利用自适应神经网络控制的时滞和时变状态约束方法

    公开(公告)号:CN117850226A

    公开(公告)日:2024-04-09

    申请号:CN202311788733.1

    申请日:2023-12-22

    Abstract: 本发明公开了一种利用自适应神经网络控制的时滞和时变状态约束方法,涉及非线性系统的自适应控制领域。该方法步骤如下:构造非对称时变障碍Lyapunov函数,实现对所有状态变量受时变受限的控制;构造合适的Lyapunov‑Krasovskii泛函,实现对状态时滞和输入时滞的控制;采用径向基函数神经网络逼近未知非线性连续函数,并基于反步法,设计能够解决时滞和时变约束的系统控制器;通过Lyapunov函数,并利用Young’s不等式,给出所设计的控制器稳定性分析。本发明基于此自适应神经网络方法设计出稳定的控制器,对于时滞和时变状态约束非线性系统的控制具有积极意义。

    一种基于信息瓶颈的方面级情感分析方法

    公开(公告)号:CN118917422A

    公开(公告)日:2024-11-08

    申请号:CN202410944239.8

    申请日:2024-07-15

    Abstract: 本发明公开了一种基于信息瓶颈的方面级情感分析解释方法,属于自然语言处理技术领域。该方法利用信息瓶颈理论,通过最大化输入与压缩表示之间的信息传递量,最小化压缩表示与输出之间的信息损失;通过计算模型预测输出与输入特征之间的梯度,识别关键特征及其相互作用;在情感分析任务中,利用信息瓶颈原理压缩和优化词嵌入,在降低数据复杂性的同时保留重要信息。本发明方法提高了方面级情感分析任务中模型的性能和可解释性,能够更准确地识别和解释与情感相关的特征,有助于自然语言处理领域中情感分析的研究和应用。

    一种基于多源域适应的跨领域虚假新闻检测方法

    公开(公告)号:CN118626950A

    公开(公告)日:2024-09-10

    申请号:CN202410515982.1

    申请日:2024-04-27

    Abstract: 本发明提供了一种基于多源域适应的跨领域虚假新闻检测方法,旨在解决现有虚假新闻检测方法无法推广到未知领域的问题,以提高模型在面对新出现领域上的性能表现。本方法基于多源域适应,为了从多源领域转移知识,该方法通过对抗性训练学习领域不变特征表示,并为多源领域新闻学习一组虚假新闻分类器。同时设计了多层次分布对齐策略从不同层面消除了分布差异,第一阶段对齐特定领域的分布,即分别将每对源和目标领域数据映射到多个不同的特征空间中,学习多个领域不变的表示,第二阶段是对齐特定于领域的分类器,通过特定领域的判定边界对齐分类器的输出。此外,为量化不同源域的贡献度,利用相似性度量以构建自适应权重融合不同分类器输出实现虚假新闻检测。本发明所提供的多源域适应虚假新闻检测方法可以应用于社交媒体、新闻传媒、在线问答等领域,为用户提供可靠、准确的信息,具有广泛的应用前景。

    一种网络信息技术数据交换装置及其使用方法

    公开(公告)号:CN118590431A

    公开(公告)日:2024-09-03

    申请号:CN202410894278.1

    申请日:2024-07-04

    Abstract: 本发明公开了一种网络信息技术数据交换装置及其使用方法,涉及了信息交换技术领域,包括网络交换平台,网络交换平台通信连接多通道数据处理模块、智能路由管理模块、数据传输配置模块以及网络拓扑部署模块。由多通道数据处理模块构建数据管控通道来处理若干个数据交换方的数据流,并生成每个数据交换方的网络待交互数据;由智能路由管理模块为若干个数据交换方部署智能路由,将各自的网络待交互数据在网络交换平台上进行数据交换模拟,并决定是否路由配置优化;由数据传输配置模块为若干个数据交换方进行数据传输安全配置,并构建数据通信链路;由网络拓扑部署模块整合数据通信链路构建出网络拓扑链路部署至网络交换平台进行最终的网络信息交换。

    一种融合层次注意力机制的事件预测方法

    公开(公告)号:CN117806846A

    公开(公告)日:2024-04-02

    申请号:CN202311782685.5

    申请日:2023-12-22

    Abstract: 本发明是一种融合层次注意力机制的事件预测方法,涉及网络事件预测方法。其其步骤如下:结合连续时间领域内的时间序列信息,将序列通过层次注意力机制,形成事件层次化信息;利用点过程进行对层次信息的处理,并通过概率分布函数预测出事件发生的时间。该方法综合考虑了已有的时序点过程,在连续时间事件序列信息提取方面进行改进,将层次注意力机制与时序点过程结合,建立了层次时序点过程方法,在事件序列信息提取后,将信息通过层次注意力机制,将进一步分析后的信息投入点过程中进行预测,更合理地利用了点过程以及层次注意力相关理论,更合适于事件预测领域。

    一种融合动态时间信息的事件预测方法

    公开(公告)号:CN118761545A

    公开(公告)日:2024-10-11

    申请号:CN202410778556.7

    申请日:2024-06-17

    Abstract: 本发明是一种融合动态时间信息的事件预测方法,涉及事件预测技术领域。该方法利用word2vec进行节点编码后的事件图输入到GAT模型中获得每个时间点的事件特征,获得事件语义信息;再利用获得的各个时间点的特征构成时间序列输入到多头注意力机制和LSTM中获得动态时间特征。本发明方法综合考虑了事件的语义信息和动态时间信息,利用GAT模型获得事件语义信息后,利用多头注意力机制和LSTM获得动态时间信息,将最后时刻的事件信息输入到最后的GAT模型中,GAT的输出经过线性层后输出最后突发事件是否会发生的概率,更合理地利用GAT模型获得事件语义信息和多头注意力机制结合LSTM获得动态时间信息的相关理论,更合适于事件预测领域。

Patent Agency Ranking