CN112738801B - 一种适用于智能通信网关的管理方法 - Google Patents
一种适用于智能通信网关的管理方法 Download PDFInfo
- Publication number
- CN112738801B CN112738801B CN202011445625.0A CN202011445625A CN112738801B CN 112738801 B CN112738801 B CN 112738801B CN 202011445625 A CN202011445625 A CN 202011445625A CN 112738801 B CN112738801 B CN 112738801B
- Authority
- CN
- China
- Prior art keywords
- terminal equipment
- intelligent
- gateway
- instruction
- management
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种适用于智能通信网关的管理方法,包括,利用深度置信网络搭建智能网关和终端设备的连接通道;远程管理终端发送远程控制指令并通过所述连接通道传输至所述智能网关内;所述连接通道内设置深度置信管理模型以对所述控制指令进行身份验证;若通过验证,则确定安全状态,传输所述指令,否则,标记所述控制指令并进行预警显示。本发明通过深度置信网络搭建连接通道,有效的提升了智能网关传输效率,并减小了通道传输的干扰,有效的保障数据稳定可靠的传输,通过自动化接入终端设备,极大的减少了人工成本,云管控平台实施掌握设备状态信息,提升设备管理效率。
Description
技术领域
本发明涉及智能通信管理的技术领域,尤其涉及一种适用于智能通信网关的管理方法。
背景技术
随着物联网产业的快速发展,无线通信技术成为物联网应用的核心技术之一,在特定的应用环境下,对无线通信技术提出了更高的要求,LoRa作为窄带无线通信技术,具有远距离、低功耗、多节点、低成本、抗干扰能力强等特性,被广泛应用于各种场合的远距离低速率物联网无线通信领域。
目前市面上大部分物联网关处于成本或专业领域各方面因素限制,功能单一化,比如有的网关数据通信上只能提供单信道通信,数据收发的采用半双工模式,在传输效率上有限,进而影响到终端设备的接入量,现有技术上,LoRa网关的参数配合和管理需要技术人员现场处理,实际应用上LoRa网关的位置比较分散,相隔距离较远,并且每个LoRa网关的配置也可能不相同,使得整个配置管理方式人工成本高,组网效率低,缺少灵活性,除此之外,网关和服务器之间的通信链路单一,一旦该通信链路出现故障,终端节点的数据将无法通过网关回传到服务器。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种适用于智能通信网关的管理方法,能够解决现有智能网关通信需人工干预、数据传输不稳定的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,利用深度置信网络搭建智能网关和终端设备的连接通道;远程管理终端发送远程控制指令并通过所述连接通道传输至所述智能网关内;所述连接通道内设置深度置信管理模型以对所述控制指令进行身份验证;若通过验证,则确定安全状态,传输所述指令,否则,标记所述控制指令并进行预警显示。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:搭建所述连接通道之前包括,利用自动检测模式,选择干扰性较小的通信通道并确定通信参数;基于所述通信参数建立初步信息桥;结合LoRa通信接收所述终端设备的注册连接指令;对所述终端设备进行ID身份验证,若通过所述验证,则允许所述终端设备接入。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:还包括,若未通过所述ID身份验证,则所述终端设备重新发送所述注册连接指令,若当前指令通过,则允许所述终端设备接入;若所述当前指令未通过,则所述初步信息桥对其进行标记,并将其移除至忽略区域,不予通过。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:所述深度置信网络包括,输入层、隐藏层和输出层。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:设置所述深度置信管理模型包括,利用对比散度策略进行权值初始化,当k=1时,随机初始化权值(W,a,b),如下:
其中,W为权重向量,a是可见层的偏置向量,b为隐藏层的偏置向量,M为显元的个数,N为隐元的个数。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:还包括,初始化来自正态分布N(0,0.01)的随机数,如下:
其中,pi表示训练样本中第i个样本处于激活状态(即取值为1)的样本所占的比例,而b可以直接初始化为0。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:所述管理模型需进行调优训练,包括,将X赋给显层,计算其使隐层神经元被开启的概率;根据计算的概率分布进行Gibbs抽样,对所述隐藏层中的每个单元从{0,1}中抽取得到相应的值;利用所述抽取值重构所述显层,计算概率密度,再次进行所述Gibbs抽样;根据计算到的所述二次概率分布,再一次进行所述Gibbs采样,对所述显层中的神经元从{0,1}中抽取相应的值再次进行采样重构;利用重构后的显元,计算出隐层神经元被开启的概率;更新得到新的权重和偏置。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:包括,所述终端设备将设备状态数据上报至所述智能网关,并通过所述智能网关接收来自云端的指令。
作为本发明所述的适用于智能通信网关的管理方法的一种优选方案,其中:包括,所述终端设备连接到所述智能网关后,由所述智能网关向云管平台上报其与所述终端设备的拓扑关系;对所述云管平台中对应的所述终端设备进行上线操作;所述终端设备上线过程中,所述云管平台会校验所述终端设备的身份和与网关的拓扑关系,若所有校验通过,建立并绑定所述终端设备逻辑通道至网关物理通道。
本发明的有益效果:本发明通过深度置信网络搭建连接通道,有效的提升了智能网关传输效率,并减小了通道传输的干扰,有效的保障数据稳定可靠的传输,通过自动化接入终端设备,极大的减少了人工成本,云管控平台实施掌握设备状态信息,提升设备管理效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的适用于智能通信网关的管理方法的流程示意图;
图2为本发明第一个实施例所述的适用于智能通信网关的管理方法的深度置信网络结构示意图;
图3为本发明第二个实施例所述的适用于智能通信网关的管理方法的实验对比输出曲线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1和图2,为本发明的第一个实施例,提供了一种适用于智能通信网关的管理方法,包括:
S1:利用深度置信网络搭建智能网关和终端设备的连接通道。其中需要说明的是,搭建连接通道之前包括:
利用自动检测模式,选择干扰性较小的通信通道并确定通信参数;
基于通信参数建立初步信息桥;
结合LoRa通信接收终端设备的注册连接指令;
对终端设备进行ID身份验证,若通过验证,则允许终端设备接入;
若未通过ID身份验证,则终端设备重新发送注册连接指令,若当前指令通过,则允许终端设备接入;
若当前指令未通过,则初步信息桥对其进行标记,并将其移除至忽略区域,不予通过。
S2:远程管理终端发送远程控制指令并通过连接通道传输至智能网关内。
S3:连接通道内设置深度置信管理模型以对控制指令进行身份验证。参照图2,本步骤需要说明的是,深度置信网络包括:
输入层、隐藏层和输出层;
具体的,设置深度置信管理模型包括:
利用对比散度策略进行权值初始化,当k=1时,随机初始化权值(W,a,b),如下:
其中,W为权重向量,a是可见层的偏置向量,b为隐藏层的偏置向量,M为显元的个数,N为隐元的个数;
初始化来自正态分布N(0,0.01)的随机数,如下:
其中,pi表示训练样本中第i个样本处于激活状态(即取值为1)的样本所占的比例,而b可以直接初始化为0。
进一步的,管理模型需进行调优训练,包括:
将X赋给显层,计算其使隐层神经元被开启的概率;
根据计算的概率分布进行Gibbs抽样,对隐藏层中的每个单元从{0,1}中抽取得到相应的值;
利用抽取值重构显层,计算概率密度,再次进行Gibbs抽样;
根据计算到的二次概率分布,再一次进行Gibbs采样,对显层中的神经元从{0,1}中抽取相应的值再次进行采样重构;
利用重构后的显元,计算出隐层神经元被开启的概率;
更新得到新的权重和偏置。
S4:若通过验证,则确定安全状态,传输指令,否则,标记控制指令并进行预警显示。其中还需要说明的是:
终端设备将设备状态数据上报至智能网关,并通过智能网关接收来自云端的指令;
终端设备连接到智能网关后,由智能网关向云管平台上报其与终端设备的拓扑关系;
对云管平台中对应的终端设备进行上线操作;
终端设备上线过程中,云管平台会校验终端设备的身份和与网关的拓扑关系,若所有校验通过,建立并绑定终端设备逻辑通道至网关物理通道。
通俗的说,BP网络神经网络由输入层、隐藏层和输出层三部分构成,无论隐藏层是一层还是多层,只要是按照误差反向传播算法构建起来的网络(不需要进行预训练,随机初始化后直接进行反向传播),都称为BP神经网络,BP神经网络在单隐层的时候,效率较高,当堆积到多层隐藏层的时候,反向传播的效率就会大大降低,因此BP神经网络在浅层神经网路中应用较广,但由于其隐层数较少,所以映射能力也十分有限。
参照图2,本实施例以3层隐藏层结构的DBN-DNN为例,网络一共由3个受限玻尔兹曼机(RBM,Restricted Boltzmann Machine)单元堆叠而成,其中RBM一共有两层,上层为隐层,下层为显层;堆叠成DNN时,前一个RBM的输出层(隐层)作为下一个RBM单元的输入层(显层),依次堆叠,便构成了基本的DBN结构,最后再添加一层输出层,就是最终的DBN-DNN结构。
进一步地,根据可见层(v)和隐藏层(h)的取值不同,可将RBM分成两大类,如果v和h都是二值分布,那么它就是Bernoulli-Bernoulli RBM(贝努力-贝努力RBM);如果v是实数,比如语音特征,h为二进制,那么则为Gaussian-Bernoulli RBM(高斯-贝努力RBM),因此,图2中的RBM1为高斯-贝努力,RBM2和RBM3都是贝努力-贝努力RBM。
优选的,本实施例还需要说明的是,终端是需要进行管理的具体终端设备,如传感器、摄像头等,终端通过各类协议与智能网关建立连接,并且通过智能网关间接的接受云管平台的管理,多个终端设备可以同时接入一个智能网关,形成一种树形的拓扑组网结构,终端可以将设备状态数据上报至智能网关,也可以通过智能网关接收来自云端的指令;终端设备连接到智能网关后,需由智能网关向云管平台上报网关与终端设备的拓扑关系,然后对云管平台中对应的终端设备进行上线操作,终端设备上线过程中,云管平台会校验终端设备的身份和与网关的拓扑关系,所有校验通过,才会建立并绑定终端设备逻辑通道至网关物理通道上,删除拓扑关系后,终端设备不能再通过该边缘节点上线,系统将提示拓扑关系不存在,认证不通过等错误。
实施例2
参照图3,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种适用于智能通信网关的管理方法的验证,包括:
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例选择以传统的云端智能通信网关方法和本发明方法进行对比测试,以科学论证的手段对比试验结果,验证本发明方法所具有的真实效果。
传统的云端智能通信网关方法需要人工干预,耗时较长,且数据传输不稳定,工作效率较低,为验证本发明方法相较于传统方法具有较高的效率性和较低的人工成本,本实施例中将采用传统的云端智能通信网关方法和本发明方法分别对仿真物联网系统的智能网关及终端设备连接进行实时测量对比。
测试环境:(1)利用MATLB软件进行仿真测试;
(2)随机采取云端物联网近一年的传输云数据作为实验样本,并分别利用传统方法和本发明方法对相同的100组实验样本进行预处理(即传统的标记,本发明方法的ID验证);
(3)输入两种方法所需的仿真参数,导入各自编辑的运行程序,开启自动化测试设备进行仿真模拟,直至输出最终的曲线示意图。
参照图3,实线为本发明方法输出的曲线,虚线为传统方法输出的曲线,根据图3的示意,能够直观的看出,实线与虚线随着时间的增加,呈现不同的走势,实线相较于虚线,在前期一直呈稳定的上升趋势,虽然后期有所下滑,但是波动不大,且一直在虚线的上方,并保持一定的距离,而虚线则呈现较大的波动趋势,不稳定,由此,实线的效率一直大于虚线,即验证了本发明方法所具有的真实效果。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
2.根据权利要求1所述的适用于智能通信网关的管理方法,其特征在于:搭建所述连接通道之前包括,
利用自动检测模式,选择干扰性较小的通信通道并确定通信参数;
基于所述通信参数建立初步信息桥;
结合LoRa通信接收所述终端设备的注册连接指令;
对所述终端设备进行ID身份验证,若通过所述验证,则允许所述终端设备接入。
3.根据权利要求2所述的适用于智能通信网关的管理方法,其特征在于:还包括,
若未通过所述ID身份验证,则所述终端设备重新发送所述注册连接指令,若当前指令通过,则允许所述终端设备接入;
若所述当前指令未通过,则所述初步信息桥对其进行标记,并将其移除至忽略区域,不予通过。
4.根据权利要求1或3所述的适用于智能通信网关的管理方法,其特征在于:所述深度置信网络包括,输入层、隐藏层和输出层。
6.根据权利要求5所述的适用于智能通信网关的管理方法,其特征在于:所述管理模型需进行调优训练,包括,
将X赋给显层,计算其使隐层神经元被开启的概率;
根据计算的概率分布进行Gibbs抽样,对所述隐藏层中的每个单元从{0,1}中抽取得到相应的值;
利用抽取值重构所述显层,计算概率密度,再次进行所述Gibbs抽样;
根据计算到的二次概率分布,再一次进行所述Gibbs抽样,对所述显层中的神经元从{0,1}中抽取相应的值再次进行采样重构;
利用重构后的显元,计算出隐层神经元被开启的概率;
更新得到新的权重和偏置。
7.根据权利要求1或6所述的适用于智能通信网关的管理方法,其特征在于:包括,
所述终端设备将设备状态数据上报至所述智能网关,并通过所述智能网关接收来自云端的指令。
8.根据权利要求7所述的适用于智能通信网关的管理方法,其特征在于:包括,
所述终端设备连接到所述智能网关后,由所述智能网关向云管平台上报其与所述终端设备的拓扑关系;
对所述云管平台中对应的所述终端设备进行上线操作;
所述终端设备上线过程中,所述云管平台会校验所述终端设备的身份和与网关的拓扑关系,若所有校验通过,建立并绑定所述终端设备逻辑通道至网关物理通道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445625.0A CN112738801B (zh) | 2020-12-11 | 2020-12-11 | 一种适用于智能通信网关的管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445625.0A CN112738801B (zh) | 2020-12-11 | 2020-12-11 | 一种适用于智能通信网关的管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112738801A CN112738801A (zh) | 2021-04-30 |
CN112738801B true CN112738801B (zh) | 2023-05-23 |
Family
ID=75599112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011445625.0A Active CN112738801B (zh) | 2020-12-11 | 2020-12-11 | 一种适用于智能通信网关的管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112738801B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909216A (zh) * | 2017-01-05 | 2017-06-30 | 华南理工大学 | 一种基于Kinect传感器的仿人机械手控制方法 |
WO2017185654A1 (zh) * | 2016-04-26 | 2017-11-02 | 乐视控股(北京)有限公司 | 智能网关设备及智能监控系统 |
CN111245710A (zh) * | 2019-11-22 | 2020-06-05 | 湖南北斗微芯产业发展有限公司 | 一种基于LoRa的智能网关及其数据通信的管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105915576A (zh) * | 2015-12-18 | 2016-08-31 | 乐视致新电子科技(天津)有限公司 | 一种车辆远程控制方法、装置及系统 |
-
2020
- 2020-12-11 CN CN202011445625.0A patent/CN112738801B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017185654A1 (zh) * | 2016-04-26 | 2017-11-02 | 乐视控股(北京)有限公司 | 智能网关设备及智能监控系统 |
CN106909216A (zh) * | 2017-01-05 | 2017-06-30 | 华南理工大学 | 一种基于Kinect传感器的仿人机械手控制方法 |
CN111245710A (zh) * | 2019-11-22 | 2020-06-05 | 湖南北斗微芯产业发展有限公司 | 一种基于LoRa的智能网关及其数据通信的管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112738801A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837602B (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
CN112181666A (zh) | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 | |
CN112508085B (zh) | 基于感知神经网络的社交网络链路预测方法 | |
CN109377452B (zh) | 基于vae和生成式对抗网络的人脸图像修复方法 | |
CN111062464B (zh) | 一种基于深度学习的电力通信网可靠性预测和保障方法和系统 | |
CN106961343A (zh) | 一种虚拟映射方法及装置 | |
CN110147745A (zh) | 一种视频关键帧检测方法及装置 | |
CN110781406A (zh) | 一种基于变分自动编码器的社交网络用户多属性推断方法 | |
CN110033089A (zh) | 基于分布式估计算法的深度神经网络参数优化方法及系统 | |
Wu | Research on English online education platform based on genetic algorithm and blockchain technology | |
CN115952424A (zh) | 一种基于多视图结构的图卷积神经网络聚类方法 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN114462509A (zh) | 一种分布式物联网设备异常检测方法 | |
CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
CN113095482B (zh) | 基于bp神经网络的拉曼放大器增益值计算方法及系统 | |
CN114942998A (zh) | 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法 | |
CN113194493B (zh) | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 | |
CN112738801B (zh) | 一种适用于智能通信网关的管理方法 | |
CN115544873B (zh) | 个性化联邦学习的训练效率与个性化效果量化评估方法 | |
CN116545871A (zh) | 一种多模态网络流量预测方法、装置、介质 | |
CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
CN116405262A (zh) | 网络安全接入方法、装置、设备及存储介质 | |
CN115829029A (zh) | 一种基于通道注意力的自蒸馏实现方法 | |
CN114861792A (zh) | 一种基于深度强化学习的复杂电网关键节点识别方法 | |
CN113377656A (zh) | 一种基于图神经网络的众测推荐方法 |
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 | ||
GR01 | Patent grant |