专利交易市场

本发明公开了一种基于时间卷积网络的运动心率预测方法，包括：步骤1：采集学生运动过程中心率及经纬度的历史数据，进行运动速度及加速度数据转化、异常值处理，并对其做归一化处理及数据集划分。步骤2：构建时间卷积网络模型。使用划分后的训练数据集训练网络模型，利用测试数据集选取预测结果最好的模型进行保存。步骤3：采集近期学生运动的心率及经纬度数据，进行预处理后，输入训练好的神经网络模型，对模型输出值进行逆归一化后得到运动心率预测结果。本发明使用时间卷积网络接收多序列的速度及加速度输入，避免循环神经网络中经常出现的梯度爆炸或消失的问题，且并行的特点使其处理效率更高、速度更快。

本发明请求保护一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，首先使用变分模态分解(VMD)对原始负荷数据进行处理，将负荷序列分解得到多个本征模态函数(IMF),以降低神经网络预测模型输入数据的复杂程度。然后，分别计算各个IMF分量的样本熵(SE)，将相近样本熵值的分量合并为一个新的序列，以减少所需训练的模型数量，最后利用时间卷积网络(TCN)来拟合各个序列的历史数据和预测数据的非线性关系，并叠加各模型的预测结果得到最后的预测值。本发明相比于其他负荷预测传统方法，具有更高的预测精度。

本发明公开了一种基于双向时间卷积网络的半监督日志异常检测方法，涉及计算机技术领域，步骤为：收集来自不同系统产生的日志数据集；对每个原始日志条目进行拆分并对日志事件进行日志解析，获得日志条目对应的日志模板；通过BERT词嵌入模型对日志模板进行向量化；基于日志分组方法将所有日志条目分为日志序列，并结合语义向量化得到日志序列语义向量；通过聚类算法给出每条日志条目对应标签概率；将日志序列语义向量输入带有残差块的Bi‑TCN网络进行训练，得到训练好的模型BTCNLog，在测试阶段使用该模型对日志测试集进行异常检测，从而解决现有技术中日志解析准确率不高和标记样本不足所导致的异常检测准确率降低等问题。