申请/专利权人:西南交通大学
申请日:2024-01-26
公开(公告)日:2024-04-02
公开(公告)号:CN117633661B
主分类号:G06F18/2415
分类号:G06F18/2415;G06F18/243;G06N20/20;G06N3/09;G06N3/0464
优先权:
专利状态码:有效-授权
法律状态:2024.04.02#授权;2024.03.19#实质审查的生效;2024.03.01#公开
摘要:本发明公开了一种基于进化图自监督学习的运渣车高危污染源分类方法,涉及污染源分类技术领域。该方法包括获取扬尘污染源数据;以扬尘污染源为节点,以运渣车转移线路为边,构建扬尘污染源的动态离散图;根据扬尘污染源的动态离散图,采用多任务自监督学习方法预测其它特征节点的目标标签,得到运渣车高危污染源分类结果。本发明提高了拓扑结构的利用效率并减少了对标签的依赖,提高运渣车扬尘污染源的预测精度。
主权项:1.一种基于进化图自监督学习的运渣车高危污染源分类方法,其特征在于,包括以下步骤:获取扬尘污染源数据;以扬尘污染源为节点,以运渣车转移线路为边,构建扬尘污染源的动态离散图;根据扬尘污染源的动态离散图,采用多任务自监督学习方法预测其它特征节点的目标标签,得到运渣车高危污染源分类结果,包括以下步骤:将扬尘污染源的动态离散图输入两层Evolve-GCN编码器,生成节点表示向量;将节点表示向量输入执行预训练多任务的节点嵌入层,采用第一损失函数进行训练,得到训练后的节点表示向量;预训练多任务包括:图结构任务,图语义任务和对比学习任务;其中图结构任务包括度预测任务和上下文预测任务;图语义任务通过计算扬尘污染源的动态离散图中节点的基尼重要性,并将基尼重要性排序top-k的节点特征作为伪标签,构建预测任务;上下文预测任务是预测邻居节点的标签;将训练后的节点表示向量输入SoftMax层预测目标标签,并采用第二损失函数训练进行模型训练,得到最终的运渣车高危污染源分类结果。
全文数据:
权利要求:
百度查询: 西南交通大学 一种基于进化图自监督学习的运渣车高危污染源分类方法
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。