Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 南京智能计算科技发展有限公司叶嘉宾获国家专利权

南京智能计算科技发展有限公司叶嘉宾获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉南京智能计算科技发展有限公司申请的专利一种基于因果推理和原型学习的数据节点自适应优化方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN119179580B

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202411682810.X,技术领域涉及:G06F9/50;该发明授权一种基于因果推理和原型学习的数据节点自适应优化方法是由叶嘉宾;李楠;孙祥;蔡晓燕;刘雪慧;蒋梦;李晨阳;黄雪芸设计研发完成,并于2024-11-22向国家知识产权局提交的专利申请。

一种基于因果推理和原型学习的数据节点自适应优化方法在说明书摘要公布了:本发明公开了一种基于因果推理和原型学习的数据节点自适应优化方法,包括步骤:根据实时网络状态生成动态因果映射网络;通过对不同数据流通数据集进行聚类,提取代表性原型,构建适应不同网络场景的原型库;通过因果映射驱动的原型共生机制,将因果映射网络和原型库中的原型生成进行绑定,实现实时互动;对布局优化的结果通过自学习反馈机制进行动态调整;本方案在高负载、大规模数据流通的网络环境中具有显著的性能优势,可广泛的适用于要求高效、稳定传输的复杂网络环境中。

本发明授权一种基于因果推理和原型学习的数据节点自适应优化方法在权利要求书中公布了:1.一种基于因果推理和原型学习的数据节点自适应优化方法,其特征在于,包括步骤: S1,根据实时网络状态生成动态因果映射网络; S2,通过对不同数据流通数据集进行聚类,提取代表性原型,构建适应不同网络场景的原型库; S3,通过因果映射驱动的原型共生机制,将因果映射网络和原型库中的原型生成进行绑定,实现实时互动; S4,对布局优化的结果通过自学习反馈机制进行动态调整; 步骤S1还包括: S101,将网络中的变化或调整定义为因果事件,在时刻t,网络中的变化表示一个因果事件,其中i表示第i个事件,因果事件的表达式为: ; 其中,表示t时刻网络中节点的状态,表示t时刻网络的带宽使用情况,表示时刻网络性能参数,F表示网络状态变化函数; 若事件发生后会导致事件,那么通过因果链条函数定义,表达式为: ; 其中,表示随机噪声项,表示事件传播的时延; S102,在任意时刻t,动态因果映射模型根据每次变化自动生成图结构化的因果映射网络,表达式为: ; 其中,表示通过对状态空间模型生成网络中的因果事件节点,表示相似度函数,表示因果事件节点之间的因果关系边,表示图结构生成网络,N表示共有N个因果事件; S103,在任意时刻t,对于已经生成的因果映射网络,通过递归推理的方式将其与新的因果事件相联系,深入分析网络中各个因素的交互并且生成动态因果映射网络,表达式为: ; 其中,表示图神经网络,k表示共有k个新的因果事件,表示马尔科夫模型,e为自然底数,为向量平方二范数运算,表示事件传播的时延; 步骤S2包括: S201,从T个大规模网络流通数据集中获取网络中数据流量信息,表达式为: ; 其中,表示不同的节点状态,n∈1,2,3,…,n; 基于互信息计算的聚类算法对生成W个聚类中心,表达式为: ; 其中,表示寻找最小值下标函数,和表示两种不同的高斯噪声项,和分别表示对应的权重函数,和表示条件概率函数,表示边缘概率分布函数,表示互信息计算,用于衡量各参数间的依赖性; S202,对聚类结果进行分析,从中提取出代表性的聚类中心作为原型,对于W个聚类中心,原型的提取方式表达式为: ; 其中,表示共有H个原型,表示所有的聚类中心点集合,A表示初始化原型向量,e表示自然底数; 步骤S2还包括步骤: S203,持续收集新的网络流通数据集,并将这些新的数据与已有原型库中的原型进行对比,若存在数据点距离现有原型的距离超过阈值,则进行原型更新,表达式为: ; 其中,表示更新后的原型,表示聚类中心相对于新的网络流通数据集之间的数学期望,表示学习率参数; 步骤S3包括步骤: S301,引入自适应学习率和当前时刻t的因果事件反馈,调整原型参数,将更新后的原型的演化定义为博弈过程,优化目标是最小化当前因果事件的误差函数,表达式为: ; 其中,表示参数调整后的原型,表示损失函数衡量了更新后的原型与因果网络匹配的程度,表示梯度下降函数用于调整损失; S302,通过多层次反馈结构对因果映射网络进行反向优化,表达式为: ; 其中,表示在经过时延后动态因果映射网络与参数调整后的原型之间的互信息变化量,I表示互信息对比函数; S303,在网络环境发生变化时,根据动态因果映射网络,从参数调整后的原型中选择符合当前情况的原型,来驱动布局优化决策,表达式为: ; 其中,表示参数调整后的原型在动态因果映射网络下的时延,表示参数调整后的原型在动态因果映射网络下的拥塞程度,表示对原型库中的每个原型都进行对比。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人南京智能计算科技发展有限公司,其通讯地址为:210000 江苏省南京市浦口区浦滨路211号基因大厦A座7楼;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。