专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果31个,建议您升级VIP下载更多相关专利
  • [发明专利]一种基于深度强化学习的Spark参数自动优化方法及系统-CN202010501737.7有效
  • 杜海舟;韩平;张少华;张可可;钱金谷 - 上海电力大学
  • 2020-06-04 - 2023-08-18 - G06F9/445
  • 本发明公开了一种基于深度强化学习的Spark参数自动优化方法及系统,包括,采集Spark运行的原始数据并进行数据预处理;利用PCA+Lasso结合策略对预处理后的数据进行特征过滤和选择,计算特征参数权重得到关键参数;利用关键参数构建基于深度Q网络的参数自动优化模型;对参数自动优化模型进行训练并输出调优结果,得到当前环境下的最优参数配置组合以调控Spark作业运行。本发明通过参数优化策略能够有效地处理Spark平台的参数在线优化问题,优化后的参数配置可以大幅度的提升作业性能,且效果随着作业规模的增加而更加显著,能够有效解决类似大数据平台的参数优化问题,利用Lasso特征选择策略自动选择关键的配置参数,在剔除无用参数的同时提升工作效率。
  • 一种基于深度强化学习spark参数自动优化方法系统
  • [发明专利]一种面向电力移动边缘计算的去中心化联邦学习方法-CN202310395581.2在审
  • 杜海舟;倪诚栋 - 上海电力大学
  • 2023-04-12 - 2023-07-18 - H04L67/10
  • 本发明公开了一种面向电力移动边缘计算场景的去中心化联邦学习方法,属于电力移动边缘计算领域,包括以下步骤,初始阶段,初始化所有相关参数;确定网络拓扑矩阵、训练轮次和本地迭代次数;执行关键的基于动量的模型本地迭代更新;对参数变量进行更新得到第t+1个训练轮次的初始参数;结合梯度追踪技术对梯度追踪参数进行更新;执行完T次训练轮次后,训练结束。本发明基于动量技术和梯度追踪技术对去中心化联邦学习进行探索,提出了一种面向电力移动边缘计算的去中心化联邦学习方法,缓解了电力移动边缘计算领域中数据异构的影响。该发明相比其他去中心化联邦学习方法能有效解决电力移动边缘计算的数据异构问题,提升了模型泛化性能。
  • 一种面向电力移动边缘计算中心联邦学习方法
  • [发明专利]一种面向电力移动边缘计算的高扩展性联邦学习方法-CN202310386448.0在审
  • 杜海舟;倪诚栋 - 上海电力大学
  • 2023-04-12 - 2023-07-18 - H04L67/10
  • 本发明公开了一种面向电力移动边缘计算的高扩展性联邦学习方法。针对移动边缘计算在电力行业的可扩展性难题,本发明通过部署多台相互合作的边缘服务器来提升系统的可扩展性。其中,本发明具有两个全新特征:1)它能够对每台工作设备的本地模型更新次数进行自适应决定;2)它能够动态调整工作设备和边缘服务器之间的模型同步传输。通过上述两点特性,本发明设计了一种控制机制。它由两个关键模块组成:基于强化学习技术在边缘服务器端实现自适应迭代次数制定模块;基于激励机制在工作设备端实现工作设备与边缘服务器的动态选择模块。该发明相比以往方法能有效提升电力移动边缘计算领域的可扩展性,拥有更高的模型精度和更低的能量开销。
  • 一种面向电力移动边缘计算扩展性联邦学习方法
  • [发明专利]一种基于非欧空间的信息提取方法-CN202110431000.7有效
  • 杜海舟;周彦 - 上海电力大学
  • 2021-04-21 - 2023-05-12 - G06F17/15
  • 本发明公开了一种基于非欧空间的信息提取方法,包括,基于双曲空间的基本运算法则将欧式空间输入的图结构映射到双曲空间;利用加法与乘法重新定义所述双曲空间中的Hawkes process的条件强度函数;将曲率c作为所述函数的一个参数,迭代更新所述曲率c,得到训练完成的双曲空间模型,描述未来事件的分布。本发明方法实现通过结合过去发生事件的时间与类型信息对未来的事件映射入双曲空间,获得更好的层次结构对未来发生事件进行预测,在应用方面,可以对大规模层次数据进行好的表示,使图信息更加准确。
  • 一种基于空间信息提取方法
  • [发明专利]一种基于端到端的多类型网络流量异常检测方法及系统-CN202110472822.X有效
  • 杜海舟;王士维 - 上海电力大学
  • 2021-04-29 - 2022-12-27 - H04L9/40
  • 本发明公开了一种基于端到端的多类型网络流量异常检测方法及系统,其中一种基于端到端的多类型网络流量异常检测方法包括,预处理网络流量数据,通过特征提取模块提取网络流量数据的特征向量,并压缩特征向量的维度空间;通过异常流量学习模块对特征进行异常分数学习,进而将网络流量数据映射为标量异常分数;利用多类型异常检测模块对异常流量学习模块进行训练,完成对网络流量异常类型的分类,并将分类结果返回到参考分数生成器,以指导异常评分网络模块进行异常分数学习;本发明整体以端到端的方式运行,直接对异常分数进行优化,改善了检测结果为次优的情况,实现了对多类型异常的快速、准确检测。
  • 一种基于端到端类型网络流量异常检测方法系统
  • [发明专利]一种基于增量学习的未知异常流量在线检测方法及系统-CN202110472804.1有效
  • 杜海舟;王士维 - 上海电力大学
  • 2021-04-29 - 2022-10-11 - H04L9/40
  • 本发明公开了一种基于增量学习的未知异常流量在线检测方法及系统,包括,基于深度学习构建初始分类模型,并利用Softmax分类器对初始分类模型进行初始训练;通过未知检测模块判断输入的数据样本为已知类别还是未知类别,而后自动标记未知类别的样本特征,并将样本特征添加到网络更新模块和缓冲区模块;通过网络更新模块更新训练初始分类模型,将未知类别转换为已知类别;通过缓冲区模块存储未知类别的样本特征和标签,以适应在线模式和帮助区分未知异常的类型;本发明通过增量训练的方式,实现对新样本的学习以及模型的更新,和实现了对未知异常进行识别;同时提高了未知异常流量检测的准确度和速度。
  • 一种基于增量学习未知异常流量在线检测方法系统
  • [发明专利]一种面向异构集群加速分布式训练的方法及系统-CN202210695496.3在审
  • 杜海舟;黄晟 - 上海电力大学
  • 2022-06-20 - 2022-09-20 - G06N3/08
  • 本发明公开了一种面向异构集群加速分布式训练的方法及系统,包括:收集所有计算节点的性能数据,并对所需训练数据进行动态分配;对局部iteration更新次数进行分配,使得所有计算节点在近乎相同的时间点完成任务;采用深度强化学习策略缩减所述训练数据的训练时间,并将梯度数据上传至参数服务器;循环迭代,直至训练epoch达到设定值。通过数据动态分配模块、负载均衡模块以及屏障控制模块的协同工作减少每一轮用于等待掉队节点的时间开销,提高集群计算资源利用率,对整个训练过程实现加速并保证不降低最终的模型精度。
  • 一种面向集群加速分布式训练方法系统

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top