-
公开(公告)号：CN112181971B
公开(公告)日：2022-11-01
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
公开(公告)号：CN112583575B
公开(公告)日：2023-05-09
申请号：CN202011413354.0
申请日：2020-12-04
Abstract: 本发明提供一种车联网中基于同态加密的联邦学习隐私保护方法，将基于同态加密的联邦学习引入车联网中，通过改进具有加法同态行的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，同时采用分层加密技术，使加法同态在边缘端完成，而乘法同态在云端完成以提高加密效率，从而有效防止联邦学习恶意攻击，并有效降低加密导致的延迟的方法；该发明可以应用在车联网中进行隐私保护将联邦学习引入IoV中以解决用户隐私泄露问题。为了进一步地增强数据安全性，在联邦学习中引入高效的同态加密；而且改进了具有加法同态性的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，构建一个具有全同态加密性的联邦学习架构。
-
公开(公告)号：CN112583575A
公开(公告)日：2021-03-30
申请号：CN202011413354.0
申请日：2020-12-04
Abstract: 本发明提供一种车联网中基于同态加密的联邦学习隐私保护方法，将基于同态加密的联邦学习引入车联网中，通过改进具有加法同态行的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，同时采用分层加密技术，使加法同态在边缘端完成，而乘法同态在云端完成以提高加密效率，从而有效防止联邦学习恶意攻击，并有效降低加密导致的延迟的方法；该发明可以应用在车联网中进行隐私保护将联邦学习引入IoV中以解决用户隐私泄露问题。为了进一步地增强数据安全性，在联邦学习中引入高效的同态加密；而且改进了具有加法同态性的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，构建一个具有全同态加密性的联邦学习架构。
-
公开(公告)号：CN112181971A
公开(公告)日：2021-01-05
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
公开(公告)号：CN116205066A
公开(公告)日：2023-06-02
申请号：CN202310176321.6
申请日：2023-02-28
Applicant: 福州大学
IPC: G06F30/20 , G01N33/00 , G06F17/16 , G06F18/214 , G06F111/08
Abstract: 本发明涉及一种基于压缩感知自适应测量矩阵的空气质量主动采样方法，包括以下步骤：将空气质量历史数据进行处理，得到训练压缩矩阵；使用高斯随机矩阵构造初始字典，利用字典学习技术求解得到过完备字典；构造稀疏基，将过完备字典和稀疏基的逆相乘后进行列子集选择操作得到最重要的m个列；利用得到的m个列构造测量矩阵后进行主动采样，得到一条新数据，进而推测出其余未采样点的估计值；将得到的新数据加入训练压缩矩阵，并将其中最旧的训练数据删除，以保证训练集大小固定不变。重复上述步骤以实现多轮主动采样。该方法能够使用压缩感知模型一体化实现采样和推测，并且可以实时更新训练集以适应多次采样。
-
Patent Agency Ranking
公开(公告)号：CN105117816B
公开(公告)日：2018-11-27
申请号：CN201510430023.0
申请日：2015-07-22
Applicant: 福州大学
Abstract: 本发明涉及一种基于兴趣点的城市阻抗计算方法，包括以下步骤：1、从互联网媒介中采集城市内的兴趣点数据，其中包括兴趣点的名称、类型、经纬度位置、营业时间数据；2、对兴趣点的营业时间进行数据整理，输出标准格式；3、利用城市路网数据，以城市中道路系统完全围合的多边形为基础，划分出地块单元并确定地块中心；将兴趣点通过经纬度位置映射至相应地块单元中；4、对各地块中心到可达范围内所有兴趣点进行路径规划，获得路径参数；5、根据路径规划结果，考虑路径参数及相应地块单元内的人口参数，计算城市中每个地块单元对应的阻抗值。该方法有利于量化城市不同地块不同时间段的阻抗值，从而为交通流量管理和城市用地规划提供参考。
-
公开(公告)号：CN105045880B
公开(公告)日：2018-09-18
申请号：CN201510430517.9
申请日：2015-07-22
Applicant: 福州大学
IPC: G06F17/30
Abstract: 本发明涉及一种不同数据源的兴趣点的模糊匹配方法，包括以下步骤：1、分别从两个不同的网站中采集兴趣点数据构成数据集A、B；2、提取名称完全匹配的兴趣点配对形成数据样本，通过数据样本计算平均位置偏差并确定匹配范围；3、分别从数据集A、B中取待匹配点和待匹配集；4、对待匹配点和待匹配集中所有兴趣点的名称进行逐级地址分词，然后通过地址词典过滤名称中的地址信息；5、采用KMP算法对待匹配点和待匹配集中每个兴趣点进行匹配，通过匹配率判断兴趣点是否相同；6、同理，对数据集A中的其他兴趣点，在数据集B中找出与其匹配的兴趣点。该方法有利于精确匹配不同数据源的兴趣点数据，过滤重复的数据。
-
公开(公告)号：CN104077412B
公开(公告)日：2018-04-13
申请号：CN201410334853.9
申请日：2014-07-14
Applicant: 福州大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于多Markov链的微博用户兴趣预测方法，包括以下步骤：1、分别获取q个、p个用户发表的微博作为训练数据、测试数据；2、以用户为单位，对训练数据、测试数据进行预处理，提取每个用户的兴趣特征值；3、将训练数据转化为Markov链，再基于Markov链两两之间的聚类相似度，对Markov链进行合并，然后利用合并后的Markov链建立多Markov链模型；4、对测试数据进行用户分类；5、基于对测试数据分类得到的用户类别，利用多Markov链模型预测用户的兴趣特征。该方法可以有效预测微博用户的兴趣。
-
公开(公告)号：CN109521447B
公开(公告)日：2022-10-14
申请号：CN201811363492.5
申请日：2018-11-16
Applicant: 福州大学
IPC: G01S19/24
Abstract: 本发明涉及一种基于贪心策略的失踪目标搜索方法。将连续的历史GPS轨迹数据转变成离散的位置点序列，计算目标位置转移概率矩阵，而后评估出找到目标的单位搜索代价；根据转移概率矩阵和评估的搜索代价计算“代价时跨比”、“概率代价比”，基于贪心策略遍历代价时跨比、概率代价比确定搜索时刻、待搜索位置的序列；重复上述过程，直到搜索时刻为目标时刻，输出目标位置。本发明方法利用历史轨迹数据，估测搜索时刻评估指标——期望的代价时跨比，和搜索位置评估指标——期望的概率代价比，来启发式确定搜索时刻和搜索位置，有效地降低了找到目标指定时刻所在位置的搜索代价。
-
公开(公告)号：CN111061966B
公开(公告)日：2022-08-05
申请号：CN201911179955.7
申请日：2019-11-27
Applicant: 福州大学
IPC: G06F16/9537 , G06N20/00 , G01S19/19
Abstract: 本发明提出一种基于强化学习算法的失踪目标搜索方法，包括如下步骤：步骤S1、数据预处理：包括时间和空间的离散化；目标移动轨迹的离散化；不同时间空间下搜索难度的标量化；步骤S2、强化学习训练环境构建：构建强化学习训练环境，训练环境信息包含不同时间不同位置出发的对象在不同搜索时刻下的期望搜索代价和不同搜索时刻转移到不同位置的概率；步骤S3、时空搜索模型离线训练：对状态和行为的定义以及模型进行自适应优化；步骤S4、在线时空搜索决策：基于步骤S3已经训练好的时空搜索模型迭代地采用贪婪策略确定时空搜索序列并执行时空搜索。其有效的降低了找到目标在目标时刻所在位置的搜索代价，完成搜索代价约束下的目标搜索任务。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.022 seconds)
