-
公开(公告)号：CN116304589A
公开(公告)日：2023-06-23
申请号：CN202310156625.6
申请日：2023-02-17
Applicant: 国网浙江省电力有限公司 , 国网浙江省电力有限公司信息通信分公司 , 哈尔滨工业大学
IPC: G06F18/15 , G06F18/241 , G06N20/00 , G06F123/02
Abstract: 本申请公开了一种基于多约束协同的异常数据检测并修复的方法及相关产品，可应用于数据修复技术领域。该方法包括：确定多元时间序列中的待修复时间区间；根据所述待修复时间区间建立依赖网络；根据所述依赖网络获取可变特征预测顺序以及对应的预测模型字典；根据所述可变特征预测顺序和所述预测模型字典确定可变特征对应的候选修复值；根据所述候选修复值更新所述多元时间序列，实现时序数据的修复。因此，本申请对多元时间序列进行划分，并采用上类约束的算法对多元时间序列进行修复从而保证在修复过程中不引入新的约束的违规，在提高了错误数据修复结果的准确率和可靠度的前提下提高了错误数据的修复速度。
-
公开(公告)号：CN114898165B
公开(公告)日：2024-08-02
申请号：CN202210697905.3
申请日：2022-06-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06N3/082 , G06N3/096
Abstract: 一种基于模型通道剪裁的深度学习知识蒸馏方法，具体涉及一种用于图像分类的基于模型通道剪裁的深度学习知识蒸馏方法，本发明为解决现有图像分类在采用知识蒸馏压缩方法时，由于教师模型和学生模型参数量相差太大会使学生模型准确率降低，导致图像分类的准确率较低的问题。将待分类的图像输入教师模型中，利用教师模型每层卷积层中卷积通道的平均秩从大到小进行排序；计算教师模型和学生模型的参数量均值，并与教师模型参数量做变化比例作为通道剪裁总体压缩率；利用通道剪裁技术剪裁冗余卷积通道，得到中间模型；利用中间模型对学生模型进行知识蒸馏，得到新知识蒸馏目标函数并对学生模型进行训练，得到训练好的学生模型。属于知识蒸馏领域。
-
公开(公告)号：CN116451023A
公开(公告)日：2023-07-18
申请号：CN202310386774.1
申请日：2023-04-12
Applicant: 哈尔滨工业大学
IPC: G06F18/10 , G06F18/15 , G06F18/2415
Abstract: 多规则协同的数据清洗系统、存储介质及设备，涉及计算机数据处理领域。本发明是为了解决现有的数据清洗方法还存在由于逻辑冲突频发和错误率高而导致的难以实现自动数据清洗的问题。本发明包括：规则存储单元：存储修复规则；规则修改单元：修改修复规则；规则冲突检测单元：检测正在计算顺序的规则是否发生冲突；规则修复单元：修复冲突的规则；规则顺序计算单元：计算规则顺序；错误数据检测单元：判断数据错误的原因并推荐修复方式；错误数据修复单元：按照推荐的修复方式和规则顺序对错误数据进行修复；约束修改单元：采用推荐的修复方式修复数据，并将修复方式发送给规则库模块。本发明用于数据清洗。
-
公开(公告)号：CN114665884B
公开(公告)日：2022-11-25
申请号：CN202210318623.8
申请日：2022-03-29
Applicant: 北京诺司时空科技有限公司 , 哈尔滨工业大学
Abstract: 时序数据库自适应有损压缩方法、系统及介质，涉及计算机技术领域，针对现有技术中缺少提高数据压缩比的方法的问题，本申请自适应用户的压缩精度需求。用户可以确定压缩精度，通过存储数据段的基和部分偏差来确保压缩在相应的精度内。数据库的数据压缩比高，节省存储空间。有损压缩降低精度，在保持基的同时将部分偏差丢弃，降低存储空间。使用类似Huffman编码的思想进行编码，进一步提升压缩比。编码方式灵活。可以更换编码方式，Huffman编码需要整段全解压缩才能够查询，查询效率低时可以选择更换不同的编码方式来提升效率。
-
公开(公告)号：CN115035341A
公开(公告)日：2022-09-09
申请号：CN202210679569.X
申请日：2022-06-15
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 一种自动选择学生模型结构的图像识别知识蒸馏方法，涉及知识蒸馏领域。本发明是为了解决现有的图像识别知识蒸馏方法中学生模型结构固定且复杂以及灵活性差，导致了图像识别精度低的问题。本发明包括：将待预测图片数据集输入分类网络中获得图片类别；分类网络获得方式为：利用图片训练集训练深度卷积神经网络，获得训练好的深度卷积神经网络；建立包含多条可选路径的子模型空间：在深度卷积神经网络的每个阶段中，预设深度、卷积通道形式、卷积通道数都不同的“路径”；根据训练好的卷积神经网络与全局目标函数和分阶段目标函数对子模型空间自动选择获得分类网络。本发明用于深度学习模型的压缩。
-
Patent Agency Ranking
公开(公告)号：CN110996144A
公开(公告)日：2020-04-10
申请号：CN201911314363.1
申请日：2019-12-19
Applicant: 哈尔滨工业大学
IPC: H04N21/258 , H04N21/25
Abstract: 本发明涉及一种电视用户收视偏好分析方法，包括：获取数据，进行格式整理及清洗，得到清洗后的数据条目；提取数据条目中的频道名称、节目名称，并对节目进行分类；将数据条目按频道名称分别存储，并根据时段归类；选定时段，对数据条目分类，统计所选时段内频道名称、节目名称、节目类别出现频次，得到热点词统计报告；抽选用户；将数据条目按照用户CA卡号分别存储，根据时段对数据条目归类，并按照时间顺序对事件标识排序，得到用户在各时段内的时序事件序列；生成行为模式图；提取体现偏好倾向的用户行为模式；进行用户行为识别，根据识别结果分析所选用户偏好，得到用户收视偏好报告。该方法能够更为准确、全面的分析用户收视偏好。
-
公开(公告)号：CN114911823B
公开(公告)日：2025-04-04
申请号：CN202210319734.0
申请日：2022-03-29
Applicant: 哈尔滨工业大学
IPC: G06F16/2453 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 面向云边端协同查询的深度学习代价估计系统、方法及设备，属于计算机技术领域。为了解决于目前还没有一种针对云、边、端三种设备联合查询优化的方法的问题。本发明所述系统中以云边端系统的系统节点元信息和协同查询计划树确定面向云边端协同查询的深度学习代价估计模型的模型输入，代价估计模型根据模型输入进行代价估计；代价估计模型采用残差连接的m个树卷积模块，对协同查询计划树编码进行特征融合和特征提取，进而得到针对每个云/边/端节点的查询计划特征；然后使用GCN和树卷积高效融合了查询特征和云边端数据库系统特征，实现了对云边端数据库的准确代价估计。本发明主要用于面向云边端协同查询的深度学习代价估计。
-
公开(公告)号：CN116841987A
公开(公告)日：2023-10-03
申请号：CN202310830704.0
申请日：2023-07-07
Applicant: 哈尔滨工业大学
IPC: G06F16/21 , G06F16/2455 , G06F16/25 , G06F9/50 , G06F9/54
Abstract: 多嵌入式数据库缓冲区大小协调优化方法及系统，涉及数据库技术领域，针对现有技术中对嵌入式数据库优化时，往往是逐个进行优化，这一过程在同一个系统中重复执行多次，不但浪费时间且使每一个数据库的缓存大幅增长，导致其他程序运行时，由于内存不足，使得其他程序无法运行的问题，本申请针对嵌入式数据库轻量级的特点，对所有的嵌入式数据库进行统一的优化而不是每个数据库分别优化，提升了优化效率，避免了逐个优化导致的时间浪费。并且本申请通过缩小子函数，将缓冲区按排序恢复到默认大小，以此帮助系统渡过内存使用的高峰期，进而解决了数据库的缓存大幅增长，导致其他程序运行时，由于内存不足，使得其他程序无法运行的问题。
-
公开(公告)号：CN116450608A
公开(公告)日：2023-07-18
申请号：CN202310399085.4
申请日：2023-04-14
Applicant: 哈尔滨工业大学
IPC: G06F16/21 , G06F16/22 , G06F16/2455 , G06N3/0442
Abstract: 一种基于缓存与深度学习的索引推荐方法及系统，具体涉及一种基于缓存数据库与深度学习的计算机数据库的索引推荐方法及系统，为解决数据查询时计算机数据库的索引推荐方法未利用历史数据，且索引推荐算法无法判断计算机某个列表中特定列是否需要创建索引，导致查询准确率比较低的问题。将编码后的计算机数据库的工作负载和索引配置合并，得到特征向量；将计算机数据库对应的列和数据插入建立的缓存数据库内进行存储；将特征向量输入基于长短期记忆网络建立的数据库调优模型中，结合缓存数据库，输出向量B，若向量B中第i位元素为1，则在计算机数据库列表第i列创建索引，否则不创建索引，根据创建索引的列完成数据查询。属于索引推荐领域。
-
公开(公告)号：CN116345469A
公开(公告)日：2023-06-27
申请号：CN202310386777.5
申请日：2023-04-12
Applicant: 哈尔滨工业大学
Abstract: 一种基于图神经网络的电网潮流调整方法，属于电网控制技术领域。为了解决目前的人工调整电网潮流的方式存在耗费人力资源且速度很慢的问题。本发明利用图神经网络模型对电网异构图节点的电网数据进行图嵌入处理；然后针对图嵌入处理后不收敛的电网数据，基于强化学习的方式进行电网参数调整；图神经网络模型进行图嵌入处理时，利用重启随机游走的方式进行电网的节点采样，先将同一节点的不同参数转化成维度相同的特征，再对转换后的不同参数对应的特征进行不分先后顺序的聚合，然后针对目标节点选择将相同类型的邻居节点进行聚合，最后有权重地聚合不同类型邻居节点和目标节点参数。主要用于电网潮流调整。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.084 seconds)
