-
公开(公告)号：CN117950906A
公开(公告)日：2024-04-30
申请号：CN202410358660.0
申请日：2024-03-27
申请人： 西南石油大学 , 四川省玉溪河灌区运管中心
IPC分类号： G06F11/07 , G06F18/241 , G06F18/214 , G06F18/23 , G06N3/0464 , G06N3/08 , G06N3/042 , G06F18/213 , G06N5/04
摘要： 本发明公开一种基于表格图神经网络的服务器故障原因推断方法及系统，涉及服务器故障诊断技术领域，包括如下步骤：采集服务器设备相关参数以及对应的故障结果得到表格数据；对表格数据进行特征提取操作，得到每一行数据的第一数据表征；进行每行数据表征间的相似性计算，得到邻接矩阵；将故障结果拼接在表格数据对应行之后并进行特征提取，得到第二数据表征；构建图网络，图的节点为第二数据表征，图的邻接矩阵为通过第一数据表征得到的邻接矩阵；通过训练好的图神经网络对新的表格数据进行推断，得到结果；本发明将结构化的表格数据转换为非结构化的图数据进行预测，借助GNN模型，能够对表格的各行之间的关系进行挖掘，从而对结果进行更好的预测。
-
公开(公告)号：CN117809733A
公开(公告)日：2024-04-02
申请号：CN202311814588.X
申请日：2023-12-27
申请人： 西南石油大学 , 四川省玉溪河灌区运管中心
IPC分类号： G16B5/00 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048
摘要： 本发明提供了一种蛋白质相互关系预测的解耦图网络算法，涉及蛋白质相互关系预测技术领域，包括如下步骤：构建蛋白质相互作用图，计算在任意一种蛋白质相互关系存在的情况下同时存在另一种相互关系的条件概率以获得条件概率矩阵，对蛋白质节点进行初始词嵌入得到蛋白质向量表征，将蛋白质向量表征分别通过N个多层感知机得到不同蛋白质向量在各个类别的蛋白质向量表征，利用图神经网络在具体类别的蛋白质向量表征上进行更新，将蛋白质对的这N个类别的特征表示进行点积运算得到蛋白质相关关系并用条件概率矩阵进行约束，从而通过边的类别信息做分类预测。本发明将蛋白质的类别信息解耦出来进行分类预测并用条件概率进行约束，提高了预测的效果。
-
公开(公告)号：CN117332377A
公开(公告)日：2024-01-02
申请号：CN202311637302.5
申请日：2023-12-01
申请人： 西南石油大学 , 四川省玉溪河灌区运管中心
IPC分类号： G06F18/26 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F123/02
摘要： 本发明提供了一种基于深度学习的离散时间序列事件挖掘方法及系统，涉及时间序列分析技术领域，包括以下步骤：提前建立信号向量表征嵌入表，实时信号处理过程中，选择当前信号集S1以及下文信号集S2；通过BiLSTM‑Bert模型对S1和S2进行表征并输入BiLSTM‑Transformer模型得到嵌入向量H1与H2；通过事件发现模块对H1进行类别表征得到事件类别序列C1，通过事件截断预测模块对H1和H2进行事件相关性分析，判断H1中所对应的事件是否全部完成，若H1和H2具有高置信度的相同事件，进一步更新S2进行检测，直至H1和H2不存在高置信度的相同事件；根据S1和S2的窗口对完整事件进行截断，输出信号对应的事件结果。本发明的方法将具有相关性的事件信号进行整合得到长序列的时间序列事件。
-
公开(公告)号：CN117950906B
公开(公告)日：2024-06-04
申请号：CN202410358660.0
申请日：2024-03-27
申请人： 西南石油大学 , 四川省玉溪河灌区运管中心
IPC分类号： G06F11/07 , G06F18/241 , G06F18/214 , G06F18/23 , G06N3/0464 , G06N3/08 , G06N3/042 , G06F18/213 , G06N5/04
摘要： 本发明公开一种基于表格图神经网络的服务器故障原因推断方法及系统，涉及服务器故障诊断技术领域，包括如下步骤：采集服务器设备相关参数以及对应的故障结果得到表格数据；对表格数据进行特征提取操作，得到每一行数据的第一数据表征；进行每行数据表征间的相似性计算，得到邻接矩阵；将故障结果拼接在表格数据对应行之后并进行特征提取，得到第二数据表征；构建图网络，图的节点为第二数据表征，图的邻接矩阵为通过第一数据表征得到的邻接矩阵；通过训练好的图神经网络对新的表格数据进行推断，得到结果；本发明将结构化的表格数据转换为非结构化的图数据进行预测，借助GNN模型，能够对表格的各行之间的关系进行挖掘，从而对结果进行更好的预测。
-
公开(公告)号：CN117332377B
公开(公告)日：2024-02-02
申请号：CN202311637302.5
申请日：2023-12-01
申请人： 西南石油大学 , 四川省玉溪河灌区运管中心
IPC分类号： G06F18/26 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F123/02
摘要： 事件信号进行整合得到长序列的时间序列事件。本发明提供了一种基于深度学习的离散时间序列事件挖掘方法及系统，涉及时间序列分析技术领域，包括以下步骤：提前建立信号向量表征嵌入表，实时信号处理过程中，选择当前信号集S1以及下文信号集S2；通过BiLSTM‑Bert模型对S1和S2进行表征并输入BiLSTM‑Transformer模型得到嵌入向量H1与H2；通过事件发现模块对H1进行类别表征得到事件类别序列C1，通过事件截断预测模块对H1和H2进行事件相关性分析，判断H1中所对应的事件是否全部完成，若H1和H2具有高置信度的相同事件，进一步更新S2进行检(56)对比文件Mehak Khan等.Bidirectional LSTM-RNN-based hybrid deep learning frameworks forunivariate time series classification.TheJournal of Supercomputing Article.2021,第77卷7021–7045.Cristian Ubal等.Predicting the Long-Term Dependencies in Time Series UsingRecurrent Artificial NeuralNetworks.Machine Learning and KnowledgeExtraction.2023,第5卷(第4期),1340-1358.
-
-
-
-
搜索结果
5 条记录 (耗时 0.048 秒)
