CN110599065A - 基于指针神经网络的多星应急任务规划方法及系统 - Google Patents
基于指针神经网络的多星应急任务规划方法及系统 Download PDFInfo
- Publication number
- CN110599065A CN110599065A CN201910898328.2A CN201910898328A CN110599065A CN 110599065 A CN110599065 A CN 110599065A CN 201910898328 A CN201910898328 A CN 201910898328A CN 110599065 A CN110599065 A CN 110599065A
- Authority
- CN
- China
- Prior art keywords
- satellite
- task
- vector
- pointer
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明实施方式提供一种基于指针神经网络的多星应急任务规划方法及系统,属于卫星的应急任务规划技术领域。该基于指针神经网络的多星应急任务规划方法及系统只通过从多颗卫星的任务需求数据集中随机抽取任务数据集,采用该任务数据集对卫星指针式神经网络和任务指针神经网络进行训练,以较小的数据集训练指针式神经网络,降低了对系统资源的占用;另一方面,采用训练好的指针神经网络对卫星的任务需求进行规划,能够自主发现应急任务规划过程中的启发式规则,降低了整体方法对于人工设计的启发式规则的依赖,可以有效地提高卫星的应急任务规划方法的应急响应能力和泛化能力。
Description
技术领域
本发明涉及卫星的应急任务规划技术领域,具体地涉及一种基于指针神经网络的多星应急任务规划方法及系统。
背景技术
成像卫星是获取地地面图像信息的重要手段,具有重要的战略价值和广泛的应用需求。卫星应急任务规划技术居于成像卫星任务管控平台的中枢位置,主要负责解决资源争用和任务冲突问题,优化卫星的使用效益,面向当前卫星资源有限、成像需求繁多、快速响应性强的现状,更具重要意义。
卫星应急任务规划问题是一类高复杂性、高时效性的组合优化问题。传统精确求解算法虽然能够求得问题的精确解,但存在算法复杂度高、占用的系统资源多、求解时间长等的技术问题。当前解决卫星应急任务规划问题常用启发式算法和智能算法,如遗传算法、紧急搜索算法和模拟退火算法等。该类算法虽然能够求得问题近似解,具有良好的求解时间,但算法稳定性较差,易陷入局部最优解、对设计的启发式规则较为依赖,方法泛化能力较差,规划结果需要人工二次调整。
发明内容
本发明实施方式的目的是提供一种基于指针神经网络的多星应急任务规划方法及系统,该应急任务规划方法及系统可以提高生成多颗卫星的应急任务规划方案的速度和准确性。
为了实现上述目的,本发明实施方式提供一种基于指针神经网络的多星应急任务规划方法,所述应急任务规划方法包括:
初始化指针神经网络和迭代次数,其中,所述指针神经网络包括卫星指针神经网络和任务指针神经网络;
从多星的任务需求数据集中随机抽取以形成多条训练数据;
分别对每条所述训练数据进行预处理;
针对每条所述训练数据,分别采用LSTM网络根据所述训练数据生成每颗卫星对应的第一向量;
采用卫星指针神经网络分别针对每条所述训练数据根据所述第一向量从所述卫星的集合中选取一颗未被选取的所述卫星;
对每条所述训练数据中选取的所述卫星的时间窗数据进行嵌入处理;
针对每条所述训练数据采用任务指针神经网络根据选取的所述卫星的时间窗数据生成对应的应急任务规划方案,其中,所述应急任务规划方案包括多个应急任务规划子方案,每个所述应急任务规划子方案包括所述任务指针神经网络针对一条所述训练数据选取的所述卫星的生成结果;
计算选取的所述卫星的应急任务规划方案的收益;
判断所述集合中是否存在未被选取的所述卫星;
在判断所述集合中存在未被选取的所述卫星的情况下,再次采用卫星指针神经网络分别针对每条所述训练数据根据所述第一向量从所述卫星的集合中选取一颗未被选取的所述卫星;
在判断所述集合中不存在未被选取的所述卫星的情况下,判断迭代次数是否大于或等于预设的次数阈值;
在判断所述迭代次数小于所述次数阈值的情况下,计算所有所述收益的收益均值;
判断所述迭代次数是否为初始值;
在判断所述迭代次数为初始值的情况下,根据当前的所述收益均值采用反向梯度法更新所述LSTM神经网络、所述卫星指针神经网络和所述任务指针神经网络;
在判断所述迭代次数非初始值的情况下,计算当前的所述收益均值和上一次迭代过程中的收益均值的平滑收益,根据所述平滑收益更新所述LSTM神经网络、所述卫星指针神经网络和所述任务指针神经网络;
更新迭代次数并再次从多星的任务需求数据集中随机抽取以形成所述训练数据;
在判断所述迭代次数大于或等于所述次数阈值的情况下,采用测试集测试所述卫星指针神经网络和所述任务指针神经网络,判断生成的方案是否满足精度要求;
在判断生成的方案不满足所述精度要求的情况下,重置迭代次数并再次从多星的任务需求数据集中随机抽取以形成所述训练数据;
在判断生成的方案满足所述精度要求的情况下,接收实际的任务需求;
采用所述任务指针神经网络和所述卫星指针神经网络根据所述任务需求生成应急任务规划方案。
可选地,所述训练数据包括多个卫星的时间窗数据,每个所述时间窗数据包括多个任务,每个所述任务包括多个时间窗,分别对每条所述训练数据进行预处理包括:
向所述时间窗数据中添加虚拟任务,其中,所述虚拟任务的所有元素为0;
采用添加虚拟时间窗的方式对较短的所述任务进行填充以使得每个所述任务包括的所述时间窗的数量相同。
可选地,所述应急任务规划方案包括用于执行所述任务的时间窗序列,所述应急任务规划方法进一步包括:
根据公式(1)计算所述收益,
其中,wei_sumx为第x次选取的所述卫星的所述应急任务规划子方案的所述收益,C为所述训练数据的数量,n为所述应急任务规划子方案的所述时间窗序列的长度,Wij为所述任务的权重。
可选地,所述应急任务规划方法进一步包括:
根据公式(2)计算所述收益均值,
其中,wei_sum为所述收益均值,m为所述卫星的数量。
可选地,所述应急任务规划方法进一步包括:
根据公式(3)计算所述平滑收益,
wei=αwei_sumt-1+(1-α)wei_sumt, (3)
其中,wei为所述平滑收益,α为预设值,wei_sumt-1为上一次迭代过程中的所述收益均值,wei_sumt为当前的所述收益均值。
可选地,所述LSTM网络包括串联的多个LSTM单元,针对一颗所述卫星的时间窗数据,所述LSTM单元与所述时间窗数据的每个所述时间窗一一对应;
针对每条所述训练数据,分别采用LSTM网络根据所述训练数据生成每颗卫星对应的第一向量包括:
首个所述LSTM单元用于接收所述时间窗数据中的首个所述时间窗并生成对应的所述第二向量,位于相邻的两个所述LSTM单元之间的所述LSTM单元用于接收上一个所述LSTM单元生成的所述第二向量和对应的所述时间窗并生成对应的所述第二向量,最后一个所述LSTM单元用于接收上一个所述LSTM单元生成的所述第二向量和对应的所述时间窗并生成所述卫星的所述第一向量。
可选地,所述卫星指针神经网络包括第一编码单元、第一解码单元和卫星指针注意力机制,所述第一编码单元顺次连接,所述第一解码单元顺次连接;
采用卫星指针神经网络分别针对每条所述训练数据根据所述第一向量从所述卫星的集合中选取一颗未被选取的所述卫星包括:
针对每条所述训练数据,每个所述第一编码单元顺次接收所述第一向量,首个所述第一编码单元用于接收对应的所述第一向量并生成对应的第一编码向量,位于相邻的两个所述第一编码单元之间的所述第一编码单元用于接收上一个所述第一编码单元生成的所述第一编码向量和对应的所述第一向量并生成对应的所述第一编码向量,最后一个所述第一编码单元用于接收上一个所述第一编码单元生成的所述第一编码向量和对应的所述第一向量并生成最终的所述第一编码向量;
所述第一解码单元顺次连接,首个所述第一解码单元用于接收最终的所述第一编码向量和所述卫星指针神经网络的第一初始化输入并生成对应的第一解码向量;
所述卫星指针注意力机制用于接收所述第一解码向量和所有的所述第一向量,根据所述第一解码向量和所述第一向量生成所述卫星的概率分布,并根据卫星的概率分布从所述卫星的集合中选取一个未被选取过的卫星;
非首个所述第一解码单元用于接收所述上一个所述第一解码单元的所述第一解码向量和所述卫星指针注意力机制发送的选取的结果,根据所述第一解码向量和所述选取的结果生成对应的所述第一解码向量。
可选地,所述任务指针神经网络包括任务数据嵌入模块、第二编码单元、第二解码单元和任务指针注意力机制,所述第二编码单元顺次连接,所述第二解码单元顺次连接;
对每条所述训练数据中选取的所述卫星的时间窗数据进行嵌入处理包括:
所述任务数据嵌入模块接收选取的所述卫星的时间窗数据,根据所述时间窗数据生成嵌入向量;
对每条所述训练数据采用任务指针神经网络根据选取的所述卫星的时间窗数据生成对应的应急任务规划方案包括:
针对每个所述卫星,每个所述第二编码单元顺次接收所述任务数据嵌入模块发送的一个时间窗;
首个所述第二编码单元用于接收选取的所述卫星的所述时间窗数据中的第一个所述时间窗,根据第一个所述时间窗生成对应的第二编码向量;
连接在相邻的两个所述第二编码单元之间的所述第二编码单元用于接收上一个所述第二编码单元生成的所述第二编码向量和所述任务数据嵌入模块发送的对应次序的时间窗并生成对应的所述第二编码向量;
最后一个所述第二编码单元用于接收上一个所述第二编码单元生成的所述第二编码向量和所述任务数据嵌入模块发送的对应的所述时间窗并生成最终的所述第二编码向量;
所述第二解码单元顺次连接,首个所述第二解码单元用于接收最终的所述第二编码向量和所述任务指针神经网络的第二初始化输入并生成对应的第二解码向量;
所述任务指针注意力机制用于接收所述第二解码单元发送的所述第二解码向量和所有的所述嵌入向量,根据所述第二解码向量和所述嵌入向量生成所述时间窗的概率分布,根据所述时间窗的概率分布确定所述任务的时间窗,根据预设的约束条件和所述时间窗对剩余的每个所述时间窗进行筛选,删除不满足所述约束条件的时间窗,输出所述时间窗并向下一个所述第二解码单元发送所述时间窗对应的嵌入向量;
非首个所述第二解码单元用于接收上一个所述第二解码单元的所述第二解码向量和所述任务指针注意力机制发送的所述嵌入向量,根据所述第二解码向量和所述嵌入向量生成对应的所述第二解码向量。
另一方面,本发明还提供一种基于指针神经网络的多星应急任务规划系统,所述应急任务规划系统包括处理器,所述处理器用于执行上述任一所述的应急任务规划方法。
再一方面,本发明还提供一种存储介质,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行上述任一所述的应急任务规划方法。
通过上述技术方案,本发明提供的基于指针神经网络的多星应急任务规划方法、系统及存储介质只通过从多颗卫星的任务需求数据集中随机抽取任务数据集,采用该任务数据集对卫星指针式神经网络和任务指针神经网络进行训练,以较小的数据集训练指针神经网络,降低了对系统资源的占用;另一方面,采用训练好的指针式神经网络对卫星的任务需求进行规划,能够自主发现应急任务规划过程中的启发式规则,降低了整体方法对于人工设计的启发式规则的依赖,可以有效地提高卫星的应急任务规划方法的泛化能力。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是根据本发明的一个实施方式的基于指针神经网络的多星应急任务规划方法的流程图;
图2是根据本发明的一个实施方式的LSTM网络的结构框图;以及
图3是根据本发明的一个实施方式的卫星指针神经网络和任务指针神经网络的结构框图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
在本发明实施方式中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外,若本发明实施方式中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的基于指针神经网络的多星应急任务规划方法的流程图。在图1中,该方法可以包括:
在步骤S110中,初始化指针神经网络和迭代次数。在该实施方式中,由于需要分别考虑多颗卫星和应急任务规划的问题,因此该指针神经网络可以包括卫星指针神经网络和任务指针神经网络。对于该迭代次数,可以是本领域人员所知的多种初始化方式,例如将该迭代次数初始化为0或者1的初始值。
在步骤S120中,从多星的任务需求数据集中随机抽取以形成多条训练数据。由于现有技术中多星的任务需求数据集极其庞大,如果直接以这样的任务需求数据集对指针神经网络进行训练,虽然可以得到符合要求的指针神经网络,但是这样的训练过程会占用大量的系统资源,使得训练的效率低下,难以满足现有技术中的硬件要求。因此,在该实施方式中,从任务需求数据集中随机抽取的多条训练数据不仅可以反映整个任务需求数据集的分布变化,在训练过程中也可以大大减少系统的负担,很好地满足现有技术的硬件要求。另外,训练的速度以及效率也可以相对与传统的训练方法显著提高。对于该训练数据的具体形式,可以是本领域人员针对实际的卫星的硬件条件来制定。在本发明的一个示例中,每条训练数据可以包括多个卫星的时间窗数据,每个时间窗数据可以包括多个任务,每个任务可以包括多个时间窗。对于每个时间窗,可以是例如包括时间窗的序号、圈号、时间窗的权重、时间窗的开始时间、持续时间、存储容量以及需要耗费的卫星的能量。在该示例中,也可以采用公式(1)示出的形式来表示每个时间窗,
Winij=[Win_Id,C_Id,Wi,ST,DT,Sa,SL], (1)
其中,Winij为第i个任务的第j个时间窗,Win_Id为该时间窗的序号,C_Id为时间窗的圈号,Wi为该时间窗的权重,ST为时间窗的开始时间,DT为时间窗的结束时间,Sa为时间窗的存储容量,SL为在该时间窗内卫星执行任务需要耗费的能量。
相应的,可以采用公式(2)来表示每个任务,
[Win11,Win12,Win21,...,Winn1], (2)
在步骤S130中,分别对每条训练数据进行预处理。在该实施方式中,虽然以公式(1)和公式(2)的形式表示每个时间窗和任务数据,可以便于将该时间窗数据应用于指针神经网络的训练中。但是,针对每个任务,由于每个任务的时间窗的数量可能不同,那么采用公式(2)的形式来表示每个任务就会导致每个任务的的序列的长度的不同,这样会影响指针神经网络的迭代运算,导致无法完成对指针神经网络的训练。因此,在该实施方式中,可以采用添加虚拟时间窗的方式来使得每个任务的序列的长度相同。对于该虚拟时间窗,可以是例如所有元素均为0的序列。
另一方面,考虑到每个应急任务规划方案(或应急任务规划子方案)中所包括的任务的数量可能不同,这样也会导致每个应急任务规划方案的长度的不同,这同样也会影响指针神经网络后续的批量训练迭代运算。那么,类似地,在该实施方式中,可以采用添加虚拟任务的方式来使得每个应急任务规划方案的长度相同。对于该虚拟任务,可以是例如包括多个虚拟时间窗并且每个虚拟时间窗中的元素均为0。
在步骤S140中,针对每条训练数据,分别采用LSTM(Long Short-Term Memory,长短期记忆)网络根据训练数据生成每颗卫星对应的第一向量。对于该LSTM网络,可以是本领域人员所知的多种具体形式。在本发明的一个示例中,该LSTM网络100可以是例如图2所示。在图2中,该LSTM网络110可以包括串联的多个LSTM单元110,针对一颗卫星的时间窗数据(训练数据),每个LSTM单元10可以与该时间窗数据的每个时间窗一一对应。
在该示例中,针对每条训练数据,该步骤S140可以具体包括:
首个LSTM单元110用于接收该时间窗数据中的首个时间窗并生成对应的第二向量,位于相邻的两个LSTM单元110之间的LSTM单元110可以用于接收上一个LSTM单元110生成的第二向量和对应的时间窗并生成对应的第二向量,最后一个LSTM单元110用于接收上一个LSTM单元110生成的第二向量和对应的时间窗并生成卫星的第一向量。
在步骤S150中,采用卫星指针神经网络分别针对每条训练数据根据第一向量从卫星的集合中选取一颗未被选取的卫星。对于该卫星指针神经网络,可以是本领域人员所知的多种具体形式。在本发明的一个示例中,该卫星指针神经网络可以是例如图3所示。在图3中,该卫星指针神经网络200可以包括第一编码单元210、第一解码单元220和卫星指针注意力机制230。该第一编码单元210顺次连接,第一解码单元220顺次连接。
基于如图3中示出的卫星指针神经网络,该步骤S150可以进一步包括:
针对每条训练数据,每个第一编码单元210顺次接收第一向量,首个第一编码单元210用于接收对应的第一向量并生成对应的第一编码向量,位于相邻的两个第一编码单元210之间的第一编码单元210用于接收上一个第一编码单元210生成的第一编码向量和对应的第一向量并生成对应的第一编码向量,最后一个第一编码单元210用于接收上一个第一编码单元210生成的第一编码向量和对应的第一向量并生成最终的第一编码向量;
首个第一解码单元220用于接收最终的第一编码向量210和卫星指针神经网络200的第一初始化输入并生成对应的第一解码向量;
卫星指针注意力机制230用于接收第一解码向量和所有的第一向量,根据第一解码向量和第一向量生成卫星的概率分布,并根据卫星的概率分布从卫星的集合中选取一个未被选取过的卫星;
非首个第一解码单元220用于接收上一个第一解码单元220的第一解码向量和卫星指针注意力机制230发送的选取的结果,根据第一解码向量和选取的结果生成对应的第一解码向量。
在步骤S160中,对选取的卫星的时间窗数据进行嵌入处理。在该实施方式中,对于该嵌入处理,可以是本领域人员所知的多种形式。在本发明的一个示例中,以图3中示出的卫星指针神经网络200和任务指针神经网络300为例,可以采用任务数据嵌入模块210接收选取的卫星的时间窗数据,并根据时间窗数据生成该嵌入向量。
在步骤S170中,采用任务指针神经网络根据选取的卫星的时间窗数据生成对应的应急任务规划方案,其中,该应急任务规划方案可以包括多个应急任务规划子方案,每个应急任务规划子方案可以包括任务指针神经网络针对一条训练数据选取的卫星的生成结果。对于该任务指针神经网络,可以是本领域人员所知的多种具体形式。在本发明的一个示例中,该任务指针神经网络300可以是例如图3中所示。在图3中,该任务指针神经网络300可以包括任务数据嵌入模块310、第二编码单元320、第二解码单元330和任务指针注意力机制340。第一编码单元320顺次连接,第二解码单元330顺次连接。在该实施方式中,以图3中示出的任务指针神经网络300为例,该步骤S170可以具体包括:
针对每个卫星,每个第二编码单元320可以顺次接收任务数据嵌入模块310发送的一个时间窗;
首个第二编码单元320用于接收选取的卫星的时间窗数据中的第一个时间窗,根据第一个时间窗生成对应的第二编码向量;
连接在相邻的两个第二编码单元320之间的第二编码单元320用于接收上一个第二编码单元320生成的第二编码向量和任务数据嵌入模块310发送的对应次序的时间窗并生成对应的第二编码向量;
最后一个第二编码单元320用于接收上一个第二编码单元320生成的第二编码向量和任务数据嵌入模块310发送的对应的时间窗并生成最终的第二编码向量;
首个第二解码单元330用于接收最终的第二编码向量和任务指针神经网络300的第二初始化输入并生成对应的第二解码向量;
任务指针注意力机制340用于接收第二解码单元330发送的第二解码向量和所有的嵌入向量,根据第二解码向量和嵌入向量生成时间窗的概率分布,根据时间窗的概率分布确定任务的时间窗,根据预设的约束条件和时间窗对剩余的每个时间窗进行筛选,删除不满足约束条件的时间窗,输出时间窗并向下一个第二解码单元330发送时间窗对应的嵌入向量;
非首个第二解码单元340用于接收上一个第二解码单元330的第二解码向量和任务指针注意力机制340发送的嵌入向量,根据第二解码向量和嵌入向量生成对应的第二解码向量。另外,对于该任务指针神经网络300结束工作的方式,可以本领域人员所知的多种。在该示例中,可以是针对每颗卫星的时间窗数据,在该任务指针神经网络300读取完该时间窗数据中的所有时间窗的情况下停止工作。
对于预设的约束条件,可以是本领域人员基于实际的条件来确定,例如考虑到同一个时间窗,同一颗卫星只能够执行一个任务,那么可以对时间窗的唯一性进行检验;又或者在该时间窗内,考虑卫星的能量不一定能够完成该任务,那么该约束也可以包括能量的检验;再或者在该时间窗内,卫星能够存储的数据的容量不一定能够满足条件,那么该约束也可以包括对时间窗的存储容量的检验。
此外,对于该第二编码单元320生成对应的第二编码向量的具体方式,可以是本领域人员所知的多种。在该示例中,也可以是根据公式(3)至公式(8)生成对应的第二编码向量,
i=σ(wiix+bii+whih+bhi), (3)
f=σ(wifx+bif+whfh+bhf), (4)
g=tanh(wigx+big+whgh+bhg), (5)
o=σ(wiox+bio+whoh+bho), (6)
c′=f*c+i*g, (7)
h′=otanh(c′), (8)
其中,i为任务指针神经网络的更新门参数,f为任务指针神经网络的遗忘门参数,g为任务指针神经网络的更新信息向量,o为任务指针神经网络的过滤门参数,c′为第二编码单元的状态向量,h′为第二编码向量,σ为sigmoid函数,x为嵌入向量,h为上一个第二编码单元的输出的编码向量,其中,第一个第二编码单元接收的第二编码向量中的所有元素为0,wii、bii、whi、bhi、wif、bif、whf、bhf、big、whg、bhg、wio、bio、who、bho为任务指针神经网络中的待优化的参数。
在步骤S180中,计算选取的卫星的应急任务规划方案的收益。在该实施方式中,计算该收益的方式可以是本领域人员所知的多种。在本发明的一个示例中,该方式可以是例如根据公式(9)计算该收益,
其中,wei_sumx为第x次选取的卫星的应急任务规划子方案的收益,C为训练数据的数量,n为应急任务规划子方案的时间窗序列的长度,Wij为任务的权重。
在步骤S190中,判断集合中是否存在未被选取的卫星。
在判断集合中存在未被选取的卫星的情况下,再次采用卫星指针神经网络分别针对每条训练数据根据第一向量从卫星的集合中选取一颗未被选取的卫星(返回执行步骤S150);
在步骤S200中,在判断集合中不存在未被选取的卫星的情况下,判断迭代次数是否大于或等于预设的次数阈值;
在步骤S210中,在判断迭代次数小于次数阈值的情况下,计算所有收益的收益均值。对于该收益均值的计算方式,可以是本领域人员所知的多种。在本发明的一个示例中,该计算方式可以是例如根据公式(10)计算该收益均值,
其中,wei_sum为收益均值,m为卫星的数量。
在步骤S220中,判断迭代次数是否为初始值。
在步骤S230中,在判断迭代次数为初始值的情况下,根据当前的收益均值采用反向梯度法更新LSTM神经网络、卫星指针神经网络和任务指针神经网络。
在步骤S240在判断迭代次数非初始值的情况下,计算当前的收益均值和上一次迭代过程中的收益均值的平滑收益,根据平滑收益更新LSTM神经网络、卫星指针神经网络和任务指针神经网络。对于该平滑收益的计算方式,可以是本领域人员所知的多种形式,在本发明的一个示例中,该计算方式可以是例如根据公式(11)计算平滑收益,
wei=αwei_sumt-1+(1-α)wei_sumt, (11)
其中,wei为平滑收益,α为预设值,wei_sumt-1为上一次迭代过程中的收益均值,wei_sumt为当前的收益均值。
在步骤S250中,更新迭代次数并再次从多星的任务需求数据集中随机抽取以形成训练数据;
在步骤S260中,在判断迭代次数大于或等于次数阈值的情况下,采用测试集测试卫星指针神经网络和任务指针神经网络,判断生成的方案是否满足精度要求;
在步骤S270中,在判断生成的方案不满足精度要求的情况下,重置迭代次数并再次从多星的任务需求数据集中随机抽取以形成训练数据;
在步骤S280中,在判断生成的方案满足精度要求的情况下,接收实际的任务需求;
在步骤S290中,采用任务指针神经网络和卫星指针神经网络根据任务需求生成应急任务规划方案。
另一方面,本发明还提供一种基于指针神经网络的多星应急任务规划系统,该应急任务规划系统可以包括处理器,该处理器可以用于执行上述任一所述的应急任务规划方法。在该实施方式中,对于该处理器,可以是包括但不限于本领域人员所知的通用处理器、专用处理器、常规处理器、数字信号处理器(DSP)、多个微处理器、与DSP核心相关联的一个或多个微处理器、控制器、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)电路、任何其它类型的集成电路(IC)、状态机、系统级芯片(SOC)等。
再一方面,本发明还提供一种存储介质,该存储介质可以存储有指令,该指令可以用于被机器读取以使得机器执行上述任一所述的应急任务规划方法。
通过上述技术方案,本发明提供的基于指针神经网络的多星应急任务规划方法、系统及存储耳机只通过从多颗卫星的任务需求数据集中随机抽取任务数据集,采用该任务数据集对卫星指针式神经网络和任务指针神经网络进行训练,以较小的数据集训练指针神经网络,降低了对系统资源的占用;另一方面,采用训练好的指针式神经网络对卫星的任务需求进行规划,能够自主发现应急任务规划过程中的启发式规则,降低了整体方法对于人工设计的启发式规则的依赖,可以有效地提高卫星的应急任务规划方法的泛化能力。
以上结合附图详细描述了本发明例的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施方式所述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-OnlyMemory)、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。
此外,本发明实施方式的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种基于指针神经网络的多星应急任务规划方法,其特征在于,所述应急任务规划方法包括:
初始化指针神经网络和迭代次数,其中,所述指针神经网络包括卫星指针神经网络和任务指针神经网络;
从多星的任务需求数据集中随机抽取以形成多条训练数据;
分别对每条所述训练数据进行预处理;
针对每条所述训练数据,分别采用LSTM网络根据所述训练数据生成每颗卫星对应的第一向量;
采用卫星指针神经网络分别针对每条所述训练数据根据所述第一向量从所述卫星的集合中选取一颗未被选取的所述卫星;
对每条所述训练数据中选取的所述卫星的时间窗数据进行嵌入处理;
针对每条所述训练数据采用任务指针神经网络根据选取的所述卫星的时间窗数据生成对应的应急任务规划方案,其中,所述应急任务规划方案包括多个应急任务规划子方案,每个所述应急任务规划子方案包括所述任务指针神经网络针对一条所述训练数据选取的所述卫星的生成结果;
计算选取的所述卫星的应急任务规划方案的收益;
判断所述集合中是否存在未被选取的所述卫星;
在判断所述集合中存在未被选取的所述卫星的情况下,再次采用卫星指针神经网络分别针对每条所述训练数据根据所述第一向量从所述卫星的集合中选取一颗未被选取的所述卫星;
在判断所述集合中不存在未被选取的所述卫星的情况下,判断迭代次数是否大于或等于预设的次数阈值;
在判断所述迭代次数小于所述次数阈值的情况下,计算所有所述收益的收益均值;
判断所述迭代次数是否为初始值;
在判断所述迭代次数为初始值的情况下,根据当前的所述收益均值采用反向梯度法更新所述LSTM神经网络、所述卫星指针神经网络和所述任务指针神经网络;
在判断所述迭代次数非初始值的情况下,计算当前的所述收益均值和上一次迭代过程中的收益均值的平滑收益,根据所述平滑收益更新所述LSTM神经网络、所述卫星指针神经网络和所述任务指针神经网络;
更新迭代次数并再次从多星的任务需求数据集中随机抽取以形成所述训练数据;
在判断所述迭代次数大于或等于所述次数阈值的情况下,采用测试集测试所述卫星指针神经网络和所述任务指针神经网络,判断生成的方案是否满足精度要求;
在判断生成的方案不满足所述精度要求的情况下,重置迭代次数并再次从多星的任务需求数据集中随机抽取以形成所述训练数据;
在判断生成的方案满足所述精度要求的情况下,接收实际的任务需求;
采用所述任务指针神经网络和所述卫星指针神经网络根据所述任务需求生成应急任务规划方案。
2.根据权利要求1所述的应急任务规划方法,其特征在于,所述训练数据包括多个卫星的时间窗数据,每个所述时间窗数据包括多个任务,每个所述任务包括多个时间窗,分别对每条所述训练数据进行预处理包括:
向所述时间窗数据中添加虚拟任务,其中,所述虚拟任务的所有元素为0;
采用添加虚拟时间窗的方式对较短的所述任务进行填充以使得每个所述任务包括的所述时间窗的数量相同。
3.根据权利要求2所述的应急任务规划方法,其特征在于,所述应急任务规划方案包括用于执行所述任务的时间窗序列,所述应急任务规划方法进一步包括:
根据公式(1)计算所述收益,
其中,wei_sumx为第x次选取的所述卫星的所述应急任务规划子方案的所述收益,C为所述训练数据的数量,n为所述应急任务规划子方案的所述时间窗序列的长度,Wij为所述任务的权重。
4.根据权利要求2所述的应急任务规划方法,其特征在于,所述应急任务规划方法进一步包括:
根据公式(2)计算所述收益均值,
其中,wei_sum为所述收益均值,m为所述卫星的数量。
5.根据权利要求2所述的应急任务规划方法,其特征在于,所述应急任务规划方法进一步包括:
根据公式(3)计算所述平滑收益,
wei=αwei_sumt-1+(1-α)wei_sumt, (3)
其中,wei为所述平滑收益,α为预设值,wei_sumt-1为上一次迭代过程中的所述收益均值,wei_sumt为当前的所述收益均值。
6.根据权利要求2所述的应急任务规划方法,其特征在于,所述LSTM网络包括串联的多个LSTM单元,针对一颗所述卫星的时间窗数据,所述LSTM单元与所述时间窗数据的每个所述时间窗一一对应;
针对每条所述训练数据,分别采用LSTM网络根据所述训练数据生成每颗卫星对应的第一向量包括:
首个所述LSTM单元用于接收所述时间窗数据中的首个所述时间窗并生成对应的所述第二向量,位于相邻的两个所述LSTM单元之间的所述LSTM单元用于接收上一个所述LSTM单元生成的所述第二向量和对应的所述时间窗并生成对应的所述第二向量,最后一个所述LSTM单元用于接收上一个所述LSTM单元生成的所述第二向量和对应的所述时间窗并生成所述卫星的所述第一向量。
7.根据权利要求2所述的应急任务规划方法,其特征在于,所述卫星指针神经网络包括第一编码单元、第一解码单元和卫星指针注意力机制,所述第一编码单元顺次连接,所述第一解码单元顺次连接;
采用卫星指针神经网络分别针对每条所述训练数据根据所述第一向量从所述卫星的集合中选取一颗未被选取的所述卫星包括:
针对每条所述训练数据,每个所述第一编码单元顺次接收所述第一向量,首个所述第一编码单元用于接收对应的所述第一向量并生成对应的第一编码向量,位于相邻的两个所述第一编码单元之间的所述第一编码单元用于接收上一个所述第一编码单元生成的所述第一编码向量和对应的所述第一向量并生成对应的所述第一编码向量,最后一个所述第一编码单元用于接收上一个所述第一编码单元生成的所述第一编码向量和对应的所述第一向量并生成最终的所述第一编码向量;
首个所述第一解码单元用于接收最终的所述第一编码向量和所述卫星指针神经网络的第一初始化输入并生成对应的第一解码向量;
所述卫星指针注意力机制用于接收所述第一解码向量和所有的所述第一向量,根据所述第一解码向量和所述第一向量生成所述卫星的概率分布,并根据卫星的概率分布从所述卫星的集合中选取一个未被选取过的卫星;
非首个所述第一解码单元用于接收所述上一个所述第一解码单元的所述第一解码向量和所述卫星指针注意力机制发送的选取的结果,根据所述第一解码向量和所述选取的结果生成对应的所述第一解码向量。
8.根据权利要求2所述的应急任务规划方法,其特征在于,所述任务指针神经网络包括任务数据嵌入模块、第二编码单元、第二解码单元和任务指针注意力机制,所述第二编码单元顺次连接,所述第二解码单元顺次连接;
对每条所述训练数据中选取的所述卫星的时间窗数据进行嵌入处理包括:
所述任务数据嵌入模块接收选取的所述卫星的时间窗数据,根据所述时间窗数据生成嵌入向量;
对每条所述训练数据采用任务指针神经网络根据选取的所述卫星的时间窗数据生成对应的应急任务规划方案包括:
针对每个所述卫星,每个所述第二编码单元顺次接收所述任务数据嵌入模块发送的一个时间窗;
首个所述第二编码单元用于接收选取的所述卫星的所述时间窗数据中的第一个所述时间窗,根据第一个所述时间窗生成对应的第二编码向量;
连接在相邻的两个所述第二编码单元之间的所述第二编码单元用于接收上一个所述第二编码单元生成的所述第二编码向量和所述任务数据嵌入模块发送的对应次序的时间窗并生成对应的所述第二编码向量;
最后一个所述第二编码单元用于接收上一个所述第二编码单元生成的所述第二编码向量和所述任务数据嵌入模块发送的对应的所述时间窗并生成最终的所述第二编码向量;
首个所述第二解码单元用于接收最终的所述第二编码向量和所述任务指针神经网络的第二初始化输入并生成对应的第二解码向量;
所述任务指针注意力机制用于接收所述第二解码单元发送的所述第二解码向量和所有的所述嵌入向量,根据所述第二解码向量和所述嵌入向量生成所述时间窗的概率分布,根据所述时间窗的概率分布确定所述任务的时间窗,根据预设的约束条件和所述时间窗对剩余的每个所述时间窗进行筛选,删除不满足所述约束条件的时间窗,输出所述时间窗并向下一个所述第二解码单元发送所述时间窗对应的嵌入向量;
非首个所述第二解码单元用于接收上一个所述第二解码单元的所述第二解码向量和所述任务指针注意力机制发送的所述嵌入向量,根据所述第二解码向量和所述嵌入向量生成对应的所述第二解码向量。
9.一种基于指针神经网络的多星应急任务规划系统,其特征在于,所述多星应急任务规划系统包括处理器,所述处理器用于执行如权利要求1至8任一所述的应急任务规划方法。
10.一种存储介质,其特征在于,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的应急任务规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898328.2A CN110599065B (zh) | 2019-09-23 | 2019-09-23 | 基于指针神经网络的多星应急任务规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898328.2A CN110599065B (zh) | 2019-09-23 | 2019-09-23 | 基于指针神经网络的多星应急任务规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599065A true CN110599065A (zh) | 2019-12-20 |
CN110599065B CN110599065B (zh) | 2022-04-22 |
Family
ID=68862338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910898328.2A Active CN110599065B (zh) | 2019-09-23 | 2019-09-23 | 基于指针神经网络的多星应急任务规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599065B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612384A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种具有时间分辨率约束的多星接力任务规划方法 |
CN113313356A (zh) * | 2021-04-30 | 2021-08-27 | 合肥工业大学 | 遥感卫星对地观测应急任务合成方法与装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200076A1 (en) * | 2016-01-13 | 2017-07-13 | Google Inc. | Processing and generating sets using recurrent neural networks |
CN108171443A (zh) * | 2018-01-22 | 2018-06-15 | 合肥工业大学 | 考虑指令上注的多星应急任务规划方法及装置 |
CN109492227A (zh) * | 2018-11-16 | 2019-03-19 | 大连理工大学 | 一种基于多头注意力机制和动态迭代的机器阅读理解方法 |
CN110119765A (zh) * | 2019-04-18 | 2019-08-13 | 浙江工业大学 | 一种基于Seq2seq框架的关键词提取方法 |
CN110147901A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 基于指针神经网络的车辆路径规划方法、系统及存储介质 |
CN110211573A (zh) * | 2019-05-28 | 2019-09-06 | 重庆邮电大学 | 一种基于神经网络模型的任务驱动型对话决策方法 |
-
2019
- 2019-09-23 CN CN201910898328.2A patent/CN110599065B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200076A1 (en) * | 2016-01-13 | 2017-07-13 | Google Inc. | Processing and generating sets using recurrent neural networks |
CN108171443A (zh) * | 2018-01-22 | 2018-06-15 | 合肥工业大学 | 考虑指令上注的多星应急任务规划方法及装置 |
CN109492227A (zh) * | 2018-11-16 | 2019-03-19 | 大连理工大学 | 一种基于多头注意力机制和动态迭代的机器阅读理解方法 |
CN110147901A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 基于指针神经网络的车辆路径规划方法、系统及存储介质 |
CN110119765A (zh) * | 2019-04-18 | 2019-08-13 | 浙江工业大学 | 一种基于Seq2seq框架的关键词提取方法 |
CN110211573A (zh) * | 2019-05-28 | 2019-09-06 | 重庆邮电大学 | 一种基于神经网络模型的任务驱动型对话决策方法 |
Non-Patent Citations (4)
Title |
---|
ALEJANDRO MOTTINI ET AL: "Deep Choice Model Using Pointer Networks for Airline Itinerary Prediction", 《THE 23RD ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING》 * |
ZHU WAIMING ET AL: "A two-phase genetic annealing method for integrated Earth observation satellite scheduling problems", 《METHODOLOGIES AND APPLICATION》 * |
孙海权 等: "虚拟星座资源组合关键技术研究", 《无线电工程》 * |
靳鹏 等: "考虑卫星指令上注的两阶段应急任务规划", 《系统工程与电子技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612384A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种具有时间分辨率约束的多星接力任务规划方法 |
CN111612384B (zh) * | 2020-06-23 | 2023-04-25 | 中国人民解放军国防科技大学 | 一种具有时间分辨率约束的多星接力任务规划方法 |
CN113313356A (zh) * | 2021-04-30 | 2021-08-27 | 合肥工业大学 | 遥感卫星对地观测应急任务合成方法与装置 |
CN113313356B (zh) * | 2021-04-30 | 2022-09-23 | 合肥工业大学 | 遥感卫星对地观测应急任务合成方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110599065B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147901B (zh) | 车辆路径规划方法、系统及存储介质 | |
CN110599065B (zh) | 基于指针神经网络的多星应急任务规划方法及系统 | |
CN112579462B (zh) | 测试用例获取方法、系统、设备及计算机可读存储介质 | |
US11210474B2 (en) | Language processing using a neural network | |
CN111476362B (zh) | 确定fl值的方法及装置 | |
CN112926789A (zh) | 卫星云图的预测方法、预测装置及可读存储介质 | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN114545459A (zh) | 基于统一逻辑表征的低轨卫星例行测控任务预处理方法 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN114781654A (zh) | 联邦迁移学习方法、装置、计算机设备及介质 | |
CN111344719A (zh) | 基于深度神经网络的数据处理方法、装置及移动设备 | |
CN113486863A (zh) | 一种表情识别方法及装置 | |
CN110619478B (zh) | 基于指针神经网络的单星应急任务规划方法及系统 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN112132261A (zh) | 一种运行在arm上的卷积神经网络字符识别方法 | |
CN108933604B (zh) | 一种变量节点处理方法及装置 | |
CN111967585B (zh) | 网络模型的处理方法及装置、电子设备和存储介质 | |
CN111143148B (zh) | 一种模型参数确定方法、装置及存储介质 | |
CN114926706A (zh) | 数据处理方法、装置及设备 | |
CN110909551B (zh) | 语言预训练模型更新方法、装置、电子设备及存储介质 | |
CN110276448B (zh) | 一种模型压缩方法及装置 | |
CN112905792A (zh) | 基于非文本场景的文本聚类方法、装置、设备及存储介质 | |
CN116611477B (zh) | 数据剪枝方法和序列模型的训练方法、装置、设备和介质 | |
CN117909765B (zh) | 一种多模态数据处理方法、电子设备和存储介质 | |
CN112396100B (zh) | 一种细粒度分类模型的优化方法、系统及相关装置 |
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 |