申请/专利权人：南京信息工程大学

申请日：2023-09-26

公开（公告）日：2024-03-29

公开（公告）号：CN117274616B

主分类号：G06V10/40

分类号：G06V10/40;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08;G06N5/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2024.03.19#著录事项变更;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明公开了一种多特征融合深度学习服务QoS预测系统及预测方法，该方法包括：获取用户潜在特征矩阵及服务潜在特征矩阵，并进行初始化，将初始化后的用户潜在特征矩阵和服务潜在特征矩阵经过深度神经网络提取特征图，得到用户特征图和服务特征图；将特征图提取过程中的数据流经过特征转化块处理，与用户特征图服务特征图归并处理，分别得到用户融合特征图服务融合特征图；将用户融合特征图及服务融合特征图通过训练后的多特征融合QoS预测网络，得到QoS预测值，提高预测准确度。

主权项：1.一种多特征融合深度学习服务QoS预测方法，其特征在于，包括如下步骤：获取用户潜在特征矩阵及服务潜在特征矩阵，并进行初始化；所述用户潜在特征矩阵和服务潜在特征矩阵通过对用户-服务QoS原始矩阵进行非负矩阵分解得到；将初始化后的用户潜在特征矩阵或服务潜在特征矩阵经过深度神经网络提取特征图；将特征图提取过程中的数据流经过特征转化块处理，与用户特征图服务特征图归并处理，分别得到用户融合特征图和服务融合特征图；将用户融合特征图及服务融合特征图通过训练后的多特征融合QoS预测网络，得到QoS预测值，所述多特征融合QoS预测网络包括一层卷积层和若干层全连接层；所述深度神经网络包括特征映射块和特征推理块，所述特征映射块对用户潜在特征矩阵中的用户潜在特征向量集，或服务潜在特征矩阵中的服务潜在特征向量集进行升维，得到高维的用户特征图或服务特征图；所述特征推理块对用户特征图或服务特征图进行降维，得到用户推理特征向量或服务推理特征向量，通过用户推理特征向量或服务推理特征向量对深度神经网络训练迭代至预设迭代次数，获得训练完成的深度神经网络；所述特征转化块由两层全连接层和两层卷积层构成，特征映射块包括若干层卷积层，特征推理块包括若干层全连接层；所述将特征图提取过程中的数据流经过特征转化块处理包括：将用户潜在特征向量集或服务潜在特征向量集输入特征映射块，获得特征映射块中第一层特征映射流和中间层特征映射流；将第一层特征映射流输入第一特征转化块，经过特征映射块中若干层全连接层，及形状变换操作，得到转化后的第一层特征映射流；将转化后的第一层特征映射流和中间层特征映射流进行归并，经过特征映射块中若干层卷积层，得到用户映射特征图或服务映射特征图；将用户特征图或服务特征图输入特征推理块，获得特征推理块中第一层特征推理流和中间层特征推理流；将第一层特征推理流和中间层特征推理流输入第二特征转化块，得到用户推理特征图或服务推理特征图，所述第一特征转化块和所述第二特征转化块与特征转化块结构相同；得到所述用户融合特征图服务融合特征图的过程包括：将用户推理特征图与用户特征图及用户映射特征图归并处理，得到用户融合特征图；将服务推理特征图与服务特征图及服务映射特征图归并处理，得到服务融合特征图。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种多特征融合深度学习服务QoS预测系统及预测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD