公开(公告)号：CN110909865B

公开(公告)日：2022-08-30

申请号：CN201911125638.7

申请日：2019-11-18

Applicant: 福州大学

Inventor： 郑海峰 ,  高敏 ,  马金凤 ,  冯心欣

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G06F9/50

Abstract: 本发明涉及一种边缘计算中基于分层张量分解的联邦学习方法。步骤S1：在云端设计有效的深度神经网络共享模型；步骤S2：根据分层张量分解方法对设计的共享模型进行压缩得到分层共享模型；步骤S3：设计分层共享模型对应的正向传播算法和反向传播算法；步骤S4：在云端对分层共享模型进行初始化并下发至参与训练的边缘节点；步骤S5：参与训练的边缘节点利用本地数据集，并根据S3设计的算法对S2得到的分层共享模型进行学习。步骤S6：在云端通过平均聚合的方式对边缘模型进行聚合。本发明在保护用户隐私的前提下实现了共享模型的分布式训练，减少分布式训练时对网络带宽的需求，降低了边缘节点的通信能耗。

公开(公告)号：CN116212818B

公开(公告)日：2025-01-17

申请号：CN202310455479.7

申请日：2023-04-25

Applicant: 福州大学

Inventor： 胡晖 ,  高敏 ,  贾司丞

IPC: B01J20/20 ,  B01J20/30 ,  C01B32/05 ,  G21F9/12 ,  G21F9/06

Abstract: 本发明属于核能环保技术领域，具体涉及一种处理锝的具有碳微球表面的还原性水热生物炭吸附材料及其制备方法。所述制备方法包括以下步骤：1）将生物质原料洗净，干燥后粉碎，过筛；2）将粉碎过筛后的生物质原料按一定固液比加入至有机酸溶液中，得到水热反应进料；3）将水热反应进料进行水热反应，冷却至室温，过滤，固相洗涤、干燥，得到用于处理锝的具有碳微球表面的还原性水热生物炭吸附材料。本发明以低成本废弃生物质为原料，使用绿色有机酸进行改性，通过简单的一步水热法得到一种处理锝的具有碳微球表面的还原性水热炭吸附材料，可作为高效清洁的吸附剂，用于吸附分离七价锝。

公开(公告)号：CN116212818A

公开(公告)日：2023-06-06

申请号：CN202310455479.7

申请日：2023-04-25

Applicant: 福州大学

Inventor： 胡晖 ,  高敏 ,  贾司丞

IPC: B01J20/20 ,  B01J20/30 ,  C01B32/05 ,  G21F9/12 ,  G21F9/06

Abstract: 本发明属于核能环保技术领域，具体涉及一种处理锝的具有碳微球表面的还原性水热生物炭吸附材料及其制备方法。所述制备方法包括以下步骤：1）将生物质原料洗净，干燥后粉碎，过筛；2）将粉碎过筛后的生物质原料按一定固液比加入至有机酸溶液中，得到水热反应进料；3）将水热反应进料进行水热反应，冷却至室温，过滤，固相洗涤、干燥，得到用于处理锝的具有碳微球表面的还原性水热生物炭吸附材料。本发明以低成本废弃生物质为原料，使用绿色有机酸进行改性，通过简单的一步水热法得到一种处理锝的具有碳微球表面的还原性水热炭吸附材料，可作为高效清洁的吸附剂，用于吸附分离七价锝。

公开(公告)号：CN116910692A

公开(公告)日：2023-10-20

申请号：CN202310908348.X

申请日：2023-07-24

Applicant: 福州大学

Inventor： 郑海峰 ,  高敏 ,  冯心欣 ,  杜孟轩

IPC: G06F18/25 ,  G06F18/214 ,  G06N3/098 ,  G06F17/16 ,  G06F18/241

Abstract: 本发明提出异步联邦学习中基于张量块分解的多模态融合方法，包括以下步骤；步骤S1、在云端设计基于张量块分解的多线性融合模型；步骤S2、设计基于张量块分解模型的自适应损失策略；步骤S3、设计自适应选择策略，包括张量块选择和模态选择；步骤S4、设计自适应聚合策略；步骤S5、在云端初始化多线性融合模型并下发至参与训练的边缘节点；步骤S6、参与训练的边缘节点对多模态融合模型进行学习，得到具有本地特征的本地模型；步骤S7、筛选要进行传输的层，上传本地模型；步骤S8、在云端通过步骤S4设计的聚合策略对本地模型聚合；本发明实现了对多源异构信息的自适应融合，具有快速收敛、数据传输量少等优点，同时也增强了基于类别和模态的泛化能力。

公开(公告)号：CN110909865A

公开(公告)日：2020-03-24

申请号：CN201911125638.7

申请日：2019-11-18

Applicant: 福州大学

Inventor： 郑海峰 ,  高敏 ,  马金凤 ,  冯心欣

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G06F9/50

Abstract: 本发明涉及一种边缘计算中基于分层张量分解的联邦学习方法。步骤S1：在云端设计有效的深度神经网络共享模型；步骤S2：根据分层张量分解方法对设计的共享模型进行压缩得到分层共享模型；步骤S3：设计分层共享模型对应的正向传播算法和反向传播算法；步骤S4：在云端对分层共享模型进行初始化并下发至参与训练的边缘节点；步骤S5：参与训练的边缘节点利用本地数据集，并根据S3设计的算法对S2得到的分层共享模型进行学习。步骤S6：在云端通过平均聚合的方式对边缘模型进行聚合。本发明在保护用户隐私的前提下实现了共享模型的分布式训练，减少分布式训练时对网络带宽的需求，降低了边缘节点的通信能耗。