“袁汉宁”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果17个，建议您升级VIP下载更多相关专利

[发明专利]一种基于云网端资源中不完整时间序列的异常检测方法-CN202210397325.2有效
发明人： 袁汉宁;彭青峰;王树良;耿晶;黄罡;党迎旭 -专利权人：北京理工大学;北京大学深圳研究生院
申请日： 2022-04-15 - 公布日： 2023-10-10 - 主分类号： G06F18/2433 文献下载
摘要：本发明涉及一种基于云网端资源中不完整时间序列的异常检测方法，包括：输入带有缺失的云网端资源中的时间序列，生成时间序列样本，并对所述时间序列样本进行预处理操作；构建深度学习网络模型，将经过预处理操作的时间序列样本分为训练样本集和测试样本集，所述训练样本集输入所述深度学习网络模型中完成模型训练，所述测试样本集进行模型异常检测测试，得到异常检测结果。本发明提出的方法中云网端资源中不完整时间序列的异常检测模型将缺失值插补过程与异常检测过程相结合，减少了从缺失值插补到异常检测导致的误差传递。相较于现有技术，发明成果在云网端资源中不完整时间序列场景下进行异常检测拥有更高的准确率。
一种基于云网端资源完整时间序列异常检测方法

[发明专利]一种基于图结构学习的结构化深度聚类网络及方法-CN202211297895.0在审
发明人： 袁汉宁;崔酉至;王树良;李琦;党迎旭;耿晶 -专利权人：北京理工大学
申请日： 2022-10-21 - 公布日： 2023-02-24 - 主分类号： G06F18/2323 文献下载
摘要：一种基于图结构学习的结构化深度聚类网络，该网络包括：节点特征学习模块；结构化数据特征学习模块；图结构学习模块，用于根据数据特征，包括节点特征和结构化数据特征，对图结构进行学习，并将学习到的图结构用于数据特征的进一步学习；以及自监督聚类模块。本公开在应用传统的自编码器和图卷积网络等提取数据的节点特征、结构化特征的基础上，加入了图结构学习模块，能够克服初始图结构可能存在的噪声和错误，提升聚类的效果；进而通过自监督聚类模块将各模块统一为一体，优化整个网络面向聚类的数据表示，能够提升对大规模数据进行信息分析与提取的准确度和效率。
一种基于结构学习深度网络方法

[发明专利]一种边缘节点与终端用户的无线通信安全建立方法-CN202210990493.2在审
发明人：王树良;闫晓丹;钟天声;党迎旭;李明;袁汉宁;耿晶 -专利权人：北京理工大学
申请日： 2022-08-18 - 公布日： 2022-11-11 - 主分类号： H04W12/12 文献下载
摘要：本发明提供一种边缘节点与终端用户的无线通信安全建立方法，通过判断训练信号和信道特征是否合法来判断无线通信网络中是否存在发出伪装攻击的恶意节点，其中，信道特征属于无线传输中固有的物理层特性，本发明使用物理层安全技术检测伪装攻击，并以此进行各节点的身份验证，能够达到较高的检测精度和较低的平均错误率。
一种边缘节点终端用户无线通信安全建立方法

[发明专利]一种衡量相关性的二次优化信息系数方法-CN202210755793.2在审
发明人：刘传鲁;王树良;党迎旭;戴铭瑞;徐卓辉;袁汉宁;耿晶 -专利权人：北京理工大学
申请日： 2022-06-29 - 公布日： 2022-11-04 - 主分类号： G06F17/18 文献下载
摘要：本发明属于系数确定方法，具体涉及一种衡量相关性的二次优化信息系数方法。一种衡量相关性的二次优化信息系数方法，其中，包括下述步骤：步骤1：最佳划分网格分析；步骤2：二次优化路径选择；步骤3：二次优化近似算法。本发明相对于现有技术具有以下有益效果：在更少的时间成本下同低效近似算法给出相同的逼近值，实现精度与时间成本的均衡。
一种衡量相关性二次优化信息系数方法

[发明专利]基于多尺度解码的云网端资源多维时间序列异常检测方法-CN202210456392.7在审
发明人：王树良;徐卓辉;袁汉宁;耿晶;滕腾;党迎旭 -专利权人：北京理工大学;深圳市数瑞数据智能技术研究所
申请日： 2022-04-27 - 公布日： 2022-10-11 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了基于多尺度编码的云网端资源多维时间序列异常检测方法，涉及计算机科学技术领域，本发明提出了基于多尺度集成解码的多维时间序列异常检测的方案，提升多维时间序列异常检测的准确性。本发明的技术方案包括如下步骤：计算各时间序列间相关性，构建序列的相关性特征矩阵。基于相关性特征矩阵，使用编码器对时间序列相关性进行编码，并使用基于注意力的卷积长短期记忆网络来捕获时间模式。利用不同尺度的解码器进行解码，使用张量核的相似性来约束不同解码器的输出，融合所有解码结果重构特征矩阵，计算重构误差以检测异常。
基于尺度解码云网端资源多维时间序列异常检测方法

[发明专利]基于深度学习与注意力机制的多源遥感图像信息处理方法-CN202210547679.0在审
发明人：党迎旭;王树良;李燈杰;王奕;李明;袁汉宁;耿晶;潘新宇 -专利权人：北京理工大学
申请日： 2022-05-18 - 公布日： 2022-08-09 - 主分类号： G06V20/62 文献下载
摘要：本发明提出一种基于深度学习与注意力机制的多源遥感图像信息处理方法，包括：步骤1，构建图像描述生成器，所述图像描述生成器基于自上而下图像描述模型构建而成；该自上而下图像描述模型包括顺序连接的注意力LSTM模型和语句生成LSTM模型；步骤2：采用融入词性特征的文本图像匹配的POS‑SCAN模型对图形描述生成器进行训练，得到所述图形描述生成器的损失函数；步骤3：将所述图像描述生成器进行自序列训练后，将所述多源遥感图像进行区域特征提取，并将区域特征提取结果输入所述图像描述生成器，得到所述图像对应的文字标签；步骤4：将所述区域特征提取结果、所述文字标签及候选语句输入相似性评分模块，得到相似度评分结果。
基于深度学习注意力机制遥感图像信息处理方法

[发明专利]数据聚类方法、装置以及目标分群方法-CN202210497176.7在审
发明人：党迎旭;王树良;李琦;杨毅辰;李明;袁汉宁;耿晶 -专利权人：北京理工大学
申请日： 2022-05-09 - 公布日： 2022-08-05 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了数据聚类方法、装置以及目标分群方法，目的是提升数据的聚类效果，提高聚类结果的精度，进一步可以实现对战场目标的精确分群。该方案具体为：识别数据集中的骨干数据；骨干数据是指保留原数据集中数据结构的样本集合。依据骨干数据，构建骨干节点的拓扑图，通过剪切边将拓扑图划分为多个联通子图，每个联通子图即是识别出的一个簇，则全部n个骨干节点被n‑1条边连接成一个全联通图。设定簇间边的权重远小于簇内边的权重，将权重最小的k‑1条边剪切掉，得到k个联通子图；骨干节点集合被划分为k个簇；数据集中所剩余的数据点分配到所对应骨干节点的簇中，由此获得聚类结果。
数据方法装置以及目标分群

[发明专利]启发式的不等长时间序列聚类核心集的构建方法-CN202111613504.7在审
发明人：党迎旭;王树良;王奕;袁汉宁;耿晶;刘传鲁;刘衬;赵园 -专利权人：北京理工大学
申请日： 2021-12-27 - 公布日： 2022-05-17 - 主分类号： G06K9/62 文献下载
摘要：本发明的启发式的不等长时间序列聚类核心集的构建方法，通过增加核心集Ct‑1的时间序列数据对象的权重，根据该权重采样不等长时间序列数据集TS的时间序列数据对象Tj，根据时间序列数据对象Tj构建稀疏矩阵A’，将稀疏矩阵A’利用SPIRAL算法中提出的循环坐标下降法进行矩阵分解得到TS的特征向量X；将特征向量X输入到LWCS算法得到时间序列数据Tj的采样概率Qt(i)，优化采样概率Qt(i)为采样概率Pt(i)；根据采样概率Pt(i)重构TS的核心集Ct；当核心集Ct‑1和核心集Ct中相同的时间序列数据Tj的个数大于预设阈值时，核心集Ct收敛，核心集Ct为不等长时间序列聚类的核心集C。使可能为核心集成员的数据对象的特征转换更准确且趋于稳定，实现高质量的核心集构建。
启发式不等长时间序列核心构建方法

[发明专利]一种工业实验数据异常点检测方法及装置-CN201810669806.8有效
发明人：金福生;金昊宸;韩翔宇;袁汉宁 -专利权人：北京理工大学
申请日： 2018-06-26 - 公布日： 2021-10-01 - 主分类号： G06F16/2458 文献下载
摘要：一种工业实验数据异常点检测方法及装置，属于异常点检测技术领域。针对每一个测试变量在一次实验中随时间的数据变化曲线，根据多次历史实验中该变量的整体变化情况，确定可能表示机器启动和关闭的“状态代表时间点”，再检测测试样本中“状态代表时间点”的取值是否在正常状态范围内，对于取值异常的测试样本判定为异常；否则根据“状态代表时间点”的取值情况和历史数据，拟合出数据标准，并根据测试样本中各时间点取值相对数据标准的偏差，通过聚类算法检测出偏差程度较绝大多数样本有很大不同的时间点判定为异常点。本发明充分利用工业实验数据的特殊性，进而获得更为准确的异常点检测结果，具有较高的检测准确度。
一种工业实验数据异常检测方法装置

[发明专利]一种多视角时间序列异常点集成检测和可视化方法-CN201910457709.7有效
发明人： 袁汉宁;王琴瑶;张棋帅;陈政聿 -专利权人：北京理工大学
申请日： 2019-05-29 - 公布日： 2021-07-09 - 主分类号： G06F16/26 文献下载
摘要：本发明公开了一种多视角时间序列异常点集成检测和可视化方法，基于异常检测算法计算得出的数据点异常评分构建数据点异常评分矩阵，根据设定的视角数量对数据点异常评分矩阵进行分解，再对各视角下的数据点异常评分进行集成，形成更加准确的数据点异常评分值，从而有效地集成了各种时间序列异常检测算法，提高了数据点异常评分的准确性。
一种视角时间序列异常集成检测可视化方法

[发明专利]一种基于贝叶斯网络的刑期预测方法-CN202011068745.3在审
发明人：王树良;王琴瑶;王皓;袁汉宁 -专利权人：北京理工大学
申请日： 2020-09-30 - 公布日： 2021-01-01 - 主分类号： G06Q10/04 文献下载
摘要：本公开的基于贝叶斯网络的刑期预测方法，通过包括：对已审裁判文书数据进行预处理；利用预处理的已审裁判文书数据进行贝叶斯网络结构学习，得到已审裁判文书法律要素样本集和贝叶斯网络结构；采用极大似然估计法从所述已审裁判文书法律要素样本集进行贝叶斯网络结构参数学习，得到贝叶斯网络刑期预测模型；将未审裁判文书数据输入到贝叶斯网络刑期预测模型，输出刑期预测结果。能够在不确定或不完善的信息条件下，利用诊断推理识别刑期(量刑)重要因素，给出刑期依据和解释，刑期预测模型和刑期预测结果的可解释性强，从裁判文书数据中学习贝叶斯网络结构，克服了专家构建贝叶斯网络的主观性，提高了刑期的准确性，减少搜索空间，提高学习速度。
一种基于贝叶斯网络刑期预测方法

[发明专利]一种共享自行车骨架网络提取方法-CN201911066648.8有效
发明人： 袁汉宁;吕媛媛;王树良;耿晶 -专利权人：北京理工大学
申请日： 2019-11-04 - 公布日： 2020-10-02 - 主分类号： H04W4/021 文献下载
摘要：本发明公开了一种共享自行车骨架网络提取方法，属于计算机应用技术领域，该方法能够针对由具有空间位置特征的网络节点组成的网络进行骨干网络提取。包括如下步骤：构建共享自行车网络。计算共享自行车网络中所有边的显著性，保留显著性大于零的边为骨干网络的边。计算共享自行车网络中所有节点的拓扑势。对共享自行车网络中的所有节点，依据其地理位置进行空间密度聚类，得到骑行区域簇。对于每个骑行区域簇，对当前骑行区域簇内的网络节点按照拓扑势的值进行降序排序，选取降序排序后的前设定个数的节点构成当前骑行区域簇的骨干核心节点。合并所有骑行区域簇的骨干核心节点，利用骨干网络的边对骨干核心节点进行连接构成骨架网络。
一种共享自行车骨架网络提取方法

[发明专利]一种面向无人机图像的人群聚集密度分析方法-CN201911115072.X在审
发明人： 袁汉宁;李晓蕾;王宇;王树良 -专利权人：北京理工大学
申请日： 2019-11-14 - 公布日： 2020-06-02 - 主分类号： G06K9/00 文献下载
摘要：本发明提供了一种面向无人机图像的人群聚集密度分析方法，能够将密度估计和人群计数分任务并列进行，共享特征信息，提高预测效果；采用基于数据场的人群拥堵点和基于相对密度的拥堵等级可视化方法，全方位地展示人群聚集程度和空间分布状况。无人机图像经过基于多尺度和多任务学习相结合的深度卷积神经网络的人群识别算法处理之后，将得到人群计数的精确结果及人群密度估计结果即概率密度图。人群计数结果可以从数量角度分析人群聚集状态，概率密度图将用于可视化展示过程从空间角度分析人群聚集空间分布。
一种面向无人机图像人群聚集密度分析方法

[发明专利]一种网络结构的动态链路预测方法-CN201510929845.3有效
发明人： 袁汉宁;梁馨儿;王树良;高楠 -专利权人：北京理工大学
申请日： 2015-12-15 - 公布日： 2018-08-03 - 主分类号： H04L12/24 文献下载
摘要：本发明提供一种网络结构的动态链路预测方法，其包括以下步骤：步骤一，输入服务对象对应的网络结构；步骤二，对输入的网络结构进行杰卡德距离的转换，获得处理后的网络结构；步骤三，计算网络结构中两两节点之间的距离；步骤四，获取当前时刻下标记优先级的网络结构：步骤五，在下一时刻中重复执行步骤一至步骤四，获得下一时刻标记优先级的网络结构，且该下一时刻各链路的优先级顺延当前时刻的优先级，并按时间先后从高到低依次标记；步骤六，每一时刻标记优先级的网络结构均为一个网络结构的预测结果，供用户进行服务对象的分析处理。基于动态的网络拓扑结构，顾及复杂网络的动态演化机制且具有计算复杂度较低，适用于大规模网络的链路预测。
治疗红斑狼疮中药制剂

[发明专利]一种面向多属性评分系统的评分预测方法-CN201611165152.2在审
发明人： 袁汉宁;杨静婷;王少鹏;王树良 -专利权人：北京理工大学
申请日： 2016-12-16 - 公布日： 2017-05-31 - 主分类号： G06F17/16 文献下载
摘要：本发明提供了一种面向多属性评分系统的评分预测方法，包括步骤S1输入数据收集用户对商品的多个属性的评分，输入多个属性的评分数据；S2构建模型利用具有U、C、A三个维度的三维张量表达多属性评分信息；S3设置参数，得到初始化矩阵S4张量分解，计算得到中间矩阵和S5张量填充，完成评分预测。使用本发明所述的方法，可以有效融合多个属性的评分信息，预测用户对商品各个属性的评分。
一种面向属性评分系统预测方法

1
2
下一页»
尾页
共 17 条