-
公开(公告)号：CN111507757B
公开(公告)日：2024-03-15
申请号：CN202010274408.3
申请日：2020-04-09
Applicant: 中南大学
IPC: G06Q30/0226 , G06F17/18
Abstract: 本发明提供了一种提高偏远地区任务完成率的群智感知激励方法，包括：在群智感知平台发布任务后，参与者根据所处的具体位置以及到任务的距离及距离阈值去选择任务，并将选择的任务归于任务集合中；参与者获取自己的内部参考价，并根据群智感知平台提供的平台参考价调整所述内部参考价，并向所述群智感知平台报价；所述群智感知平台根据所述报价计算得到参与者完成任务后给群智感知平台带来的平台福利，根据所述平台福利选择获胜者。本发明考虑了非理性因素对参与者的激励作用，建立了能够影响用户行为决策的平台环境，向参与者提供了距离阈值和平台参考价作为参考点，有指向性地引导参与者决策。
-
公开(公告)号：CN117573323A
公开(公告)日：2024-02-20
申请号：CN202311593290.0
申请日：2023-11-27
Applicant: 中南大学
Abstract: 本申请适用于群智感知技术领域，提供了一种保障覆盖率和数据质量的群智感知任务分配方法，包括：群智感知平台发布感知任务，并评估感知任务的需求度；计算感知节点在完成感知范围内感知任务后的累积高需求度任务进度；基于累积高需求度任务进度和感知节点任务选择函数，计算感知节点对于感知任务的任务选择函数值；感知节点将最大的任务选择函数值对应的感知任务提交给群智感知平台；群智感知平台基于感知节点的任务感知质量、累积高需求度任务进度和进度累计的有效轮次数确定感知任务的目标感知节点，并为各目标感知节点分配计算资源。本申请能在计算资源有限的情况下同时保障群智感知任务覆盖率和数据质量。
-
公开(公告)号：CN115018216A
公开(公告)日：2022-09-06
申请号：CN202210946777.1
申请日：2022-08-09
Applicant: 中南大学
Abstract: 本发明实施例中提供了一种车辆群智感知均匀性提高方法、系统、设备及介质，属于计算技术领域，具体包括：依据该批次任务集数量影响参数规定逼近阈值，向所有在线到达的参与者发布强化规则；在强化规则影响下，结合历史数据中全部参与轮次的逼近速度与本轮预估速度的对比情况计算强化因子；更新每轮次发布的最优单位报酬；获取参与者上传的投标信息；平台分配任务选择参与者；当逼近值达逼近阈值时，支付总报酬，否则逐轮累积至批次结束再结算，其中，每一轮次若按最优绕行倾向度提供轨迹则以最优单位报酬结算，否则仅以成本价结算。通过本发明的方案，使参与者均匀分布在特定位置，提高了完成任务覆盖率，保障了有效的激励效果。
-
公开(公告)号：CN115002713A
公开(公告)日：2022-09-02
申请号：CN202210927537.7
申请日：2022-08-03
Applicant: 中南大学
Abstract: 本发明提供了一种提高群智感知覆盖率的方法、系统、介质及设备，基于敏感性递减理论，包括：发布感知任务，并依据感知任务离感知节点的实际距离，将感知任务划分为流行任务和不流行任务；构建基于敏感性递减理论的选择函数，在等性价比系数下，利用选择函数计算感知节点的选择函数值，选择函数值与感知节点选择的感知任务的流行度相关，感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；依据流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；筛选用于完成目标感知任务的感知节点，参与完成目标感知任务；为完成目标感知任务的感知节点分配奖励，提高群智感知的覆盖率。
-
公开(公告)号：CN114926088A
公开(公告)日：2022-08-19
申请号：CN202210667912.9
申请日：2022-06-14
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种基于路径依赖理论的群智感知激励方法、系统及设备，属于计算技术领域，具体包括：根据任务点处周围的移动智能设备密度，将任务分为偏远地区任务和热门地区任务；将提供数据收集服务的参与者进行分类；平台向参与者发布任务，并公布培育阶段和维持阶段不同的报酬支付方式；平台获取参与者的目标任务点、报价以及参与者和任务点的距离信息；计算每个参与者的竞争力值并选取获胜者；参与者完成任务后，平台根据参与者完成任务的类型以及参与者的类型支付报酬；对于培育阶段的参与者，当参与者的概率培育值与路径依赖值达到阈值的时候，则将其更改为维持阶段的参与者。通过本公开的方案，提高了任务覆盖率和平台效用。
-
Patent Agency Ranking
公开(公告)号：CN114866552A
公开(公告)日：2022-08-05
申请号：CN202210654413.6
申请日：2022-06-10
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种基于禀赋效应和参照依赖的群智感知数据质量保障方法，属于计算技术领域，具体包括：获取待感知的任务的质量要求及报酬并发布全部任务；平台公布两阶段的额外报酬发放规则；根据禀赋值与禀赋阈值的大小关系判定用户是否进入正式阶段；根据禀赋值和感知时间确定用户的额外奖励，同时根据平台预算限制确定额外奖励的上限；计算参与任务后的预期效用；依据平台成本和用户数据质量的高低顺序选择用户作为对应移动设备，对其支付任务报酬；计算用户实际效用；计算用户的决策概率和目标奖励概率；根据实际质量和目标质量的关系确定最终报酬。通过本公开的方案，有效地激励用户长期参与感知任务、提供高质量数据。
-
公开(公告)号：CN111507757A
公开(公告)日：2020-08-07
申请号：CN202010274408.3
申请日：2020-04-09
Applicant: 中南大学
Abstract: 本发明提供了一种提高偏远地区任务完成率的群智感知激励方法，包括：在群智感知平台发布任务后，参与者根据所处的具体位置以及到任务的距离及距离阈值去选择任务，并将选择的任务归于任务集合中；参与者获取自己的内部参考价，并根据群智感知平台提供的平台参考价调整所述内部参考价，并向所述群智感知平台报价；所述群智感知平台根据所述报价计算得到参与者完成任务后给群智感知平台带来的平台福利，根据所述平台福利选择获胜者。本发明考虑了非理性因素对参与者的激励作用，建立了能够影响用户行为决策的平台环境，向参与者提供了距离阈值和平台参考价作为参考点，有指向性地引导参与者决策。
-
公开(公告)号：CN109816275A
公开(公告)日：2019-05-28
申请号：CN201910157483.9
申请日：2019-03-01
Applicant: 中南大学
Abstract: 本发明提供了一种基于风险偏好社会网络系统的激励方法，模型算法如下：所述模型中的节点与邻居节点进行随机交互，若交互成功，交互的双方同时给出自己的策略，所述策略选择为合作或不合作，策略是合作的节点为合作节点，策略是不合作为不合作节点，不能参与交互的节点为孤立节点；每个节点会计算出交互所得的真实函数值和新的信誉，每个节点会有自己初始风险因子，风险偏好节点、风险规避节点、风险中性节点会分别根据各自的真实函数值和风险因子计算各自的总函数值；邻居节点根据节点的信誉值变化情况，动态地调整与节点的连接强度；节点会综合考虑自己的真实函数值情况和邻居节点的真实函数值情况，来动态地改变自己的风险偏好，进行迭代计算。
-
公开(公告)号：CN104537126B
公开(公告)日：2017-12-01
申请号：CN201510046401.5
申请日：2015-01-29
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明提供一种基于边图随机游走的重叠社区发现方法，主要包括以下步骤：1)根据网络中成员的关系，构建一个相互连接的无向图G，由图G的关联矩阵B可得到有权边图LG的权值矩阵H，有权边图LG中的节点为初始无向图G中的边。2)在有权边图LG上进行长度为T的随机游走，初始转移概率矩阵P根据权值矩阵H得到，无向图G中边之间的相似度为T步内转移概率之和，再将相似度转化为距离，聚类产生边社区。3)定义节点受到边社区的吸引度，找出边社区之间的边缘节点，根据吸引度的阈值δ可对边缘节点划分，最后检测到允许节点重叠的社区。本发明方法简单易行，并且通过调整阈值δ能发现不同重叠程度的社区。
-
公开(公告)号：CN119739981A
公开(公告)日：2025-04-01
申请号：CN202411778489.5
申请日：2024-12-05
Applicant: 国网湖北省电力有限公司孝感供电公司 , 中南大学
Abstract: 本发明涉及变压器溶解气体浓度预测的技术领域，特别是涉及一种基于D‑S证据理论优化集成学习的变压器溶解气体浓度预测方法，包括以下步骤：生成子数据集、对每个子数据集训练基学习器得到多个独立模型、使用训练好的基学习器对待预测样本进行预测得到预测结果、为每个基学习器的预测结果计算基本概率分配、使用D‑S证据理论对所有基学习器的预测结果进行融合并生成最终预测值、基于D‑S证据理论优化的集成学习模型进行变压器溶解气体浓度预测；其基于集成学习中的Bagging方法，并使用D‑S证据理论用于基学习器的融合，提高了集成学习模型的变压器溶解气体浓度预测准确率；采用序列最小二乘规划算法，方便处理复杂的约束条件，并且提高收敛速度和计算效率。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.024 seconds)
