采用不同大小的采样窗口、卷积核和步长对所述状态参数信息数据的参数特征进行提取，得到多尺度特征；将所述多尺度特征输入到训练好的误差反向传播BP神经网络，则所述BP神经网络输出充电设备的故障原因。本发明将CNN和BP神经网络相结合，通过CNN获取故障种类的关键特征，结合BP神经网络对设备发生的故障原因和充电设备的系统参数进行基于误差反方向传播的迭代学习，实现对充电设备故障原因的准确诊断。
-
公开(公告)号：CN113542002A
公开(公告)日：2021-10-22
申请号：CN202110588341.5
申请日：2021-05-27
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了5G无线接入网的切片调度方法、装置、设备及存储介质，方法包括对5G无线接入网下的各个切片业务的历史数据进行重构，获得基于时间分布的各个切片业务的历史占比分布数据；将各个切片业务的所述历史占比分布数据输入训练好的神经网络模型中，得到各个切片业务的预测占比分布数据；将所述预测占比分布数据输入预置的DQN强化学习模型中，根据输出的网络切片资源的分配方案对与所述分配方案相关的切片业务进行调度。本发明实施例提供的5G无线接入网的切片调度方法、装置、设备及存储介质，通过基于深度学习的业务预测策略与基于DQN强化学习的切片资源调度策略，提高了业务分布预测的准确率，优化了切片资源的决策与调度能力。
-
Patent Agency Ranking
公开(公告)号：CN108804617B
公开(公告)日：2021-08-10
申请号：CN201810546695.1
申请日：2018-05-30
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Inventor： 杜翠凤
Abstract: 本发明公开了一种领域文本抽取方法，包括：获取所述训练集的每个类别的至少一个分类词，生成相应于每个所述类别的第一特征词集合；对所述第一特征词集合进行合并、扩充，生成目标特征词集合；根据所述目标特征词集合以及所述训练集，计算每个所述目标特征词在每个所述类别中与每个所述目标特征词之间的内部结合紧密度，以及计算每个所述目标特征词相对于所述目标特征词集合中的每个所述目标特征词的左熵和右熵；根据所述内部结合紧密度、所述左熵以及所述右熵，得到每个所述类别的术语。本发明还公开了一种领域术语抽取的装置、终端设备及存储介质，可以解决特征词集合不能准确地表达特定学科领域的问题，提高了文本分类的准确性。
-
公开(公告)号：CN113162923A
公开(公告)日：2021-07-23
申请号：CN202110386728.2
申请日：2021-04-12
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种基于用户行为的用户可信度评估方法、装置及存储介质，所述方法包括：获取用户与云计算服务交互过程中的信任属性信息，并计算所述用户在交互过程中的初始信任度；其中，信任属性信息包括安全信任属性信息、可靠信任属性信息和性能信任属性信息；跟踪用户的当前行为路径，并对当前行为路径与用户的频繁行为路径进行相似度计算，得到可信度系数；对初始信任度与可信度系数进行相乘运算，得到单次用户与云计算服务交互过程中的信任度；将所述单次用户与云计算服务交互过程中的信任度与时间衰减因子相结合进行计算，得到用户的综合可信度。本发明能够实现基于用户交互行为的用户身份可信度评估，同时还能提高用户可信度评估的准确性。
-
公开(公告)号：CN113115327A
公开(公告)日：2021-07-13
申请号：CN202110239192.1
申请日：2021-03-04
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种网络性能动态优化的方法、装置、设备及存储介质，通过获取待优化区域的即时网络性能信息和预设的服务质量标准信息；根据即时网络性能信息和所述服务质量标准信息判断所述待优化区域的即时网络状态；根据所述即时网络状态调整并更新优先节点数量；通过判断出的不同即时网络状态对优先节点的数量调整，更新网络节点的数量网络性能进行优化，避免出现网络性能不满足用户需求的服务质量标准的风险或网络性能富余造成能耗和网络资源的浪费，实现网络性能、网络资源利用率以及网络能耗的均衡。
-
公开(公告)号：CN109271917B
公开(公告)日：2021-03-02
申请号：CN201811049420.3
申请日：2018-09-10
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明涉及一种人脸识别方法、装置、计算机设备和可读存储介质，所述方法包括：获取当前人脸图像，分别提取所述当前人脸图像中的当前第一面部信息、当前第二面部信息和当前第三面部信息；查询预设人脸数据库中存储的与所述当前第一面部信息匹配的第一图像集合；查询所述第一图像集合中与所述当前第二面部信息匹配的第二图像集合；查询所述第二图像集合中与所述当前第三面部信息相似度最高的人脸图像，获取所查询到的图像的标识信息。本发明方案能够人脸识别的速度。
-
公开(公告)号：CN112330055A
公开(公告)日：2021-02-05
申请号：CN202011324618.5
申请日：2020-11-23
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明提供一种用户投诉预测方法和装置，方法包括：对用户投诉的样本和无标签样本进行重新标记，将用户投诉的样本标记为正样本，将无标签样本标记为负样本；将样本数据切分为训练数据和测试数据；采用集成学习算法对训练数据进行训练，得到用于预测样本为正样本概率的强分类器；将测试数据输入到强分类器，得到测试集合中每个样本属于正样本的概率；将测试集合中正样本概率大于第一阈值的样本作为第二正样本，将正样本概率小于第二阈值的样本作为第二负样本；将第二正样本和第二负样本输入到神经网络模型进行训练，得到用户投诉预测模型；将用户的实时话筒数据输入到用户投诉预测模型，预测用户投诉的概率。本发明保证了用户投诉预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
212
records
(took 0.063 seconds)
