“多维时序”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果77205个，建议您升级VIP下载更多相关专利

[发明专利]一种多维时序信息可视化方法-CN201010022095.9无效
发明人：肖卫东;孙扬;汤大权;唐九阳;葛斌;张翀 -专利权人：中国人民解放军国防科学技术大学
申请日： 2010-01-20 - 公布日： 2010-06-02 - 主分类号： G06F17/30 文献下载
摘要：本发明公开了一种多维时序信息可视化方法，目的是解决同一视图不能同时揭示数据集的多维分布及时间演变特征的问题。技术方案是先建立多维时序坐标系，接着计算多维时序数据集中任意二维的相关系数，根据相关系数值调整多维时序坐标系的维轴、标定多维时序坐标系的维轴正方向，计算多维时序数据集的记录在多维时序坐标系中的笛卡尔坐标表示形式，然后建立目标函数，求解目标函数的最优值，定位多维时序数据集的全部记录项，对多维时序记录形成的点云进行渲染，得到多维时序数据集的可视化结果。采用本发明能在同一视图中同时可视化多维时序数据集的多维分布特性及时序演化特征，有效减轻维轴配置的繁杂度及随机性，降低了降维运算的时间复杂度。
一种多维时序信息可视化方法

[发明专利]多维时序数据异常检测方法、模型训练方法及装置-CN202111032307.6在审
发明人：刘卫卫;雷舒雅;李寒;张文思;黄林 -专利权人：全球能源互联网研究院有限公司;国网四川省电力公司;国家电网有限公司
申请日： 2021-09-03 - 公布日： 2023-03-07 - 主分类号： G06F16/215 文献下载
摘要：本发明提供了一种多维时序数据异常检测方法、模型训练方法及装置，其中，多维时序数据异常检测模型训练方法包括：获取目标对象在预设时间段内各维度的训练时序数据；分别提取各维度的训练时序数据的特征；分别计算两两组合的训练时序数据的特征之间的相关性；根据各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图；将时序相关图输入图卷积网络，对图卷积网络进行训练，得到多维时序数据异常检测模型。通过实施本发明能够以更小的代价、更简单地得到的多维时序数据异常检测模型，并且利用本发明训练得到的多维时序异常检测模型对多维的时序数据进行异常检测时，准确性更高。
多维时序数据异常检测方法模型训练装置

[发明专利]一种基于工业数据的多维时序预测方法-CN202310703240.7在审
发明人：石敏;唐昕;朱登明 -专利权人：华北电力大学
申请日： 2023-06-14 - 公布日： 2023-09-29 - 主分类号： G06F18/2433 文献下载
摘要：本发明公开了一种基于工业数据的多维时序预测方法。该方法具有以下步骤：步骤1：深入研究工业加工过程中影响工业加工结果的因素，明确对工业加工产品优良率影响最显著的关键因素。步骤2：通过在工业加工机床上安装相应的检测传感器，实时采集多维时序数据，从而形成包含丰富信息的工业加工多维时序数据集。步骤3：基于步骤2的数据集构建高级工业加工多维时序预测模型，运用改进的深度循环神经网络和卷积网络，巧妙地提取多维时序数据的多层次特征，并借助这些特征训练出卓越的工业加工多维时序预测模型，使其能够准确预测未来多维时序信息
一种基于工业数据多维时序预测方法

[发明专利]短期时序数据预测模型构建方法、装置、设备及存储介质-CN202211167278.9在审
发明人：张俊;高天露;陈宇锋;赵杭;许沛东;陈思远;王恒 -专利权人：武汉大学
申请日： 2022-09-23 - 公布日： 2023-04-04 - 主分类号： G06F30/27 文献下载
摘要：本申请涉及一种短期时序数据预测模型构建方法、装置、设备及存储介质，涉及短期时序数据预测技术领域，包括对包括风电功率和多个风电特征参数的历史多维时序数据进行正则化处理，筛选出多个第一风电特征参数，将包含第一风电特征参数的历史多维时序数据作为新的历史多维时序数据；构建包括CNN网络、扁平化层和BiLSTM网络的CNN‑BiLSTM模型，CNN网络对多维时序数据进行特征提取处理，扁平化层对处理后的多维时序数据进行扁平化处理得到一维时序数据，BiLSTM网络对一维时序数据进行学习和预测；基于新的历史多维时序数据对上述模型进行训练得到短期时序数据预测模型，可有效提高短期风电功率预测的精度。
短期时序数据预测模型构建方法装置设备存储介质

[发明专利]时序遥感影像分割方法、装置、电子设备及存储介质-CN202111453799.6在审
发明人：杜世宏;习文强;张修远 -专利权人：北京大学
申请日： 2021-12-01 - 公布日： 2022-04-22 - 主分类号： G06T7/10 文献下载
摘要：本发明提供一种时序遥感影像分割方法、装置、电子设备及存储介质，其中时序遥感影像分割方法包括：获取待分割的目标时序遥感影像；对所述目标时序影像中各个像素点进行多维度特征分析，得到多维度特征序列；基于所述多维度特征序列中各个多维度特征之间的多维度特征匹配度，对所述目标时序影像中各个像素点进行处理，得到目标分割时空立方体；利用所述目标分割时空立方体对所述目标时序影像进行分割，得到时序影像分割结果。本发明实现时序遥感影像的自动化分割，是面向对象思路在时空域的新扩展。
时序遥感影像分割方法装置电子设备存储介质

[发明专利]时序数据分类方法、装置、终端设备及存储介质-CN202111047596.7在审
发明人：李晓颖;胡明艳;吴慧强;李苏璇 -专利权人：招商银行股份有限公司
申请日： 2021-09-07 - 公布日： 2021-12-24 - 主分类号： G06F16/28 文献下载
摘要：本发明公开了一种时序数据分类方法，该方法包括：获取待分类的时间序列集合，其中，所述时间序列集合中包括多个时间序列；对所述时间序列集合中的各时间序列分别进行多维特征提取，得到多维时序特征；根据所述多维时序特征对所述时间序列集合中的各时间序列进行分类本发明还公开了一种时序数据分类装置、终端设备及存储介质。本发明通过对时间序列进行多维特征提取，结合时间序列的多维时序特征进行分类，可以有效提高对时序数据的分类精度，从而使对时序数据的分类精度能够满足金融领域复杂业务场景的预测需求。
时序数据分类方法装置终端设备存储介质

[发明专利]一种基于自注意力机制和图卷积网络的多维时序预测方法-CN202210720443.2在审
发明人：王晓东;杨炎法;魏志强;左娜 -专利权人：中国海洋大学
申请日： 2022-06-24 - 公布日： 2022-07-29 - 主分类号： G06F30/27 文献下载
摘要：本发明属于数据处理技术领域，公开了一种基于自注意力机制和图卷积网络的多维时序预测方法，首先对工业生产场景下各传感器记录的多维时序数据进行预处理，对时序缺失数据进行补全；然后对补全之后的时序数据进行分割，划分出训练集、验证集和测试集；使用获得的训练集训练预构建的基于自注意力机制和图卷积网络的多维时序预测模型，使用验证集验证训练效果并调整网络参数，当多维时序预测模型被训练至满足预设定的收敛条件时，使用测试集对模型预测效果进行测试，取测试效果最优的模型作为最终的多维时序预测模型；将待预测工业时间序列的历史数据输入到获得的多维时序预测模型中，预测出时序数据的变化趋势，从而预测出设备运行状况和异常风险。
一种基于注意力机制图卷网络多维时序预测方法

[发明专利]用于多维时序数据分析的系统和方法-CN201410799803.8有效
发明人：刘博;李林;胡卫松;刘晓炜 -专利权人：日本电气株式会社
申请日： 2014-12-19 - 公布日： 2019-06-28 - 主分类号： G06F16/2457 文献下载
摘要：提供了一种用于从多维时序数据中发现多维事件的系统，包括一维事件发现单元和多维事件发现单元。一维事件发现单元将多维时序数据分成多个单独的一维时序数据，并从每个单独的一维时序数据中发现一维事件。多维事件发现单元包括：共现矩阵计算单元，被配置为计算表示所有一维事件相互之间同时出现的频率的共现矩阵；时间顺序矩阵计算单元，被配置为计算表示所有一维事件相互之间的时间顺序的时间顺序矩阵；以及共现事件发现单元，被配置为根据共现矩阵和时间顺序矩阵发现多维事件。还提供了一种用于从多维时序数据中发现多维事件的方法。采用本发明，即使在事件之间存在时间差的情况下，也能准确地发现多维事件。
用于多维时序数据分析系统方法

[发明专利]时序多维点云形变识别方法、系统、电子设备及存储介质-CN202310099193.X在审
发明人：刘春;赵爽;张景;艾克然木·艾克拜尔 -专利权人：同济大学
申请日： 2023-02-09 - 公布日： 2023-05-05 - 主分类号： G06T7/246 文献下载
摘要：本发明公开了一种时序多维点云形变识别方法、系统、电子设备及存储介质，其中，时序多维点云形变识别方法包括：基于发生形变的被测物体表面的多帧点云，构建时序多维点云；格网化时序多维点云；对格网化后的时序多维点云进行逐点形变追踪；基于形变追踪结果建立时序多维点云的点对匹配关系；基于点对匹配关系构建局部形变描述子和全局形变描述子，以识别被测物体表面形变过程。本发明应用于小场景精细化全场形变识别，通过在时序多维点云中构建局部和全局形变描述子，为物体表面的形变提供了一种全面且完整的识别的方法，从局部和全局的角度准确刻画了被测物体表面形变的全过程，更好地反映了形变规律
时序多维形变识别方法系统电子设备存储介质

[发明专利]融合双注意力机制的多维时序数据预测方法、系统-CN202310482971.3在审
发明人：梅红岩;赵勤;范航舟;王倚晴 -专利权人：辽宁工业大学
申请日： 2023-04-28 - 公布日： 2023-09-22 - 主分类号： G06F18/214 文献下载
摘要：本发明提供一种融合双注意力机制的多维时序数据预测方法、系统，通过图学习层对多维时序数据进行相似度计算以获取邻接矩阵，再通过时序卷积图卷积层中的卷积矩阵输出模块对基于多维时序数据产生的三维特征矩阵进行特征提取以获取时序卷积特征矩阵，根据时序卷积特征矩阵和与时序卷积特征矩阵对应的邻接矩阵生成图卷积特征矩阵，并根据最后一组卷积矩阵输出模块所输出的最终图卷积特征矩阵生成时序图卷积特征，通过空间注意力模块对多维时序数据进行特征提取以获取空间依赖特征，而后将时序图卷积特征和空间依赖特征相加以获取最终预测结果，如此，使时序图卷积特征与空间依赖特征相融合，增强空间依赖性，提高多维数据预测结果的准确性。
融合注意力机制多维时序数据预测方法系统

[发明专利]汽车后视镜加热智能控制系统及其方法-CN202310744410.6在审
发明人：唐华;唐爱国;罗德正;曾云清;蒲长江 -专利权人：江西宏信光学科技有限公司
申请日： 2023-06-25 - 公布日： 2023-09-22 - 主分类号： B60R1/06 文献下载
摘要：其先将多个预定时间点的后视镜表面的温度值和湿度值分别排列为输入向量后计算相邻两个预定时间点的湿度值之间的差值和温度值之间的差值以得到湿度时序变化输入向量和温度时序变化输入向量，接着，分别进行级联以得到湿度多维度输入向量和温度多维度输入向量后通过时序特征提取器以得到湿度多维度时序特征向量和温度多维度时序特征向量，然后，对所述湿度多维度时序特征向量和所述温度多维度时序特征向量进行关联编码后再进行特征优化后通过双向注意力机制模块以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示是否停止加热的分类结果
汽车后视镜加热智能控制系统及其方法

[发明专利]基于动态时序多维自适应图卷积网络的骨架行为识别方法-CN202211290028.4在审
发明人：曹毅;夏宇;高清源;汤多良;周辉;马惠欣 -专利权人：江南大学
申请日： 2022-10-21 - 公布日： 2023-01-31 - 主分类号： G06V40/10 文献下载
摘要：本申请提供一种基于动态时序多维自适应图卷积网络的骨架行为识别方法，通过非局部网络和维度变换模块，构建多维自适应图卷积模块，同时将动态卷积和时序卷积相结合，在时序卷积中引入SE注意力网络计算各卷积核权重和偏置的权值，构造动态时序卷积模块，将二者相结合并在多流网络下进行端到端的训练，构造动态时序多维自适应图卷积网络模型；本申中的动态时序多维自适应图卷积网络模型能够自骨架时空图中充分提取空间域内的多维信息，同时增强了时间特征的表示能力
基于动态时序多维自适应图卷网络骨架行为识别方法

[发明专利]一种挖掘多维时序数据稀有模式的方法-CN201711327160.7在审
发明人：刘博;刘银星 -专利权人：北京工业大学
申请日： 2017-12-13 - 公布日： 2018-05-25 - 主分类号： G06F17/30 文献下载
摘要：本发明公开一种挖掘多维时序数据的稀有模式的方法，将海量的多维时序数据集分割成一维的时序数据集，利用AMRSPM算法对每一维度的时序数据计算最小稀有模式。然后把生成的最小稀有模式作为模式串字典，利用字符串匹配算法Brute‑Fore或者KMP算法对每一维度时序数据搜索出全部的模式，然后通过聚类(AP)操作挖掘出多维时序数据中的稀有子序列。
多维时序时序数据算法维度挖掘串匹配模式串数据集子序列聚类字典搜索分割

[发明专利]基于层次化深度网络的长时序列数据处理方法-CN201711167632.7有效
发明人：龙明盛;王建民;张建晋;黄向东 -专利权人：清华大学
申请日： 2017-11-21 - 公布日： 2018-12-11 - 主分类号： G06K9/62 文献下载
摘要：本发明实施例提供了一种基于层次化深度网络的长时序列数据处理方法，包括：S1，将所述长时序列数据输入训练好的层次化深度网络模型；S2，利用所述卷积层中的所述多对卷积核和池化核对所述长时序列数据进行单维卷积操作得到第一压缩时序数据集，并将所述第一压缩时序数据集中的所有压缩时序数据连结形成第一多维时序数据；S3，利用所述卷积层获取多个多维时序数据，并将所述多个多维时序数据中长度小于第一预设长度的多维时序数据进行组合形成第一数据集；S4，利用所述递归层和所述全连接层对所述第一数据集进行处理，以得到所述长时序列数据的分类结果向量。
基于层次深度网络时序数据处理方法

[发明专利]一种基于矩阵分解的多维时序数据分析方法-CN202011090353.7在审
发明人：金耀辉;何浩;张健全;李瑞 -专利权人：上海交通大学
申请日： 2020-10-13 - 公布日： 2021-01-22 - 主分类号： G06F17/16 文献下载
摘要：本发明涉及数据分析的技术领域，公开了一种基于矩阵分解的多维时序数据分析方法，先对多维时序数据矩阵R进行预处理，然后将其分解为时间维度矩阵P和特征维度矩阵Q，使得矩阵PTQ≈R，其中，所述时间维度矩阵P的每一列对应多维时序数据矩阵的一个时间点，所述特征维度矩阵Q的每一列对应多维时序数据矩阵中一个特征包含的所有数值，最后通过对时间维度矩阵P和特征维度矩阵Q进行分析，预测下一个时间点对应的多维数据和所有特征之间的互相关系，完成对多维时序数据的分析。
一种基于矩阵分解多维时序数据分析方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 77205 条