“李龙戈”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5个，建议您升级VIP下载更多相关专利

[发明专利]一种适用于分布式固定TDMA协议的数据聚合方法-CN202310994635.7在审
发明人：高延忠;苏建伟;李龙戈;崔亚明;孙朝阳 -专利权人：中国通信建设集团设计院有限公司
申请日： 2023-08-08 - 公布日： 2023-10-13 - 主分类号： H04W36/00 文献下载
摘要：本发明公开了一种适用于分布式固定TDMA协议的数据聚合方法，涉及通信技术领域，该数据聚合方法具体包括以下步骤：在分布式固定TDMA网络中，新节点通过各邻居节点发送的时隙信息，获知各邻居节点的时隙占用情况，并随机选择一个空闲时隙作为自身的主时隙，即节点入网成功；当节点主时隙到来时，如果节点内部数据队列存在数据包等待发送，则在当前时隙内发送数据包p1，本发明可以尽最大可能地占满MTU，充分利用时隙资源，从而提高网络吞吐量；二来可以让节点内部的数据包提前发送，不需要再等一帧的时间，有利于降低数据包排队时延，进而降低网络端到端时延。
一种适用于分布式固定 tdma 协议数据聚合方法

[发明专利]基于滑窗特征的风机主轴故障预测方法-CN202110532763.0有效
发明人：强保华;李龙戈;谢元;陈金龙;刘玲芝 -专利权人：桂林电子科技大学
申请日： 2021-05-17 - 公布日： 2023-06-20 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于滑窗特征的风机主轴故障预测方法，主要包括：(1)采用如XGBoost、GBDT、CatBoost、LightGBM算法等模型进行特征的自动选择以及特征的非线性转换；(2)使用原始风机特征训练风机的时序特性问题，对风机时间特征进行提取，并将数据集进行分割切片。(3)基于滑动窗口对故障标签、风机状态特征处理，完成滑窗特征的构造。(4)采用stacking集成策略，对各个模型的预测结果进行加权计算。本发明设计了一系列可以表征当前风机运行状态的滑窗特征，通过构造滑窗特征的方式解决风机特征单一和故障状态缓变特性问题，最后将融合滑窗特征后的模型与使用原始风机特征训练的模型进行对比，显现出预测效果有一定程度的提升。
基于特征风机主轴故障预测方法

[发明专利]一种融合滑窗相似图的运营商用户流失预测方法-CN202211713768.4在审
发明人： 李龙戈;张亚飞;李业田;赵宇;徐海宁;张旭辉 -专利权人：中国通信建设集团设计院有限公司
申请日： 2022-12-29 - 公布日： 2023-04-11 - 主分类号： G06F18/25 文献下载
摘要：本发明公开了一种融合滑窗相似图的运营商用户流失预测方法，属于用户流失分类预测领域，该流失预测方法具体步骤如下：(1)预处理待输入的运营商用户数据以构成初始特征矩阵；(2)定义或引入相关参数并构造不同行为特征的相似图矩阵；(3)引入模拟退火法进行定义域内超参数的寻优；(4)输入待训练特征矩阵并构建多视角融合特征；(5)构建流失预测模型以预测运营商用户流失；本发明可在付出极小参数代价的条件下，加快模型收敛速度，提高模型的可拓展性，并提高模型的准确率。同时，模型的时间复杂度较低，特征抽取能力更强大，保证了模型在用户流失预测场景下具有可执行性。
一种融合相似运营商用户流失预测方法

[发明专利]基于改进BSMOTE-Sequence算法的风电设备故障检测方法-CN202110060075.9有效
发明人：强保华;杨鲜;陈锐东;谢元;李龙戈 -专利权人：桂林电子科技大学
申请日： 2021-01-18 - 公布日： 2022-04-12 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种风电设备故障检测方法，本发明基于改进的BSMOTE‑Sequence风机故障采样策略，通过对BorderlineSMOTE进行改进而设计的一种风机数据集采样策略模型。BorderlineSMOTE在选择对哪些样本点进行合成时，第一步通过KNN算法选出K′个少数类近邻样本，第二步从这K′个样本中随机选择K″个样本。本发明是将第二步随机选择样本改进为根据时序特征来选择样本，该方式生成新样本综合考虑了空间距离、时序规律，能有效减少噪声点的生成，不仅解决了风机数据集的不平衡问题，而且并未破坏数据集的时序规律。此外，本发明还结合Tomek Links技术，可以有效地过滤数据集中的噪声样本、类间重叠样本，从而提高后续分类器训练的效率及准确率，避免模型过拟合。
基于改进 bsmote sequence 算法设备故障检测方法

[发明专利]基于DCFM模型的设备故障预测方法-CN202110544470.4在审
发明人：强保华;李龙戈;谢元;陈金龙;刘玲芝 -专利权人：桂林电子科技大学
申请日： 2021-05-19 - 公布日： 2021-09-14 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于DCFM模型的设备故障预测方法，所述方法通过搭建一种能够充分探索设备高低阶特征信息的DCFM模型结构，从而实现设备信息更深层次、更全面的提取，提高设备故障预测模型的分类效果，同时该模型对设备的特征进行自动叉乘，可以在一定程度上弥补传统机器学习方法依赖特征工程的劣势。另外，DCFM模型的FM模块基于隐向量可以实现对稀疏数据的二阶特征参数进行细腻学习；FM和CrossNetwork模块的学习效率均为线性级别复杂度，在一定程度上提高了模型的训练速度，有利于模型的快速构建，相比较其他复杂的机器学习以及深度学习模型，DCFM模型可以满足设备部件在线预测对时间响应及准确度方面的需求。
基于 dcfm 模型设备故障预测方法