-
公开(公告)号：CN114385813A
公开(公告)日：2022-04-22
申请号：CN202210026618.X
申请日：2022-01-11
Applicant: 北京工业大学
IPC: G06F16/35 , G06F40/242 , G06F40/30 , G06N3/04
Abstract: 本发明公开一种基于多特征融合的水环境文本方面级观点挖掘方法，对搜集的水环境文本进行特征提取。首先，结合注意力机制和卷积神经网络构建多特征融合模型，充分且精准地提取方面词和情感特征。在此基础上，构建基于门控线性单元和双向长短期记忆网络的方面级观点挖掘模型，通过对水环境文本的迭代训练，优化模型参数，利用训练完成的观点挖掘模型对其水环境文本进行不同方面情感极性判断。最后，将分类结果与测试的数据集进行比对，对方面级观点挖掘模型进行误差分析与性能评估。本发明综合考虑水环境文本多特征、前后文语序特征以及局部情感特征关系，有效地提高各个方面词情感分类的准确率。
-
公开(公告)号：CN114363195A
公开(公告)日：2022-04-15
申请号：CN202210026617.5
申请日：2022-01-11
Applicant: 北京工业大学
IPC: H04L41/147 , H04L41/16 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种面向时间和频谱残差卷积网络的网络流量预测预警方法。首先，提取出西班牙维基百科网站一年的流量时序数据，并对该历史数据作对数处理，使用Savitzky‑Golay滤波器进行平滑去噪。其次，对数据进行归一化操作，并采用滑动窗口将归一化后的数据转换成有监督数据。再次，构建集成网络流量预测模型T‑LSTM，通过对网络流量数据的迭代训练，优化模型参数，进而得到预测模型，并获取精度较高的网络流量预测结果。在此基础上，将预测结果通过频谱残差变换成显著性图并向其人工注入点，该点被标记为异常，其它点则标记为正常。最后，用卷积神经网络对新生成的合成数据进行建模，学习判别规则进而实现预警功能。
-
公开(公告)号：CN112468326A
公开(公告)日：2021-03-09
申请号：CN202011258625.X
申请日：2020-11-11
Applicant: 北京工业大学
Abstract: 本发明涉及基于时间卷积神经网络的访问流量预测方法，属于面向访问流量预测的方法。首先，将获取到的访问流量历史数据依照时间顺序进行排序，并对该历史流量数据取对数，然后采用SG滤波平滑预处理。然后，再进行流量数据的归一化处理，将流量时序数据按照预设的滑动窗口大小划分为多个子序列作为特征序列，也就是转为有监督的数据后，输入时间卷积神经网络模型TCN中，预测未来一小时的访问流量值，最终获取精准度较高的访问流量预测结果。
-
Patent Agency Ranking
-
公开(公告)号：CN110852515A
公开(公告)日：2020-02-28
申请号：CN201911116695.9
申请日：2019-11-15
Applicant: 北京工业大学
Abstract: 本发明公开一种基于混合长短时记忆神经网络的水质指标预测方法，首先，将获取到的水质指标历史数据依照时间序列进行排序，并对该水质历史数据采用SG滤波平滑预处理。然后，再进行水质数据的归一化处理，将水质时间序列数据按照预设的滑动窗口大小划分为多个子序列作为特征序列，也就是转为有监督的数据后，输入基于编码-解码器的长短时记忆ED-LSTM神经网络模型，预测未来多个时间点的水质指标值，最终获取精准度较高的水质指标预测结果。
-
公开(公告)号：CN109818786A
公开(公告)日：2019-05-28
申请号：CN201910050829.5
申请日：2019-01-20
Applicant: 北京工业大学
IPC: H04L12/24 , H04L12/947 , H04L29/08 , G06F9/50 , G06N3/08
Abstract: 本发明公开一种云数据中心应用可感知的分布式多资源组合路径最优选取方法，包括：云数据中心应用可感知云资源管理器负责采集基础资源中的网络、CPU等资源状态信息；采用强化学习、价值网络及策略网络相结合的方式形成无监督的深层混合架构模型，对模型训练及各类请求流的节点移动位置进行评估；采用新型的树搜索算法，即并行蒙特卡罗树搜索(Parallel Monte Carlo Tree Search,PMCTS)算法，来给每一类型的请求流加速寻找合适的资源路径，并且联合价值和策略网络，从而给出其最优的资源路径的选择结果。采用本发明的技术方案，可以确保云数据中心各类密集型请求流的总响应时间延迟最小。
-
公开(公告)号：CN108170531A
公开(公告)日：2018-06-15
申请号：CN201711434894.5
申请日：2017-12-26
Applicant: 北京工业大学
Abstract: 本发明公开一种基于深度信念网络的云数据中心请求流调度方法，综合考虑了不同种类请求所能带来的价值以及计算集群能耗等因素在请求处理时间内的变化。使用历史数据：包括每种请求的数量、资源申请量，处理请求所能带来的收益、时间，集群资源总量等，通过建立的利润计算模型计算所能得到的价值。使用请求流数据对深度信念网络(Deep Belief Network,DBN)进行训练，而后使用分类器和其输出对DBN进行调整。使用调整好的DBN获取调度树配置方案，对调度树进行调整，并结合节点效率图进行对节点资源的调度，同时根据实际调度情况对节点效率图进行修改，最终使得云数据中心处理该批次的请求获得的利润最大化。
-
公开(公告)号：CN108170529A
公开(公告)日：2018-06-15
申请号：CN201711433325.9
申请日：2017-12-26
Applicant: 北京工业大学
Abstract: 本发明公开一种基于长短期记忆网络(LSTM)的云数据中心负载预测方法，旨在解决云数据中心有限的计算资源无法得到最优利用的问题。该方法以云数据中心的海量历史记录为基础制作训练样本和测试样本，另构建一由LSTM单元连接而成的神经网络，不断地成批输入训练样本，得到输出值；所述神经网络优化算法采用较新的适应性矩估计法，通过迭代训练不断更新各单元中的参数，使得全局达到最优；训练完毕后，只需将测试样本输入网络就能得到该样本序列的下一个预测值；如果用预测值不断更新输入序列，还能够获取未来一段时间的预测值序列。
-
-
-
-
-
-
-
Search Results
68
records
(took 0.029 seconds)
