-
公开(公告)号：CN112804023A
公开(公告)日：2021-05-14
申请号：CN202110380306.4
申请日：2021-04-09
Applicant: 北京理工大学
Abstract: 本发明提供一种高速并行伪随机序列生成方法、装置、设备和存储介质，该方法包括：获取串行伪随机二进制序列PRBS发生器的原始展开数据流图；对所述原始展开数据流图中的所有节点进行J倍复制，其中，J为大于1的整数；对J倍复制后的所有节点进行连接，得到目标展开数据流图；根据所述目标展开数据流图生成并行伪随机序列。本发明可以生成并行伪随机序列，提高系统的最大吞吐率。
-
公开(公告)号：CN110705618A
公开(公告)日：2020-01-17
申请号：CN201910903391.0
申请日：2019-09-24
Applicant: 北京理工大学
Abstract: 本发明公开了一种服务于聚类任务的自编码器网络优化方法，属于聚类分析技术领域，能够在聚类分析之前对待聚类的数据集进行重新表示，使聚类任务获得更好的准确性。包括如下步骤：构建标准的自编码器网络。构造目标函数，当前目标函数为Loss1，以待聚类的数据集作为输入，对自编码器网络进行预训练，获得预训练的最优网络参数。针对采用上述预训练的最优网络参数，将目标函数修改为Loss，对自编码器网络进行二次训练，直至自编码器网络达到最优。将二次训练后达到最优的自编码器网络中的编码器部分取出，作为聚类数据预处理模型，将上述待聚类的数据集作为聚类数据预处理模型的输入，聚类数据预处理模型的输出作为聚类任务的输入。
-
公开(公告)号：CN112528582B
公开(公告)日：2021-06-29
申请号：CN202110174610.3
申请日：2021-02-07
Applicant: 北京理工大学
IPC: G06F30/337
Abstract: 本发明提供一种原型滤波器生成方法、装置、信道化方法和星载通信装置，其中原型滤波器生成方法包括：基于任意通道数余弦调制滤波器组的混叠失真误差模型，确定余弦调制滤波器组的原型滤波器的参数优化代价函数；参数优化代价函数使得生成的超高阶原型滤波器满足近似完美重构条件；对参数优化代价函数进行全局迭代寻优，直至当前轮寻优得到的最优解的适应度达到预设阈值；以该最优解为初值进行参数优化代价函数的局部寻优，得到原型滤波器的滤波器参数。本发明抑制了相邻子带以及非相邻子带间的带外泄露和频谱混叠失真，降低了海量参数规划问题求解的计算复杂度，并提高了超高阶原型滤波器的生成效率。
-
公开(公告)号：CN112528582A
公开(公告)日：2021-03-19
申请号：CN202110174610.3
申请日：2021-02-07
Applicant: 北京理工大学
IPC: G06F30/337
Abstract: 本发明提供一种原型滤波器生成方法、装置、信道化方法和星载通信装置，其中原型滤波器生成方法包括：基于任意通道数余弦调制滤波器组的混叠失真误差模型，确定余弦调制滤波器组的原型滤波器的参数优化代价函数；参数优化代价函数使得生成的超高阶原型滤波器满足近似完美重构条件；对参数优化代价函数进行全局迭代寻优，直至当前轮寻优得到的最优解的适应度达到预设阈值；以该最优解为初值进行参数优化代价函数的局部寻优，得到原型滤波器的滤波器参数。本发明抑制了相邻子带以及非相邻子带间的带外泄露和频谱混叠失真，降低了海量参数规划问题求解的计算复杂度，并提高了超高阶原型滤波器的生成效率。
-
公开(公告)号：CN111338892A
公开(公告)日：2020-06-26
申请号：CN202010097025.3
申请日：2020-02-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种针对极端运行条件下的时间序列上升异常识别方法，在训练阶段，划分时间单元，计算每个时间单元中训练数据的最大值和平均值，遍历所有时间单元，获取最大的最大值和最大的平均值为判别基数；在预警阶段，获取实时监测数据，计算当前时间单元内数据的最大值和平均值，并计算跳跃指数；判断跳跃指数是否大于跳跃阈值，若是，则判定当前时间单元发生了跳跃；否则进一步调整判别基数；分析相邻的时间单元，若发生跳跃的时间单元的数量超过了数量阈值，则发出报警信号。本发明在运行时仅占用极少内存，且运行速度快。同时具有较高的鲁棒性，可以过滤因数据抖动变大，或整体迁移造成的假性上升的情况。
-
Patent Agency Ranking
公开(公告)号：CN115712848A
公开(公告)日：2023-02-24
申请号：CN202211297895.0
申请日：2022-10-21
Applicant: 北京理工大学
IPC: G06F18/2323 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 一种基于图结构学习的结构化深度聚类网络，该网络包括：节点特征学习模块；结构化数据特征学习模块；图结构学习模块，用于根据数据特征，包括节点特征和结构化数据特征，对图结构进行学习，并将学习到的图结构用于数据特征的进一步学习；以及自监督聚类模块。本公开在应用传统的自编码器和图卷积网络等提取数据的节点特征、结构化特征的基础上，加入了图结构学习模块，能够克服初始图结构可能存在的噪声和错误，提升聚类的效果；进而通过自监督聚类模块将各模块统一为一体，优化整个网络面向聚类的数据表示，能够提升对大规模数据进行信息分析与提取的准确度和效率。
-
公开(公告)号：CN112804023B
公开(公告)日：2021-06-29
申请号：CN202110380306.4
申请日：2021-04-09
Applicant: 北京理工大学
Abstract: 本发明提供一种高速并行伪随机序列生成方法、装置、设备和存储介质，该方法包括：获取串行伪随机二进制序列PRBS发生器的原始展开数据流图；对所述原始展开数据流图中的所有节点进行J倍复制，其中，J为大于1的整数；对J倍复制后的所有节点进行连接，得到目标展开数据流图；根据所述目标展开数据流图生成并行伪随机序列。本发明可以生成并行伪随机序列，提高系统的最大吞吐率。
-
公开(公告)号：CN111338892B
公开(公告)日：2022-02-15
申请号：CN202010097025.3
申请日：2020-02-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种针对极端运行条件下的时间序列上升异常识别方法，在训练阶段，划分时间单元，计算每个时间单元中训练数据的最大值和平均值，遍历所有时间单元，获取最大的最大值和最大的平均值为判别基数；在预警阶段，获取实时监测数据，计算当前时间单元内数据的最大值和平均值，并计算跳跃指数；判断跳跃指数是否大于跳跃阈值，若是，则判定当前时间单元发生了跳跃；否则进一步调整判别基数；分析相邻的时间单元，若发生跳跃的时间单元的数量超过了数量阈值，则发出报警信号。本发明在运行时仅占用极少内存，且运行速度快。同时具有较高的鲁棒性，可以过滤因数据抖动变大，或整体迁移造成的假性上升的情况。
-
公开(公告)号：CN118036663A
公开(公告)日：2024-05-14
申请号：CN202311807463.4
申请日：2023-12-26
Applicant: 北京理工大学
IPC: G06N3/0455 , G06N3/0499 , G06N3/0895 , G06V10/762
Abstract: 本发明公开一种基于对比学习的深度图聚类网络，所述网络使用多层感知机和多阶邻域对比学习代替传统图聚类中的图卷积层，设计正负样本选择方法，将正负样本的选择与聚类目标结合，选择与目标节点相似度较高且具备连通性的节点为目标节点的正样本节点，与目标节点相似度较低或不具备连通性的节点为目标节点的负样本节点；设计正样本权重计算方法，提高与目标节点拓扑距离较近且两者之间连通路径较多的正样本的影响；设计多阶领域对比学习损失函数，通过损失函数最小化将与目标节点相似度较高且具备连通性的节点的距离拉近，将该目标节点与其他节点的距离推远，实现有利于下游聚类任务的节点特征的学习。
-
公开(公告)号：CN114970956A
公开(公告)日：2022-08-30
申请号：CN202210409197.9
申请日：2022-04-19
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于OLS和QOIC人口关联分析及预测方法，属于数据挖掘、人口学、统计学研究技术领域。本发明针对人口指标的不同状态数据使用QOIC进行关联性分析，得到数据关联系数结果后，再根据黄金分割率进行筛选，选定人口预测参数，使用QOIC算法检测相关性，对人口出生数量、综合生育率等不同量级的数据可以直接归一化，准确的量化影响人口发展的所有因素，使得评估人口发展的相关因素进而构建预测模型体系变得更加客观，再次基础上使用最小二乘法OLS进行多项式拟合得到预测模型进行人口预测，预测结果和真实值误差在，最后使用极端聚类算法进行分析并可视化聚类结果。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.028 seconds)
