-
公开(公告)号：CN118035722A
公开(公告)日：2024-05-14
申请号：CN202410177495.9
申请日：2024-02-08
IPC分类号： G06F18/213 , G06F18/10 , G06N3/0895 , G06F123/02
摘要： 本发明属于船舷风速预测技术领域，提供了一种基于自监督对比学习的船舷风速校正预测方法及系统，包括：获取海洋观测数据；提取所获取的海洋观测数据的数据特征；对所提取的数据特征进行多粒度对比学习，得到海洋观测数据的不同粒度时间序列数据的特征向量；根据所得到的时间序列数据特征向量，完成船舷风速的校正预测。本发明利用超声波风速数据来校正左右船舷风速，通过构建正负样本对，自动从海洋观测时间序列中提取不同粒度的表征向量，而无需手动调整参数或依赖领域专业知识；具备自动学习数据内在结构和模式的能力，提高对左右船舷风速数据误差的感知，增强校正能力。
-
公开(公告)号：CN116681960A
公开(公告)日：2023-09-01
申请号：CN202310551874.5
申请日：2023-05-15
IPC分类号： G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明提出一种基于K8s的中尺度涡旋智能识别方法及系统，涉及涡旋识别领域。包括将待识别图像输入到基于深度学习的中尺度涡旋识别模型中，对待识别图像进行特征提取，基于CBAM混合注意力机制进行加权；将输出特征图输入至ASPP中，设置膨胀卷积的膨胀率，同时将ASPP中池化分支替换为深度可分离卷积，得到编码器输出的特征图；将编码器输出的特征图输入解码器中，基于SKNet注意力机制计算不同尺寸感受野的权重，实现中尺度涡旋的智能识别。本发明能够准确的识别出海表面高度图像中的气旋式涡旋和反气旋式涡旋，而且还通过引入注意力机制技术使模型更加精确的分割出涡旋的边界信息，有效的解决了之前方法中的中尺度涡旋识别效果泛化性差的问题。
-
公开(公告)号：CN118312792A
公开(公告)日：2024-07-09
申请号：CN202410463903.7
申请日：2024-04-17
IPC分类号： G06F18/22 , G06F18/30 , G06N3/045 , G06N3/0455 , G06N3/0499 , G06N3/0895 , G06N3/096
摘要： 本发明涉及海洋观测技术领域，提供了一种海洋浮标数据质量人工智能检测方法及系统，包括：获取若干连续深度的海洋浮标数据，并添加静态协变量，得到输入序列数据；基于所述输入序列数据，通过序列预测模型，得到其余深度的海洋浮标数据的预测值；对于其余深度的海洋浮标数据，将预测值和实测值的差值与预测阈值进行比较，判断实测值是否为异常数据。解决了海洋浮标数据领域标记数据不足问题。
-
公开(公告)号：CN117910329A
公开(公告)日：2024-04-19
申请号：CN202410309464.4
申请日：2024-03-19
IPC分类号： G06F30/25 , G06F30/27 , G06N3/006 , G06N3/0442
摘要： 本发明涉及计算机技术领域，提供了一种基于改进粒子群优化算法的海洋时序数据预测方法及系统。该方法包括，获取海洋传感器样本数据，采用改进的粒子群优化算法对预测模型的超参数进行优化，得到最优超参数，以此得到已训练的预测模型；获取待预测的海洋传感器数据，采用已训练的预测模型，得到预测结果；其中，所述改进的粒子群优化算法包括：采用非线性动态权重替换固定惯性权重，并在非线性动态权重中引入自适应权重因子。本发明通过将固定权重改为非线性动态权重，早期设置较大的权重，促进全局搜索，后期利用较小的权重提升局部搜索能力。这种动态调整有助于在全局探索和局部精细调整之间找到更好的平衡。
-
公开(公告)号：CN117633527A
公开(公告)日：2024-03-01
申请号：CN202311549421.5
申请日：2023-11-17
IPC分类号： G06F18/214 , G06N3/126
摘要： 本发明提出了一种面向异构环境的大模型混合并行训练方法及系统，基于异构环境中不同数据中心的算力情况，以及不同数据中心之间的网络延迟情况，以待训练模型的每个训练阶段中数据中心的算力均衡性和每个训练阶段中数据中心所包含节点的计算任务传输的对等性为目标，利用遗传算法进行迭代优化，得到每个训练阶段所对应的数据中心，以及每个训练阶段内不同节点的计算任务，对待训练模型进行训练，从而将资源平衡和跨域带来的计算成本降低，提升大模型训练效率。
-
公开(公告)号：CN117195001A
公开(公告)日：2023-12-08
申请号：CN202311206504.4
申请日：2023-09-18
IPC分类号： G06F18/22 , G06F18/25 , G06F18/2413 , G06F18/241 , G06F18/21
摘要： 本发明涉及高性能计算领域，提供了一种基于功耗曲线和脚本信息的HPC作业功耗预测方法及系统。该方法包括基于历史作业功耗曲线数据，得到第一相似度值；基于历史作业脚本信息数据，得到第二相似度值；依据需求，为第一相似度值和第二相似度值分配权重，计算加权求和，得到综合相似度值，以此构建相似度邻接矩阵；以最大化模块度指标为原则，按照相似度邻接矩阵，将HPC作业划分成不同的类别；基于划分后不同类别中历史数据，分别训练不同的神经网络模型，得到已训练的神经网络模型；匹配与目标HPC作业相似的历史作业类别，采用该历史作业类别的神经网络模型对目标HPC作业的脚本信息数据进行预测，得到预测结果。
-
公开(公告)号：CN117010444A
公开(公告)日：2023-11-07
申请号：CN202311092924.4
申请日：2023-08-28
IPC分类号： G06N3/0442 , G06N20/00
摘要： 本发明涉及时序数据预测领域，提供了一种面向时序数据预测的自动学习方法及系统。该方法包括，采用spark获取时序数据，并对时序数据进行预处理；设置神经网络的超参数搜索空间和对应的超参数搜索算法，并将任务分发至集群中，以使集群采用神经网络对任务进行超参数调优与模型训练，得到最优超参数组合，并采用Ray Serve将超参数最优的神经网络部署在各个节点上，用于对时序数据的预测。本发明能够高效、快速、方便地在面向时序数据预测时，自动完成模型的训练、超参数搜索优化以及模型的部署工作。
-
公开(公告)号：CN116821643A
公开(公告)日：2023-09-29
申请号：CN202310777733.5
申请日：2023-06-28
IPC分类号： G06F18/21 , G06F18/214 , G06N20/00
摘要： 本发明提出了基于在线增量学习的HPC作业功耗预测方法及系统，涉及高性能计算领域，根据离线作业功耗数据，初始化预测模型；实时获取新采样的HPC作业功耗数据，形成输入数据流；预测模型处理输入数据流，输出未来时刻的功耗预测值；在处理输入数据流过程中，基于模型更新时机判定方法，使用在线增量学习进行模型的更新；基于模型更新时机判定方法是在接收到新数据时，通过对真实值与预测值之间的偏差距离分布变化进行监控，得到模型预测性能下降分数，基于预设的增量学习分数阈值，判定预测模型是否需要进行增量学习；本发明当模型预测性能出现下降时，对原有的模型参数进行优化与更新，以适用预测未来时刻功耗值的需求，提高预测的精度。
-
-
公开(公告)号：CN118779117A
公开(公告)日：2024-10-15
申请号：CN202411258880.2
申请日：2024-09-10
IPC分类号： G06F9/50 , G06F9/38 , G06F18/214 , G06N3/126
摘要： 本发明属于大模型训练技术领域，具体涉及一种基于双重优化的大模型广域异构分布式训练方法与系统；基于双重优化的大模型广域异构分布式训练方法包括：获取基座模型的配置信息，进行异构数据中心的拆分，将异构数据中心转换成最多能完成一个stage任务的数据中心；采用蚁群算法对拆分后数据中心进行初始化组合的优化，得到基座模型初步并行组方案；基于遗传算法的优化得到基座模型并行组方案，生成模型训练架构，以完成基于双重优化的大模型广域异构分布式训练。针对真实异构环境下的基座模型训练所面临的架构设计、通信成本计算和难以找到最佳并行组策略的难题，减少了模型训练时间的同时，有效降低了大模型训练的成本和门槛。
-
-
-
-
-
-
-
-
-
搜索结果
55 条记录 (耗时 0.093 秒)
