-
公开(公告)号：CN116822576A
公开(公告)日：2023-09-29
申请号：CN202310246409.0
申请日：2023-03-15
Applicant: 哈尔滨理工大学
IPC: G06N3/0455 , G06N3/088 , G06Q40/03
Abstract: 本发明涉及联邦学习领域，提出一种基于变分自编码器深度聚类纵向联邦学习方法。现有的纵向联邦学习训练过程需要对数据进行加密样本对齐，即在不公开各自数据的前提下确认双方的公共用户，使用公共用户的特征进行建模。然而在不同的建模训练中不互相重叠的用户占比不在少数，这部分数据并没有参加模型训练，可能会让联邦学习训练模型效果下降。为此，本发明结合深度聚类算法，挖掘样本数据间相关性，对缺失方数据进行过滤和补全操作，进而增加可训练数据集，提高了联邦学习效率。本发明在实验中产生了较好的效果，有一定创新性和可行性。
-
公开(公告)号：CN112893534B
公开(公告)日：2022-10-14
申请号：CN202110395960.2
申请日：2021-04-13
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及工业加工，更具体的说是一种自主加工工业机器人，包括装置支架、厚度机构、动力机构、推动机构、传感器A、传感器B、折弯机构、挤压机构和限位机构，将需要进行折弯的板材放置在装置支架上，启动动力机构，动力机构驱动厚度机构进行运动，厚度机构对装置支架上的板材进行厚度测试，当板材的厚度低于装置可以折弯的最大厚度时，两个推动机构分别对传感器A和传感器B进行挤压，挤压机构和折弯机构运动对板材进行折弯，当板材的厚度大于装置可以折弯的最大厚度时，动力机构和厚度机构之间摩擦传动打滑，不会进行后续的加工过程，保证装置的使用寿命。
-
公开(公告)号：CN114627657A
公开(公告)日：2022-06-14
申请号：CN202210229236.7
申请日：2022-03-09
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于图深度强化学习的自适应交通信号控制方法。现有的基于深度强化学习的交通信号控制方法大多数使用标准神经网络，例如卷积神经网络来感知交通状态，但这些方法往往忽略了交通状态的内在关系特征对控制选择的影响。为此，本发明将图神经网络和强化学习相融合，采用基于多维度特征融合的图结构数据表示形式，利用图神经网络对非线性深度特征的高效提取能力，挖掘交通状态的潜在关联信息，结合深度强化学习反馈适配策略，实现交通信息的有效获取与调度的自适应控制。相较于传统深度强化学习的交通信号控制方法，本发明在交通信号控制中更好的提升了决策信息的有效性与调度方法的鲁棒性。
-
公开(公告)号：CN112893534A
公开(公告)日：2021-06-04
申请号：CN202110395960.2
申请日：2021-04-13
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及工业加工，更具体的说是一种自主加工工业机器人，包括装置支架、厚度机构、动力机构、推动机构、传感器A、传感器B、折弯机构、挤压机构和限位机构，将需要进行折弯的板材放置在装置支架上，启动动力机构，动力机构驱动厚度机构进行运动，厚度机构对装置支架上的板材进行厚度测试，当板材的厚度低于装置可以折弯的最大厚度时，两个推动机构分别对传感器A和传感器B进行挤压，挤压机构和折弯机构运动对板材进行折弯，当板材的厚度大于装置可以折弯的最大厚度时，动力机构和厚度机构之间摩擦传动打滑，不会进行后续的加工过程，保证装置的使用寿命。
-
公开(公告)号：CN116610874A
公开(公告)日：2023-08-18
申请号：CN202310660348.2
申请日：2023-06-06
Applicant: 哈尔滨理工大学
IPC: G06F16/9536 , G06F16/9535 , G06N3/04 , G06N3/084 , G06F16/36
Abstract: 本发明公开了一种基于知识图谱和图神经网络的跨域推荐方法，其特征在于：包括以下步骤：S1：规范化初始参数；S2：为用户和项目分配域内嵌入；S3：计算用户和项目的域间初始嵌入；S4：基于跨域图计算图上传播的信息嵌入；S5：基于跨域图计算图上聚合的信息嵌入；S6：计算用户和项目的最终域间嵌入；S7：计算用户和项目间匹配值并进行推荐。本发明能够融合多域信息进行跨域图建模，并从图的语义信息和结构信息层面进行特征学习，通过学习用户和项目的域内嵌入与域间嵌入并进行匹配值计算，最后使用贝叶斯成对排序来对用户进行项目推荐。本发明可应用于多种跨域推荐场景，例如电商推荐等。
-
Patent Agency Ranking
公开(公告)号：CN113516228B
公开(公告)日：2023-04-18
申请号：CN202110773828.0
申请日：2021-07-08
Applicant: 哈尔滨理工大学
IPC: G06N3/0464 , G06N3/047 , G06N3/084 , H04L9/40
Abstract: 本发明涉及一种基于深度神经网络的网络异常检测方法。本发明首先对网络流量数据进行预处理，对字符型特征进行数值化，然后对数值化后的数据进行最大最小归一化，使数值范围在(0,1)之间；然后利用训练数据集对模型进行训练，得到优化后的ResNet‑GRU深度学习模型；在优化后的ResNet‑GRU深度学习模型上，对测试数据集进行测试，得到每条测试数据在每个类别上的概率分布；具有最大概率的类别即为该样本所属于的流量类别。本发明对网络流量数据实现了很好的分类，更准确地判断了网络流量的类型，从而提高网络异常检测的准确率。
-
公开(公告)号：CN119541195A
公开(公告)日：2025-02-28
申请号：CN202411604504.4
申请日：2024-11-12
Applicant: 哈尔滨理工大学
IPC: G08G1/01 , G06Q10/04 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于时空特征深度融合的全周期交通流量预测方法，旨在深度整合交通流的复杂时空依赖，形成复合交通态势感知，实现对交通多周期综合流量预测。首先通过时空信息综合表征，提取多时间模态的时序特征并构建具象的真实空间关系。为进一步构建融合多尺度以及多粒度综合要素的数字化城市交通流量预测方法，本发明针对短期交通流量预测提出深度融合短期时空依赖的综合交通流量预测模型，提高对瞬时流量变化的敏感性，充分建模交通流量在多功能空域节点的短期动态变化；此外，还设计了一种深度空域解构与时序特征融合的模型用于中长期交通预测，深层次提取复杂交通模式。仿真结果显示，本发明所提方法优于现有交通流量预测技术。
-
公开(公告)号：CN118095412A
公开(公告)日：2024-05-28
申请号：CN202410406463.1
申请日：2024-04-03
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及联邦学习领域，提出一种基于判别器知识蒸馏个性化联邦学习方法。联邦学习研究近些年逐渐呈现个性化的发展趋势。在此过程中，由于海量参与方的出现以及数据非独立同分布特性的原因，使得联邦学习数据成本以及个性化学习效率受到影响，其中包括由于模型过大导致存储开销以及个性化模型效果受限等问题。因此，本专利提出了一种基于鉴别器知识蒸馏个性化联邦学习模型。在每个客户端引入一个判别器模型，这些判别器模型在局部数据节点上进行训练，用于评估全局模型与本地模型之间的差异。通过知识蒸馏技术，将全局模型知识抽取给本地模型，从而使全局模型能够更好地泛化和融合各个本地模型特点。为解决模型参数过大以及联邦学习个性化效果受限问题提供帮助。本发明在实验中产生了较好的效果，有一定创新性和可行性。
-
公开(公告)号：CN116467406A
公开(公告)日：2023-07-21
申请号：CN202310322355.1
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G06F16/33 , G06F16/35 , G06F40/30 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于多模型融合迁移学习的网络舆情情感分析方法，本发明首先对源域数据和目标域数据进行预处理，提高数据的质量；其次将处理后的源域数据输入到ERNIE模型中，将源域数据文本转化为词向量；然后利用一个联合模型作为特征提取器，提取文本的局部特征和全局特征；然后使用参数迁移将源域的特征层参数迁移至目标域中，作为初始参数；最后使用注意力机制和Softmax函数进行分类输出。本发明对网络舆情数据实现了很好的情感分析，能更加了解人们对热点问题和敏感问题的情感倾向，有利于政府等相关机构在网络舆情发生初期把握舆情的导向，提高处理舆情的应对能力。
-
公开(公告)号：CN119578467A
公开(公告)日：2025-03-07
申请号：CN202411707810.0
申请日：2024-11-27
Applicant: 哈尔滨理工大学
IPC: G06N3/0475 , G06N3/094 , G06N3/0495 , G06N3/082 , G06N3/098 , G06N3/045 , G06N3/047 , G06N3/084
Abstract: 本发明涉及联邦学习技术领域，公开了一种基于条件生成对抗网络的判别器知识蒸馏个性化联邦学习方法；解决海量参与方的出现以及数据的非独立同分布性对联邦学习数据成本以及个性化学习效率的影响；提出将融合了条件生成对抗网络的判别器知识蒸馏模型嵌入个性化联邦学习框架；通过判别器知识蒸馏模型增强客户端模型的差异化特征表示，使得个性化模型有效地识别和捕捉个体特定的模式和特征，不仅增强模型的表征能力和个性化效果，还实现更高的模型压缩率，同时，融合了判别器的条件生成对抗网络生成特定于每个客户端的合成数据，这些合成数据在充分保证数据隐私的前提下提升个性化联邦学习的泛化能力和模型的适应性。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.021 seconds)
