©版权Microai™,Inc2024 Microai™徽标以及与Microai™产品和服务相关的任何其他商标是Microai™的独家属性,Inc。本文档的内容可以随时并由Microai自行决定更改。
摘要 - 传统数据驱动的质量预测方法主要是由静态模型构建的,使用慢速采样率的清洁数据,使得dynamics未使用。为了充分利用以快速采样率收集的动态过程数据,本文提出了一种新型的基于深度学习的鲁棒双率动态数据建模方法,以质量预测动态非线性过程。首先提出了一种新的动态数据降级性对抗归因网络,以解决动态过程数据之间缺少的价值插补。然后,建立了一个新的提示卷积神经网络(HCNN),用于基于双速率数据的质量预测。提出的HCNN将通道扩展的信息提示机理纳入卷积神经网络中,以使用明确的时间和可变信息提取动态特征。最后,使用DOW蒸馏过程数据集和北京多站点空气质量数据集对所提出的方法进行了验证。
N 元关系知识库 (KB) 嵌入旨在将二进制和超二进制事实同时映射到低维向量空间中。现有方法通常将 n 元关系事实分解为子元组,并且通常在欧几里得空间中对 n 元关系知识库进行建模。然而,n 元关系事实在语义和结构上是完整的;分解会破坏语义和结构的完整性。此外,与二进制关系知识库相比,n 元知识库具有更丰富和复杂的层次结构,这些结构无法在欧几里得空间中很好地表达。针对这些问题,我们提出了一个陀螺多边形嵌入框架来实现 n 元事实完整性保持和层次结构捕获,称为 PolygonE。具体而言,n 元关系事实被建模为双曲空间中的陀螺多边形,其中我们将事实中的实体表示为陀螺多边形的顶点,将关系表示为实体移位操作。重要的是,我们设计了一种基于顶点陀螺中心测地线的事实可信度测量策略,以优化关系调整后的陀螺多边形。实验结果表明,PolygonE 在所有基准数据集上都表现出 SOTA 性能,并且在二进制数据上具有良好的泛化能力。最后,我们还可视化了嵌入,以帮助理解 PolygonE 对层次结构的认识。
摘要:综合后勤保障(ILS)对于保障装备全寿命周期的作战能力具有重要意义。装备ILS过程中存在众多环节和复杂的产品对象,使得ILS数据具有多源、异构、多维的特点。目前的ILS数据不能满足高效利用的需求。因此,ILS数据的统一建模极为紧迫且意义重大。针对ILS数据的一致性和全面表达问题,本文提出了一种统一数据建模方法。首先,在分析ILS数据特点的基础上,构建了四层的统一数据建模框架。其次,依次构建了Core统一数据模型、Domain统一数据模型和Instanced统一数据模型。然后,分析了ILS数据在时间、产品、活动三个维度上的表达方式。第三,构建了Lifecycle ILS统一数据模型,并讨论了多维信息检索方法。在此基础上,设备ILS流程中的不同系统可以共享一套数据模型,并通过不同的视图为ILS设计人员提供相关数据。最后,基于开发的统一数据建模软件原型,构建了实用的ILS数据模型,验证了所提方法的可行性。
考虑不同的场景,例如全球石油和天然气行业的工业方面。当混合数据(例如来自油井、地震数据、运输数据或钻井生产数据)没有统一标记时,可能会给资本项目带来昂贵的复杂性。对于运营数千口气井的公司,当需要升级其监控和数据采集系统(基于专有数据通信格式)时,新聘请的供应商必须重新创建数据通信格式,从而花费公司 180,000 美元。2 标准化数据标记将消除此类情况。
考虑另一种情况,例如全球石油和天然气行业的工业方面。当混合数据(例如来自油井的数据、地震数据、运输数据或钻井生产数据)没有统一标记时,可能会给资本项目带来高昂的复杂性。以一家运营数千口天然气井的公司为例,当需要升级其监控和数据采集系统(基于专有数据通信格式)时,新聘请的供应商必须重新创建数据通信格式,从而花费该公司 180,000 美元。2 标准化数据标记将消除此类情况。
4.1 相关文献 ........................................................................................................................... 82 4.1.1 标准 ................................................................................................................................ 82