-
公开(公告)号：CN117938555B
公开(公告)日：2024-06-18
申请号：CN202410341987.7
申请日：2024-03-25
Applicant: 衢州海易科技有限公司
Abstract: 本发明公开了车联网云平台日志序列和参数异常检测方法及系统，涉及计算机技术领域，方法包括：S1构建初始异常检测模型；S2获取训练数据集，训练数据集中的数据为车联网云平台的历史日志数据；S3训练数据集导入异常检测模型，对异常检测模型进行优化训练；S4获取车联网云平台的待检测日志数据，利用优化后的异常检测模型对待检测日志数据进行异常检测，得到异常检测结果；本检测方法以深度神经网络为主线，优化现有的车联网云平台日志解析器和特征提取器，设计了新的异常检测模型，可以有效提取日志的语义信息和时间结构关系，解决异常漏检率较高和异常误报的问题，有着更好的性能和可扩展性。
-
公开(公告)号：CN117688504A
公开(公告)日：2024-03-12
申请号：CN202410156692.2
申请日：2024-02-04
Applicant: 西华大学 , 衢州海易科技有限公司
IPC: G06F18/2433 , G06F18/214 , G06N5/01 , G06N3/042 , G06N3/08
Abstract: 本发明公开了基于图结构学习的物联网异常检测方法及装置，涉及物联网技术领域，方法包括：S1构建初始训练模型，初始训练模型包括两个第一模型和第二模型；S2获取第一训练数据集、第二训练数据集和第三训练数据集；S3训练优化第一模型和第二模型，优化后的第二模型作为异常检测模型；S4获取待分析的物联网数据；S5利用异常检测模型对待分析的物联网数据进行分析，得到检测结果；通过引入了第二模型可以充分利用未标记的数据进行半监督训练，从而提高异常检测模型的泛化能力和性能，本异常检测模型有效降低了数据的标注成本。
-
公开(公告)号：CN115730262A
公开(公告)日：2023-03-03
申请号：CN202211492446.1
申请日：2022-11-25
Applicant: 西华大学 , 衢州海易科技有限公司
IPC: G06F18/2433 , G06F18/214 , G06N3/0464 , G06N3/0455 , G06N3/094 , G06F123/02
Abstract: 本发明公开了尤其涉及一种数据驱动的云平台系统的异常诊断方法及装置，涉及计算机技术领域，方法包括S1构建异常诊断模型；S2获取训练数据集，并导入到异常诊断模型进行训练优化；S3获取云平台系统的实时检测数据，并导入到优化后的异常诊断模型，得到第一损失和第二损失；S4根据第一损失和第二损失确定云平台系统的异常分数；S5根据异常分数判断云平台系统的异常；基于卷积神经网络对抗性训练和POT动态阈值选择构造深度网络模型对多元时间序列进行异常检测，并且添加了基于每个数据点进行异常归因矩阵计算的异常解释模块，在云平台中的高维、复杂的数据中，有效检测数据异常，并能给出异常在云平台数据中最有可能发生的维度。
-
公开(公告)号：CN114756651B
公开(公告)日：2025-02-25
申请号：CN202210333887.0
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/334 , G06F16/36 , G06F40/295 , G06N5/02
Abstract: 本发明涉及一种基于四元数旋转的时序知识图谱表示学习方法，包括：S1、给定一个四元组(h，r，t，τ)，其中，h表示头实体，r表示关系，t表示尾实体，τ表示时间戳，将实体和时间信息进行融合并进行四元数空间中的旋转，完成模型的构建；S2、为了衡量四元组的有效性以及基于向量之间的夹角来衡量向量之间的相似性，设置评分函数对样本进行评分，并设置损失函数、参数正则化和设置时间平滑约束得到目标函数；S3、通过在时序知识图谱上的链接预测性能评估模型性能。本发明将实体随时间的动态演化特性建模为四元数空间中的旋转变换，能有效表达时序知识图谱中的复杂关系模型，通过添加参数正则化项和时序平滑约束项，可以有效提升原本模型的性能。
-
公开(公告)号：CN119152121A
公开(公告)日：2024-12-17
申请号：CN202411362684.X
申请日：2024-09-27
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06T17/00 , G06T9/00 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了基于深度学习的单视图三维物体重建方法，涉及计算机视觉领域，包括S1、构建物体重建模型，物体重建模型包括图像编码器、生成器G和鉴别器D，图像编码器用于从单视图图像中提取高层次特征，并通过重参数化技巧将高层次特征转化为潜在向量；S2、获取训练数据集；S3、训练数据集导入物体重建模型，并对物体重建模型进行训练优化，获得优化后的物体重建模型；S4、获取待重建的数据；S5、利用优化后的物体重建模型对待重建的数据进行三维物体重建；采用先进的神经网络架构，生成对抗网络GAN和图像编码器VAE，并在GAN网络中添加空间注意力机制来挖掘单视图图像中的深层特征和空间关系，从而提升3D物体重建的精度和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN118468197B
公开(公告)日：2024-09-24
申请号：CN202410919430.7
申请日：2024-07-10
Applicant: 衢州海易科技有限公司 , 衢州市四省边际公安大数据研究院 , 衢州市公安局交通警察支队 , 西华大学
IPC: G06F18/2433 , G06F18/25 , G06N5/04 , G06N3/0464 , G06N3/049 , G06N3/0455 , G16Y40/10
Abstract: 本发明涉及一种多通道特征融合车联网异常检测方法及系统，属于数据处理领域，包括：输入数据到TCN和SENet模块进行特征的初步提取；将处理后的数据分别输入到GNN和GAT模块，分别提取局部特征信息和全局特征信息，将提取到特征信息数据与得到的数据进行融合，并通过Transformer模块提取上下文信息，将得到的上下文信息通过预测模块，得到非线性特征的预测值；通过VAR模块提取输入数据中的线性特征并得到线性数据的预测值，将两个预测值进行整合得到最终的预测值。本发明提升了在车联网系统数据中的异常检测精度和泛化性；通过加入PageRank因果推断，帮助检测人员快速诊断异常，提升了异常检测的实时性。
-
公开(公告)号：CN117901822B
公开(公告)日：2024-05-28
申请号：CN202410320457.4
申请日：2024-03-20
Applicant: 衢州海易科技有限公司
Abstract: 本发明公开了工程车辆内轮差区域的防碰撞制动方法及系统，涉及交通控制系统技术领域，方法包括：S1构建车辆坐标系；S2实时获取车辆的姿态参数位于车辆右侧预设距离内的目标的目标参数；S3根据目标参数判断目标的状态，根据姿态参数判断车辆状态；S4根据目标和车辆的状态，分别进入S5、S6或S7；S5满足第一制动条件，进行制动，不满足则不制动；S6满足第二制动条件，进行制动，不满足则不制动；S7满足第三制动条件，进行制动；不满足不制动；相比于现有技术中的距离划分进行的预警以及制动方式，本制动方法能够更适合驾驶员的驾驶体验，保证制动事件的准确率与召回率都处在较高的水平。
-
公开(公告)号：CN117688504B
公开(公告)日：2024-04-16
申请号：CN202410156692.2
申请日：2024-02-04
Applicant: 西华大学 , 衢州海易科技有限公司
IPC: G06F18/2433 , G06F18/214 , G06N5/01 , G06N3/042 , G06N3/08
Abstract: 本发明公开了基于图结构学习的物联网异常检测方法及装置，涉及物联网技术领域，方法包括：S1构建初始训练模型，初始训练模型包括两个第一模型和第二模型；S2获取第一训练数据集、第二训练数据集和第三训练数据集；S3训练优化第一模型和第二模型，优化后的第二模型作为异常检测模型；S4获取待分析的物联网数据；S5利用异常检测模型对待分析的物联网数据进行分析，得到检测结果；通过引入了第二模型可以充分利用未标记的数据进行半监督训练，从而提高异常检测模型的泛化能力和性能，本异常检测模型有效降低了数据的标注成本。
-
公开(公告)号：CN116167008A
公开(公告)日：2023-05-26
申请号：CN202310196745.9
申请日：2023-03-03
Applicant: 西华大学 , 衢州海易科技有限公司
IPC: G06F18/2433 , G06F18/241 , G06F18/214 , G06F18/213 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/082
Abstract: 本发明公开了基于数据增强的物联感知云数据中心异常定位方法，涉及云数据领域，包括S1获取训练数据集；S2构建异常检测模型；S3训练数据集导入异常检测模型进行优化训练；S4实时获取云数据中心的原始数据，并导入优化后的异常检测模型获得原始数据的预测值；S5根据预测值和原始数据的真实值判断云数据中心的原始数据的异常；利用数据增强‑神经转换和卷积长短期记忆网络来挖掘多元时间序列的时间和空间等不同方面的特性，增加了训练的数据量，减少了非平稳、非线性的物联网实时数据所带来的假阳性检测；利用基于注意力机制的自回归LSTM网络对数据进行降维和再次的特征提取，充分获取数据中对预测有益的信息，提高了模型异常检测的鲁棒性。
-
公开(公告)号：CN114756651A
公开(公告)日：2022-07-15
申请号：CN202210333887.0
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/36 , G06F40/295
Abstract: 本发明涉及一种基于四元数旋转的时序知识图谱表示学习方法，包括：S1、给定一个四元组(h，r，t，τ)，其中，h表示头实体，r表示关系，t表示尾实体，τ表示时间戳，将实体和时间信息进行融合并进行四元数空间中的旋转，完成模型的构建；S2、为了衡量四元组的有效性以及基于向量之间的夹角来衡量向量之间的相似性，设置评分函数对样本进行评分，并设置损失函数、参数正则化和设置时间平滑约束得到目标函数；S3、通过在时序知识图谱上的链接预测性能评估模型性能。本发明将实体随时间的动态演化特性建模为四元数空间中的旋转变换，能有效表达时序知识图谱中的复杂关系模型，通过添加参数正则化项和时序平滑约束项，可以有效提升原本模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.038 seconds)
