-
公开(公告)号：CN118175647A
公开(公告)日：2024-06-11
申请号：CN202410284545.3
申请日：2024-03-12
Applicant: 电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种基于感知增强网络的自适应干扰资源分配方法，属于深度强化学习技术领域。本发明所设计的感知增强网络包括状态识别网络和动作价值网络，其中状态识别网络用于识别通信方的状态价值，增强对通信方抗干扰状态的感知能力，然后将状态价值反馈给动作价值网络以选择最优干扰动作，从而帮助模型更精准地匹配最优干扰资源分配策略。并且，构建了一个双目标优化奖励函数，通过调整两个归一化后的奖励函数的相对重要性权重，达到干扰成功和资源节约之间的最佳平衡。此外，设计了动态修正的优先经验回放机制，以实现对数据样本的高效利用并确保策略的快速收敛。
-
公开(公告)号：CN119168076A
公开(公告)日：2024-12-20
申请号：CN202411197242.4
申请日：2024-08-28
Applicant: 电子科技大学
Abstract: 本发明涉及深度强化学习技术和知识图谱推理领域，公开了一种基于语义和拓扑增强的多跳知识图谱推理方法，旨在提高给定头实体和关系来推理尾实体时，推理路径的合理性和解释性。系统包含路径获取模块和奖励计算模块。首先，使用强化学习算法控制智能体获取推理路径。其次，为提高推理路径的合理性，对路径的语义一致性与实体的多跳中介中心性进行约束。具体来说，通过计算关系和实体的局部相似性和全局紧密性，分别衡量关系和实体的一致性，从而衡量路径的语义一致性；通过计算推理路径中实体的多跳中介中心性分数，识别关键实体，选择更合理的推理路径。最后，将两个分数融合得到合理奖励函数中，再结合根据推理结果计算的准确性奖励，指导智能体选择准确且合理的推理路径。
-
公开(公告)号：CN119166905A
公开(公告)日：2024-12-20
申请号：CN202411198632.3
申请日：2024-08-29
Applicant: 电子科技大学
IPC: G06F16/9536 , G06F16/9537 , G06F18/213 , G06F18/25 , G06N3/0464
Abstract: 本发明公开了一种基于协同图的多变量时间序列预测方法，属于时间序列分析技术领域。本发明所述方法主要包括以下步骤：首先，通过多尺度特征提取网络对多元时间序列进行处理，生成不同尺度下的特征表示矩阵。其次，利用协同的图结构和超图结构捕捉变量之间的多层次关系模式，生成表示多尺度图结构和超图结构的邻接矩阵和关联矩阵。然后，通过图卷积网络和超图卷积网络学习空间和时间上的依赖关系，得到多尺度的时空依赖。最后，对各尺度下的特征依赖矩阵进行融合，通过多层感知器和卷积神经网络生成最终的预测结果。本发明所述方法有效结合了多尺度空间关系和时空依赖关系，能够更准确地进行多元时间序列的预测，提高了预测精度。
-
公开(公告)号：CN119166892A
公开(公告)日：2024-12-20
申请号：CN202411197400.6
申请日：2024-08-29
Applicant: 电子科技大学
IPC: G06F16/9535 , G06N3/0442
Abstract: 本发明公开了一种基于交叉依赖注意力增强的会话推荐方法，属于会话推荐技术领域。主要解决了传统会话推荐系统中物品关联抽取不足的问题，特别是在处理长序列时容易出现的兴趣漂移问题。首先，初始化用户会话序列中各个物品的高维语义表示和高维位置表示，拼接后得到物品的高维表示矩阵。其次，将其通过自注意力网络和GRU分别得到基于长期依赖和基于短期的物品高维表示。然后，将两种物品表示通过长短期依赖结合的交叉注意力网络，并融合得到双向增强的交叉依赖物品高维表示。最后，截取最后一个时刻的向量作为下一时刻用户兴趣表示，对物品字典中所有物品于下一个时刻被点击的概率进行预测。
-
-
-
Search Results
4
records
(took 0.023 seconds)
