CN112668180A - 一种以存代算在线学习预测芯片及方法 - Google Patents
一种以存代算在线学习预测芯片及方法 Download PDFInfo
- Publication number
- CN112668180A CN112668180A CN202011579036.1A CN202011579036A CN112668180A CN 112668180 A CN112668180 A CN 112668180A CN 202011579036 A CN202011579036 A CN 202011579036A CN 112668180 A CN112668180 A CN 112668180A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- storage
- model
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000013499 data model Methods 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 239000011232 storage material Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 11
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种以存代算在线学习预测芯片及方法，通过在物联网前端利用较低的计算资源进行数据处理，从而减少数据传输和云中心计算压力，实现在前端设备进行在线学习并实时性数据更新的数据预测方案。使用以存储方式代替复杂计算的技术方式，构建存算单元阵列和单元间互连线。单元互连线连接各个存算单元，各个单元通过互连线连通协同工作解决复杂问题，存算单元内部包括：I/O访问、数据比对、误差统计、分辨聚类、任务管理、任务分发、预测收集及管理、模型输出等系统模块。本发明能够减少数据传输和云中心计算压力。
Description
技术领域
本发明涉及物联网传感网络技术领域，特别是涉及一种以存代算在线学习预测芯片及方法。
背景技术
物联网概念的成熟拉动了传感网路的普及，也推动了人工智能在物联网应用的可能；5G技术的产生加快了数据传输的效率，也拉近了人工智能的普及的速度。但同样也大幅增加了传输的数据量，物联网前端接收到传感网络及其他设备产生的数据，通过数据交换发送到物联网后端的云服务器进行数据的处理，再将数据结果和指令下发到各前端设备。这样一种传输计算模式在数据量越发增长的将来将越来越加重数据传输和云端服务器计算的压力。
再加之，人工智能算法的主体因为许多物联网前端设备本身低计算资源的限制，基本都位于后端云服务器，而前端设备进行数据的预处理工作，这种模式本身也会增大计算和传输压力，降低物联网效率。
发明内容
本发明所要解决的技术问题是提供一种以存代算在线学习预测芯片及方法，减少数据传输和云中心计算压力。
本发明解决其技术问题所采用的技术方案是：提供一种以存代算在线学习预测芯片，包括存算单元阵列，所述存算单元阵列中各存算单元通过互连线连通协同工作；所述存算单元包括：
I/O访问模块，用于接收输入当前存算单元的数据、对存储在存储器中的数据特征模型进行快速检索和调用、完成新模型的建立的保存及完成模型输出；
数据比对模块，用于将输入数据分析出的特征值和访问的数据模型的特征值进行对比；
误差统计模块，用于对所述数据比对模块的对比过程进行比对差异的统计和分析；
分辨聚类模块，用于根据输入数据的特征值将数据划分为不同的片段；
任务管理模块，用于根据所述分辨聚类模块操作，划分的不同片段创建为相应的预测任务；
任务分发模块，用于根据所述任务管理模块创建的预测任务队列，寻找空闲的存算单元作为后级节点，并向所述后级节点分发所述预测任务；
预测收集及管理模块，用于接收所述后级节点发送的处理完成的数据模型作为所述任务分发的预测结果，并根据预测结果建立当前存算单元所要预测的数据模型；
模型输出模块，用于将满足所述误差统计模块和/或所述预测收集及管理模块的数据模型进行输出。
所述协同工作是指存算单元间通过自组织方式根据预测量不同自行组织形成前后级关系；所述自组织是指各存算单元根据任务管理模块和任务分发模块，自发组织处于空闲状态的存算单元作为后级节点，组成树状结构，其中树状结构的节点为处于自组织结构中的一个存算单元。
所述存算单元包括两种状态，分别为工作状态和空闲状态；所述输入数据对不同存算单元有所不同，对处于所述空闲状态的存算单元，没有输入数据；对处于工作状态的存算单元和处于自组织树状结构的第一级存算单元，输入数据为外部传入所述预测芯片的数据，对其他存算单元，输入数据为前级存算单元经所述任务分发模块传递的数据片段。
所述误差统计模块进行比对差异的统计和分析时，当误差大于第一误差范围M时，则将输入数据发送至所述分辨聚类模块，由后级节点进行预测；当误差小于第二误差范围N时，则由自身完成预测；当误差小于第一误差范围M且大于第二误差范围N时，则对存在误差的数据发送至所述分辨聚类模块，由后级节点进行预测，对不存在误差的数据由自身完成预测。
所述数据的特征值是指识别的数据段。
所述I/O访问模块通过输入输出接口完成，所述输入输出接口包括数据输入接口、数据输出接口、预测输入接口和预测输出接口，所述数据输入接口接收所述存算单元待处理数据，所述数据输出接口根据任务管理模块和任务分发模块的指令输出该存算单元未处理的数据；所述预测输入接口接收对应从属关系后级存算单元处理完成的数据结果，所述预测输出接口进行对前一级存算单元的完成处理的数据模型结果输出，以及对总的数据预测的结果输出。
所述模型输出模块中的数据模型来源为存储的模型和/或新建立的模型和/或修正的模型。
本发明解决其技术问题所采用的技术方案是：还提供一种以存代算在线学习预测方法，采用上述的以存代算在线学习预测芯片，在数据预测时对输入数据通过比对调用存储器中的模型，同时利用根据数据变化实时修正和构建数据模型的在线学习方式，进行匹配模型输出，完成数据预测；在模型建立时通过自组织算法使用存算单元进行协同工作和对数据特征片段的分片段模型组合完成多个节点对数据模型的建立。
所述自组织算法连接形成的后级节点具有生存时间，且不对所述生存时间进行延续，当生存时间结束时该后级节点被释放；所述生存时间的延续指通过使用该后级节点功能并正确预测。
所述分片段模型是指对数据按照特征不同划分为不同数据段，针对不同数据段建立对应的数据模型。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明使用以存储方式代替复杂计算的方式，构建存算单元阵列，各个存算单元通过互连线连通协同工作解决复杂问题，从而在物联网前端利用较低的计算资源进行数据处理，以减少数据传输和云中心计算压力，实现在前端设备进行在线学习并实时性数据更新的数据预测。
附图说明
图1为本发明以存代算芯片内部结构示意图。
图2为本发明以存代算芯片内部存算单元及其接口示意图。
图3为本发明工作模式自组织结构示意图。
图4为本发明以存代算技术说明图。
图5-图8为本发明以存代算芯片工作模式实例示意图
图9为本发明以存代算技术自组织结构实时更新示意图；
图中，1——数据信号处理模块；2——总线；3——存算单元；4——芯片数据输入输出接口；5——芯片预测结果输入输出接口；6——芯片框架；7——存算单元数据输入接口；8——存算单元数据输出接口；9——存算单元预测输入接口；10——存算单元预测输出接口。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种以存代算预测技术芯片，如图1所示，所述以存代算预测技术芯片包括：存算单元、总线、数据信号处理模块。存算单元依次为第一行N00、N01...，第二行N10、N11...，第三行...；数据信号处理模块依次为第一行M00、M01、M02...，第二行M10、M11、M12...，第三行M20、M21、M22...，第四行...。
本实施方式中每个代算单元均包括：I/O访问模块，接收输入当前计算节点的数据、对存储在存储器中的数据特征模型进行快速检索和调用、完成新模型的建立的保存及完成模型输出模块；数据比对模块，在计算节点内，进行对输入数据分析出特征值和访问的数据模型的特征值对比；误差统计模块，用于对所述数据比对模块的对比过程进行比对差异的统计和分析；分辨聚类模块，用于根据输入数据的特征值将数据划分为不同的片段；任务管理模块，用于根据所述分辨聚类模块操作，划分的不同片段创建为相应的预测任务；任务分发模块，用于根据所述任务管理模块创建的预测任务队列，寻找空闲的存算单元作为后级节点，并向所述后级节点分发所述预测任务，每个存算单元的后级节点数目不限定；预测收集及管理模块，用于接收所述后级节点发送的处理完成的数据模型作为所述任务分发的预测结果，对多个后级节点的同一模型的预测结果进行对应模型的误差评估、取舍选择，建立当前存算单元所要预测的数据模型；模型输出模块，用于将满足所述误差统计模块和/或所述预测收集及管理模块的数据模型进行输出。
每一个存算单元均通过I/O访问模块连接至总线，I/O访问模块存在四个接口，如图2所示，包括数据输入接口、数据输出接口、预测输入接口以及预测输出接口。所述数据输入接口接收所述存算单元待处理数据，所述数据输出接口根据任务管理模块和任务分发模块的指令输出该存算单元未处理的数据；所述预测输入接口接收对应从属关系后级存算单元处理完成的数据结果，所述预测输出接口进行对前一级存算单元的完成处理的数据模型结果输出，以及对总的数据预测的结果输出。
所述存算单元阵列中各存算单元通过互连线连通协同工作，所述协同工作是指存算单元间通过自组织方式根据预测量不同自行组织形成前后级关系；所述自组织是指各存算单元根据任务管理模块和任务分发模块，自发组织处于空闲状态的存算单元作为后级节点，组成树状结构，其中树状结构的节点为处于自组织结构中的一个存算单元。
在建立模型及预测时，实行自组织体系模式，如图3所示，存算单元节点处理输入的数据预测时，如果能自身完成预测则独立完成；如果不能独立完成数据预测，则将不能解析的数据部分用相当于雇佣的关系指示给其他存算单元去完成，得到完成后的预测反馈结果，完成对其数据的预测；如果后一级雇佣的节点仍然不能处理得到对应数据的预测模型，则再进行雇佣存算单元作为后级节点完成预测。
以存代算技术具体工作模式如图4所示，对于图4所输入的未知数据可以视为采集到的间歇性工作得到的数据，数据在第一个节点处通过解析数据结构可以将其划分为有数据段和无数据段，将其分别传递给2、3号节点，使3号阶段解析得到无数据段的模型，2号节点解析有数据段的模型；而2号节点又可以通过以数据极点进行分上升段数据和下降段数据结构，再次传递给4、5号节点分别解析上升段数据和下降段数据等等，由此可以得到这样一支未知数据的模型结构。当此类数据再次输入已存代算芯片中进行预测工作时，1号节点会先比对是否为有无数据这种结构，然后2号节点进行比对数据是否符合建立的模型，如果满足则4、5号节点比对具体数据差异判断是否符合库中的模型以及是否需要对现有模型进行修正；如果均满足则直接输出模型作为预测结果，不满足则重新建立节点进行新模型的建立。
建立模型：对于图4所输入的未知数据可以视为采集到的间歇性工作得到的数据，
步骤S01：数据在1号节点处通过解析数据结构可以将其划分为有数据段和无数据段，将其分别传递给2、3号节点。
步骤S02：3号阶段解析得到无数据段的模型，2号节点解析有数据段的模型；而2号节点又可以通过以数据极点进行分上升段数据和下降段数据结构，再次传递给4、5号节点。
步骤S03：4、5号节点分别解析上升段数据和下降段数据等等，通过整合整个结构中节点的模型数据，由此可以得到这样一支未知数据的模型结构。
预测结果：当此类数据再次输入已存代算芯片中进行预测工作时，
步骤S11：1号节点会先比对判断是否满足有无数据这种结构，
步骤S12：2号节点进行比对数据是否符合建立的模型，
步骤S13：4、5号节点比对具体数据差异判断是否符合库中的模型以及是否需要对现有模型进行修正。
如果均满足则直接输出模型作为预测结果，不满足则重新建立节点进行新模型的建立。
下面采用4*4的功能模块阵列进行数据预测为例进一步说明本发明。
以存代算芯片具体工作方式，如图5-图8所示：
步骤S21：如图5所示，数据信号处理模块M00接收到传递至芯片的数据，M00经总线将数据编码传输给存算单元N00。
步骤S22：如图6所示，N00不能独立预测或处理输入的数据，经由数据信号处理模块M11将不同特征的数据分发给存算单元N01和N10。
步骤S23：如图7所示，N10不能独立预测或处理输入的数据，经由数据信号处理模块M21将不同特征的数据分发给存算单元N20和N21；N01不能独立预测或处理输入的数据，经由数据信号处理模块M12将不同特征的数据分发给存算单元N02、N11和N12；
步骤S24：步骤S23：如图8所示，N11、N12和N20独立完成了预测或处理输入的数据；N02不能独立预测或处理输入的数据，经由数据信号处理模块M13将不同特征的数据分发给存算单元N03和N13；N21不能独立预测或处理输入的数据，经由数据信号处理模块M32将不同特征的数据分发给存算单元N31、N22和N23；最终通过这种方式，芯片完成对输入数据的预测或模型的建立过程。
工作模式下自组织行为的实时更新，各存算单元间的连接关系存在特定的生存周期，当一定时间内没有合适的数据预测使用对应的连接关系则连接关系自行断掉，存算单元恢复独立空闲状态。假设以图5-图8建立的自组织结构完成，但后续输入数据存在一定的偏差，则需要芯片对数据进行相应的实时修正，如图9所示，相较于图8而言，N21部分以及N12部分关系发生了改变，对后续数据的预测中长期没有使用原图8所示的N21和N12存算单元的任务指示，则N12和N21及后续节点断开结构，提供资源给其他任务使用，如图9的N12经M23给N23和经M22给N21传递了数据任务。
不难发现，本发明使用以存储方式代替复杂计算的方式，构建存算单元阵列，各个存算单元通过互连线连通协同工作解决复杂问题，从而在物联网前端利用较低的计算资源进行数据处理，以减少数据传输和云中心计算压力，实现在前端设备进行在线学习并实时性数据更新的数据预测。
Claims (10)
1.一种以存代算在线学习预测芯片，其特征在于，包括存算单元阵列，所述存算单元阵列中各存算单元通过互连线连通协同工作；所述存算单元包括：
I/O访问模块，用于接收输入当前存算单元的数据、对存储在存储器中的数据特征模型进行快速检索和调用、完成新模型的建立的保存及完成模型输出；
数据比对模块，用于将输入数据分析出的特征值和访问的数据模型的特征值进行对比；
误差统计模块，用于对所述数据比对模块的对比过程进行比对差异的统计和分析；
分辨聚类模块，用于根据输入数据的特征值将数据划分为不同的片段；
任务管理模块，用于根据所述分辨聚类模块操作，划分的不同片段创建为相应的预测任务；
任务分发模块，用于根据所述任务管理模块创建的预测任务队列，寻找空闲的存算单元作为后级节点，并向所述后级节点分发所述预测任务；
预测收集及管理模块，用于接收所述后级节点发送的处理完成的数据模型作为所述任务分发的预测结果，并根据预测结果建立当前存算单元所要预测的数据模型；
模型输出模块，用于将满足所述误差统计模块和/或所述预测收集及管理模块的数据模型进行输出。
2.根据权利要求1所述的以存代算在线学习预测芯片，其特征在于，所述协同工作是指存算单元间通过自组织方式根据预测量不同自行组织形成前后级关系；所述自组织是指各存算单元根据任务管理模块和任务分发模块，自发组织处于空闲状态的存算单元作为后级节点，组成树状结构，其中树状结构的节点为处于自组织结构中的一个存算单元。
3.根据权利要求2所述的以存代算在线学习预测芯片，其特征在于，所述存算单元包括两种状态，分别为工作状态和空闲状态；所述输入数据对不同存算单元有所不同，对处于所述空闲状态的存算单元，没有输入数据；对处于工作状态的存算单元和处于自组织树状结构的第一级存算单元，输入数据为外部传入所述预测芯片的数据，对其他存算单元，输入数据为前级存算单元经所述任务分发模块传递的数据片段。
4.根据权利要求1所述的以存代算在线学习预测芯片，其特征在于，所述误差统计模块进行比对差异的统计和分析时，当误差大于第一误差范围M时，则将输入数据发送至所述分辨聚类模块，由后级节点进行预测；当误差小于第二误差范围N时，则由自身完成预测；当误差小于第一误差范围M且大于第二误差范围N时，则对存在误差的数据发送至所述分辨聚类模块，由后级节点进行预测，对不存在误差的数据由自身完成预测。
5.根据权利要求1所述的以存代算在线学习预测芯片，其特征在于，所述数据的特征值是指识别的数据段。
6.根据权利要求1所述的以存代算在线学习预测芯片，其特征在于，所述I/O访问模块通过输入输出接口完成，所述输入输出接口包括数据输入接口、数据输出接口、预测输入接口和预测输出接口，所述数据输入接口接收所述存算单元待处理数据，所述数据输出接口根据任务管理模块和任务分发模块的指令输出该存算单元未处理的数据；所述预测输入接口接收对应从属关系后级存算单元处理完成的数据结果，所述预测输出接口进行对前一级存算单元的完成处理的数据模型结果输出，以及对总的数据预测的结果输出。
7.根据权利要求1所述的以存代算在线学习预测芯片，其特征在于，所述模型输出模块中的数据模型来源为存储的模型和/或新建立的模型和/或修正的模型。
8.一种以存代算在线学习预测方法，其特征在于，采用如权利要求1-8中任一所述的以存代算在线学习预测芯片，在数据预测时对输入数据通过比对调用存储器中的模型，同时利用根据数据变化实时修正和构建数据模型的在线学习方式，进行匹配模型输出，完成数据预测；在模型建立时通过自组织算法使用存算单元进行协同工作和对数据特征片段的分片段模型组合完成多个节点对数据模型的建立。
9.根据权利要求8所述的以存代算在线学习预测方法，其特征在于，所述自组织算法连接形成的后级节点具有生存时间，且不对所述生存时间进行延续，当生存时间结束时该后级节点被释放；所述生存时间的延续指通过使用该后级节点功能并正确预测。
10.根据权利要求8所述的以存代算在线学习预测方法，其特征在于，所述分片段模型是指对数据按照特征不同划分为不同数据段，针对不同数据段建立对应的数据模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011579036.1A CN112668180B (zh) | 2020-12-28 | 一种以存代算在线学习预测芯片及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011579036.1A CN112668180B (zh) | 2020-12-28 | 一种以存代算在线学习预测芯片及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668180A true CN112668180A (zh) | 2021-04-16 |
| CN112668180B CN112668180B (zh) | 2024-06-11 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365249A1 (en) * | 2017-06-20 | 2018-12-20 | International Business Machines Corporation | Predictive model clustering |
| CN109754076A (zh) * | 2018-12-27 | 2019-05-14 | 中国科学院上海微系统与信息技术研究所 | 多核心类脑芯片 |
| CN109766309A (zh) * | 2018-12-29 | 2019-05-17 | 北京航空航天大学 | 自旋存算一体芯片 |
| US20200034665A1 (en) * | 2018-07-30 | 2020-01-30 | DataRobot, Inc. | Determining validity of machine learning algorithms for datasets |
| US20200302296A1 (en) * | 2019-03-21 | 2020-09-24 | D. Douglas Miller | Systems and method for optimizing educational outcomes using artificial intelligence |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365249A1 (en) * | 2017-06-20 | 2018-12-20 | International Business Machines Corporation | Predictive model clustering |
| US20200034665A1 (en) * | 2018-07-30 | 2020-01-30 | DataRobot, Inc. | Determining validity of machine learning algorithms for datasets |
| CN109754076A (zh) * | 2018-12-27 | 2019-05-14 | 中国科学院上海微系统与信息技术研究所 | 多核心类脑芯片 |
| CN109766309A (zh) * | 2018-12-29 | 2019-05-17 | 北京航空航天大学 | 自旋存算一体芯片 |
| US20200302296A1 (en) * | 2019-03-21 | 2020-09-24 | D. Douglas Miller | Systems and method for optimizing educational outcomes using artificial intelligence |
Non-Patent Citations (4)
| Title |
|---|
| 夏飞;窦勇;宋健;雷国庆;: "基于FPGA的细粒度并行CYK算法加速器设计与实现", 计算机学报, no. 05, 15 May 2010 (2010-05-15), pages 15 - 30 * |
| 李红;: "大数据储存技术的可行性和应用价值", 贵州电力技术, no. 08, 25 August 2016 (2016-08-25), pages 59 - 60 * |
| 葛国栋;郭云飞;刘彩霞;兰巨龙;: "CCN中基于业务类型的多样化内容分发机制", 电子学报, no. 05, 15 May 2016 (2016-05-15), pages 119 - 126 * |
| 阿西木: "基于相变存储查找表的低功耗存算一体计算方案", 《功能材料与器件学报》, vol. 27, no. 06, 25 December 2021 (2021-12-25), pages 519 - 524 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533183B (zh) | 流水线分布式深度学习中异构网络感知的任务放置方法 | |
| CN111079931A (zh) | 一种基于图神经网络的状态空间概率性多时间序列预测方法 | |
| CN107908536B (zh) | Cpu-gpu异构环境中对gpu应用的性能评估方法及系统 | |
| WO2020189844A1 (ko) | 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치 | |
| CN113111115A (zh) | 一种数据信息管理系统及其方法 | |
| CN113037783A (zh) | 一种异常行为检测方法及系统 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN112333147B (zh) | 一种核电厂dcs平台网络运行态势感知方法及系统 | |
| CN112668180A (zh) | 一种以存代算在线学习预测芯片及方法 | |
| CN116545871A (zh) | 一种多模态网络流量预测方法、装置、介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN112668180B (zh) | 一种以存代算在线学习预测芯片及方法 | |
| CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
| CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
| CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
| CN113726559B (zh) | 基于人工智能网络安全分析预警系统 | |
| CN113204590B (zh) | 基于序列化自编码器的无监督kpi异常检测方法 | |
| CN113946424A (zh) | 基于图卷积网络的软硬件划分和任务调度模型及其方法 | |
| CN114648123A (zh) | 一种卷积神经网络分层推理时间预测方法及装置 | |
| CN115995085A (zh) | 一种复杂版面图文识别学科类知识图谱嵌入学习方法 | |
| CN111369052A (zh) | 简化路网ksp优化算法 | |
| CN112991093A (zh) | 一种基于边缘计算的窃电检测方法及系统 | |
| Lai et al. | Spatial-Temporal Correlation-Based Prediction Model for Node and Link Residual Resources in NFV Networks | |
| CN117349114A (zh) | 一种api接口运行状态实时监控方法 | |
| CN115146696A (zh) | 一种基于多任务学习的综合能源系统运行状态监测方法 |
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 |