CN110533054A - 一种多模态自适应机器学习方法及装置 - Google Patents

一种多模态自适应机器学习方法及装置 Download PDF

Info

Publication number
CN110533054A
CN110533054A CN201810515427.3A CN201810515427A CN110533054A CN 110533054 A CN110533054 A CN 110533054A CN 201810515427 A CN201810515427 A CN 201810515427A CN 110533054 A CN110533054 A CN 110533054A
Authority
CN
China
Prior art keywords
machine learning
learning model
relevant machine
working memory
long
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
Application number
CN201810515427.3A
Other languages
English (en)
Other versions
CN110533054B (zh
Inventor
尚宇炜
刘伟
苏剑
周莉梅
韦涛
盛万兴
赵丽娟
赵东方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201810515427.3A priority Critical patent/CN110533054B/zh
Publication of CN110533054A publication Critical patent/CN110533054A/zh
Application granted granted Critical
Publication of CN110533054B publication Critical patent/CN110533054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种多模态自适应机器学习方法及系统，所述方法包括：获取待求解对象及待求解对象的训练数据；若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，本发明提供的技术方案，可以保证待求解对象的安全可行性并不断提高待求解对象精度与性能。

Description

一种多模态自适应机器学习方法及装置
技术领域
本发明涉及机器学习领域，具体涉及一种多模态自适应机器学习方法及装置。
背景技术
机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，对经济和社会的发展创造了巨大价值。
以机器学习为重要支柱的人工智能技术在诸多场景中正展现着强大的性能，国内外在电网调度、功率预测、健康诊断以及风险评估等领域做了多项研究。
然而，现有研究均为针对某一类具体问题，以满足单一任务为目标，对随机、开放、多变的环境适应性、扩展性以及兼容性较差，现有的机器学习模式过于依赖数据，不能有效的将数据、环境以及领域知识经验综合利用，极大的限制了机器学习的智能化水平。
发明内容
本发明提供一种多模态自适应机器学习方法及装置，其目的是通过引导学习、深度学习与强化学习的融合，提升多模态自适应机器学习系统对数据感知和动作决策的准确性，极大的提升多模态自适应机器学习系统的安全性、鲁棒性以及灵活性，保证待求解对象的安全可行，提高待求解对象的精度与性能。
本发明的目的是采用下述技术方案实现的：
一种多模态自适应机器学习方法，其改进之处在于，包括：
获取待求解对象及其待求解对象的训练数据；
若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；
若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象。
优选的，所述将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，包括：
调用长时记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
优选的，所述若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，包括：
根据待求解对象的训练数据，首先利用知识驱动学习算法构建所述待求解对象的安全可行域，然后利用数据驱动学习算法提升所述待求解对象的性能精度，获取所述待求解对象相关的机器学习模型。
优选的，所述将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，包括：
调用工作记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
优选的，所述若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象之后，包括：
若所述待求解对象的求解结果与实际值相比，误差不超过a％，则将工作记忆中构建的所述待求解对象相关的机器学习模型加入长时记忆中，其中，a为实数。
一种多模态自适应机器学习系统，其改进之处在于，包括：
感知单元，用于获取待求解对象及其待求解对象的训练数据；
第一工作记忆单元，用于若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；
第二工作记忆单元，用于若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象。
优选的，所述第一工作记忆单元，用于：
调用长时记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
优选的，所述第二工作记忆单元，用于：
根据待求解对象的训练数据，首先利用知识驱动学习算法构建所述待求解对象的安全可行域，然后利用数据驱动学习算法提升所述待求解对象的性能精度，获取所述待求解对象相关的机器学习模型。
优选的，所述第二工作记忆单元，用于：
调用工作记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
优选的，所述第二工作记忆单元之后，包括：
判断单元，用于若所述待求解对象的求解结果与实际值相比，误差不超过a％，则将工作记忆中构建的所述待求解对象相关的机器学习模型加入长时记忆中，其中，a为实数。
本发明的有益效果：
本发明提供的技术方案，获取待求解对象及其待求解对象的训练数据；若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，基于本发明的提供的技术方案，通过数据驱动学习算法与知识驱动学习算法相结合的方式，可以提升多模态自适应机器学习系统对数据感知和动作决策的准确性，极大的提升多模态自适应机器学习系统的安全性、鲁棒性以及灵活性，可以保证待求解对象的安全可行性，提高待求解对象的精度与性能。
附图说明
图1是本发明一种多模态自适应机器学习方法的流程图；
图2是本发明一种多模态自适应机器学习系统的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供的一种多模态自适应机器学习方法，如图1所示，包括：
101.获取待求解对象及其待求解对象的训练数据；
102.若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；
103.若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象。
例如：配电网综合健康诊断是开放动态的环境中包含多维输入特征的非线性多分类问题。
具体的，所述步骤101，获取PMS、DA等系统的基础输入数据及其待求解对象——配电网综合健康诊断。
再例如：对于解决配电网调度问题，所述步骤102，获取配电网调度数据等输入数据以及待求解对象——配电网调度决策。
获取待求解对象及其待求解对象的训练数据之后，需判断长时记忆中是否存在待求解对象相关的机器学习模型，若存在，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，因此，所述步骤102，包括：
调用长时记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
所述知识驱动学习模型包括贝叶斯学习和引导学习等算法类型，其目的是保证求解的值是否符合安全可行性边界；所述数据驱动学习模型包括深度学习、强化学习、线性回归以及决策向量积SVM等算法类型，其目的是保证求解对象对应的性能达标。
例如：长时记忆中存在PMS、DA等系统的基础输入数据相关的机器学习模型，则直接调用长时记忆中的所述PMS、DA等系统的基础输入数据相关的机器学习模型，将知识驱动学习算法和数据驱动学习算法融合，利用迁移学习的方法确定配电网综合健康诊断对应的数据集。
再例如：长时记忆中存在配电网调度数据相关的机器学习模型，直接调用长时记忆中的所述配电网调度数据相关的机器学习模型，将知识驱动学习算法和数据驱动学习算法融合，利用迁移学习的方法借助强化学习的贪心策略选择最可靠、能获得最大奖励的调度决策。
随着数据的不断丰富，长时记忆中的知识将逐渐增多，为了实现快速有效的知识搜索，建立相应的索引库，其中包括知识图谱和知识表单两种索引形式。知识图谱用于表达实体、概念及关系的语义网络，知识表单用于存储数据形式的信息。
若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，因此，所述步骤103，包括：
根据待求解对象的训练数据，首先利用知识驱动学习算法构建所述待求解对象的安全可行域，然后利用数据驱动学习算法提升所述待求解对象的性能精度，获取所述待求解对象相关的机器学习模型。
例如：长时记忆中不存在PMS、DA等系统的基础输入数据相关的机器学习模型，则需要根据PMS、DA等系统的基础输入数据，利用知识驱动学习算法构建所述待求解对象的安全可行域，然后利用数据驱动学习算法提升所述待求解对象的性能精度，获取所述待求解对象相关的机器学习模型。
再例如：长时记忆中不存在配电网调度数据相关的机器学习模型，则需要根据配电网调度数据，利用知识驱动学习算法构建所述待求解对象的安全可行域，然后利用数据驱动学习算法提升所述待求解对象的性能精度，获取所述待求解对象相关的机器学习模型。
所述将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，包括：
调用工作记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
例如：调用工作记忆中相关的深度神经网络模型对所述PMS、DA等系统的基础输入数据进行训练，用相关的知识经验判断经过机器学习模型中的知识驱动学习模型训练输出的值是否与领域的相关知识冲突，若是，则优化所述工作记忆中多模态控制的PMS、DA等系统的基础输入数据相关的机器学习模型中的知识驱动学习模型，若否，则继续调用数据驱动学习模型进行深度训练，判断配电网综合健康诊断对应的值是否满足性能标准，若是，则根据相应的输出结果诊断配电网的健康状态，做出相应的执行策略。
再例如：调用工作记忆中相关的机器学习模型对所述配电网调度数据进行训练，用相关的知识经验判断经过机器学习模型中的知识驱动学习模型训练输出的值是否与领域的相关知识冲突，若是，则优化所述工作记忆中配电网调度数据相关的机器学习模型中的知识驱动学习模型，若否，则继续调用数据驱动学习模型进行深度训练，判断配电网调度数据对应的值是否满足性能标准，若是，则根据相应的输出结果做出相应的调度决策。
所述若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象之后，包括：
若所述待求解对象的求解结果与实际值相比，误差不超过a％，则将工作记忆中构建的所述待求解对象相关的机器学习模型加入长时记忆中，其中，a为实数。
一种多模态自适应机器学习系统，如图2所示，包括：
感知单元，用于获取待求解对象及其待求解对象的训练数据；
第一工作记忆单元，用于若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；
第二工作记忆单元，用于若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象。
所述第一工作记忆单元，用于：
调用长时记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
所述第二工作记忆单元，用于：
根据待求解对象的训练数据，首先利用知识驱动学习算法构建所述待求解对象的安全可行域，然后利用数据驱动学习算法提升所述待求解对象的性能精度，获取所述待求解对象相关的机器学习模型。
所述第二工作记忆单元，用于：
调用工作记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
所述第二工作记忆单元之后，包括：
判断单元，用于若所述待求解对象的求解结果与实际值相比，误差不超过a％，则将工作记忆中构建的所述待求解对象相关的机器学习模型加入长时记忆中，其中，a为实数。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种多模态自适应机器学习方法，其特征在于，所述方法包括：
获取待求解对象及待求解对象的训练数据；
若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；
若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象。
2.如权利要求1所述的方法，其特征在于，所述将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，包括：
调用长时记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
3.如权利要求1所述的方法，其特征在于，所述若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，包括：
根据待求解对象的训练数据，利用知识驱动学习算法构建所述待求解对象的安全可行域，利用数据驱动学习算法构建所述待求解对象的性能标准，获取所述待求解对象相关的机器学习模型。
4.如权利要求1所述方法，其特征在于，所述将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象，包括：
调用工作记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
5.如权利要求1所述的方法，其特征在于，所述若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象之后，包括：
若所述待求解对象的求解结果与实际值相比，误差不超过a％，则将工作记忆中构建的所述待求解对象相关的机器学习模型加入长时记忆中，其中，a为实数。
6.一种多模态自适应机器学习系统，其特征在于，所述系统包括：
感知单元，用于获取待求解对象及其待求解对象的训练数据；
第一工作记忆单元，用于若所述待求解对象在长时记忆中存在相关的机器学习模型，则根据所述待求解对象的训练数据，将长时记忆中的所述待求解对象相关的机器学习模型应用于求解所述待求解对象；
第二工作记忆单元，用于若所述待求解对象在长时记忆中不存在相关的机器学习模型，则根据所述待求解对象的训练数据，在工作记忆中构建所述待求解对象相关的机器学习模型，并将工作记忆中构建的所述待求解对象相关的机器学习模型应用于求解所述待求解对象。
7.如权利要求6所述的系统，其特征在于，所述第一工作记忆单元，用于：
调用长时记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
8.如权利要求6所述的系统，其特征在于，所述第二工作记忆单元，用于：
根据待求解对象的训练数据，首先利用知识驱动学习算法构建所述待求解对象的安全可行域，然后利用数据驱动学习算法提升所述待求解对象的性能精度，获取所述待求解对象相关的机器学习模型。
9.如权利要求6所述系统，其特征在于，所述第二工作记忆单元，用于：
调用工作记忆中所述待求解对象相关的机器学习模型中的知识驱动学习算法和数据驱动学习算法，确定所述待求解对象的求解结果。
10.如权利要求6所述的系统，其特征在于，所述第二工作记忆单元之后，包括：
判断单元，用于若所述待求解对象的求解结果与实际值相比，误差不超过a％，则将工作记忆中构建的所述待求解对象相关的机器学习模型加入长时记忆中，其中，a为实数。
CN201810515427.3A 2018-05-25 2018-05-25 一种多模态自适应机器学习方法及装置 Active CN110533054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810515427.3A CN110533054B (zh) 2018-05-25 2018-05-25 一种多模态自适应机器学习方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810515427.3A CN110533054B (zh) 2018-05-25 2018-05-25 一种多模态自适应机器学习方法及装置

Publications (2)

Publication Number Publication Date
CN110533054A true CN110533054A (zh) 2019-12-03
CN110533054B CN110533054B (zh) 2024-02-06

Family

ID=68656820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810515427.3A Active CN110533054B (zh) 2018-05-25 2018-05-25 一种多模态自适应机器学习方法及装置

Country Status (1)

Country Link
CN (1) CN110533054B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036565A (zh) * 2020-09-04 2020-12-04 北京中科心研科技有限公司 一种数字工作记忆广度的自适应训练方法及装置
CN113947320A (zh) * 2021-10-25 2022-01-18 国网天津市电力公司电力科学研究院 一种基于多模态强化学习的电网调控方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324747A1 (en) * 2013-04-30 2014-10-30 Raytheon Company Artificial continuously recombinant neural fiber network
US20160140452A1 (en) * 2014-11-17 2016-05-19 Optimitive S.L.U. Methods and systems using a composition of autonomous self-learning software components for performing complex real time data-processing tasks
CN105955709A (zh) * 2016-04-16 2016-09-21 浙江大学 基于机器学习的预取能效优化自适应装置及方法
CN106096729A (zh) * 2016-06-06 2016-11-09 天津科技大学 一种面向大规模环境中复杂任务的深度策略学习方法
CN107679580A (zh) * 2017-10-21 2018-02-09 桂林电子科技大学 一种基于多模态深度潜在关联的异构迁移图像情感极性分析方法
CN107766888A (zh) * 2017-10-24 2018-03-06 众安信息技术服务有限公司 数据处理方法和装置
CN107862384A (zh) * 2017-11-16 2018-03-30 国家电网公司 一种配电网负荷分类模型的建立方法
CN108021028A (zh) * 2017-12-22 2018-05-11 重庆邮电大学 一种基于相关冗余变换与增强学习的多维度协同控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324747A1 (en) * 2013-04-30 2014-10-30 Raytheon Company Artificial continuously recombinant neural fiber network
US20160140452A1 (en) * 2014-11-17 2016-05-19 Optimitive S.L.U. Methods and systems using a composition of autonomous self-learning software components for performing complex real time data-processing tasks
CN105955709A (zh) * 2016-04-16 2016-09-21 浙江大学 基于机器学习的预取能效优化自适应装置及方法
CN106096729A (zh) * 2016-06-06 2016-11-09 天津科技大学 一种面向大规模环境中复杂任务的深度策略学习方法
CN107679580A (zh) * 2017-10-21 2018-02-09 桂林电子科技大学 一种基于多模态深度潜在关联的异构迁移图像情感极性分析方法
CN107766888A (zh) * 2017-10-24 2018-03-06 众安信息技术服务有限公司 数据处理方法和装置
CN107862384A (zh) * 2017-11-16 2018-03-30 国家电网公司 一种配电网负荷分类模型的建立方法
CN108021028A (zh) * 2017-12-22 2018-05-11 重庆邮电大学 一种基于相关冗余变换与增强学习的多维度协同控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036565A (zh) * 2020-09-04 2020-12-04 北京中科心研科技有限公司 一种数字工作记忆广度的自适应训练方法及装置
CN112036565B (zh) * 2020-09-04 2023-03-14 北京中科心研科技有限公司 一种数字工作记忆广度的自适应训练方法及装置
CN113947320A (zh) * 2021-10-25 2022-01-18 国网天津市电力公司电力科学研究院 一种基于多模态强化学习的电网调控方法
CN113947320B (zh) * 2021-10-25 2024-05-28 国网天津市电力公司电力科学研究院 一种基于多模态强化学习的电网调控方法

Also Published As

Publication number Publication date
CN110533054B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN107016175B (zh) 适用神经网络处理器的自动化设计方法、装置及优化方法
Bordini et al. Agent programming in the cognitive era
Wen et al. Correct-by-synthesis reinforcement learning with temporal logic constraints
WO2020040763A1 (en) Real-time production scheduling with deep reinforcement learning and monte carlo tree search
JP7398761B2 (ja) 短期時系列予測に向けた予期的学習方法及びシステム
CN105550746A (zh) 机器学习模型的训练方法和训练装置
CN107544960B (zh) 一种基于变量绑定和关系激活的自动问答方法
US20230289149A1 (en) System and method for using a graphical user interface to develop a virtual programmable logic controller
CN112163715A (zh) 生成式对抗网络的训练方法及装置、电力负荷预测方法
CN110533054A (zh) 一种多模态自适应机器学习方法及装置
Peng et al. An adaptive deep learning model for smart home autonomous system
CN116643877A (zh) 算力资源调度方法、算力资源调度模型的训练方法和系统
JP6947029B2 (ja) 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム
KR101855360B1 (ko) 신경망의 학습 최적화를 위한 신경망 구성 방법 및 장치
Krishnamoorthy et al. Deep learning techniques and optimization strategies in big data analytics: automated transfer learning of convolutional neural networks using Enas algorithm
Alelaimat et al. XPlaM: A toolkit for automating the acquisition of BDI agent-based Digital Twins of organizations
CN115528750A (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
Alidoust AGI Brain: a learning and decision making framework for artificial general intelligence systems based on modern control theory
Wang A Business Management Resource‐Scheduling Method based on Deep Learning Algorithm
Karakiewicz Interventions in Complex Urban Systems: How to Enable Modeling to Account for Disruptive Innovation
Bai et al. Concurrent hierarchical reinforcement learning for robocup keepaway
KR20210115832A (ko) 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치
Wang et al. Graph Neural Networks Enhanced Smart Contract Vulnerability Detection of Educational Blockchain
Wan et al. Extending the BDI Model with Q-learning in Uncertain Environment
Xue et al. Intelligent task scheduling strategy for cloud robot based on parallel reinforcement learning

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