【技术实现步骤摘要】
本专利技术涉及新一代信息技术相关，具体涉及基于元学习的多模态电力样本分类方法及系统。
技术介绍
1、电力样本分类有利于进行各类电力任务的解析，例如电力故障分析，电力数据历史回溯、电力数据分析等任务。但是由于电力样本包括视频、图片、音频和文本等各类存储模态，导致想要根据知识的相关性将样本数据归结分类成为较为复杂的问题。
2、目前主流的电力样本分类主要是通过训练大模型，对各类模态的样本数据进行整理分类存储，缺点在于泛化能力较强的大模型的训练收敛速度较慢，训练数据的需求量较多。如何提升模型训练速度，降低训练数据的需求量成为主要研究方向。
技术实现思路
1、本申请通过提供了基于元学习的多模态电力样本分类方法，旨在解决现有技术中由于大模型的训练收敛速度较慢，训练数据的需求量较多，导致存在电力样本分类模型训练效率较差的技术问题。
2、鉴于上述问题，本申请提供了基于元学习的多模态电力样本分类方法。
3、本申请公开的第一个方面，提供了基于元学习的多模态电力样本分类方法，
本文档来自技高网...
【技术保护点】
1.基于元学习的多模态电力样本分类方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述电力样本分类学习器的训练包括：
3.如权利要求2所述的方法，其特征在于，所述遍历拟合任务类别标签对所述多组多模态数据进行关联性分析，获得关联特征信息，包括：
4.如权利要求2所述的方法，其特征在于，所述根据所述M个学习损失值，激活元学习器进行映射，生成推荐更新模型参数，之前包括：判断M次的某次学习是存在偶然收敛的可能性，若存在，则初始化所述电力样本分类学习器，不需要进行模型参数的寻优，否则激活元学习器进行映射，生成推荐更新模型参数
5....
【技术特征摘要】
1.基于元学习的多模态电力样本分类方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述电力样本分类学习器的训练包括：
3.如权利要求2所述的方法，其特征在于，所述遍历拟合任务类别标签对所述多组多模态数据进行关联性分析，获得关联特征信息，包括：
4.如权利要求2所述的方法，其特征在于，所述根据所述m个学习损失值，激活元学习器进行映射，生成推荐更新模型参数，之前包括：判断m次的某次学习是存在偶然收敛的可能性，若存在，则初始化所述电力样本分类学习器，不需要进行模型参数的寻优，否则激活元学习器进行映射，生成推荐更新模型参数。
5.如权利要求4所述的方法，其特征在于，所述判断m次的某次学习是存在偶然收敛的可能性，包括：
6.如权利要求2所述的方法，其特征在于，所述根据所述m个学习损失值，激活元学习器进行映射，生成推荐更新模型参数，包括：
7.如权利要求6所述的方法，其特征在于，所述基于所述k个头解进行势力值分析，获得k个头解势力值，包括：
8.如权利要求6所述的方法，其特征在于，所述基于所述k个优化空间和所述m组梯度均值对所述m组模型参数进行扩充，生成所述推荐更新模型参数，包括：
9.如权利要求8所述的方法，其特征在于，所述...
【专利技术属性】
技术研发人员：贾全烨，张强，周飞，石聪聪，张兴辉，陈振宇，李博，刘识，董小菱，李明，
申请(专利权)人：国网智能电网研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。