CN110475258A - 一种基站的可靠性评估方法和系统 - Google Patents
一种基站的可靠性评估方法和系统 Download PDFInfo
- Publication number
- CN110475258A CN110475258A CN201910621783.8A CN201910621783A CN110475258A CN 110475258 A CN110475258 A CN 110475258A CN 201910621783 A CN201910621783 A CN 201910621783A CN 110475258 A CN110475258 A CN 110475258A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- probability
- base station
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例涉及一种基站的可靠性评估方法和系统。其中,该方法包括:采集用于评价基站可靠性的评价指标,将评价指标转换为第一矩阵向量,根据第一矩阵向量和预设的神经网络模型确定基站的可靠性参数。通过本公开实施例提供的技术方案,避免了通过人工的方式对基站的可靠性进行评估,使得评估结果容易受到人为因素的影响,以至于评估结果的精度偏低的技术问题,实现了提高评估结果的精度,且提高评估的效率的技术效果。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种基站的可靠性评估方法和系 统。
背景技术
随着互联网技术的发展,对基站的安全防护有了更高的要求。其中,对基站的 安全防护的因素包括基站的可靠性。
在现有技术中,对基站的可靠性的评估的方法包括:对基站的评价指标进行采集,评价指标即为基站对应的性能参数和业务参数等,工作人员根据评价指标对基 站的可靠性进行评估。
发明人在实现本发明的过程中,发现至少存在:通过人工的方式对基站的可靠 性进行评估,使得评估结果容易受到人为因素的影响,以至于评估结果的精度偏低。
发明内容
本发明所要解决的技术问题是针对现有技术中所存在的上述缺陷,提供一种基站的可靠性评估方法,用以解决现有技术中通过人工的方式对基站的可靠性进行评 估,使得评估结果容易受到人为因素的影响,以至于评估结果的精度偏低的技术问 题。
根据本发明实施例的一个方面,本发明实施例提供了一种基站的可靠性评估方法,所述方法包括:
采集用于评价基站可靠性的评价指标;
将评价指标转换为第一矩阵向量;
根据所述第一矩阵向量和预设的神经网络模型确定所述基站的可靠性参数。
在一些实施例中,所述评价指标包括:至少一个一级指标和属于所述至少一个 一级指标的二级指标。
在一些实施例中,所述根据所述第一矩阵向量和预设的神经网络模型确定所述基站的可靠性参数,包括:
计算所述第一矩阵向量与预设的卷积滤波器算子的卷积,得到第二矩阵向量;
根据所述第二矩阵向量和预设的池化层得到第三矩阵向量;
由预设的全连接层的卷积函数对所述第三矩阵向量进行卷积处理,得到第四矩阵向量;
分别计算所述第四矩阵向量为预设的评价等级中每个等级的概率;
根据各个所述概率确定所述可靠性参数。
在一些实施例中,在所述分别计算所述第四矩阵向量为预设的评价等级中每个等级的概率之后,所述方法还包括:
计算得到每个所述概率对应的损失函数;
根据所述损失函数对所述神经网络模型进行优化;
根据优化后的神经网络模型和所述第一矩阵向量确定所述评价等级中每个等 级的优化后的概率;
所述根据各个所述概率确定所述可靠性参数包括:
根据各个优化后的概率确定所述可靠性参数。
在一些实施例中,所述根据所述损失函数对所述神经网络模型进行优化,包括:
对所述损失函数进行求导,得到求导参数;
根据所述求导参数对所述神经网络模型进行优化。
根据本公开实施例的另一个方面,本公开实施例还提供了一种基站的可靠性评估系统,所述系统包括:
采集模块,用于采集用于评价基站可靠性的评价指标;
转换模块,用于将评价指标转换为第一矩阵向量;
确定模块,用于根据所述第一矩阵向量和预设的神经网络模型确定所述基站的可靠性参数。
在一些实施例中,所述评价指标包括:至少一个一级指标和属于所述至少一个 一级指标的二级指标。
在一些实施例中,所述确定模块具体用于:
计算所述第一矩阵向量与预设的卷积滤波器算子的卷积,得到第二矩阵向量;
根据所述第二矩阵向量和预设的池化层得到第三矩阵向量;
由预设的全连接层的卷积函数对所述第三矩阵向量进行卷积处理,得到第四矩阵向量;
分别计算所述第四矩阵向量为预设的评价等级中每个等级的概率;
根据各个所述概率确定所述可靠性参数。
在一些实施例中,所述确定模块具体用于:
计算得到每个所述概率对应的损失函数;
根据所述损失函数对所述神经网络模型进行优化;
根据优化后的神经网络模型和所述第一矩阵向量确定所述评价等级中每个等 级的优化后的概率;
所述根据各个所述概率确定所述可靠性参数包括:
根据各个优化后的概率确定所述可靠性参数。
在一些实施例中,所述确定模块具体用于:
对所述损失函数进行求导,得到求导参数;
根据所述求导参数对所述神经网络模型进行优化。
本发明实施例的有益效果在于,由于采用了采集用于评价基站可靠性的评价指标,将评价指标转换为第一矩阵向量,根据第一矩阵向量和预设的神经网络模型确 定基站的可靠性参数的技术方案,避免了通过人工的方式对基站的可靠性参数进行 评估,使得评估结果容易受到人为因素的影响,以至于评估结果的精度偏低的技术 问题,实现了提高评估结果的精度,且提高评估的效率的技术效果。
附图说明
图1为本公开实施例提供的基站的可靠性评估方法的示意图;
图2为本公开实施例的根据第一矩阵向量和预设的神经网络模型确定基站的可靠性参数的方法的示意图;
图3为本公开实施例的基站的可靠性评估系统的示意图;
附图标记:
1、采集模块,2、转换模块,3、确定模块。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技 术之类的具体细节,以便透彻理解本发明。然而,本领域的技术人员应当清楚,在 没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所 周知的系统、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例提供了一种基站的可靠性评估方法和系统。
根据本发明实施例的一个方面,本发明实施例提供了一种基站的可靠性评估方法。
请参阅图1,图1为本公开实施例提供的基站的可靠性评估方法的示意图。
如图1所示,该方法包括:
S1:采集用于评价基站可靠性的评价指标。
其中,评价指标包括基站的性能参数和业务参数等。
优选地,评价指标包括:一级指标和属于一级指标的二级指标。且,一级指标 至少为一个,二级指标亦至少为一个。
如:一级指标包括基站的性能参数、业务参数和周边环境参数等。性能参数下 的二级指标包括基站的连接成功率,平均激活用户数量,丢包率等。
S2:将评价指标转换为第一矩阵向量。
在一些实施例中,第一矩阵向量包括:其中,αi、βi、γi为基站的一级 指标,i为一级指标下的第i个二级指标。
S3:根据第一矩阵向量和预设的神经网络模型确定基站的可靠性参数。
其中,神经网络模型包括CTC神经网络模型等。
在本公开实施例中,公开了一种新的基站的可靠性评估方法,通过本公开实施 例提供的技术方案,避免了通过人工的方式对基站的可靠性进行评估,使得评估结 果容易受到人为因素的影响,以至于评估结果的精度偏低的技术问题,实现了提高 评估结果的精度,且提高评估的效率的技术效果。
结合图2可知,在一些实施例中,S3包括:
S3-1:计算第一矩阵向量与预设的卷积滤波器算子的卷积,得到第二矩阵向量。
S3-2:根据第二矩阵向量和预设的池化层得到第三矩阵向量。
具体地,将第二矩阵向量通过Max Pooling池化层。也就是说,将第二矩阵向 量通过池化层中的m*n的滤波器,即在每个区域取最大值,得到池化后的第三矩阵 向量。
例如,当第二矩阵向量为4*4的矩阵时,可取m=n=2,则将第二矩阵向量分为 4个2*2的矩阵,第三矩阵向量即是在4个2*2个矩阵中分别取最大值后的一个2*2 矩阵。
S3-3:由预设的全连接层的卷积函数对第三矩阵向量进行卷积处理,得到第四 矩阵向量。
具体地,将第三矩阵向量通过全连接层的卷积函数,得到一个k*1的第四矩阵 向量。
其中,k的值取决于卷积滤波器算子的个数、第三矩阵向量的维数和卷积神经 网络的通道的数量。
例如,当卷积滤波器算子的个数为3,第三矩阵向量为2*2,卷积神经网络的 通道的数量为2时,则k=3*4*2=24。
S3-4:分别计算第四矩阵向量为预设的评价等级中每个等级的概率。
S3-5:根据各个概率确定可靠性参数。
在一些实施例中,在S3-4之后,该方法还包括:
S3-5’:计算得到每个概率对应的损失函数。
S3-6’:根据损失函数对神经网络模型进行优化。
S3-7’:根据优化后的神经网络模型和第一矩阵向量确定评价等级中每个等级 的优化后的概率。
S3-5具体包括:根据各个优化后的概率确定可靠性参数。
在一些实施例中,S3-6’包括:
S3-6’-1:对损失函数进行求导,得到求导参数。
S3-6’-2:根据求导参数对神经网络模型进行优化。
其中,损失函数常见的包括均方差函数、交叉熵函数、逻辑回归函数等。其中, 常见的均方差函数为:
其中,a=f(z)=f(ωx+b),x为输入(即评价指标),w和b是网络参数, f()为激活函数。则求导过程为分别对网络参数w和b求偏导。
在一些实施例中,还包括初始化时构建神经网络模型的步骤,具体地:
S11:采集用于评价基站可靠性的样本评价指标。
S12:将样本评价指标转换为矩阵向量V。
S13:计算矩阵V与初始化(预设的)的卷积滤波器算子的卷积,得到卷积后 的矩阵向量M。
S14:将矩阵向量M通过Max Pooling池化层:将矩阵向量M通过一个m*n的 滤波器,即在每个区域取最大值,得到池化后的矩阵向量N。例如,当矩阵向量M为4*4的矩阵时,可取m=n=2,则将矩阵向量M分为4个2*2的矩阵,矩阵向量N即 是在4个2*2个矩阵中分别取最大值后的一个2*2矩阵。
S15:全连接层:将矩阵向量N通过全连接层的卷积函数,得到一个k*1的矩 阵向量N2;其中,k的值取决于步骤1中卷积滤波器算子个数,步骤2中得到的矩 阵项链N的维数,卷积神经网络的通道数。例如,步骤1中卷积滤波器算子的个数 为3,矩阵向量N为2*2,卷积神经网络通道数为2时,k=3*4*2=24。
S16:输出层:根据评价等级个数n,得到矩阵向量N2对应的n个类别的概率。
S17:后向反馈:计算当前输出的损失函数,通过求导的方式优化模型参数; 损失函数常见的包括均方差函数、交叉熵函数、逻辑回归函数等。其中,常见的均 方差函数为:
其中,a=f(z)=f(ωx+b),x为输入,w和b是网络参数,f()为激活函数。 则求导过程为分别对网络参数w和b求偏导。
S18:更新模型参数,重新计算输出层得到当前神经网络模型中对应的n个类 别的概率。设置概率误差阈值为T,如果概率值误差小于等于T,则停止迭代,否 则继续S17直到误差达到允许范围。
S19:根据得到更新模型参数对神经网络模型进行更新。
具体地,是根据更新模型参数对各卷积滤波器的算子参数进行更新。
根据本发明实施例的另一个方面,本发明实施例提供了一种基站的可靠性评估系统。
请参阅图3,图3为本公开实施例的基站的可靠性评估系统的示意图。
如图3所示,该系统包括:
采集模块1,用于采集用于评价基站可靠性的评价指标;
转换模块2,用于将评价指标转换为第一矩阵向量;
确定模块3,用于根据所述第一矩阵向量和预设的神经网络模型确定所述基站 的可靠性参数。
在一些实施例中,
所述评价指标包括:至少一个一级指标和属于所述至少一个一级指标的二级指标。
在一些实施例中,所述确定模块3具体用于:
计算所述第一矩阵向量与预设的卷积滤波器算子的卷积,得到第二矩阵向量;
根据所述第二矩阵向量和预设的池化层得到第三矩阵向量;
由预设的全连接层的卷积函数对所述第三矩阵向量进行卷积处理,得到第四矩阵向量;
分别计算所述第四矩阵向量为预设的评价等级中每个等级的概率;
根据各个概率确定所述可靠性参数。
在一些实施例中,所述确定模块3具体用于:
计算得到每个概率对应的损失函数;
根据所述损失函数对所述神经网络模型进行优化;
根据优化后的神经网络模型和所述第一矩阵向量确定所述评价等级中每个等 级的优化后的概率;
所述根据各个概率确定所述可靠性参数包括:
根据各个优化后的概率确定所述可靠性参数。
在一些实施例中,所述确定模块3具体用于:
对所述损失函数进行求导,得到求导参数;
根据所述求导参数对所述神经网络模型进行优化。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述 的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书 中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具 体特征、结构或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此 外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施 例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的 装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘 述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通 过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元 的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个 单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到 多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明 实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可 以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上 述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本 质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件 产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用 以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发 明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、 只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
还应理解,在本发明各实施例中,上述各过程的序号的大小并不意味着执行顺 序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例 的实施过程构成任何限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修 改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保 护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基站的可靠性评估方法,其特征在于,所述方法包括:
采集用于评价基站可靠性的评价指标;
将评价指标转换为第一矩阵向量;
根据所述第一矩阵向量和预设的神经网络模型确定所述基站的可靠性参数。
2.根据权利要求1所述的方法,其特征在于,
所述评价指标包括:至少一个一级指标和属于所述至少一个一级指标的至少一个二级指标。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述第一矩阵向量和预设的神经网络模型确定所述基站的可靠性参数,包括:
计算所述第一矩阵向量与预设的卷积滤波器算子的卷积,得到第二矩阵向量;
根据所述第二矩阵向量和预设的池化层得到第三矩阵向量;
由预设的全连接层的卷积函数对所述第三矩阵向量进行卷积处理,得到第四矩阵向量;
分别计算所述第四矩阵向量为预设的评价等级中每个等级的概率;
根据各个所述概率确定所述可靠性参数。
4.根据权利要求3所述的方法,其特征在于,在所述分别计算所述第四矩阵向量为预设的评价等级中每个等级的概率之后,所述方法还包括:
计算每个所述概率对应的损失函数;
根据所述损失函数对所述神经网络模型进行优化;
根据优化后的神经网络模型和所述第一矩阵向量确定所述评价等级中每个等级的优化后的概率;
所述根据各个所述概率确定所述可靠性参数包括:
根据各个优化后的概率确定所述可靠性参数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述损失函数对所述神经网络模型进行优化,包括:
对所述损失函数进行求导,得到求导参数;
根据所述求导参数对所述神经网络模型进行优化。
6.一种基站的可靠性评估系统,其特征在于,所述系统包括:
采集模块,用于采集用于评价基站可靠性的评价指标;
转换模块,用于将评价指标转换为第一矩阵向量;
确定模块,用于根据所述第一矩阵向量和预设的神经网络模型确定所述基站的可靠性参数。
7.根据权利要求6所述的系统,其特征在于,
所述评价指标包括:至少一个一级指标和属于所述至少一个一级指标的二级指标。
8.根据权利要求6或7所述的系统,其特征在于,所述确定模块具体用于:
计算所述第一矩阵向量与预设的卷积滤波器算子的卷积,得到第二矩阵向量;
根据所述第二矩阵向量和预设的池化层得到第三矩阵向量;
由预设的全连接层的卷积函数对所述第三矩阵向量进行卷积处理,得到第四矩阵向量;
分别计算所述第四矩阵向量为预设的评价等级中每个等级的概率;
根据各个所述概率确定所述可靠性参数。
9.根据权利要求8所述的系统,其特征在于,所述确定模块具体用于:
计算得到每个所述概率对应的损失函数;
根据所述损失函数对所述神经网络模型进行优化;
根据优化后的神经网络模型和所述第一矩阵向量确定所述评价等级中每个等级的优化后的概率;
所述根据各个所述概率确定所述可靠性参数包括:
根据各个优化后的概率确定所述可靠性参数。
10.根据权利要求9所述的系统,其特征在于,所述确定模块具体用于:
对所述损失函数进行求导,得到求导参数;
根据所述求导参数对所述神经网络模型进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621783.8A CN110475258B (zh) | 2019-07-10 | 2019-07-10 | 一种基站的可靠性评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621783.8A CN110475258B (zh) | 2019-07-10 | 2019-07-10 | 一种基站的可靠性评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110475258A true CN110475258A (zh) | 2019-11-19 |
CN110475258B CN110475258B (zh) | 2022-09-23 |
Family
ID=68507245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910621783.8A Active CN110475258B (zh) | 2019-07-10 | 2019-07-10 | 一种基站的可靠性评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110475258B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255924A (zh) * | 2020-11-25 | 2021-08-13 | 中兴通讯股份有限公司 | 联邦学习参与者选择方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105207220A (zh) * | 2015-09-02 | 2015-12-30 | 山东大学 | 一种基于渐进学习的分级电压调控方法 |
CN106600130A (zh) * | 2016-12-07 | 2017-04-26 | 国网重庆市电力公司电力科学研究院 | 基于模糊神经网络模型的独立微网安全性分析方法 |
CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
CN109934447A (zh) * | 2018-10-31 | 2019-06-25 | 国网安徽省电力有限公司宿州供电公司 | 一种智能变电站二次设备效能的模糊综合评估方法 |
-
2019
- 2019-07-10 CN CN201910621783.8A patent/CN110475258B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105207220A (zh) * | 2015-09-02 | 2015-12-30 | 山东大学 | 一种基于渐进学习的分级电压调控方法 |
CN106600130A (zh) * | 2016-12-07 | 2017-04-26 | 国网重庆市电力公司电力科学研究院 | 基于模糊神经网络模型的独立微网安全性分析方法 |
CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
CN109934447A (zh) * | 2018-10-31 | 2019-06-25 | 国网安徽省电力有限公司宿州供电公司 | 一种智能变电站二次设备效能的模糊综合评估方法 |
Non-Patent Citations (1)
Title |
---|
李建平,王晓凯: "基于模糊神经网络的无线传感器网络可靠性评估", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255924A (zh) * | 2020-11-25 | 2021-08-13 | 中兴通讯股份有限公司 | 联邦学习参与者选择方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110475258B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eshratifar et al. | Energy and performance efficient computation offloading for deep neural networks in a mobile cloud computing environment | |
CN106503656A (zh) | 一种图像分类方法、装置和计算设备 | |
CN109754359A (zh) | 一种应用于卷积神经网络的池化处理的方法及系统 | |
CN110287332B (zh) | 云环境下仿真模型选择方法与装置 | |
CN109785959A (zh) | 一种疾病编码方法和装置 | |
CN108197087A (zh) | 字符编码识别方法及装置 | |
CN103942253B (zh) | 一种负载均衡的空间数据处理系统 | |
CN106709503A (zh) | 一种基于密度的大型空间数据聚类算法k‑dbscan | |
CN110969172A (zh) | 一种文本的分类方法以及相关设备 | |
CN115577858A (zh) | 基于区块链的碳排放量预测方法、装置及电子设备 | |
CN111783830A (zh) | 基于oct的视网膜分类方法、装置、计算机设备及存储介质 | |
CN110929218A (zh) | 一种差异最小化随机分组方法及系统 | |
KR102189811B1 (ko) | 멀티 홉 이웃을 이용한 컨볼루션 학습 기반의 지식 그래프 완성 방법 및 장치 | |
CN111260419A (zh) | 获取用户属性的方法、装置、计算机设备和存储介质 | |
CN110475258A (zh) | 一种基站的可靠性评估方法和系统 | |
CN112819157B (zh) | 神经网络训练的方法及装置、智能行驶控制的方法及装置 | |
CN107292320A (zh) | 系统及其指标优化方法及装置 | |
CN104899232B (zh) | 协同聚类的方法和设备 | |
CN112862545A (zh) | 特征数据的处理方法以及电子设备 | |
CN116842447A (zh) | 分类数据的后处理方法、装置、系统和电子装置 | |
Barhum | Tight bounds for the advice complexity of the online minimum steiner tree problem | |
CN115545085A (zh) | 微弱故障电流的故障类型识别方法、装置、设备和介质 | |
WO2016122636A1 (en) | Updates to a prediction model using statistical analysis groups | |
CN114021699A (zh) | 一种基于梯度的卷积神经网络剪枝方法及装置 | |
CN111126617B (zh) | 一种选择融合模型权重参数的方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |